1,720,981 research outputs found
Una herramienta de software para generar mapas de variabilidad espacial
Full text linkPonencia presentada en XXIV Reunión Científica del Grupo Argentino de Biometría. Mendoza, Argentina, 9 al 11 de Octubre del 2019.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.FastMapping es una aplicación web interactiva, con interfaz desarrollada en lenguaje R que permite depurar datos espaciales, ajustar y seleccionar automáticamente variogramas y crear mapas de variabilidad espacial para una variable. La variable es re-escalada sobre una grilla de sitios definida sobre el espacio en estudio. El software ajusta automáticamente 11 modelos de variogramas teóricos y selecciona aquel que ajusta a los datos con el menor error de predicción. Los resultados pueden ser descargados como reporte con formato pdf. También es posible exportar los mapas generados con formato .tiff o como imagen. FastMapping se encuentra disponible de forma libre en http://fastmapping.psi.unc.edu.ar/Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Efecto de la densidad de siembra y dosis de fertilización nitrogenada sobre el rendimiento en cultivo de maíz (Zea mays L.)
Full text linkTrabajo Final Integrador (Área de Consolidación Métodos Cuantitativos para la Investigación Agropecuaria - Ingeniería Agronómica) – UNC- Facultad de Ciencias Agropecuarias, 2019Fil: Donadío, Nicolás Miguel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Pombo, Mayra Soledad. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Favorecidos por las tecnologías de precisión, numerosos ensayos de dosificación variable de insumos en campos de productores son llevados a cabo para determinar dosis óptimas. Además la utilización de covariables de sitio, como la conductividad eléctrica, contenido de materia orgánica y pendiente, permite determinar zonas homogéneas dentro del lote para un potencial manejo diferenciado del mismo. En este trabajo se analizaron datos de un ensayo de dosificación variable en maíz realizado en Nebraska, Estados Unidos. Utilizando modelos lineales mixtos se ajustaron rendimientos en función de la dosis de fertilizante y densidad de siembra. Se utilizó información auxiliar para delimitar potenciales zonas de manejo y se evaluó la conveniencia de un manejo diferencial. Los resultados sugirieron que hubo diferencia entre los niveles de fertilización y las diferentes densidades de siembra. La delimitación utilizando covariables de sitio correlacionadas con el rendimiento no arrojó diferencias significativas en relación con los tratamientos aplicados.Fil: Donadío, Nicolás Miguel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Pombo, Mayra Soledad. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina
Spatially restricted partial least square regression to explain within field grain yield variability
Full text linkPonencia presentada en 12ª Conferencia Europea sobre Agricultura de Precisión (ECPA). Montpellier, Francia, 8 al 11 julio del 2019.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Vega, Andrés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Vega, Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.The new information technologies that allow us to capture different types of data associated with spatial localization have been promoted in the last decades. Grain yield and several site variables are intensively measured within a crop field. Therefore, the challenging is to use all available data to better understand the agronomical process underlying within field yield variability. Because of the site variables are usually correlated between them (multicollinearity) and present spatially auto-correlated, the regression models to evaluate de relative contribution of each site variable should account for both types of correlations. Here we propose an extended version of partial least square regression (PLS) (Abdi, 2010) as designed algorithms to treat the multicollinearity and spatial autocorrelation. The algorithm combines PLS and ordinary kriging (OK) and is named as spatial PLS (sPLS). Initially, a PLS regression technique of yield using predictive ancillary variables was carried out in order to model the trend component. In the second step, OK is applied to the residuals of PLS and a spatial prediction of the residuals was created. The final prediction was an additive combination of both models.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Vega, Andrés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Vega, Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Statistical modeling for on-farm experimentation using precision agricultural technology
Full text linkPonencia presentada en 12ª Conferencia Europea sobre Agricultura de Precisión (ECPA). Montpellier, Francia, 8 al 11 julio del 2019.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Bullock, David S. University of Illinois - Urbana-Champaign; Estados Unidos.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.On-farm experiments are conducted in producers? fields using precision technologies that facilitate trial set up without additional tasks other than the necessary ones for crop development. Current availability of precise machinery equipped with proximal and remote sensors enable automation of changes in the assignment of agricultural inputs within the field. The possibility of changing input rates automatically and monitoring associated yields enable estimations of the effect of variable rates of agronomical inputs on productivity functions at the farmer scale. Advances in statistical analyses of this type of on-farms trials are essential for rapid development, fine-tuning and evaluation/adoption of precision agriculture. On-farm estimated productivity function (yield as a response of treatments) for a given number of crop seasons, allows us to make environmentally and economically optimum prescriptions for crop management in the agricultural plots. The underlying spatial variability among sites in a plot (soil properties, topography, water availability, historical yields) can be used for identification of management zones, in which treatments are compared under uniform conditions or, rather, as covariables of yield prediction models as a function of treatments.The benefits of adopting a site-specific predictive model approach, including site characteristics as covariables as well as interactions between them with input rates, are discussed through 12 real datasets of on-farm trials of variable seed and nitrogen rate on maize and wheat. Additionally, we evaluate the relative accuracy of modern statistical algorithms: Random Forest, Generalized additive model, Gradient boosting machine (GBM), Partial least squares (PLS). The algorithms were fitted to estimate predictive models and compared in terms of root mean square prediction error (RMSPE). As reference model, multiple linear regression was fitted. All algorithms were adjusted with and without previous zonification and with and without accounting for spatial correlations. All algorithms accuracy increased in models including site covariables. The spatial models showed smaller RMSPE than the non-spatially restricted models. The use of continuous covariates auto-performed the use of management zones as classification factors. GBM and PLS with spatial correlation were the best models for fitting productivity function.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina.Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Bullock, David S. University of Illinois - Urbana-Champaign; Estados Unidos.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina.Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Guía para el análisis de datos espaciales : aplicaciones en agricultura
Full text linkFil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Giannini Kurina, Franca. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.En las últimas décadas se ha impulsado el desarrollo y la utilización de nuevas tecnologías que permiten capturar datos espaciales, i.e. datos de una variable regionalizada o asociados a una localización en el espacio.
La infraestructura de datos espaciales es cada vez mayor en tamaño y calidad, especialmente la asociada a la generación de datos que provienen de sensores ya sea remotos o proximales. Los volúmenes de datos espaciales no sólo son vastos y variados, sino que también, en la mayoría de los escenarios, son accesibles. Estos datos generan nuevas oportunidades para la investigación en agricultura.
La variabilidad en los procesos aleatorios que generan datos espaciales se modela con diversas herramientas de la Estadística Espacial y se representa gráficamente en mapas de variabilidad espacial donde puede observarse cómo cambian los valores de una o más variables aleatorias según su posición en el espacio.
Aún cuando se estudian dominios espaciales continuos con alta densidad de datos, usualmente no existen observaciones de la variable de interés para todos las localizaciones o sitios del espacio analizado; así se hace necesario obtener predicciones espaciales, i.e. predecir el valor de la variable en sitios sin datos. Con grillas de predicción densa, es posible obtener mapas de contorno casi continuos espacialmente.
Con varias variables para cada sitio, una de ellas interpretada como resultante de un proceso y otras como explicativas o potenciales predictores, es posible obtener predicciones espaciales a partir de modelos que consideran la correlación espacial de los datos. Los modelos pueden estimarse tanto en un marco teórico frecuentista (Cressie and Wikle 2015; Schabenberger and Gotway 2005) como desde el marco teórico bayesiano (Correa Morales, Causil, and Javier 2018). También, desde la Ciencia de Datos con base computacional, se encuentran disponibles algoritmos de aprendizaje automático que incorporan la espacialidad en el análisis de datos (Li et al. 2011).
En esta guía se ilustra el manejo y procesamiento de datos espaciales con distintos métodos estadísticos y su aplicación en agricultura. El texto está organizado en tres partes; la primera contiene bases conceptuales para el análisis de datos georreferenciados provenientes de procesos espaciales continuos. La segunda, la implementación de protocolos de análisis completos sobre datos distribuidos a escala fina en el espacio, con códigos de programa listos para ejecutar en el software estadístico R (R. C. Team 2019) y en el software InfoStat (Di Rienzo et al. 2019). La tercera parte del texto ilustra la implementación del manejo y análisis de datos distribuidos a escala regional con códigos en R. La versión digital de este libro puede obtenerse desde www.agro.unc.edu.ar/~estadisticaaplicada donde también se encuentran los códigos de programación y los datos usados en este texto.Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Giannini Kurina, Franca. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina.Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina.Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina
Software development for spatial variability mapping in agriculture and environment
Full text linkDiversos datos agronómicos y ambientales son recolectados con sistemas de posición geográfica posibilitando la construcción de mapas que describen la variación de las propiedades en el espacio. La variabilidad espacial uni y multivariada ha sido utilizada para comprender variación de observaciones dentro de campos de cultivo y también entre sitios de un territorio extenso, permitiendo la delimitación de áreas o zonas homogéneas a distintas escalas. El uso de métodos de estadística espacial, tanto a escala regional como a escala fina, demanda programas de computación especializados. FastMapping es una aplicación web interactiva que fue desarrollada para procesar datos espaciales. Permite preprocesar archivos de datos georreferenciados (depurar, estandarizar y re-escalar), facilita la interpolación espacial y la generación de mapas de variabilidad espacial de manera cuasiautomática. En este trabajo se comparó la zonificación multivariada de lotes agrícolas en función de propiedades de suelo producida por FastMapping con la obtenida desde un software comercial difundido para agricultura de precisión. Las facilidades de FastMapping para importar, limpiar, analizar y visualizar datos espaciales, en un único ambiente de computación, proveen un entorno fácil de usar para la implementación efectiva de métodos de estadística espacial.iverse agronomic and environmental data are collected with geographical position systems enabling the construction of maps that describe the variation of the studied properties over the space. Uni and multivariate spatial variability has been used to understand observation variation within crop fields and between sites in a large territory, allowing the delimitation of homogeneous areas at different scales. The use of spatial statistics methods, both regionally and on a small scale, demands specialized software programs. FastMapping is an interactive web application developed to process spatial data. It allows users to preprocess georeferenced data (clean, standardize and re-scale), it facilitates spatial interpolation and the generation of spatial variability maps quasi-automatically. This work compares the multivariate zoning of agricultural fields according to soil properties produced by FastMapping and that obtained from commercial software used for precision agriculture. FastMapping allows to import, clean, analyze and visualize spatial data, in a single environment, provide an easy-to-use framework for the effective implementation of spatial statistics methods.Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA; ArgentinaFil: Córdoba, Mariano. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA; ArgentinaFil: Balzarini, Monica Graciela. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola. Grupo Vinculado Catedra de Estadística y Biometría de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba al UFyMA; Argentin
FastMapping: Software to create field maps and identify management zones in precision agriculture
No full textDiverse on-farm agronomic data, gathered via precision agriculture (PA), require depuration and joint analysis of multiple georeferenced field characteristics such as crop yields, and soil and topographic aspects. Multivariate analysis of spatial variability has been recommended to understand variation of data within fields and classify sites into zones of broad similarity to support crop management. However, most of the statistical techniques available for spatial data require advanced skills. Cleaning and statistical analysis of big spatial data can only be effectively implemented if there are easy-to-use computer programs integrating the analytical steps. This paper explains the development and implementation of FastMapping, an interactive web application to automatically clean PA raw data, generate spatial variability field maps, and delineate multivariate management zones. The application uses an interface developed in R language that automatically depurates datafiles; in addition, through automatic spatial interpolation of each variable, it allows us to merge data layers on the same spatial grid in such a way that each site within the agricultural field has values of all the measured variables. On this grid, FastMapping identifies homogeneous zones, in a multivariate and spatial way, and provides data reports including validation of the delineated zones. FastMapping outputs for zone delineation were compared with results from Management Zone Analyst (MZA) software in several fields. The new software yielded a similar zoning to that of MZA and added graphs and statistical results that are lacking in most PA software tools. The flexibility of FastMapping to import, clean and visualize PA data in a single computer environment is highly encouraging. FastMapping can be used by the PA community to support site-specific agricultural management.Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; ArgentinaFil: Córdoba, Mariano. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; ArgentinaFil: Balzarini, Monica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; Argentin
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
- …
