Introduction

Soil quality, according to Nasir et al. (2024)NASIR, M.J.; HAIDER, M.F.; ALI, Z.; AKHTAR, W.; ALAM, S.: “Evaluation of soil quality through simple additive soil quality index (SQI) of Tehsil Charsadda, Khyber Pakhtunkhwa, Pakistan”, Journal of the Saudi Society of Agricultural Sciences, 23(1): 42-54, 2024, ISSN: 1658-077X, DOI: https://doi.org/10.1016/j.jssas.2023.09.001., is defined as its capacity or aptitude to support the growth of crops without this resulting in soil degradation or environmental damage, and is established as a result of associating the condition of the soil with characteristics necessary for a specific use (aptitude). An indicator is a parameter or a value derived from parameters that provides information, describes the properties, processes and characteristics, with the purpose of monitoring the effects of management on the functioning of the soil in a given period, with an extended meaning beyond that directly associated with the parameter value (Vasu et al., 2016VASU, D.; SINGH, S.K.; RAY, S.; DURAISAMI, V.P.; TIWARY, P.; CHANDRAN, P.; NIMKAR, A.M.; ANANTWAR, S.G.: “Soil quality index (SQI) as a tool to evaluate crop productivity in semi-arid Deccan plateau, India”, Geoderma, 282: 70-79, 2016, ISSN: 0016-7061, DOI: https://doi.org/10.1016/j.geoderma.2016.07.010.).

Prieto et al. (2013)PRIETO, M.J.; PRIETO, G.F.; ACEVEDO, S.O.; MÉNDEZ, M.M.A.: “Indicadores e índices de calidad de los suelos (ICS) cebaderos del sur del estado de Hidalgo, México”, Agronomía mesoamericana, 24(1): 83-91, 2013, ISSN: 1659-1321. point out that these indicators must be limited in number, manageable by various types of users, simple, easy to measure and have a high degree of aggregation. They must contemplate the greatest diversity of situations and have a variation over time such that it is possible to monitor them. Likewise, they should not have a high sensitivity to climatic and/or environmental changes but sufficient to detect the changes produced by the use and management of resources.

According to the technical instructions for the nutrition and fertilization of rice cultivation in Cuba proposed by Mairura et al. (2007)MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061., among the chemical elements to take into account to obtain optimal yields are nitrogen, phosphorus, potassium, calcium, magnesium and silicon. Other trace elements such as iron, manganese and zinc are considered present at a micro level in the soil, while sodium is considered a harmful ion due to its dispersing action on soil colloids and toxic to rice.

On the other hand, research carried out by Sys (1985)SYS, C.: Land evaluation., [en línea], Land evaluation”, Parts I, II,III. ITC Lecture Notes ed., University of Ghent, Belgium, 343 p., 1985, Disponible en:https://www.cabidigitallibrary.org/doi/full/10.5555/19881924050.; FAO (1991)FAO: Soil Resources, and Conservation Service. Guidelines: land evaluation for extensive grazing, no. No. 58. Food&Agriculture Org, Inst. Agriculture Organization of the United Nations (FAO), Rome. Italy, 1991.; Horuz & Dengİz (2018)HORUZ, A.; DENGİZ, O.: “The relationships between some physico-chemical properties and nutrient element content of paddy raised on alluvial land in Terme region.”, Anadolu Tarım Bilimleri Dergisi, 33(1): 58-67, 2018.; Dengiz (2020)DENGIZ, O.: “Soil quality index for paddy fields based on standard scoring functions and weight allocation method”, Archives of Agronomy and Soil Science, 66(3): 301-315, 2020, ISSN: 0365-0340, DOI: https://doi.org/10.1080/03650340.2019.1610880.; Trigoso et al. (2023)TRIGOSO, B.D.; FLORIDA, R.N.; RENGIFO, R.A.: “Indicadores Fisicoquímicos del suelo con Manejo Convencional Del Arroz (Oriza sativa L.) Bajo Riego”, LA GRANJA. Revista de Ciencias de la Vida, 37(1): 117-129, 2023, ISSN: 1390-8596, DOI: https://doi.org/10.17163/lgr.n37.2023.09. raise the need to also know the salt content, texture, pH, cation exchange capacity and organic matter content in the soil. To interpret the condition of the soil in terms of quality, indicators or indices are used that simplify and quantify its properties (Prasad et al., 2017PRASAD, R.; NEWAJ, R.; SINGH, R.; SAROJ, N.; TRIPATHI, V.; SHUKLA, A.; SINGH, P.; CHATURVEDI, O.: “Soil quality index (SQI) for assessing soil health of agroforestry system: effect of Hardwickia binata Roxb. tree density on SQI in Bundelkhand, central India”, Indian Journal of Agroforestry, 19(2): 38-45, 2017, ISSN: 0972-0715.). However, in Cuba no studies have been reported that allow an indicator to evaluate the suitability of soils for rice cultivation.

In the province of Holguín, as a measure to confront climate change to increase food production, the East-West transfer is being developed in the municipality of Mayarí, which will benefit more than 2,000 hectares, mostly dedicated to rice cultivation, so access to water will be guaranteed. Given the extension of the available area and that, it mostly has Vertic soils, it is necessary to have an indicator to know the suitability of the lands in the region to extend this crop. Due to the above, the objective of the research is to introduce a quality indicator in a Vertisol dedicated to rice cultivation that later could be estimated by indirect methods like remote sensing or machine learning.

Materials and methods

The experimental area belongs to the Guatemala Agricultural Company, CCS Tomás Machado of the town of Cosme Herrera located at 20°44'54.601"N and 75°50'43.743"W of the Mayarí municipality in the Holguín province (Figure 1). In it, more than 100 hectares are dedicated to rice cultivation with the prospect of an increase to 2000 hectares due to the potential in this area for irrigation from the supply of water from the East-West Transfer for rice cultivation, as already indicated.

In the study area, according to data from the Guaro meteorological station, located at 20.96 meters above sea level at 20º40'21”N and 75º46'57” W in the municipality of Mayarí, the average annual precipitation is 1067.6 mm and the average annual temperature of 25.6 °C as reported by Villazón et al. (2021VILLAZÓN, G.J.A.; NORIS, N.P.; MARTÍN, G.G.: “Determinación de la precipitación efectiva en áreas agropecuarias de la provincia de Holguín”, Idesia (Arica), 39(2): 85-90, 2021, ISSN: 0718-3429, DOI: http://dx.doi.org/10.4067/S0718-34292021000200085.; 2023)VILLAZÓN, G.J.A.; NORIS, N.P.; GARCÍA, R.R.A.; CRUZ, P.M.: “Análisis temporal de la agresividad y concentración de las precipitaciones en áreas agropecuarias de la provincia de Holguín, Cuba”, Idesia (Arica), 41(3): 77-86, 2023, ISSN: 0718-3429, DOI: http://dx.doi.org/10.4067/S0718-34292023000300077..

The characteristic soil of the area is of the chromic Vertisol type Hernández et al. (2015)HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, La Habana, Cuba, 93 p., 2015, ISBN: 959-246-022-1. with a slope < 2% so it can be considered flat. In the area of ​​100 ha, a systematic sampling was carried out at 100 georeferenced points with a GPS with an appreciation of 3 m, at a distance between points of 100 m. The samples were taken in the depth range between 0 to 0.20 m because this depth is where the highest content of radicles and roots of the rice crop is found, capable of absorbing water and the nutritional elements necessary for its growth and development. (Angladette et al., 1969ANGLADETTE, A.; RIPOLL, V.; PALOMEQUE, F.: “El arroz”, En: Ed. Barcelona: Blume, 1969, ISBN: ISBN 847313835X.).

Results and discussion

Table 5 shows the results of the Kaiser-Meyer-Olkin (KMO) and Bartlett tests. The value obtained in the KMO test is 0.580, which indicates that the adequacy of the sample for the factor analysis is within the permissible limits to carry out a factor analysis. In the case of Bartlett's test of sphericity, it illustrates an approximate Chi-square value of 1419.299 with 91 degrees of freedom and a significance of 0.000 which indicates that the correlations between the variables are not all zero, which justifies the application of factor analysis. software.

In the study carried out by Mustafa (2023)MUSTAFA, A.: “Utilizing of principal component analysis and geographic information system approach for assessing soil quality index under different land uses: case study”, SVU-International Journal of Agricultural Sciences, 5(2): 41-53, 2023, ISSN: 2636-3801, DOI: https://doi.org/10.21608/svuijas.2023.210997.1285. on the use of soil properties for the development of a GIS of quality indicators, he reports KMO values of 0.78 and Bartlett's sphericity with 141.2, indicating a good suitability of the sample and justifying the use of factor analysis in the identification of key factors such as soil fertility and textural properties.

The communalities indicate the proportion of the variance of each variable that is explained by the common factors extracted (Table 6). In the case of potassium, it has a communality of 0.94 in potassium, which shows that after extraction, 94.0% of the variance of this variable is explained by common factors. This suggests that potassium is well represented in the factor model. A high proportion of communality estimates suggests that a large portion of the variance was explained by the factor; therefore, it would obtain greater preference over a low communality estimate (Shukla et al., 2006SHUKLA, M.; LAL, R.; EBINGER, M.: “Determining soil quality indicators by factor analysis”, Soil and tillage research, 87(2): 194-204, 2006, ISSN: 0167-1987, DOI: https://doi.org/10.1016/j.still.2005.03.011.).

In contrast, variables such as Coarse Sand, Fine Sand, Silt, and Clay have extremely low communalities after extraction (0.160; 0.026; 0.011; 0.013, respectively), indicating that these components are not well represented in the factor model. The low communality of these variables could be because the main factors extracted are not captured in the dimensions related to soil texture, or that these variables have a different structure in the specific context of the data.

The initial eigenvalues ​​and percentage of explained variance (Table 7) indicate the amount of variance that each factor explains. The first factor has an eigenvalue of 4.75, which represents 33.93% of the total variance. The second and third factors explain 17.10% and 14.25% of the variance, respectively. In total, the three factors explain 65.28% of the accumulated variance, which is a good result.

Mairura et al. (2007)MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061. obtained 68% of the variation in chemical and physical property data in four factors in determining soil quality indicators under different uses. The rotated factor matrix (Varimax) shows how the factor loadings are distributed after rotation, making interpretation easier.

Figure 2 shows the scree plot of the rotated factors that is used in the factor analysis to determine the appropriate number of axes or factors to retain by interpolating the eigenvalues. On the vertical axis and the number of factors on the horizontal axis, the results show that the eigenvalues, which represent the amount of variance explained by each factor, decrease as the factors increase, and that the first factors explain more variance, with eigenvalues ​​of 4.75 for the first factor; 2.39 for the second factor and 2.0 for the third factor respectively, while as the factors increase, progressively less variability is explained.

As a trend, the point where an inflection takes place is selected to decide the number of axes to consider with a view to carrying out the analysis of major factors that affect the process (Méndez & Sepúlveda, 2012MÉNDEZ, C.M.J.; SEPÚLVEDA, M.A.: “Introducción al análisis factorial exploratorio”, Revista colombiana de psiquiatría, 41(1): 197-207, 2012, ISSN: 0034-7450, DOI: https://doi.org/10.1016/S0034-7450(14)60077-9.). In this research it seems to be in the transition from the second to the third factor, so the first two factors would be those selected with a view to being able to clearly appreciate the influence of the selected properties on the major factors that affect the process.

Table 8 shows the rotated factor matrix. Factor 1 explains the variables such as potassium (-0.96), organic matter (0.74), total nitrogen (0.78) has high loads, suggesting that in this factor these chemical properties are more correlated with each other. Factor 2 is made up of calcium (0.98) and magnesium (-0.85) with the highest loadings.

Mairura et al. (2007)MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061. state that pH is one of the soil properties that most affects the development of crops and that in turn is used as an indicator of soil quality. On the other hand, they consider the role that organic matter plays in the availability of water for plants and to reduce the effects of soil degradation.

Ayoubi et al. (2011)AYOUBI, S.; SHAHRI, A.; KARCHEGANI, P.M.; SAHRAWAT, K.L.: “Application of artificial neural network (ANN) to predict soil organic matter using remote sensing data in two ecosystems”, Biomass and remote sensing of biomass, 10: 181-196, 2011. in their research on the changes of quality indicators in different land uses due to the effect of soil degradation, based on a factor analysis and the communality values ​​of the properties that explained the greatest proportion of the variance. , included sand content, soil organic matter, total nitrogen and seawater.

The properties with the greatest weight are the most representative indicators in the factor analysis and are used to determine the SQI taking into account the premise of taking values ​​greater than 0.60, which coincides with what was proposed by Mustafa (2023)MUSTAFA, A.: “Utilizing of principal component analysis and geographic information system approach for assessing soil quality index under different land uses: case study”, SVU-International Journal of Agricultural Sciences, 5(2): 41-53, 2023, ISSN: 2636-3801, DOI: https://doi.org/10.21608/svuijas.2023.210997.1285.. In this case the properties were: potassium (0.96), calcium (0.98), magnesium (0.855), sodium (0.799), total nitrogen (0.78), organic matter (0.74), electrical conductivity (0.743), phosphorus (0.68) and pH (0.65).

The graph of rotated factors (Figure 3) shows that for factor 1, which is the most important for extracting the greatest variability, once the Varimax rotation was carried out, they presented correlation values ​​or positive loadings above 0.6, as is the case of phosphorus, organic matter, sodium, electrical conductivity and total nitrogen that appear forming a group on the right and positive part of the axis or factor 1, which suggests that increases in some of them induce increases in the same proportion the rest and vice versa.

They appear located on the left or negative part of the axis or factor 1, the variables negatively related to high loading values, this is the case of pH and potassium and indicates that increases in the soil of the positively related variables produce decreases in the negatively related variables. related. For the first factor, calcium and magnesium, coarse and fine sand, silt, clay, and cation exchange capacity do not seem to have important loads.

These results are a sign that factor or axis 1 seems to be more associated with soil fertility and nutrient concentration. Variables with a high load in absolute terms on this factor, such as phosphorus, organic matter, sodium, electrical conductivity, total nitrogen, pH and potassium, constitute indicators of the soil's capacity to support plant growth. Decreases in the pH values ​​of this soil favor increases in nutrients such as phosphorus and nitrogen.

For factor two, with less importance than factor 1, to extract less variability, calcium with a positive charge and magnesium with a negative charge were important because they presented high loadings. With intermediate values ​​for factor two were the cation exchange capacity positively and the coarse sand negatively the rest. The rest of the variables due to the value of their charge are not representative of the axis or factor two, which seems to be more related to the composition of cations such as calcium and magnesium, and suggests that a greater amount of coarse sand reduces the capacity cation exchange.

In the case of rice, the availability of nitrogen, phosphorus and potassium in the soil aligns with grain yield, while influencing plant architecture, which encompasses the number of panicles per unit area and the number of spikes per panicle (Perdomo et al., 1983PERDOMO, M.; GONZÁLEZ, F.J.; DE GALVIS, Y.; GARCÍA DURÁN, D.E.; ARREGOCÉS, O.; LEÓN, S.L.A.: “Los macronutrimentos en la nutrición de la planta de arroz [conjunto audiotutorial]”, 1983, Disponible en:https://cgspace.cgiar.org/items/366ab9dd-cdc7-459a-b54a-10c3da83932d.). EC and OM also contribute significantly to the development and growth of the crop (Coitiño et al., 2015COITIÑO, L.J.; BARBAZÁN, M.; ERNST, O.: “Conductividad eléctrica aparente para delimitar zonas de manejo en un suelo agrícola con reducida variabilidad en propiedades físico-químicas”, Agrociencia (Uruguay), 19(1): 102-111, 2015, ISSN: 2301-1548.).

In the case of calcium and magnesium, both positioned in the same factor, in contrast they can be attributed to the different functions that these elements play in the soil. On the one hand, calcium actively participates in the formation of soil aggregates, contributing to the general structure of the soil. In contrast, magnesium has been found to reduce the percentage of stable aggregates and decreases the amount of clay that acts as a cementing agent in the soil. Furthermore, the presence of magnesium negatively affects the porosity of the aggregates (Villazón et al., 2017VILLAZÓN, G.J.A.; MARTÍN, G.G.; COBO, V.Y.: “Análisis multivariado de las propiedades químicas de los suelos pardos erosionados”, Centro Agrícola, 44(1): 56-62, 2017, ISSN: 0253-5785.).

Choudhury & Mandal (2021)CHOUDHURY, B.U.; MANDAL, S.: “Indexing soil properties through constructing minimum datasets for soil quality assessment of surface and profile soils of intermontane valley (Barak, North East India)”, Ecological Indicators, 123: 107369, 2021, ISSN: 1470-160X, DOI: https://doi.org/10.1016/j.ecolind.2021.107369. have used the same soil quality indicators as part of their analysis of the minimum data set. These researchers have recognized the fundamental nature of this analytical approach in the field of precision agriculture, as it facilitates more efficient and targeted soil management practices.

The descriptive statistics of the values ​​obtained in the determination of the SQI for the study area dedicated to rice cultivation are shown below. The calculated value for the SQI-MDS averaged 0.43, with minimum (0.27) and maximum (0.81) values ​​recorded. Regarding the coefficient of variation, the observations showed low values ​​because they were less than 40% (Table 9).

This result is in line with the results described by Guo et al. (2018)GUO, S.; HAN, X.; LI, H.; WANG, T.; TONG, X.; REN, G.; FENG, Y.; YANG, G.: “Evaluation of soil quality along two revegetation chronosequences on the Loess Hilly Region of China”, Science of the Total Environment, 633: 808-815, 2018, ISSN: 0048-9697, DOI: https://doi.org/10.1016/j.scitotenv.2018.03.210., who observed a similar range of variation in their research, establishing a benchmark for classifying values ​​that fall within the range of 7.0% > SQI ≥ 55.0%. These results serve to highlight the inherent variability in soil quality that exists in the study area, emphasizing the need for a comprehensive evaluation.

The indicators selected for the SQI-MDS through this tool allow an effective evaluation of soil quality in the study area. These indicators have also been used in other studies, which underlines their importance in precision agriculture (Buji et al., 2022BUJI, I.B.; NOMA, S.; ENIOLORUNDA, N.; HAYATU, N.G.; MANASSEH, E.A.; UMAR, G.; SHARU, M.B.; TALHA, I.Z.; MAGAJI, M.; ADAMU, I.: “Using Different Methods of Land Suitability Evaluation for Rice Production (Oryza Sativa) in Rabah District of Sokoto State Nigeria”, Journal of Science and Engineering Research, 2(2): 29-46, 2022, ISSN: 2786-9873.). The calculated SQI-MDS value, together with the observed coefficient of variation, serves to highlight the inherent variability in soil quality within the study area.

On the other hand, the spatial distribution of the soil quality index, which has been determined for evaluating rice cultivation, is illustrated within the specified study region using a minimalist approach to data analysis. Furthermore, this method used a reduced set of data points to obtain complete and reliable information on the soil quality index in a given area.

Figure 4 reveals that a significant part of the region shows a homogeneous characteristic in terms of soil suitability, specifically in the southern section with predominant values ​​between 0.27 and 0.39 of SQI, which are classified as Very Low suitability for 69% of the total area. In the central zone of the area, the greatest variability of SQI values ​​is reflected with classes between Low and Moderate (13% of the area) with an index that ranges from 0.45 to 0.61. Only in the North is there a High class zone, which represents 18% of the area under study. This difference in suitability could be attributed to anthropic action in the study area.

Conclusions

A method is described for obtaining a soil quality index (SQI) using the obtaining of the minimum necessary properties and their relative weights. More than 60% of the area appears with low quality for rice cultivation.

The determination of the soil quality indicator for rice cultivation showed that the most important properties in the study are total nitrogen, phosphorus, potassium, calcium, magnesium, sodium, organic matter and electrical conductivity. Each of the weights of the selected properties are greater than 0.60, which is why their use was superior to the rest of the determined properties

Introducción

La calidad del suelo, según Nasir et al. (2024)NASIR, M.J.; HAIDER, M.F.; ALI, Z.; AKHTAR, W.; ALAM, S.: “Evaluation of soil quality through simple additive soil quality index (SQI) of Tehsil Charsadda, Khyber Pakhtunkhwa, Pakistan”, Journal of the Saudi Society of Agricultural Sciences, 23(1): 42-54, 2024, ISSN: 1658-077X, DOI: https://doi.org/10.1016/j.jssas.2023.09.001., se define como su capacidad o aptitud para soportar el crecimiento de los cultivos sin que esto resulte en la degradación del suelo o en un daño ambiental, y se establece como resultado de asociar la condición del suelo a características necesarias para un uso particular (aptitud). Un indicador es un parámetro o un valor derivado de parámetros que provee información, describe las propiedades, los procesos y las características, con la finalidad de dar seguimiento a los efectos del manejo sobre el funcionamiento del suelo en un período dado, con un significado extendido más allá que el directamente asociado con el valor del parámetro (Vasu et al., 2016VASU, D.; SINGH, S.K.; RAY, S.; DURAISAMI, V.P.; TIWARY, P.; CHANDRAN, P.; NIMKAR, A.M.; ANANTWAR, S.G.: “Soil quality index (SQI) as a tool to evaluate crop productivity in semi-arid Deccan plateau, India”, Geoderma, 282: 70-79, 2016, ISSN: 0016-7061, DOI: https://doi.org/10.1016/j.geoderma.2016.07.010.).

Prieto et al. (2013)PRIETO, M.J.; PRIETO, G.F.; ACEVEDO, S.O.; MÉNDEZ, M.M.A.: “Indicadores e índices de calidad de los suelos (ICS) cebaderos del sur del estado de Hidalgo, México”, Agronomía mesoamericana, 24(1): 83-91, 2013, ISSN: 1659-1321. señalan que estos indicadores deben ser limitados en número, manejables por diversos tipos de usuarios, sencillos, fáciles de medir y tener un alto grado de agregación. Deben contemplar la mayor diversidad de situaciones y tener una variación en el tiempo tal que sea posible realizar un seguimiento de las mismas. Asimismo, no deberán poseer una sensibilidad alta a los cambios climáticos y/o ambientales pero la suficiente como para detectar los cambios producidos por el uso y manejo de los recursos.

Según las instrucciones técnicas para la nutrición y fertilización del cultivo del arroz en Cuba propuesto por Mairura et al. (2007)MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061. dentro de los elementos químicos a tener en cuenta para obtener óptimos rendimientos se encuentran el nitrógeno, fósforo, potasio, calcio, magnesio y silicio. Otros oligoelementos como el hierro, manganeso y zinc se consideran que pueden estar presentes a nivel micro en el suelo, mientras que el sodio es considerado como un ión nocivo por su acción dispersante sobre los coloides del suelo y tóxico para el arroz.

Por otra parte, investigaciones realizadas por Sys (1985)SYS, C.: Land evaluation., [en línea], Land evaluation”, Parts I, II,III. ITC Lecture Notes ed., University of Ghent, Belgium, 343 p., 1985, Disponible en:https://www.cabidigitallibrary.org/doi/full/10.5555/19881924050.; FAO (1991)FAO: Soil Resources, and Conservation Service. Guidelines: land evaluation for extensive grazing, no. No. 58. Food&Agriculture Org, Inst. Agriculture Organization of the United Nations (FAO), Rome. Italy, 1991.; Horuz y Dengİz (2018)HORUZ, A.; DENGİZ, O.: “The relationships between some physico-chemical properties and nutrient element content of paddy raised on alluvial land in Terme region.”, Anadolu Tarım Bilimleri Dergisi, 33(1): 58-67, 2018.; Dengiz (2020)DENGIZ, O.: “Soil quality index for paddy fields based on standard scoring functions and weight allocation method”, Archives of Agronomy and Soil Science, 66(3): 301-315, 2020, ISSN: 0365-0340, DOI: https://doi.org/10.1080/03650340.2019.1610880.; Trigoso et al. (2023)TRIGOSO, B.D.; FLORIDA, R.N.; RENGIFO, R.A.: “Indicadores Fisicoquímicos del suelo con Manejo Convencional Del Arroz (Oriza sativa L.) Bajo Riego”, LA GRANJA. Revista de Ciencias de la Vida, 37(1): 117-129, 2023, ISSN: 1390-8596, DOI: https://doi.org/10.17163/lgr.n37.2023.09. plantean la necesidad de conocer también, el contenido de sales, la textura, el pH, la capacidad de intercambio catiónico y el contenido de materia orgánica en el suelo. Para la interpretación de la condición del suelo en términos de calidad se utilizan indicadores o índices que simplifican y cuantifican las propiedades del mismo (Prasad et al., 2017PRASAD, R.; NEWAJ, R.; SINGH, R.; SAROJ, N.; TRIPATHI, V.; SHUKLA, A.; SINGH, P.; CHATURVEDI, O.: “Soil quality index (SQI) for assessing soil health of agroforestry system: effect of Hardwickia binata Roxb. tree density on SQI in Bundelkhand, central India”, Indian Journal of Agroforestry, 19(2): 38-45, 2017, ISSN: 0972-0715.). No obstante, en Cuba no se han reportado estudios que permitan disponer de un indicador para evaluar la aptitud de los suelos para el cultivo del arroz.

En la provincia de Holguín como medida de enfrentamiento al cambio climático para el aumento de la producción de alimentos se desarrolla el trasvase Este-Oeste en el municipio de Mayarí, el cual beneficiará a más de 2000 hectáreas en su mayoría dedicadas al cultivo del arroz por lo que el acceso al agua estará garantizado. Dada la extensión del área disponible y que mayoritariamente presenta suelos vérticos, resulta necesario poder disponer de un indicador para conocer la aptitud de las tierras en la región para extender este cultivo. Por lo antes expuesto se plantea como objetivo de la investigación, introducir un indicador de calidad en un Vertisol dedicado al cultivo del arroz que, posteriormente pueda ser estimado a partir de métodos indirectos como sensores remotos o aprendizaje automático.

Materiales y métodos

El área experimental pertenece a la Empresa Agropecuaria Guatemala, CCS Tomás Machado del poblado de Cosme Herrera ubicada en los 20°44'54,601"N y 75°50'43,743"W del municipio Mayarí en la provincia Holguín (Figura 1). En ella se dedican al cultivo del arroz más de 100 ha con perspectiva a un incremento hasta 2000 ha por el potencial en esta zona del riego a partir del abasto de agua del Trasvase Este-Oeste para el cultivo del arroz como ya fue señalado.

En la zona de estudio según datos de la estación meteorológica de Guaro, ubicada a 20,96 msnm en los 20º40’21”N y 75º46’57” W en el municipio de Mayarí, la precipitación anual media es de 1067,6 mm y la temperatura anual media de 25,6 °C según lo reportado por Villazón et al. (2021VILLAZÓN, G.J.A.; NORIS, N.P.; MARTÍN, G.G.: “Determinación de la precipitación efectiva en áreas agropecuarias de la provincia de Holguín”, Idesia (Arica), 39(2): 85-90, 2021, ISSN: 0718-3429, DOI: http://dx.doi.org/10.4067/S0718-34292021000200085.; 2023)VILLAZÓN, G.J.A.; NORIS, N.P.; GARCÍA, R.R.A.; CRUZ, P.M.: “Análisis temporal de la agresividad y concentración de las precipitaciones en áreas agropecuarias de la provincia de Holguín, Cuba”, Idesia (Arica), 41(3): 77-86, 2023, ISSN: 0718-3429, DOI: http://dx.doi.org/10.4067/S0718-34292023000300077..

El suelo característico del área es del tipo Vertisol crómico Hernández et al. (2015)HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, La Habana, Cuba, 93 p., 2015, ISBN: 959-246-022-1. con una pendiente < 2 % por lo que puede considerarse plana. En el área de 100 ha, se realizó un muestreo sistemático en 100 puntos georeferenciados con un GPS con apreciación de 3 m, a una distancia entre puntos de 100 m. Las muestras fueron tomadas en el rango de profundidad entre 0 a 0,20 m por ser en esta profundidad donde se encuentra el mayor contenido de radículas y raíces del cultivo del arroz capaces de absorber el agua y los elementos nutritivos necesarios para su crecimiento y desarrollo (Angladette et al., 1969ANGLADETTE, A.; RIPOLL, V.; PALOMEQUE, F.: “El arroz”, En: Ed. Barcelona: Blume, 1969, ISBN: ISBN 847313835X.).

Resultados y discusión

La Tabla 5 muestra los resultados de las pruebas de Kaiser-Meyer-Olkin (KMO) y de Bartlett. El valor obtenido en la prueba de KMO es de 0.580, lo que indica que la adecuación de la muestra para el análisis factorial se encuentra en los límites permisibles para realizar un análisis factorial. En el caso de la prueba de esfericidad de Bartlett, ilustra un valor de Chi-cuadrado aproximado de 1419,299 con 91 grados de libertad y una significancia de 0,000 lo cual indica que las correlaciones entre las variables no son todas cero, lo que justifica la aplicación del análisis factorial.

En el estudio realizado por Mustafa (2023)MUSTAFA, A.: “Utilizing of principal component analysis and geographic information system approach for assessing soil quality index under different land uses: case study”, SVU-International Journal of Agricultural Sciences, 5(2): 41-53, 2023, ISSN: 2636-3801, DOI: https://doi.org/10.21608/svuijas.2023.210997.1285. sobre la utilización de propiedades del suelo para la elaboración de un SIG de indicadores de calidad, reporta valores de KMO de 0,78 y la esfericidad de Bartlett con 141,2, indicando una buena adecuación de la muestra y justificando el uso del análisis factorial en la identificación de factores clave como la fertilidad del suelo y las propiedades texturales.

Las comunalidades indican la proporción de la varianza de cada variable que es explicada por los factores comunes extraídos (Tabla 6). En el caso del potasio tiene una comunalidad de 0.94 en el potasio demuestra que después de la extracción, el 94.0 % de la varianza de esta variable es explicada por los factores comunes. Esto sugiere que el potasio está bien representado en el modelo factorial. Una alta proporción de estimación de comunalidad sugiere que una gran parte de la varianza fue explicada por el factor; por lo tanto, obtendría mayor preferencia sobre una estimación de comunalidad baja (Shukla et al., 2006SHUKLA, M.; LAL, R.; EBINGER, M.: “Determining soil quality indicators by factor analysis”, Soil and tillage research, 87(2): 194-204, 2006, ISSN: 0167-1987, DOI: https://doi.org/10.1016/j.still.2005.03.011.).

En contraste, variables como Arena gruesa, Arena fina, Limo y Arcilla tienen comunalidades extremadamente bajas tras la extracción (0,160; 0,026; 0.011; 0,013, respectivamente), lo que indica que estos componentes no están bien representados en el modelo factorial. La baja comunalidad de estas variables podría deberse a que los factores principales extraídos no están capturados en las dimensiones relacionadas con la textura del suelo, o que estas variables tienen una estructura diferente en el contexto específico de los datos.

Los autovalores iniciales y porcentaje de varianza explicada (Tabla 7) indican la cantidad de varianza que cada factor explica. El primer factor tiene un autovalor de 4,75, lo que representa el 33,93% de la varianza total. El segundo y tercer factor explican 17,10% y 14,25% de la varianza, respectivamente. En total, los tres factores explican un 65,28% de la varianza acumulada, lo cual es un buen resultado.

Mairura et al. (2007)MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061. obtuvieron en cuatro factores el 68% de la variación de los datos de propiedades químicas y físicas en la determinación de indicadores de calidad de suelos bajo diferentes usos. La matriz de factor rotado (Varimax) muestra cómo se distribuyen las cargas factoriales después de la rotación, lo que facilita la interpretación.

En la Figura 2 se muestra el gráfico de sedimentación de los factores rotados que es utilizado en el análisis factorial para determinar el número adecuado de ejes o factores a retener por la interpolación de los autovalores. En el eje vertical y el número de factores en el eje horizontal, cuyos resultados muestran que los autovalores, que representan la cantidad de varianza explicada por cada factor, disminuyen a medida que se incrementan los factores, y que los primeros factores explican más varianza, con autovalores de 4,75 para el primer factor; 2,39 para el segundo factor y 2,0 para el tercer factor respectivamente, mientras que a medida que aumentan los factores se explica de forma progresiva menos variabilidad.

Como tendencia se selecciona el punto donde tiene lugar una inflexión para decidir la cantidad de ejes a considerar con vistas a realizar el análisis de grandes factores que afectan el proceso (Méndez y Sepúlveda, 2012MÉNDEZ, C.M.J.; SEPÚLVEDA, M.A.: “Introducción al análisis factorial exploratorio”, Revista colombiana de psiquiatría, 41(1): 197-207, 2012, ISSN: 0034-7450, DOI: https://doi.org/10.1016/S0034-7450(14)60077-9.). En esta investigación parece estar en el paso el segundo al tercer factor, por lo que los dos primeros factores serían los seleccionados con vistas a poder apreciar de forma clara la influencia de las propiedades seleccionadas en los grandes factores que afectan el proceso.

En la Tabla 8 se muestra la matriz del factor rotado. El Factor 1 explica las variables como el potasio (-0.96), la materia orgánica (0.74), el nitrógeno total (0.78) tiene altas cargas, sugiriendo que en este factor se encuentran mayor correlacionadas entre sí estas propiedades químicas. El Factor 2 está constituido por el calcio (0.98) y el magnesio (-0.85) con las cargas más altas.

(Mairura et al., 2007MAIRURA, F.; MUGENDI, D.; MWANJE, J.; RAMISCH, J.; MBUGUA, P.; CHIANU, J.: “Integrating scientific and farmers’ evaluation of soil quality indicators in Central Kenya”, Geoderma, 139(1-2): 134-143, 2007, ISSN: 0016-7061.) plantean que el pH es uno de las propiedades del suelo que más incide en el desarrollo de los cultivos y que a su vez es utilizada como indicador de calidad del suelo. Por otra parte consideran el papel que juega la materia orgánica en la disponibilidad de agua para las plantas y para disminuir los efectos de la degradación del suelo.

Ayoubi et al. (2011)AYOUBI, S.; SHAHRI, A.; KARCHEGANI, P.M.; SAHRAWAT, K.L.: “Application of artificial neural network (ANN) to predict soil organic matter using remote sensing data in two ecosystems”, Biomass and remote sensing of biomass, 10: 181-196, 2011. en su investigación sobre los cambios de los indicadores de calidad en diferentes usos de la tierra por efecto de la degradación del suelo, a partir de un análisis factorial y los valores de comunalidad de las propiedades que explicaron la mayor proporción de la varianza, incluyeron el contenido de arena, la materia orgánica del suelo, el nitrógeno total y el agua de mar.

Las propiedades de mayor peso son los indicadores de mayor representatividad en el análisis factorial y se utilizan para la determinación del SQI teniendo en cuenta la premisa planteada de tomar valores superiores a 0,60 lo cual coincide con lo planteado por Mustafa (2023)MUSTAFA, A.: “Utilizing of principal component analysis and geographic information system approach for assessing soil quality index under different land uses: case study”, SVU-International Journal of Agricultural Sciences, 5(2): 41-53, 2023, ISSN: 2636-3801, DOI: https://doi.org/10.21608/svuijas.2023.210997.1285.. En este caso las propiedades fueron: potasio (0,96), calcio (0,98), magnesio (0,855), sodio (0,799), nitrógeno total (0,78), materia orgánica (0,74), conductividad eléctrica (0,743), fósforo (0,68) y el pH (0,65).

El gráfico de factores rotados (Figura 3) demuestra que para el factor 1, que es el más importante por extraer la mayor variabilidad una vez realizada la rotación Varimax presentaron valores de correlaciones o cargas positivas por encima de 0,6, como es el caso del fósforo, la materia orgánica, el sodio, la conductividad eléctrica y el nitrógeno total que aparecen formando un grupo en la parte derecha y positiva del eje o factor 1, lo que sugiere que incrementos en algunos de ellos inducen en la misma proporción incrementos en el resto y viceversa.

Aparecen ubicados en la parte izquierda o negativa del eje o factor 1, las variables negativamente relacionadas con valores de cargas altos, es el caso del pH y el potasio e indica que incrementos en el suelo de las variables positivamente relacionadas producen descensos en las variables negativamente relacionadas. Para el primer factor, no parecen tener cargas importantes el calcio y el magnesio, la arena gruesa y fina, limo, arcilla y la capacidad de intercambio catiónico.

Estos resultados es señal de que el factor o eje 1 parece estar más asociado con la fertilidad del suelo y la concentración de nutrientes. Las variables con alta carga en términos absolutos en este factor, como el fósforo, la materia orgánica, el sodio, la conductividad eléctrica, nitrógeno total, el pH y el potasio, constituyen indicadores de la capacidad del suelo para sustentar el crecimiento vegetal. Las disminuciones en los valores del pH de este suelo favorecen incrementos de nutrientes como el fósforo y el nitrógeno.

Para el factor dos, con menor importancia que el factor 1, por extraer menor variabilidad fueron importantes por presentar cargas altas el calcio con carga positiva y el magnesio con carga negativa. Con valores intermedios para el factor dos fueron la capacidad de intercambio catiónico de forma positiva y la arena gruesa de forma negativa el resto. El resto de las variables por el valor de su carga no son representativos del eje o factor dos, el cual parece estar más relacionado con la composición de cationes como el calcio y el magnesio, y sugiere que una mayor cantidad de arena gruesa reduce la capacidad de intercambio catiónico.

En el caso del arroz, la disponibilidad de nitrógeno, fósforo y potasio en el suelo se alinea con el rendimiento del grano, a la vez que influye en la arquitectura de la planta, que abarca el número de panículas por unidad de área y el número de espigas por panícula (Perdomo et al., 1983PERDOMO, M.; GONZÁLEZ, F.J.; DE GALVIS, Y.; GARCÍA DURÁN, D.E.; ARREGOCÉS, O.; LEÓN, S.L.A.: “Los macronutrimentos en la nutrición de la planta de arroz [conjunto audiotutorial]”, 1983, Disponible en:https://cgspace.cgiar.org/items/366ab9dd-cdc7-459a-b54a-10c3da83932d.). También la CE y la MO, contribuyen significativamente al desarrollo y crecimiento del cultivo (Coitiño et al., 2015COITIÑO, L.J.; BARBAZÁN, M.; ERNST, O.: “Conductividad eléctrica aparente para delimitar zonas de manejo en un suelo agrícola con reducida variabilidad en propiedades físico-químicas”, Agrociencia (Uruguay), 19(1): 102-111, 2015, ISSN: 2301-1548.).

En el caso del calcio y magnesio, ambos posicionados en el mismo factor, en contraposición pueden atribuirse a las distintas funciones que desempeñan estos elementos en el suelo. Por un lado, el calcio participa activamente en la formación de los agregados del suelo, contribuyendo a la estructura general del suelo. Por el contrario, se ha descubierto que el magnesio reduce el porcentaje de agregados estables y también disminuye la cantidad de arcilla que actúa como agente cementante en el suelo. Además, la presencia de magnesio afecta negativamente a la porosidad de los agregados (Villazón et al., 2017VILLAZÓN, G.J.A.; MARTÍN, G.G.; COBO, V.Y.: “Análisis multivariado de las propiedades químicas de los suelos pardos erosionados”, Centro Agrícola, 44(1): 56-62, 2017, ISSN: 0253-5785.).

Choudhury y Mandal (2021)CHOUDHURY, B.U.; MANDAL, S.: “Indexing soil properties through constructing minimum datasets for soil quality assessment of surface and profile soils of intermontane valley (Barak, North East India)”, Ecological Indicators, 123: 107369, 2021, ISSN: 1470-160X, DOI: https://doi.org/10.1016/j.ecolind.2021.107369. han utilizado iguales indicadores de calidad del suelo como parte de su análisis del conjunto mínimo de datos. Estos investigadores han reconocido la naturaleza fundamental de este enfoque analítico en el ámbito de la agricultura de precisión, ya que facilita prácticas de gestión del suelo más eficientes y específicas.

Seguidamente se muestra la estadística descriptiva de los valores arrojados en la determinación del SQI para el área de estudio dedicada al cultivo del arroz. El valor calculado para el SQI-MDS se situó en un promedio de 0,43, con valores mínimo de (0,27) y máximo (0,81) registrados. En cuanto al coeficiente de variación, las observaciones arrojaron valores bajos por encontrarse inferiores al 40 % (Tabla 9).

Este resultado está en consonancia con los resultados descritos por Guo et al. (2018)GUO, S.; HAN, X.; LI, H.; WANG, T.; TONG, X.; REN, G.; FENG, Y.; YANG, G.: “Evaluation of soil quality along two revegetation chronosequences on the Loess Hilly Region of China”, Science of the Total Environment, 633: 808-815, 2018, ISSN: 0048-9697, DOI: https://doi.org/10.1016/j.scitotenv.2018.03.210., quienes observaron un rango de variación similar en su investigación, lo que estableció un punto de referencia para la clasificación de los valores que se encuentran dentro del rango del 7,0 % > SQI ≥ 55,0 %. Estos resultados sirven para subrayar la variabilidad inherente en la calidad del suelo que existe en el área de estudio, enfatizando la necesidad de una evaluación exhaustiva.

Los indicadores seleccionados para el SQI-MDS mediante esta herramienta permite una una evaluación eficaz de la calidad del suelo en el área de estudio. Estos indicadores también se han empleado en otros estudios, lo que subraya su importancia en la agricultura de precisión (Buji et al., 2022BUJI, I.B.; NOMA, S.; ENIOLORUNDA, N.; HAYATU, N.G.; MANASSEH, E.A.; UMAR, G.; SHARU, M.B.; TALHA, I.Z.; MAGAJI, M.; ADAMU, I.: “Using Different Methods of Land Suitability Evaluation for Rice Production (Oryza Sativa) in Rabah District of Sokoto State Nigeria”, Journal of Science and Engineering Research, 2(2): 29-46, 2022, ISSN: 2786-9873.). El valor calculado del SQI-MDS, junto con el coeficiente de variación observado, sirve para resaltar la variabilidad inherente en la calidad del suelo dentro del área de estudio.

Por otro lado, se ilustra la distribución espacial del índice de calidad del suelo, que se ha determinado con el fin de evaluar el cultivo de arroz, dentro de la región de estudio especificada mediante un enfoque minimalista del análisis de datos. Además, este método empleó un conjunto reducido de puntos de datos para obtener información completa y fiable sobre el índice de calidad del suelo en una zona determinada.

La Figura 4 revela que una parte importante de la región muestra una característica homogénea en términos de aptitud del suelo, específicamente en la sección sur con valores predominantes entre 0,27 y 0,39 de SQI los cuales se clasifican como Muy baja la aptitud para un 69 % del total del área. En la zona central del área se refleja la mayor variabilidad de los valores de SQI con clases entre Baja hasta Moderada (el 13 % del área) con un índice que oscila entre 0,45 a 0,61. Solamente al Norte se observa que existe una zona de clase Alta la cual representa el 18 % del área bajo estudio. Esta diferencia de aptitud podría atribuirse la acción antrópica en el área de estudio.

Conclusiones

Se describe un método para la obtención de un índice de calidad del suelo (SQI) empleando la obtención del mínimo de propiedades necesarias y sus pesos relativos.

La determinación del indicador de calidad del suelo para el cultivo de arroz arrojó que las propiedades de mayor importancia en el estudio son el nitrógeno total, el fósforo, potasio, calcio, magnesio, sodio, materia orgánica y la conductividad eléctrica. Cada uno de los pesos de las propiedades seleccionadas son superiores a 0,60 por lo cual su uso fue superior al resto de las propiedades determinadas.