Universidad Tecnolgica de la Costa

Divisin de Ingeniera Ciencia y Tecnologa

Sistematizacin de Procesos para la Clasificacin de Texturas en el Anlisis de Suelos con Fines de Optimizar su uso Agrcola
TESIS Que para obtener el ttulo de: INGENIERO EN TECNOLOGAS DE LA INFORMACIN Y COMUNICACIN

Presenta: JOS LUIS GAMEROS ARAIZA

Directora de Tesis Dra. Irma Julieta Gonzlez Acua

Santiago Ixcuintla, Nayarit, Mxico. D irectora de Tesis D ra.

Junio de 2011

ii

Dedicatoria
A Dios, por iluminar mi camino rodendome con personas de las que puedo aprender, y con quienes puedo contar.

A mi mam Maru, quien siempre deposita en m esa fe incondicional.

A mi mam Ramona, por haberme criado durante tantos aos.

A mi mam Concha, quien me ense hasta los ultimos instantes de su vida, lo que es el amor, el cario y el perdn.

A mis hermanos Daniel y Luis.

A Lilian, que tiene un corazn inmenso y con este me ha acompaado en las buenas, malas y las peores.

iii

Agradecimientos
Asesora Empresarial y Directora de Tesis Doctora Irma Julieta Gonzlez Acua, por haberme dado la oportunidad de realizar mi estada y formar parte de sus proyectos, adems de haberme enseado tanto en el aspecto profesional como personal. Maestra L.I. Janitzn Crdenas Castellanos por su amistad y sus atenciones, que describen tal cual, la vocacion de un verdadero maestro. Asesor Acadmico M.T.E. Leonardo Hernndez Pea, por sus acertadas observaciones en la revisin del documento de tesis. Tutor de Carrera M.C.E. Hctor Hugo Domnguez Jaime, por su compromiso y dedicacin que fueron fundamentales en mi desarrollo profesional. Director de Carrera Lic. Vladimir Ivn Gutirrez Morales por su tolerancia y compromiso. Director de INIFAP M.C. Luis Enrique Fregoso Tirado, por haberme permitido desarrollar mi estada dentro de las instalaciones del campo. Personal de INIFAP Por la hospitalidad brindada a lo largo de mi estada. Familia Mi madre y mi abuela, que estuvieron siempre al pendiente. Mi abuelo y mi padre, que me ensearon a conducir en el transcurso de mi estada. iv

Resumen
La investigacin, como parte de la estada en el CESIX-INIFAP, aplic a las Tecnologas de la Informacin y Comunicacin de manera interdisciplinaria con el Laboratorio de Suelos y la Agricultura, en la bsqueda de soluciones sustentables. El objetivo general fue sistematizar procesos para identificar texturas en el Laboratorio y optimizar su uso agrcola; los especficos, 1) proponer un modelo matemtico automatizado (Mac) eficiente para clasificar texturas (Tx) y, 2) un modelo espacial para asociar la textura con el cultivo. Se dise un algoritmo, donde se comprendi la textura como la suma de porcentajes de arena (A), arcilla (R) y limo (L), que combinados en diferentes rangos, segn tringulo de texturas, generan 12 posibles clases. Las variables bsicas fueron cuatro lecturas analticas: 1) primera lectura registrada en el hidrmetro de Bouyoucos, sobre arcilla y limo, 2) temperatura de la primera lectura, 3) segunda lectura, sobre arcilla, 4) su temperatura. La regla de decisin fue: %A=100-(A+L). MacTx se program en Excel y se compar estadsticamente (p=0.05) con otros dos modelos externos. El modelo espacial se gener utilizando informacin geogrfica digital del CESIX-INIFAP, agrupando texturas de suelos asociadas a cultivos. MacTx-Lab-CESIXINIFAP-2011 fue mejor con error de 4.7% (p=0.0035) y 61% ms eficiente que los otros dos MacTx, similares con error de 12% (p=0.05). As, MacTx propuesto es una alternativa en el laboratorio de suelo. El mapa de grupos de texturas permiti identificar reas con potencial natural para determinado cultivo, y es de utilidad para planeacin y toma de decisiones en la agricultura.

Palabras Clave: Tecnologas de Informacin, Laboratorios de Suelo, Agricultura, Modelos Matemtico y Cartogrfico. v

Abstract
The Research, as part of the stay in the CESIX-INIFAP, applied to the Information and Communication Technology in an interdisciplinary way with the Laboratory of Soil and Agriculture, for sustainable solutions. The general objective was to systematize processes to identify textures in the Laboratory for optimum agricultural use. The specific objectives, 1) propose an automated and efficient mathematical model to classify soil textures (MacTx), and 2) a spatial model to associate soil texture with the crop. An algorithm was designed, where the texture concept was: the sum of percentages of sand (A), Clay (R) and silt (L), which combined according to textures triangle it generates 12 categories. The basic variables were four analytical reading: 1) first reading recorded in the Bouyoucos hydrometer, on clay and silt, 2) temperature of the first reading, 3) second reading o clay and 4) its temperature. The decision rule was: %A=100(A+L). MacTx was programmed in Excel and it was compared statistically (p=0.05) with two external models. Using digital geographic information from CESIX-INIFAP and grouping soil textures according to crops the spatial model was generated. MacTx-LabCESIX-INIFAP-2011 with an error of 4.7% (p=0.0035) was better than the other two models, which statistically showed similar 12% error. Therefore, MacTx designed is an alternative in the Laboratory of Soil. With map of soil texture groups, was possible to identify areas with natural potential for specific crops. Thus, this map is useful for planning and decision making in agriculture.

Keywords: Technology Information, Laboratory of Soil, Agriculture, Mathematics and Cartography Models. vi

ndice General
Resumen.. Abstract................................................................................................................... ndice de Figuras. ndice de Tablas.. Introduccin.... I. Planteamiento del Problema..... Limitaciones. Delimitaciones.. II. Preguntas de Investigacin... Justificacin ..... III. Revisin de Literatura ............ Importancia de las tecnologas de informacin......... Importancia de la sistematizacin de procesos.. Las tecnologas de informacin y comunicacin como vinculo interdisciplinario. La conceptualizacin de texturas del suelo y su determinacin en laboratorio.. La optimizacin de la agricultura a travs de la textura del suelo............ IV. Objetivos.......... Objetivo general........... 13 15 17 17 11 iv v viii ix 1 3 3 4 5 6 8 8 9

vii

Objetivos especficos............ V. Hiptesis............ Hiptesis general............................. Hiptesis especfica................. VI. Metodologa............. Algoritmo para automatizar la clasificacin de textura de suelos... Indicador de variables de estudio en la generacin del modelo matemtico.... Procesos para la evaluacin del modelo matemtico y anlisis estadstico... Anlisis estadstico.. Generacin del modelo espacial sobre texturas de suelo y su relacin con la agricultura....................................................................... VII. Resultados y Discusin... Modelo generado para automatizar la clasificacin de texturas Evaluacin del modelo ya generado para automatizar la clasificacin de texturas............ Modelo espacial de las texturas de suelo y su asociacin con la agricultura... Vinculacin inter disciplinaria del laboratorio de suelo, la agricultura y tecnologas de la informacin..... VIII. Conclusiones.......................................... IX. Recomendaciones.. Referencias Bibliogrficas .....

17 18 18 18 19 19 20 23 25 26 27 27 34 35 38 40 42 43

viii

ndice de Figuras
Figura 1. Tringulo de texturas para clasificar tipos de suelo segn su proporcin de partculas: arena, limo y arcilla. Fuente: Castellanos et al. (2000)... Figura 2. Esquema del algoritmo que se dise para la generacin del modelo automatizado de clasificacin de texturas.... Figura 3. Anlisis estadstico de los modelos evaluados para automatizar la clasificacin de textura de suelos......... Figura 4. Mapa de grupos de textura de suelo en el municipio de Compostela, Nayarit........................... 37 35 21 14

ix

ndice de Tablas

Tabla 1.

Clasificacin de las texturas del suelo en grupos texturales.....

26

Introduccin
En todas las empresas o sectores productivos existen diferentes situaciones que requieren de estudios que propongan soluciones a sus necesidades. Est documentado (Bunge, 1995; Gonzlez, 2010) que en dichos estudios, el enfoque sistmico es conveniente debido a que impone un carcter interdisciplinario, el cual asume la participacin de conocimientos complejos, aparentemente diferenciados, pero que en su conjunto generan coherencia en las formulaciones tericas y en las derivaciones prcticas que dan respuestas a las demandas de la empresa en conexin con su entorno. A partir de esta perspectiva, la presente investigacin desarrolla la tesis de que en el enfoque de sistemas cada vez es ms trascendente que en la resolucin de problemas de diversas reas, se integren disciplinas como Tecnologas de la Informacin y Comunicacin (TIC). De manera particular, en este estudio se demuestra cmo es que dentro de los sectores productivos, las TIC vinculan al Laboratorio de Suelos y a la Agricultura. Asimismo se constata cmo es que el todo emerge con ms fuerza cuando las partes se complementan y adoptan una actitud sinrgica. El estudio se realiz como parte de la estancia del presente tesista, de enero a mayo de 2011, en el rea del Laboratorio de suelos dentro del Campo Experimental Santiago Ixcuintla (CESIX), perteneciente al Instituto Nacional de Investigaciones Forestales, Agrcolas y Pecuarias (INIFAP), ubicado en el municipio de Santiago Ixcuintla, Nayarit, Mxico, en el km 6 del entronque de la carretera internacional TepicMazatln. Lo anterior fue posible gracias a que adems de generar conocimiento e innovaciones tecnolgicas en beneficio de la sociedad agropecuaria, el INIFAP tambin tiene entre sus objetivos el apoyo a la formacin de recursos humanos a travs del desarrollo de estancias para fomentar las habilidades y creatividad en investigacin de personal prximo a egresar o egresados, al mismo tiempo que se impulsa su titulacin bajo este esquema, lo cual propicia la experiencia profesional y coadyuva al liderazgo.

El documento se presenta en nueve captulos, los cuales se describen a continuacin: El primero es Planteamiento del problema, donde se expone la situacin que afecta a la agricultura en relacin con el laboratorio de suelo, as como si existieron o no limitaciones en la formulacin de la problemtica y su alcance. En un segundo captulo denominado Preguntas de Investigacin, se abordan las interrogantes que direccionan la investigacin, as como la justificacin del estudio. En un tercer captulo denominado Revisin de Literatura, se abordan temas que permitieron establecer un marco conceptual y terico para la comprensin y explicacin del proyecto. Acorde a los lineamientos del formato de tesis se presenta en cuarto captulo a los Objetivos de la presente investigacin. De manera que bajo dicho esquema, el quinto captulo concierne a las Hiptesis, donde se enuncian las respuestas probables al problema planteado. El sexto captulo se refiere a la Metodologa, donde se explica lo que se hizo y cmo se hizo; es decir el camino que se sigui al intentar solucionar el problema: los mtodos, tcnicas y entre otros las variables utilizados para verificar, contrastar o diferir la hiptesis. En la sepyima seccin, Resultados y discusin, se exponen los resultados obtenidos, as como su interpretacin, explicacin, comparacin con otros estudios relacionados y el anlisis de si los resultados resuelven o no el problema. Mientras que en la octava seccin de Conclusiones, se generalizaron las lecciones aprendidas y se puntualizaron los logros obtenidos segn los objetivos. Un noveno captulo, de Recomendaciones, permiti exteriorizar acciones convenientes no solo a partir de los resultados obtenidos en la investigacin, sino tambin del proceso de estada estudiantil, como acciones que pueden fortalecer y mejorar a futuro la comprensin del proceso de investigacin.

I. Planteamiento del problema

La presente investigacin emerge por la demanda y necesidad de soluciones sustentables a una problemtica comn que atae a dos sectores: el Agrcola y el Laboratorio de Suelos. Por un lado, la agricultura, siendo una de las actividades ms relevantes, tiene el problema de que los rendimientos y la rentabilidad de los cultivos han disminuido debido en gran parte al deterioro del suelo y a las prcticas agrcolas que realizan los productores; de manera que una de las estrategias para el uso y manejo agronmico adecuado de los cultivos es conocer cules son las condiciones de los terrenos. Para ello se realizan muestreos de suelo y su anlisis en laboratorio. En el Laboratorio de Suelos es posible el diagnostico de diversas variables como la textura, la cual representa a las partculas que hay en el suelo, que pueden ser de tres tipos: arena (A), que son las partculas ms gruesas; limo (L), que son partculas de tamao intermedio; y arcillas (R), que son las ms finas. Estas se encuentran combinadas en diferentes proporciones y es lo que define las diferentes clases de textura del suelo. De acuerdo con Castellanos, Uvalle y Aguilar (2000) esta variable es importante en la agricultura pues en funcin de ella se decide sobre el laboreo de las tierras, as como de la cantidad y disponibilidad de agua y nutrimentos. Por lo anterior, la exactitud y eficiencia en la determinacin de la textura del suelo es una condicin intrnseca a cualquier laboratorio. Sin embargo, el mtodo analtico para una sola muestra requiere de varias lecturas y clculos, adems de identificar visualmente la clasificacin a travs de un esquema grfico denominado Tringulo de texturas donde el suelo puede pertenecer a una de 12 posibles categoras. Si se considera que se pueden analizar hasta ms de 100 muestras por da, el riesgo de error humano aumenta, adems de que no se hace un uso eficiente del tiempo, del personal ni de los recursos econmicos.

Limitaciones No se presentaron limitaciones para el planteamiento del problema, pues los lmites conceptuales fueron los requeridos para la identificacin y comprensin de la situacin problemtica. Adems la perspectiva sistmica permiti la interdisciplina, de manera que lejos de que las Tecnologas de la Informacin y Comunicacin sean una limitante por ser disciplina completamente diferente a las reas Agricola y Laboratorio de Suelo involucradas en la problemtica, se integr como una sinergia en la bsqueda de alternativas sustentables. Por otro lado, debido a que el problema se relacion con necesidades de sistematizacin de procesos, el desarrollo de la estada e investigacin no requirieron de tiempos y espacios especficos. No obstante, es probable que en magnitud, el tiempo de estada, aunque es suficiente para el planteamiento del problema, si no se ajusta al periodo total de inicio y trmino de la estada, pueda ser una limitante para el desarrollo completo de un programa de investigacin. Delimitaciones Si bien los datos utilizados en el presente estudio as como los resultados generados pertenecen a una Empresa, INIFAP, que es donde se desarroll la estancia y el presente proyecto de investigacin, particularmente en lo que se refiere al modelo automatizado para clasificar texturas, una vez acreditada la propiedad puede ser utilizado por cualquier laboratorio. En lo que compete al modelo espacial, es decir la cartografa, su uso se extiende al rea de dnde provienen las muestras de suelo, debido a que los resultados corresponden a sitios especficos de muestreo, siendo de mayor utilidad para los extensionistas o agentes de cambio, quienes pueden utilizarla como apoyo al productor en sugerencias tecnolgicas de manejo y diversificacin de cultivos.

II. Preguntas de Investigacin

Con base en la anterior problemtica, y tomando en cuenta que el enfoque sistmico permite una vinculacin disciplinaria para interactuar y generar sinergia en las alternativas de solucin (Herrscher, 2005), y adems reflexionando sobre las alternativas de vinculacin que ofrece el uso de las Tecnologas de la Informacin y Comunicacin (Khawlie, Shaban, Abdallah, Darwish y Kawas., 2005; Vilchez, 2010; Sorensen, Pesonen y Bochtis, Vougloukas y Soumi, 2011; Rakun, Stajnko y Zazula, 2011; Zhang, Jing, Lei, Ye, Li-hong y Wang, 2011), surgen dentro del presente estudio preguntas de investigacin, las cuales fueron esenciales en la tesis puesto que responderlas se constituy posteriormente en los planteamientos hipotticos. As, el primer cuestionamiento generalizado fue: De qu manera las Tecnologas de la Informacin y Comunicacin pueden vincularse y coadyuvar en la bsqueda de soluciones sustentables a la problemtica planteada en torno a los sectores agrcola y de laboratorio de suelos? Mientras que las preguntas de investigacin especficas en la bsqueda de la calidad en el Laboratorio y en resultados confiables para la toma de decisiones adecuadas en el uso ptimo y la conservacin del suelo en la agricultura, provinieron de cuestionamientos sobre: Cmo conciliar ante una inmensidad de datos analticos que se generan en el Laboratorio de Suelos: el tiempo, la economa y lo prctico con la exactitud y eficiencia? Adems, si la textura del suelo resultante se relaciona con un sitio en particular, as como con un uso y manejo especfico para determinado cultivo Cmo sistematizarla espacialmente para una fcil interpretacin del ptimo uso y manejo agrcola?

Justificacin La agricultura es una de las actividades ms relevantes en el estado de Nayarit, as como en diferentes entidades en el pas, sin embargo sus rendimientos van en decremento. Est documentado (Castellanos et al., 2000; Etchevers, Prat, Balboltn y Martnez, 2006) que una alternativa para argumentar decisiones de manejo agronmico y no solo aumentar la produccin sino tambin coadyuvar a la conservacin del suelo, es conocer las condiciones en que se encuentran los terrenos a travs de muestreos de suelo y su anlisis en laboratorio. Al respecto, se ha comentado que la textura es una variable importante, de manera que su determinacin ayudar a decidir sobre el manejo agronmico ms adecuado a determinado cultivo, como por ejemplo: los implementos agrcolas convenientes en la preparacin de las tierras, cmo deben aplicarse los riegos y los fertilizantes, y entre otros, cules pueden ser los cultivos que ms se adaptan a esas condiciones de textura del suelo, lo cual se constituye en contribuciones apropiadas a la sustentabilidad ambiental. Con estas estrategias, es posible aumentar rendimientos que tan solo en frijol, principal cultivo en la regin costera de Nayarit, pueden ser del orden de 16.5 mil toneladas, que equivalen a aproximadamente 148.8 millones de pesos y a la mejora del bienestar de ms de 10 mil familias que viven del campo. Por otro lado, el uso eficiente de la fertilizacin reducira no slo costos de produccin en 10-30% como lo menciona Gonzlez (2010) sino tambin la prdida de fertilizantes por lixiviacin o infiltracin, con lo cual se evita que se contaminen los mantos freticos en el subsuelo. Asimismo, la agrupacin de texturas permite considerar la posibilidad de cambio en el uso del suelo hacia cultivos que puedan ser ms rentables. Con relacin al laboratorio de suelo, la sistematizacin de procesos y de todos los datos que se obtienen en las etapas analticas para la determinacin de la textura del suelo, as como los clculos matemticos que se realizan con ellos, pueden permitir eficiencia en tiempo, personal y costos, adems de exactitud en los resultados.

En ambos sectores, como lo indican Masera, Astier y Lpez (2000) la informacin disponible de los recursos constituye uno de los elementos fundamentales para la planeacin, instrumentacin, control y evaluacin de programas productivos. Ante esto, es relevante la vinculacin interdisciplinaria de las Tecnologas de la Informacin y Comunicacin, por su capacidad de sistematizar procesos confiables para automatizar la clasificacin de texturas en el anlisis de suelos, reduciendo riesgos de error y aumentando eficiencia en tiempo y costos de inversin en el laboratorio, as como para argumentar el uso ptimo de los terrenos dedicados a la agricultura.

III. Revisin de Literatura

El tema de este captulo de revisin bibliogrfica, se aborda desde cinco perspectivas: 1) la importancia de las Tecnologas de la Informacin y Comunicacin (TIC), 2) la sistematizacin de procesos, 3) la manera en que las TIC se vinculan con otras disciplinas formando parte de su interrelacin, 4) la conceptualizacin de texturas del suelo y su determinacin en laboratorio, as como 5) la optimizacin de cultivos a travs de la textura del suelo. Importancia de las tecnologas de informacin y comunicacin Las tecnologas de la informacin y comunicacin son importantes debido a que no solo proveen de hardware y software capaces de convertir, almacenar, proteger, procesar, transmitir y recuperar grandes cantidades de datos e informacin; sino que adems buscan la reflexin de alternativas para el profesionista, empresas y para diversas disciplinas, as como el impacto de cada una de ellas en la sociedad como lo indica Elizondo (2009). Al respecto Sorensen et al. (2011) sealan que parte fundamental de las tecnologas de la informacin son los procesos de decisin automatizada. Sin embargo, como bien lo afirma Joyanes (2009), lo anterior no puede lograrse sin la clara asimilacin del problema, de manera que una vez comprendido e interpretado de la forma correcta, la serie de procesos que darn como resultados una solucin, pasa a ser lo ms importante incluso antes de saber sobre que plataforma se puede desarrollar esa posible solucin. A esa relevancia de pasos que se integran en conjunto para la obtencin de resultados es a lo que Bowman (2000) conceptualiza como algoritmo. Por su parte, Sorensen et al. (2011) describe cmo las tecnologas y sistemas de informacin son la parte medular de un algoritmo y seala que el objetivo de este es especificar los requerimientos necesarios para explora las alternativas que conduzcan a los objetivos deseados. En tanto que Moral, Terron y Rebolloc (2011) hace valer el uso de algoritmos desde un enfoque informticamente sistematizado que puede manipularse de manera prctica en la hoja de

clculo Excel; lo cual se constituye como parte fundamental en la resolucin de problemas, o bien en evolucin de soluciones ya existentes para problemas reales, que fue el caso de la presente investigacin. Al respecto, Vilchez (2010) menciona tambin la conveniencia de la implementacin de modelos matemticos en Excel por su facilidad, ms indica que queda limitada a la sintaxis que este software puede soportar. En el entorno de sistemas de informacin geogrfica y generacin de cartografa temtica, existen diversos software. As, para operar imgenes es verstil IDRISI (Eastman, 1999) que permite de manera prctica reclasificar, sobreponer y realizar algebra de mapas. Otros como FETEX (Ruiz et al., 2011) tienen como tarea la extraccin automtica de caractersticas descriptivas de objetos geoespaciales a travs de imgenes multiespectrales. Ambos, en su medio, proveen informacin tanto a nivel local como global. Conforme crece la necesidad de anlisis a diferentes niveles; en ese mismo sentido los modelos y las herramientas de apoyo a las decisiones son cada vez ms estructuradas en su programacin para proporcionar la capacidad de simulacin de toda la zona, as como el anlisis en un rango de escalas espaciales. Por ello, como lo sealan Khawlie et al. (2005), Moral et al. (2011) y Yang et al. (2011), el desarrollo de un sistema de gestin de datos que proporcione un acceso dinmico a grandes volmenes de datos georeferenciados es un desafo importante. Con fundamento en lo anterior, las tecnologas y sistemas de informacin se han utilizado en diversas situaciones como herramienta de planeacin y toma de decisiones. Importancia de la sistematizacin de procesos En la correcta administracin en el manejo de la informacin, es necesario generar un sistema; es decir, un conjunto de pasos o actividades determinadas para la resolucin de un problema. Acorde con Oz (2001) un sistema es una serie de elementos que funcionan en conjunto para alcanzar uno o varios objetivos en comn, y se relaciona con aceptar una entrada, procesarla, y producir una salida de manera organizada, lo cual se traduce en resultados. Para Lardent (2001) la diferencia entre sistema y sistematizacin

de procesos radica en que el primero refiere a un conjunto de elementos ordenados que a pesar de poder ser diferentes entre s, tienen un fin comn; mientras que el segundo es tambin un conjunto de elementos pero como procesos, donde la finalidad es ordenar una serie de actividades ya determinados, para cumplir con un fin mayor. Bowman (1999), refiere a que cuando un problema tiene solucin con base en la computadora, implica una resolucin algortmica, lo cual permite contemplarlo como un ciclo que se repite una y otra vez con sus respectivas constantes y variables. Esa implementacin del algoritmo para la resolucin de un problema, significa sistematizar los procesos necesarios para concluir con dicha tarea y lograr los objetivos que se plantean. Para Cairo (2003), la comprensin de un problema bajo el enfoque de tecnologas de informacin, da como resultado la sistematizacin de procesos, siendo relevante el estudio de los elementos del problema as como de las alternativas de su resolucin. Al respecto, OBrien y Marakas (2006), sealan que la ventaja de la sistematizacin de procesos es la optimizacin de recursos, ya que el ordenamiento eficiente y prctico de las tareas a realizar conduce a la reduccin tanto de costos por recurso laboral, como de tiempo y del nmero de errores humanos. Por otro lado, Laudon y Laudon (2004) indican que existen diversos tipos de sistemas, y enfatizan a los que dan soporte en la toma de decisiones directivas, denominados como Sistema para el Soporte de Decisiones. Un factor clave en el uso de estos sistemas es determinar la informacin necesaria que se maneja a travs de sistemas informticos computarizados. Mientras que Senn (2005), hace hincapi en el Sistema para el procesamiento de transacciones, donde una transaccin es cualquier suceso o actividad que afecta a toda la organizacin. De tal forma que, si dentro de las actividades de transaccin se aplica el concepto general de sistemas de informacin, adems de optimizar tiempo y costos, pueden obtenerse beneficios adicionales como el respaldo de cada una de las transacciones realizadas, su clasificacin y generacin del resumen correspondiente.

10

Las tecnologas de informacin y comunicacin como vnculo interdisciplinario En este subcaptulo se documenta cmo las tecnologas de la informacin se han vinculado de manera amplia e innovadora en el sector agropecuario enlazando a diversas disciplinas, de manera que las aportaciones no se restringen solo al uso de equipos electrnicos y computadoras, puesto que actualmente van ms all de tcnicas inimaginables en dcadas anteriores. Tal es el caso reportado por Nadimia et al. (2011) que exponen en el rea pecuaria el uso de dispositivos inalmbricos conectados a una red informtica, con fines de describir y entender el comportamiento de animales. De manera similar Udumala et al. (2011), involucran la mecatrnica aplicada mediante un aparato mecnico robotizado para monitorear el crecimiento de las copas de los rboles, y determinar por ejemplo, cmo es que afecta la agitacin del follaje. Por su parte, Rakun et al. (2011) mencionan la relacin de las tecnologas de informacin y comunicacin en laboratorios de fisiologa de cosecha para pronosticar el momento adecuado del corte de frutos, a travs del monitoreo del anlisis de textura de los frutos, asociada a su dimetro, con proyeccin de rendimientos. En tanto que Zhao et al. (2011) emplearon un modelo de simulacin para detectar probabilidades de infeccin primaria de la enfermedad mildi en pepino bajo condiciones de invernadero, ya que la deteccin de dicha etapa infecciosa es esencial en el control del patgeno, de tal forma que el modelo de alerta temprana aplicable a esta fase supondra una base para la prevencin de enfermedades, en consecuencia la reduccin del uso de plaguicidas. En torno al recurso natural del agua y su vinculacin con la agricultura, mucho se ha requerido y en la misma magnitud se ha trabajado para el establecimiento de polticas de irrigacin adecuada y ahorro de agua. Pareciera asimismo que es donde se ha apreciado ms uso de las tecnologas de la informacin y comunicacin a travs de redes informticas. En dicho sentido, Zhang et al. (2011), a partir de mtodos geoestadsticos gener un mtodo de calibracin para el control de la humedad en suelos agrcolas, el cual tambin integra el uso de las redes informticas.

11

Por su parte Castellanos et al. (2000), enfatizan como tcnica innovadora a la aplicacin de fertirrigacin, conocida tambin como nutricin en riego por goteo, en la cual es decisivo el equipo de cmputo y programas especiales para monitorear las demandas de cultivos principalmente hortcolas. Por su parte, Vellidis (2008) las incorpora al sector agrcola, mediante el uso de sensores inalmbricos que comunican sus resultados de monitoreo de riego y temperatura del suelo al usuario, para la administracin correcta del agua en el cultivo de algodn. Mientras que Zhang et al. (2011), utilizaron un mtodo basado en el intercambio de informacin electrnica para la deteccin de contenidos de agua del suelo en la agricultura. Por su parte, Feliu et al. (2001) monitorearon la distribucin de agua en los canales de riego. En tanto Charoenhirunyingyos et al. (2011), generaron un modelo multicriterio para estimar la humedad del suelo, a partir de tcnicas de muestreo de suelo y el uso de sensores remotos. Por otro lado, aunque de uso indirecto en la agricultura, Jiang et al. (2009) implementaron un sistema de monitoreo ambiental del agua basado en sensores inalmbricos, el cual fue conformado por tres partes: nodos de monitoreo de datos, estacin de base de datos y centro de monitoreo remoto. Entre otros temas, Kalator y Bialobrzewski (2001) fomentaron la interdisciplina entre la agricultura, la mecnica y las tecnologas de la informacin al proveer a los tractores de sistemas computarizados inalmbricos que sean capaces de reconocer y registrar sobre qu tipo de suelo se est trabajando, as como los cambios que se generan en ellos. Por su parte, Escolar et al. (2001) realizaron monitoreo para el momento adecuado de la cosecha de frutos en funcin de su madurez. Mientras que Zhao et al. (2011), emplearon sistemas electrnicos automatizados para supervisar la separacin de grano en cosechadoras combinadas, logrando con ello calidad y eficiencia en la etapa de cosecha de diversos cultivos.

12

Finalmente cabe sealar que a nivel ms detallado, se ha aplicado la dinmica de fluidos computacionales en la produccin masiva de microalgas, segn Bitog et al. (2011). La conceptualizacin de texturas del suelo y su determinacin en laboratorio El suelo est constituido por partculas de diferentes tamaos, de tal manera que como lo mencionan Medina et al. (2007), la textura del suelo se conceptualiza como la proporcin de arena, limo y arcilla, por lo que su representacin numrica genera un valor total de 100%. Tx = A + L + R donde, Tx = Textura del suelo, A = Arena en porcentaje L = Limo en porcentaje R = Arcilla en porcentaje Las diferentes combinaciones de las partculas del suelo: arena, limo y arcilla, de acuerdo a la combinacin de la Food Agriculture Organization (FAO), generan 12 posibles clases texturales (Castellanos et al., 2000), mismas que fueron representadas en un diagrama de clasificacin denominado Tringulo de texturas (Figura 1), el cual representa un tringulo graduado de 10 en 10 de cada lado, con valor de 0 a 100, en cuyo interior se encuentran casillas que representan una clase textural de suelo segn la proporcin de las partculas dominantes. De esta forma, las texturas del suelo adquieren tambin un valor nominal, caracterizado por su composicin cuantitativa de arena, limo y arcilla.

13

Figura 1. Tringulo de texturas para clasificar tipos de suelo segn su proporcin de partculas: arena, limo y arcilla. Castellanos et al. (2000) El tringulo de texturas se utiliza de la siguiente manera: a partir de los valores porcentuales de arcilla, limo y arena; se intercepta un punto en el tringulo, el cual corresponder a determinada casilla, misma que se relaciona con la textura que identifica al suelo muestreado y analizado, segn su proporcin de partculas. No obstante, es pertinente sealar que previo a este proceso de asignar la clase o el nombre de la textura, existe una etapa en laboratorio, donde a travs del mtodo denominado Determinacin de Texturas por Hidrmetro de Bouyoucos (Marn, 2008), se identifican las proporciones de las partculas del suelo. En este proceso es importante la comprensin de que las partculas del suelo no estn sueltas sino que forman agregados que se tienen que destruir para separar las partculas individuales; por ello antes de proceder a la extraccin de las diferentes fracciones hay en laboratorio una fase previa de preparacin de la muestra formando una solucin compuesta de agua, suelo y dispersante, la cual a travs del hidrmetro se utiliza para medir la densidad de las partculas en
14

suspensin. Asimismo, como lo indican Medina et al. (2007), debe tomarse en cuenta que en el mtodo de Bouyoucos, el control y registro de la temperatura en las lectura analticas es un elemento indispensable del mtodo con la finalidad de realizar correcciones por dicho factor. Por lo anterior, el tipo de lecturas que se obtienen en laboratorio segn el mtodos sealado, y con las cuales se realizan los clculos manuales para determinar las proporciones de arena, limo y arcilla se indican a continuacin. 1) La primera lectura en el hidrmetro corresponde a la suma de partculas de arcilla y de limo 2) Temperatura a la que se realiz la primera lectura 3) Segunda lectura, realizada dos horas posterior a la primera de acuerdo al mtodo oficial NOM-021-RECNAT-2000 (SEMARNAT, 2000) y, 4) Lectura de la temperatura a la que fue tomada la tercera lectura. Una vez determinados los porcentajes de las partculas del suelo, se procede a la identificacin visual de la clase de textura correspondiente en determinado suelo, a travs del diagrama del Tringulo de texturas. La optimizacin de la agricultura a travs de la textura del suelo Una vez que se identifica la clase de textura correspondiente a un determinado suelo, el resultado se entrega al agricultor o al asesor tcnico, quienes con fundamento en la textura que caracteriza a su terreno, deciden el manejo agronmico conveniente para determinado cultivo, ya que como lo indican Ruz et al. (1999), la diversidad de texturas de suelos permite que se produzca una amplia gama de cultivos; pero adems, cmo lo sealan Castellanos et al. (2000), dependiendo del tipo de textura se deciden las labores de preparacin, as como la fertilidad y humedad convenientes al terreno, puesto que tiene relacin con propiedades de retencin de humedad. Mientras que para Medina et al. (2007), se considera que un suelo tiene una textura adecuada cuando la proporcin de las

15

partculas le brindan a la planta un soporte para un buen desarrollo radical y en consecuencia una condicin apropiada para la absorcin de nutrimentos. De esta manera se establece una relacin importante entre el Laboratorio de suelos y la Agricultura, de tal forma que un error en el laboratorio puede conducir, acorde con Etchevers et al. (2006) y Gonzlez (2011), a bajas en el rendimiento obtenido, aumento en los costos de produccin y, entre otros al deterioro del suelo; lo cual adems reduce las posibilidades de bienestar familiar y plantea riesgos de contaminacin ambiental por el mayor uso de plaguicidas cuando se establece un cultivo donde no se tienen condiciones naturales para su produccin.

16

IV. Objetivos
Objetivo general Modelar y automatizar matemtica y espacialmente la textura del suelo de cualquier agrosistema para su sistematizacin, descripcin, comprensin y aplicacin en la produccin de cultivos. Objetivos especficos Sistematizar y automatizar la interpretacin de la textura de muestras de suelo, mediante modelos de programacin y datos generados en laboratorio sobre la proporcin de sus partculas fundamentales: arcilla, limo y arena. Siendo posible superar en precisin y calidad a por lo menos uno de los modelos ya existentes. Generar cartografa sobre texturas del suelo para la planeacin y la toma de decisiones del mejor uso agrcola del suelo.

17

V. Hiptesis
Hiptesis general A travs de Tecnologas de la Informacin y Comunicacin es factible modelar y automatizar matemtica y espacialmente variables de suelo como la textura de cualquier agrosistema, para su sistematizacin, descripcin, comprensin y aplicacin en la produccin de cultivos. Hiptesis especficas Es factible sistematizar e interpretar de manera automtica la textura de muestras de suelo, mediante modelos de programacin y datos generados en laboratorio sobre la proporcin de sus partculas fundamentales: arcilla, limo y arena. Siendo posible superar en exactitud y eficiencia a por lo menos un modelo ya existente. A travs de un sistema gestor de base de datos de textura del suelo es posible la transformacin de estos en formato espacial para vincularlos de manera interdisciplinaria a la planeacin del mejor uso agrcola del suelo.

18

VI. Metodologa
La metodologa de estudio, sigui la dimensin de una perspectiva de investigacin sistmica e interdisciplinaria, a travs de la interaccin entre el rea agrcola, fsica-laboratorio de suelo y tecnologas de informacin y comunicacin que sirvieron de conexin entre los resultados de textura de suelo determinados en laboratorio y su interpretacin para su uso en el mejor manejo agronmico del cultivo. En este sentido, la temtica de la metodologa utilizada se describe en cuatro tpicos, relacionados con los procesos metodolgicos para la operacionalizacin de las dos hiptesis especficas planteadas; es decir, los criterios y procedimientos que guiaron la investigacin en la contrastacin de dichas hiptesis: 1) Algoritmo para automatizar la clasificacin de texturas del suelo, que resume la sistematizacin de procesos, 2) Indicador y variables de estudio en la generacin del modelo matemtico, donde se puntualizan las variables utilizadas, 3) Proceso de evaluacin del modelo matemtico y anlisis estadstico, que contiene las pruebas estadsticas y, 4) Generacin del modelo espacial sobre texturas del suelo y su relacin con la agricultura, donde se indica la forma en que se gener el mapa de grupos de texturas y cmo se asocian estas al uso y manejo ptimo del suelo. Algoritmo para automatizar la clasificacin de texturas del suelo El algoritmo se conceptualiz en este estudio de manera concreta como un conjunto de pasos que permiten obtener un resultado, por tanto fue bsico su diseo como hilo conductor de la presente investigacin, tal y como ha sido enfatizado por Bowman (2000) y por Joyanes (2009), para quienes el xito de cualquier programacin depende del algoritmo. Mientras que la textura del suelo se consider acorde con Castellanos et al. (2000) y con Medina et al. (2007) como la proporcin de arena, limo y arcilla que caracterizan a las partculas del suelo, que asume un valor numrico de 100% y nominal segn la proporcin en que se encuentran combinadas en el suelo las partculas.

19

MacTxi = (Algoritmo) MacTx = modelo automatizado de clasificacin de texturas. i = n modelos evaluados. Algoritmo = conjunto de pasos que se ejecutaron para automatizar la clasificacin de texturas del suelo. Al respecto, la comprensin de los procesos para la clasificacin de las texturas del suelo y sus significaciones, desde la determinacin analtica en laboratorio hasta los resultados que se entregan para su uso en la agricultura, permiti estudiar el caso, y proponer el algoritmo para generar un modelo automatizado de clasificacin de texturas y su agrupacin en un modelo espacial. As, en la Figura 2 se sintetiza el algoritmo diseado en esta investigacin que dio como resultado la sistematizacin de procesos para cumplir con los objetivos planteados. Puede apreciarse, que en efecto el punto de partida es en concordancia con Cairo (2003), el entendimiento de la situacin problema y la identificacin de las variables involucradas en torno a la textura del suelo. A partir de ellas se establecieron los criterios y reglas de decisin en la combinacin de variables que condujeron a la automatizacin del modelo matemtico, el cual se someti a evaluacin y retroalimentacin hasta lograr un mnimo de error dentro del periodo que comprendi la investigacin. En el algoritmo, se esquematiz tambin de manera secuencial la generacin del modelo espacial que se elabor a partir de los datos geogrficos sobre las clases de textura que emite como resultado el laboratorio. Indicador y variables de estudio en la generacin del modelo matemtico La textura del suelo, cuya clasificacin de manera automtica en laboratorio es el objetivo central de la presente investigacin, se identific como un indicador de resultados, el cual es construido a partir de las variables de estudio e indica precisamente la situacin de las variables que lo conforman; es decir, en torno a l se evala si se cumple o no con los objetivos.

20

Figura 2. Esquema del algoritmo que se dise para la generacin del modelo automatizado de clasificacin de texturas

21

Con relacin a las variables, que son las que definen los atributos o caractersticas del indicador, se identificaron dos tipos: variables bsicas y variables estimadas. Las primeras refieren a las variables que se constituyen en el punto de partida para la clasificacin y valoracin del indicador; las segundas, son las que se generan a partir de las primeras. De esta forma, las variables bsicas fueron las cuatro lecturas analticas que mediante el mtodo del Hidrmetro de Bouyoucos se registran en laboratorio en la determinacin de la textura: 1) La primera lectura en el hidrmetro corresponde a la suma de partculas de arcilla y de limo, misma que est representadas en el modelo por J1 2) Temperatura a la que se realiz la primera lectura, representada por J2 3) Segunda lectura, que corresponde a las partculas de arcilla, representada por J4 y, 4) Lectura de la temperatura a la que fue tomada la tercera lectura, representada por J5. Con los datos obtenidos en estas cuatro lecturas, se automatizaron los ajustes y clculos pertinentes ya establecidos en el mtodo de Bouyoucos para estimar los porcentajes de arena, arcilla y limo; mismos que se constituyeron en las variables estimadas, representadas por C16, C17 y C18 respectivamente. Acorde a la normativa de la tcnica de Bouyoucus, se establecieron los criterios, condicionantes y se definieron las reglas de decisin. Entre estos destacan dos: 1. El mtodo analtico de laboratorio para determinacin de texturas del suelo permite la obtencin de los porcentajes de arcilla (R) y limo (L), debido a que las partculas de arena (A) por su mayor tamao y peso se precipitan, de tal forma que la

22

proporcin de arena se calcula por diferencia al 100% que representa la totalidad de la textura del suelo. A = 100 (R + L) 2. En el modelo, las frmulas matemticas para calcular los porcentajes de arcilla y limo as como de arcilla, llevan implcitas en cada caso, la multiplicacin de la lectura registrada en el hidrmetro ya corregida por temperatura, por un factor constante igual a dos (constante = 2); debido a que en laboratorio, el proceso se realiza en 50 gramos (g) de suelo, en lugar de los 100 g convenientes a la norma oficial, a razn de las dimensiones estndares del hidrmetro. (J1 + J3) * 2 (J4 + J6) * 2 donde, J3 = correccin por temperatura de J1 J6 = correccin por temperatura de J4

Una vez establecidas las condicionantes y reglas de decisin, se procedi a la sistematizacin y combinacin pertinente de variables, as como a la definicin de frmulas matemticas mediante programacin en la hoja de clculo Excel, con lo cual se gener el modelo propuesto para la categorizacin automtica de las 12 posibles texturas del suelo. Los pasos detallados se presentan como producto de la investigacin en el captulo de resultados. Proceso de evaluacin del modelo matemtico y anlisis estadstico El modelo generado fue sometido a dos tipos de pruebas con un nmero determinado de datos, ejecutando el algoritmo de manera automtica: 1) al interior del modelo mismo, mediante prueba y error para mejorar su nivel de precisin, 2) al exterior del modelo, comparndolo con otros dos modelos ya generados por otras empresas con el
23

mismo fin. En esta situacin se implement un anlisis de varianza de los modelos para definir el nivel de precisin del modelo generado en esta investigacin, respecto a los modelos de comparacin, lo cual permiti la contratacin de la hiptesis. Anlisis estadstico Se realiz un anlisis de varianza para la comparacin de los tres modelos y definir significancias. MacTx1 MacTx2 MacTx3 Los modelos evaluados fueron: 1. Modelo automatizado de clasificacin de texturas generado en la presente investigacin, que se denomin: MacTx-INIFAP-2011. 2. Modelo automatizado de clasificacin de texturas generado en un laboratorio externo: MacTx-Lab-Externo. 3. Modelo automatizado de clasificacin de texturas generado en el INIFAP Celaya en 2003: MacTx-INIFAP-2003. Se consider como unidad de estudio las lecturas registradas en 100 muestras de suelo. El tamao de la unidad de muestreo se decidi con fundamento en estudios previos (Castellanos et al., 2000; Gonzlez et al., 2009) que indican que en evaluaciones en laboratorio esa dimensin permite situarse dentro de mrgenes de error muy aceptables (p 0.01). Las muestras se seleccionaron de manera aleatoria entre aproximadamente 8,000 muestreos analizados en el Laboratorio de suelos del Campo Experimental Santiago Ixcuintla, perteneciente al INIFAP. Se utilizaron 10 repeticiones por tratamiento, de tal forma que cada modelo se evalu en las lecturas de 1000 muestras de suelo. Esta fase fue realizada por un TSU ajeno a la construccin del modelo con fines de evitar sesgos o incertidumbre en la evaluacin.

24

Las diferencias estadsticas entre los modelos se establecieron con p 0.05 a travs anlisis de varianza y prueba de medias con la tcnica de Tukey. El anterior nivel de significancia representa la probabilidad de error o riesgo asumido, es decir, una confiabilidad 95% de que los resultados obtenidos son consistentes y no se deben al azar, de manera que la hiptesis no se rechace. Se utiliz el software Statistica V7 (Statsoft, 2003), el cual fue prctico y permiti el clculo de la estadstica descriptiva y grficos de dispersin de datos. Generacin del modelo espacial sobre texturas del suelo y su relacin con la agricultura El modelo espacial sobre texturas del suelo se gener a partir del sistema de informacin geogrfica (SIG) ya generado por el CESIX-INIFAP, respecto a la informacin sobre texturas del suelo, el cual proviene de un proceso de interpolacin de las aproximadamente 8,000 determinaciones de textura realizadas en el Laboratorio de suelos del CESIX, durante el periodo de 2000 a 2004, cuya informacin mantiene vigencia debido a que como lo indican Castellanos et al. (2000), la textura es un factor del suelo que no es fcil de modificar a corto o mediano plazo. El SIG sobre texturas del suelo del CESIX-INIFAP est disponible de manera detallada para el municipio de Compostela, Nayarit, razn por la cual se utiliz dicho municipio como ejemplo para la contrastacin de la hiptesis correspondiente. El proceso consisti en recuperar la informacin digital sobre las 12 categoras de texturas del suelo en el sistema IDRISI V3.2, donde se procedi a reclasificar las texturas en tres grupos de suelo, que son como lo indican Ruz et al. (1999) los que de manera general se asocian a las condiciones requeridas por determinados cultivos: fina, media y gruesa. Las clases de textura que acorde con Gonzlez et al. (2002) corresponden a cada grupo se presentan en la tabla 1.

25

De esta manera se demuestra que los datos analticos de textura, es posible integrarlos a un SIG, cartografiarlos y agruparlos para asociarlos con los cultivos que ms se adapten a dicho grupo, fundamentndose por supuesto con informacin como la documentada por Ruz et al. (1999) sobre los requerimientos de aproximadamente 90 cultivos.

Tabla 1. Clasificacin de las texturas del suelo en grupos texturales. Gonzlez et al.(2002)
Grupo de Texturas del Suelo Gruesa Clases de texturas Arena, Arena Migajosa, Migajn Arenoso

Media

Franco, Migajn limoso, Migajn Arcillo Limoso, Migajn Arcilloso, Migajn arcillo Limoso Limo, Arcilla Arenosa, Arcilla Limosa, Arcilla

Fina

26

VII. Resultados y Discusin

Los resultados y su discusin se presentan a continuacin acorde a los dos planteamientos hipotticos sealados, luego se relacionan de manera sinrgica para aludir a la hiptesis general. Modelo generado para automatizar la clasificacin de texturas El resultado principal obtenido en esta investigacin es el modelo generado para automatizar la clasificacin de texturas, por ello a continuacin se presenta su algoritmo con la programacin y clculos matemticos correspondientes, con la pertinente aclaracin de que el usuario en este caso es el tcnico laboratorista o cliente empresarial. El modelo inicia con las variables que influyen para determinar la textura del suelo, 1) Primera lectura; dato que ser insertado por el usuario en la celda J1. 2) Primera temperatura; dato que ser insertado por el usuario en la celda J2 3) Segunda lectura; dato que ser insertado por el usuario en la celda J4 4) Segunda temperatura; dato que ser insertado por el usuario en la celda J5 Posteriormente, y segn el mtodo establecido para la determinacin de texturas, se obtiene: Arena: la suma de la primera lectura ms la primera temperatura es multiplicada por dos; el producto se le restar a 100. Dicho resultado es arrojado en la celda C16 y se convierte automticamente en otra variable.

27

La frmula a insertar en la hoja de clculo de Excel para determinar el valor de C16, es: C16=(100-((J1+J3)*2)) Si se observa en esta primera frmula, se encuentra J3 que corresponde a la correccin de temperatura. Un valor que no depende del usuario; sino que se calcula directamente de las variables J1 y J2 (primera lectura y primera temperatura respectivamente). Arcilla: La suma de la segunda lectura ms la segunda temperatura es multiplicado por dos. El producto se muestra en la celda C17 y es otra variable. La frmula a insertar en la hoja de clculo de Excel para determinar el valor de C17, es: C17=(((J4+J6)*2)) De igual manera que en la frmula anterior con J3, J6 tiene la misma razn de ser; es decir, a lo que se le podra nombrar una segunda correccin de temperatura. Limo: Depende del la resta de la suma de Arena ms Arcilla, menos 100. Dicho resultado corresponde a la celda C18. La frmula a insertar en la hoja de clculo de Excel para determinar el valor de C18, es: C18=(100-(C16+C17))

28

Con estas tres variables que corresponden en las hojas de clculo a las celdas C16, C17 y C18 respectivamente, se pasa a declarar las condicionantes necesarias segn indica el triangulo de texturas. Arena (Arenosa) Arena (C16): Porcentaje mayor a 84 pero menor que 100 Arcilla (C17): Porcentaje mayor que 0 pero menor que 10 Limo (C18): Porcentaje mayor que 0 pero menor que 14 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>84,SI(K21<=100,SI(K22>=0,SI(K22<12,SI(K23>0,SI(K23<14,"Areno so")))))) Ntese que en la frmula anterior, las variables C16, C17 y C18 han sido sustituidas por K21, K22 y K23 respectivamente. Esto se debe a que las celdas C16, C17 y C18 ya han sido ocupadas previamente por una frmula. De no sustituir dichas variables, la condicionante que reconocer dicha textura (y posteriores) no podr entender el valor numrico. Entonces C16 = K21, C17 = K22 y C18 = K23 De cumplirse la condicin anterior, Arenoso ser el indicador. Arenoso Migajn Arena (C16): Porcentaje mayor a 70 pero menor igual que 88 Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 15 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 30 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>70,SI(K21<=100,SI(K22>=0,SI(K22<15,SI(K23>=0,SI(K23<=30,"Are noso Migajn"))))))

29

De cumplirse la condicin anterior, Arenoso Migajn ser el indicador. Migajn Arenoso Arena (C16): Porcentaje mayor igual que 51 pero menor igual que 100 Arcilla (C17): Porcentaje mayor igual que 0 pero menor igual que 20 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 50 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=51,SI(K21<=100,SI(K22>=0,SI(K22<=20,SI(K23>=0,SI(K23<=50," Migajon Arenoso")))))) Franco Arena (C16): Porcentaje mayor igual que 23 pero menor igual que 52.5 Arcilla (C17): Porcentaje mayor igual que 7 pero menor igual que 27 Limo (C18): Porcentaje mayor igual que 28 pero menor igual que 50 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=23,SI(K21<=52.5,SI(K22>=7,SI(K22<=27,SI(K23>=28,SI(K23<=50, "Franco")))))) De cumplirse la condicin anterior, Franco ser el indicador. Migajn Limoso Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 51 Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 27 Limo (C18): Porcentaje mayor que 49 pero menor igual que 88 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=0,SI(K21<=51,SI(K22>0,SI(K22<27,SI(K23>49,SI(K23<=88,"Migaj n Limoso"))))))

30

De cumplirse la condicin anterior, Migajn Limoso ser el indicador. Limoso Arena (C16): Porcentaje mayor igual que 0 pero menor que 20 Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 12 Limo (C18): Porcentaje mayor igual que 88 pero menor que 100 =SI(K21>=0,SI(K21<=20,SI(K22>=0,SI(K22<=12,SI(K23>=88,SI(K23<=100,"L imoso")))))) De cumplirse la condicin anterior, Migajn Limoso ser el indicador. Migajn Arcilloso Arena (C16): Porcentaje mayor igual que 20.4 pero menor igual que 27 Arcilla (C17): Porcentaje mayor igual que 27 pero menor igual que 40.5 Limo (C18): Porcentaje mayor igual que 15 pero menor igual que 52 =SI(K21>=20.4,SI(K21<=45,SI(K22>=27,SI(K22<=40.5,SI(K23>=15,SI(K23<= 52,"Migajon Arcilloso")))))) De cumplirse la condicin anterior, Migajn Arcilloso ser el indicador. Migajn Arcillo Arenoso Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 80 Arcilla (C17): Porcentaje mayor igual que 20.5 pero menor igual que 35.5 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 28 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=45,SI(K21<=80,SI(K22>=20.5,SI(K22<=35.5,SI(K23>=0,SI(K23<=2 8,"Migajn Arcillo Arenoso"))))))

31

De cumplirse la condicin anterior, Migajn Arcillo Arenoso ser el indicador. Migajn Arcillo Limoso Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 20.5 Arcilla (C17): Porcentaje mayor igual que 27.5 pero menor igual que 41.5 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 72.5 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=0,SI(K21<=20.5,SI(K22>=27.5,SI(K22<=41,SI(K23>=40,SI(K23<=7 2.5,"Migajn Arcillo Limoso")))))) De cumplirse la condicin anterior, Migajn Arcillo Limoso ser el indicador. Migajn Arcillo Arenoso Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 65 Arcilla (C17): Porcentaje mayor igual que 35 pero menor igual que 55 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 20 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=45,SI(K21<=65,SI(K22>=35.5,SI(K22<=55,SI(K23>=0,SI(K23<=20, "Migajn Arcillo Arenoso")))))) De cumplirse la condicin anterior, Migajn Arcillo Limoso ser el indicador. Arcillo Limoso Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 20 Arcilla (C17): Porcentaje mayor que 40 pero menor igual que 61 Limo (C18): Porcentaje mayor igual que 39 pero menor igual que 59.5

32

Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=0,SI(K21<=20,SI(K22>40.5,SI(K22<61,SI(K23>=39,SI(K23<=59.5," Arcillo Limoso")))))) De cumplirse la condicin anterior, Arcillo Limoso ser el indicador. Arcilloso Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 45 Arcilla (C17): Porcentaje mayor que 45.5 pero menor igual que 100 Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 38.9 Para que Excel pueda entender la condicin anterior, se inserta: =SI(K21>=0,SI(K21<=45,SI(K22>=40.5,SI(K22<=100,SI(K23>=0,SI(K23<=38. 9,"Arcilloso")))))) De cumplirse la condicin anterior, Arcilloso ser el indicador. Con este modelo MacTx-Lab-CESIX-INIFAP-2011, se produce en promedio un error de 4.7% (s = 2.4), que comparado con los modelos MacTx-Lab-Externo (media = 9.5%; s = 6.3) y MacTx-Lab-INIFAP-2003 (media = 14.5% y s = 7.6), representa respectivamente el 49.5 y 65.5% menos del error generado por el modelo de los otros laboratorios. Adems, la persona TSU que los evalu sealo que los MacTx de los otros laboratorios son ms lentos (aproximadamente de 30-40% ms de tiempo), debido a que requieren ms insercin manual de datos; por lo que el uso de MacTx-LabCESIXINIFAP-2011 es una alternativa para mejorar la precisin, as como disminuir tiempo y costo, aspectos esenciales en un laboratorio. Por otro lado, si bien es cierto que un laboratorio requiere como lo indican Castellanos et al. (2000) y Marn (2008) de precisin en sus clasificaciones analticas, el modelo LabCESIX-INIFAP-2011 es an factible de mejorarse al 100%; no obstante, no fue posible realizar otras evaluaciones internas debido a que fue necesario ajustarse al tiempo de la estancia en la Empresa INIFAP.

33

Evaluacin del modelo generado para automatizar la clasificacin de texturas El anlisis estadstico permiti identificar diferencias significativas (p = 0.0035) entre los modelos evaluados (Figura 3). En tanto que con la prueba de medias (Tukey, p = 0.05) se defini que con un valor medio de 12% de error, los modelos Lab-Externo y Lab-INIFAP-2003 fueron estadsticamente similares (literal b en la Figura 3) pero significativamente diferentes a Lab-CESIX-INIFAP-2011(literal a en la Figura 3) que registr media de 4.7% de error. Lo anterior permite verificar que en efecto: MacTx1 MacTx2 MacTx3 As como que MacTx-Lab-CESIX-INIFAP-2011 result ser estadsticamente el mejor modelo. De manera que no se rechaza la hiptesis planteada en cuanto a que es factible clasificar de manera automtica la textura de muestras de suelo, mediante modelos de programacin y datos generados en laboratorio sobre la proporcin de sus partculas fundamentales: arcilla, limo y arena. Siendo posible superar en precisin y calidad a por lo menos un modelo ya existente.

34

Figura 3. Anlisis estadstico de los modelos evaluados para automatizar la clasificacin de texturas del suelo

Modelo espacial de las texturas del suelo y su asociacin con la agricultura El resultado del modelo espacial fue la cartografa sobre grupos de textura de suelos que se realiz como ejemplo para el municipio de Compostela, Nayarit (Figura 4); que como se indic en su oportunidad, proviene de interpolaciones de aproximadamente 8,000 muestras de textura de suelo determinadas en el laboratorio del CESIX-INIFAP, de manera que esta informacin geogrfica se convirti en el sistema gestor de datos. Este resultado confirma lo expuesto por Shrestha et al. (2004), en cuanto a que los SIG son una herramienta til y prctica para manejar gran cantidad de datos, adems de que su expresin cartogrfica es til para diversas gestiones y para la toma de decisiones en diversos sectores, aunque particularmente en este estudio se plantea su utilidad en la agricultura.
35

Lo relevante del mapa generado (Figura 4), es que permite identificar acorde a la condicin de textura de suelo, las potencialidades naturales que puede tener un cultivo en determinada rea, incluso a nivel de sitio especfico, sin obviar por supuesto que ste es un solo un componente y que como lo indican Ruz et al. (1999) y Gonzlez et al. (2002), existen otros factores importantes como el clima, que en su conjunto definen la produccin de un cultivo. En el mapa puede apreciarse que la proporcin de texturas que pertenecen al grupo medio destacaron en el 54.6% del rea. Tomado en cuenta lo que indican Castellanos et al. (2000) de que las tierras que se ubican en este grupo se caracterizan por buenas condiciones de aireacin y drenaje; adems de lo citado por Gonzlez et al. (2002) en cuanto a que dichos tipos de suelo tienen capacidad de retencin de agua y nutrimentos, entonces es de suponer que son suelos ideales para la produccin agrcola, sobre todo para el establecimiento de cultivos como frijol, maz, camote, crtamo, chile, ciruelo, soya, girasol, guayaba, Jamaica, pltano y limn; tal y como ha sido reportado por Ruz et al. (1999). Se observa tambin en el mapa que, el 44.8% del rea estudiada correspondi a suelos de textura fina, mismos que como lo sealan Gonzlez et al. (2002) no son fciles de labrar; es decir, de prepararlos para la siembra, sobre todo porque cuando llueve mucho se reduce el movimiento de aire en el suelo y se anegan o inundan. Sin embargo, como ha sido reportado por estos autores, as como por Marn (2008), los suelos que pertenecen a este grupo de textura tradicionalmente han sido los de ms alta fertilidad del suelo, por lo que tambin tienen potencial de uso agrcola con cultivos como frijol, maz, caa de azcar, pia y entre otros ciruelo, acorde a lo que mencionan Ruz et al. (1999).

36

Figura 4. Mapa de grupos de textura de suelo en el Mpio. de Compostela, Nayarit

Finalmente, aunque en un rea pequea, se identific 0.57% de los suelos que pertenecen al grupo de textura gruesa. Es probable que este dato est subestimado debido a que el SIG se integr con determinaciones de textura de suelo obtenidas a partir de muestreos en reas agrcolas; de manera que tal vez no se encuentran representadas en su totalidad las reas con suelos arenosos de la costa. Lo anterior coincide con Khawlie et al. (2005), quienes mencionan que los lmites de los sistemas y en consecuencia de la informacin que se genera con ellos, est en funcin no solo de la cantidad de los datos sino tambin de su cobertura espacial. Por otro lado, este tipo de suelos, como lo sealan
37

Castellanos et al. (2000), Gonzlez et al. (2002) y Marn (2008), son muy porosos y por tanto retienen poca agua y nutrimentos, de manera que no son convenientes para la produccin de cultivos. Por lo anterior, no se rechaza la segunda hiptesis planteada con relacin a que el sistema gestor de la base de datos de textura del suelo posibilit la transformacin de estos en un mapa (formato espacial) que es de utilidad en la planeacin del mejor uso agrcola del suelo. Vinculacin interdisciplinaria del Laboratorio de suelo, la Agricultura y Tecnologas de la Informacin y Comunicacin Los resultados mostrados sobre el modelo matemtico automatizado para clasificacin de texturas del suelo y sobre el modelo espacial que permiti generar el mapa sobre los grupos de textura, en su conjunto corroboran la hiptesis general planteada en cuanto a que a travs de Tecnologas de la Informacin y Comunicacin es factible modelar y automatizar matemtica y espacialmente las variables de suelo de cualquier agrosistema, para su descripcin, comprensin y aplicacin en la produccin de cultivos. Asimismo la presente investigacin constituye una evidencia de que los problemas deben de analizarse y resolverse desde un enfoque sistmico, que visualice la integracin de diferentes disciplinas. En este caso en particular, el grupo interdisciplinario lo integraron tres reas: 1) Laboratorio de Suelo del CESIX-INIFAP que constituido en la Empresa, expuso una necesidad real de disponer de una herramienta para hacer eficiente el proceso de interpretacin de sus resultados analticos, 2) el rea del sector de la Agricultura, que demand un mecanismo prctico para que los asesores tcnicos puedan sugerir a los agricultores el mejor uso del suelo a travs de conocer qu cultivo puede adaptarse mejor a sus terrenos; en tanto que, 3) Tecnologas de la Informacin y Comunicacin, se constituy en el rea que convino las herramientas para que los requerimientos de unos y

38

otros fueran disponibles, de manera que fungi como vnculo entre las disciplinas de Fsica de suelos y la Agricultura. De esta forma, la presente investigacin contribuye a argumentar un caso ms de la diversidad de interacciones y herramientas prcticas que las tecnologas de la Informacin aportan y benefician a los sectores productivos y empresariales, como ya ha sido documentado por varios autores, entre ellos, Vellidis et al. (2008), Nadimia et al. (2011), Yang et al. (2011) y Zhang et al. (2011).

39

VIII. Conclusiones
De acuerdo al enfoque sistmico adoptado en esta investigacin, a travs del rea de Tecnologas de la Informacin y Comunicacin se logr una vinculacin interdisciplinaria del Laboratorio de Suelo con la Agricultura, en la bsqueda de alternativas de produccin sustentable. Con relacin a las metodologas utilizadas, las Tecnologas de la Informacin y Comunicacin mostraron que sus herramientas son variables (sistemas de datos, sistemas de informacin y sistemas gestores, entre otros), y que en torno a un mismo componente pueden poner a disposicin de una empresa, diversos modos, usos y argumentos sobre un mismo indicador, que en este caso fue la textura del suelo. En base al modelo matemtico implementado, se concluye que s es posible con alto grado de exactitud (4.7% de error), sistematizar y automatizar procesos como la interpretacin y clasificacin de la textura de suelo que se determina de manera analtica en laboratorio, para buscar la eficiencia en la obtencin de resultados. De los modelos evaluados, MacTx-CESIX-INIFAP-2011 generado en la presente investigacin super significativamente en precisin (61%; p = 0.0035) y calidad (tiempo y entrada de datos) a los modelos existentes (MacTx): Lab-Externo y Lab- INIFAP-2003. Se infiere el reto constante de mejorar calidad y precisin. Por otro lado se concluye que, la cartografa como modelo espacial permite visualizar al componente evaluado en forma generalizada y a nivel de sitio especfico; por tanto el mapa de texturas agrupadas que se propuso, es un instrumento prctico para la planeacin y para argumentar la toma de decisiones sobre el mejor uso agrcola del suelo. Con base en lo anterior se concluye que, s fue posible disear un sistema de informacin que logr modelar no solo a la necesidad de la empresa sino tambin al proceso de toma de decisiones.
40

Finalmente, con relacin a la Estada, se cumplieron cabalmente los objetivos y metas propuestas, ya que adems de adquirir experiencia sobre la vinculacin de la carrera de Ingeniera en Tecnologa de la Informacin y Comunicacin con Empresas fuera del ramo, fue posible con el apoyo y direccin permanente de la Empresa (CESIXINIFAP), as como con el esfuerzo y dedicacin propias moldeados en al alma mater de la Universidad Tecnolgica de la Costa (UTC), estructurar esa interaccin EmpresaEstudiante en un Plan y Desarrollo de la presente Investigacin en un tiempo record: cuatro meses de la Estada, aprovechados hasta el ltimo da. Empresa-EstudianteUniversidad, espacios y un tiempo conjugados para forjar crecimiento y desarrollo no slo profesional sino tambin de vida.

41

IX. Recomendaciones
Por lo anterior se sugiere a la Empresa en una segunda etapa, trabajar sobre una programacin que otorgue una plataforma diferente, para obtener resultados con un margen de error nulo, que es lo que demanda cualquier Laboratorio. Dicha programacin pudiera ser implementada sobre lenguaje Java, el cual como lo sealan Ceballos (2008) y Bell (2011), adems de constituirse en multiplataforma, permitiendo su instalacin en sistemas operativos diferentes o requerimientos tcnicos bsicos sin ningn problema, tiene la gran ventaja de adaptarse a usuarios sin previos conocimientos, pues utiliza ilustraciones explicitas sobre el tema que se aborda. Asimismo, en el mejor de los casos, donde dicho sistema logre una evolucin significativa, puede instalarse en dispositivos mviles. Hacia la Universidad Tecnolgica de la Costa, se sugiere que previo a las Estadas se programen Seminarios de investigacin, para que se den a conocer las ventajas y factibilidad de establecer planes de investigacin en la Estada como meta para titulacin, lo cual fortalecera no solo la experiencia del estudiante sino tambin el prestigio acadmico de la UTC, que aunque no hay duda sigue una lnea ascendente, esta forma de titulacin convertira a la UTC en pionera en estudiantes titulados bajo Programas de Investigacin en el periodo de la Estada. En este sentido es importante enfatizar el inters de la propia UTC en que lo anterior sea una realidad, y adems porque en el caso de este trabajo en particular, en la culminacin de la investigacin fue posible y decisivo el contar con la anuencia del Director de la Carrera de Tecnologas de Informacin, del Tutor Acadmico, as como de la Asesora Acadmica.

42

Referencias Bibliogrficas

Bell, D. (2011). Java para Estudiantes. (6 ed.). Mexico D. F.: Prentice Hall. Bitog J., P. Lee, I. B. Lee, C. G. Kim, K. S. Hwang, H.S. Hong, S. W. Seo, I. H. Kwon, K. S. and Mostafata, E. (2011) Application of computational fluid dynamics for modeling and designing photo bioreactors for microalgae production. Computers and Electronics in Agriculture, 76 (2), 131 - 147. Bowman C., F (2000). Algoritmos y estructuras de datos: Aproximacin en C. Mxico D.F.: Oxford. Bunge, M. (1995). La ciencia, su mtodo y su filosofa. Buenos Aires, Argentina: Sudamericana. Cairo Battistutti, O. (2003). Metodologa de la programacin. Mxico , D.F.: Alfaomega. Castellanos, J. Z., J. X. Uvalle B. y A. Aguilar Santelises. (2000). Manual de interpretacin de anlisis de suelos y aguas. (2a ed.). Mxico: ICAPA. Ceballos Sierra, F. J. (2008). Java 2 Interfaces Grficas y Aplicaciones para Internet. (3a ed.) Mxico: Alfaomega. Charoenhirunyingyos, S. Honda, K. Kamthonkiat, D. and Amor V., M. I. (2011) Soil moisture estimation from inverse modeling using multiple criteria functions. Computers and Electronics in Agriculture, 75 (2), 278 287. Eastman, J. R. (1999). IDRISI for Windows. User Guide, version 3.2. Worcester, MA. : Clark University Elizondo Callejas, R. (2009) Aplicacin de las Tecnologas de la Informacin. Mxico: Grupo Editorial Patria. Escolar Daz, S. Carretero Prez, J. Calderon Mateos, A. Marinescu, M. C. and Bergua Guerra, B. (2001) A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks. Computer and Electronics in Agriculture, 76 (2), 252 265. Etchevers, J. D. C. Prat, C. Balbontn, M. B. and Martinez, M. (2006) Influence of land use on carbon sequestration and erosion in Mexico: A Review. Agronomy for Sustainable Development, 26 (1), 21 28.

43

Feliu Batlle, V. Rivas Perez, R. Castillo Garcia, F. J. Sanchez Rodriguez, L. Linarez Saez, A. (2001) Robust fractional order controller for irrigation main canal pools with time varying dynamical parameters. Computers and Electronics in Agriculture, 76 (2), 205 217. Gonzlez Acua, I. J. Ruiz Corral, J. A. y Lpez Arriaga, J. G. (2002). Sistema Municipal de Informacin Ambiental y del Potencial Productivo. Nayarit, Mxico: INIFAP. Gonzlez Acua, I. J. Llanos Perales, A. Hurtado Garca, B. y Lang Ovalle, F. P. (2009). Extracting potassium from mango leaves. Acta Hort., 820, 381 386. Gonzlez Acua, I. J. (2010). Sustentabilidad para el desarrollo rural en el municipio de Compostela, Nayarit, Mxico: Un enfoque de sistemas complejos. Tesis de grado doctoral. Colegio de Postgraduados, Campus Veracruz. Gonzlez Acua, I. J. (2011) Potencial productivo de oleaginosas para la reconversin productiva de la agricultura en la costa de Nayarit. Nayarit, Mxico: INIFAP. Herrscher, E. G. (2005). Pensamiento sistmico: caminar el cambio o cambiar el camino. Granica, Argentina. Jiang P., H. Xia, Z. He, Z. Wang. (2009). Design of Water Environment Monitoring System Based on Wireless Sensor Networks. Sensors 9 (1), 6411-6434. Joyanes Aguilar, L. (2009). Algoritmos, estructura de datos y objetos. (3 ed.) Mxico: McGrawn Hill. Kalator, B. and Bialobrzewski, I. (2001) A simulation model of 2WD tractor performance. Computers and Electronics in Agriculture, 76 (2), 231 239. Khawlie, M. Shaban, A. Abdallah, C. Darwish, and T. Kawass, I. (2005). Watershed characteristics, land use and fabric: the application of remote sensing and geographical information systems. Lake Reservoirs, 10 (2), 85 - 92. Lardent A., R. (2001). Sistemas de Informacin para la gestin empresarial: planteamiento, tecnologa y calidad. Argentina: Prentice Hall. Laudon Kanneth, C. y Laudon, P., J. (2004). Sistemas de Informacin Gerencial. Mxico, D.F.: Pearson Prentice Hall. Marn Garca, M. (2008). Anlisis Qumicos de Suelo y Agua: Transparencia y Problemas. Espaa: Aula Magna. Masera O., Astier Calderon, M. y Lpez Ridaura, S. (2000). Sustentabilidad y manejo de recursos naturales. El marco de evaluacin MESMIS. Mxico: Mundi-Prensa.

44

Medina Gonzlez, H. Coronado Garcia, J. y Acosta Nez, D. (2007) El Mtodo del hidrmetro: Base Terica para su empleo en la Determinacin de la Distribucin del Tamao de Partculas de Suelo. Revista Ciencias Tcnicas Agropecuarias, 003 (16), 19-24. Moral, F. J. Terrn, J.M. and Rebolloc, F. J. (2011) Site-specific management zones based on the Rasch model and geostatistical techniques. Computers and Electronics in Agriculture, 75 (2), 223 - 230. Nadimia, E. S. V. Blanes, V. Jorgensen, R. N. and Christensen, S. (2011) Energy generation for an ad hoc wireless sensor network-based monitoring system using animal head movement. Computers and Electronics in Agriculture, 75 (2), 238 242. OBrien, J. y Marakas, G. (2006). Sistemas de Informacin Gerencial. Mxico, D. F.: Mc Graw Hill. Oz, E. (2001). Administracin de Sistemas de Informacin. (2 ed.). Mxico, D. F.: Thomson Learning. Rakun, J. Stajnko, D. and Zazula, D. (2011) Detecting fruits in natural scenes by using spatial-frequency based texture analysis and multiview geometry. Computers and Electronics in Agriculture, 76 (1), 80 88. Ruz C., J. A., G. Medina G. I. J. Gonzlez A., C. Ortiz T., H. E. Flores L., R. Martnez P. Y K. F. Byerly M. (1999). Requerimientos Agroecolgicos de Cultivos. Jalisco, Mxico: Centro de Investigacin Regional del Pacfico Centro. Ruz, L. A. Recio, J. A. Fernndez Sarria, A. and Hermosilla, T. (2011) A feature extraction software tool for agricultural object-based in image analysis. Computer and Electronics, 76 (2), 284 296. SEMARNAT. (2000). Proyecto de norma oficial mexicana NOM-021-RECNAT-2000, que establece especificaciones de fertilidad, salinidad y clasificacin de suelos, estudios, muestreos y anlisis. Diario oficial de la Federacin, Mxico. Senn J., A. (2005). Anlisis y Diseo de Sistemas de Informacin. (2 ed.). Mxico: Mc Graw Hill. Shrestha, D.P., Zinck, J.A., Van Ranst, E., (2004). Modeling land degradation in the Nepalese Himalaya. Catena, 57): 135-156. Statsoft, Inc. 2003. STATISTICA. Data Analysis Software System, version 7. www.statsoft.com

45

Sorensen C., G. Pesonen, L. Bochtis D., D. Vougloukas S., G. and Suomi, P. (2011) Functional Requirements for a future farm management information system. Computers and Electronics in Agriculture, 76 (2), 266 276. Udumala Savary, S. K. J. Ehsani, R. Salyani, M. Hebel, M. A. and Bora, G. C. (2011) Study of force distribution in the citrus tree canopy during harvest using a continuous canopy shaker. Computers and Electronics in Agriculture, 76 (1), 51 58. Vellidis, G. Tucker, M. Perry, C. Kvien, C. and Bednarz, C. (2008) A real time wireless smart sensor array for scheduling irrigation. Computers and Electronics in Agriculture, 61 (1), 44 - 50. Vilchez B., J. (2010). Excel Avanzado. Mxico D. F.: Limusa S.A. de C.V. Yang, Y. Lloye T., W. Wang, J. and Xiaobao, L. (2011) Development of an integrated Cropland and Soil Data Management system for cropping system applications. Computer and Electronics in Agriculture, 76 (1), 105 118. Zhang Biao, R. Jing Jing, G. Lei, Zh. Ye Cheng, Z. Li-hong, W. and Wang, Q. (2011) A calibration method of detecting soil water content based on the information-sharing in wireless sensor network. Computers and Electronics in Agriculture, 76 (2), 161 168. Zhao, Z. Yaoming, L. Jin, C. and Jiaojiao, X. (2011) Grain Separation loss monitoring system in combine harvester. Computer and Electronics Agriculture, 76 (2). 183 188.

46