CONICET | Buscador de Institutos y Recursos Humanos

Los métodos de análisis multivariado apuntan a identificar y resumir las principales estructuras en bases de datos conteniendo observaciones para varias variables. En numerosas situaciones las observaciones están geo-referenciadas, es decir, su ubicación espacial es conocida. Dos objetivos principales son relevantes en el análisis de datos espaciales multivariados: resumir las estructuras de covariación e identificar patrones espaciales en la variabilidad multivariada. Entre las aplicaciones están los estudios de suelos, donde las relaciones entre propiedades edáficas (covariación entre variables) pueden estar determinadas por procesos espaciales. En este trabajo comparamos dos métodos para el análisis de datos de suelos espaciales multivariados: Análisis de componentes principales clásico (PCA) y el método de componentes principales restringido espacialmente (PCA-MULTISPATI) que simultáneamente considera la estructura multivariada y la información espacial. En PCA-MULTISPATI la información espacial es incorporada al análisis a través de una versión generalizada del Coeficiente de Moran, mientras que en PCA los patrones espaciales sólo se incorporan a posteriori de realizar el análisis vía mapeo de las variables sintéticas obtenidas. Se aplicaron ambas estrategias a cuatro conjuntos de variables físicas y químicas de suelos. En todos, el uso de PCA-MULTISPATI presentó mejor desempeño en la detección de la variabilidad espacial además de permitir resumir la información en menos ejes y obtener representaciones gráficas más explicativas de los patrones espaciales.