Part 1. Example for Geostatistics:
Precision agriculture–Analysis of Soil fertility
Traditionally, application of crop production inputs
has been done uniformly across fields. In precision
agriculture input rate is changing within fields in
response to spatially variable factors that affect
the optimum application rate. Assessing soil fertility is one of the first operations needed to develop databases. Data consists of soil samples
from 2 segments of 12 ha adjacent fields located
in Linn County (Iowa) that had similar soil types
and long term management histories were sampled
following an unaligned grid-point sampling scheme
(Wollenhaupt et al., 1994) for this study. Cell size
was 0.2 ha, and smaller sampling points were randomly selected within each cell. Location of the
sampling cells was recorded using a geographic
information system (GIS) software. There were
60 sampling positions for each field. Composite
soil samples (15-20 cores from 15cm depth) were
collected from each sampling point. There were
several variables measured in each sample: SOM
(soil organic matter), soil Ph, P (Phosphorus), K
(Potassium), CEC (Cation exchange capacity) and
Mg (Magnesium)—this is the data used here.
1
(data and images courtesy of M. Perez-Bidegain and
P. Barbagelata)
2
300
South Field−−−sampled locations
●
●
●
●
●
●
●
●
200
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
100
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0
Y coordinate(m)
●
●
0
100
●
200
●
300
●
●
400
X coordinate(m)
3
15
10
5
0
Frequency
20
25
Histogram of mg.z
50
100
150
200
250
300
mg.z
4
200
100
MG
0
100
200
300
400
200
100
MG
X coordinate(m)
0
50
100
150
200
250
Y coordinate(m)
5
300
Coord Y
100
200
300
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
● ●
●
●
● ●●
●● ● ● ● ●
●
● ●
●
●
● ● ● ●●
●
●
●●
−100
●
−100
0
●
0
Y Coord
100
200
●
●
●
● ● ●●
●
●●
● ●●●
●
●●
●● ●
●
●
0
100
200
300
X Coord
400
100
150
200
data
250
●
●
●
●
●
●
●●
●
●
●
100
● ●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
0
●
● ●
●
● ●
●●
●●
●
20
●
Frequency
10
15
●
●
●
5
●
●
●
●
●
●
100
200
300
Coord X
400
0
150
data
200
250
25
●
50
100
150 200
data
250
300
6
300
South field−−−Magnitude of MG
●
●
●
200
●
●
●
● ●
●
●
●
●
●
●
●
●
●
100
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0
●
●
●
●
●
●
●
●
●
●
●
●
●
●
−100
Y Coord
●
●
●
●
●
●
●
0
100
200
300
400
X Coord
7
300
South field: Contour Plot of MG
●
●
●
●
●
●
●
●
●
●
200
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
100
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0
Y coordinate(m)
●
●
●
●
0
100
200
300
●
400
X coordinate(m)
8
300
●
●
●
●
●
●
●
●
●
●
200
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
100
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0
●
●
●
●
0
100
200
300
●
400
9
300
●
●
●
●
●
●
●
●
●
●
200
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
100
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0
●
●
●
●
0
100
200
300
●
400
10
South plot: Perspective Plot of MG
Yc
oo
rdi
na
te(
m)
MG
X coordinate(m)
11
Meteorology and Climatology Data sets that
encompass hundreds of location sites are common.
(e.g. Historical Climate Network (HCN) developed
and maintained by NOAA) now has several hundreds location sites:
The Precipitation Network: 5873 sites
••
• ••• •• ••• ••
• ••••• •••• •• •••••• •• •
••
••• •••••
••••••••••• •• •• •••
• • •••••••••••••••••••••• •••••••••••••
• ••••• ••••
•
••
•• • ••
•
•
•• •• ••••
•
•
• ••• •• ••••••• • • •• •
•
•
•
•
•••••
•
•• • • ••• •••• •• • • •
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•• •• ••• ••••• ••• • •• •• ••••••••••••••• ••• • • •
• ••
••••
• • ••••
••
••
••••
• • •••••• • •••• •
•
••••••••• ••• ••
• • • •• ••••• •••
••••• • ••••••••• ••••
• •
•
•
•
•••••
•
•
•
••••••••• •••• • •••••••••
•
•
•
•
••
•
•••••••••
•
•
•
• • •• ••
•••• • ••
• ••••••• •
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•• ••
•
•
•
•••••• ••••••
•• • • •••••
•••••••••••• ••
•
•
•
•
•
•
•••• •• •••••••• •••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• •••••• ••••••••• •• •• • •••• ••• ••• •• ••• • •••••••••••••• •
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• • ••• • •• • • • •••••• •••• ••• • •••• •• ••• •• •••••• ••••
••
•
•••••
••••• • ••
••••••
•••
•••••
•
•
••••••••••
• • ••• •••••••
••••••
•
•••• ••••• •••• ••••••
•
•
•
•
•
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• ••••••• ••••••
• •• ••• •• • •• ••• ••• •••• • •••• • • •• •••••••••• ••••
••••••• ••••• ••
•••••
••
•••••
•••• •
•
•••
••
•••
•••
•••••••••••
•••
••
• •••• ••• • ••• • •••••• •• •••
••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• ••
••••••• ••• •••
•
••• • •
••••••••••
•• • •••••• ••
••••••• •••••••••••••••••••••
•••
••••• •• • • ••
• ••••••
•••
••••••••••••••
••
••• •••••••
•• •••••• ••
• •
•• ••
•••••••
• • •••••
•
•• •• •
•••••
••
•
••••••
• •••
••••• ••• •
•
•
••••••• ••
••
••
••••
•
••••••••• •••••
•
••••••••
••••••
••
••
••••
••• • •••••••••••••
••••
•••
••
••••
•
• ••••••••••••
•
••••
•
••••
•••
•
•
••••
••••••
••••
•
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•••••••
••
•• •• ••• •••••••• •
• ••••••••
•
•
•• • •• ••• • •• ••••• •••• • • • • ••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•••••
•
•••••••••• •
••
•••• •••••
•
•
•
•
•
•
•
••• •• • •
•
•
•
•
•
•
•
•
•••••• • ••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•••
••••••
••
• •• •• •
•••••••••••••••••••••••••••• ••••••• •••
••••• ••
•••
•••••
••••
•
••••••••••••••••••
••• ••• •
•••
•
•
•••
•••• ••••
••••••••••••••••••••••••• •
•
•
••
••• • • • ••• •
••••
•••••
••••
•••••
• •••• • ••
•
••
•••
••••
•••••••••••• •••
••
••••••
••••••••••
••••••
••••••
••
••
••••••
••
••••
•••••••••••••• • •• ••••• •••
•• ••
••
••••
••••
••••••••••••••••••
•
••••••
•• • ••
••••
••• ••
••••
•• •• •••
••••
••
•
•••
•••
•
•••••••
••
••••••••••••••
••••
••••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• ••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
••••
••
•••
•••••
• •• ••••• •
••••
••
••
• •••
•••••••••
•••••••••••••
••••••••••••
•••••••• •
•••••••••
• •••
•••••
••
•••
• • • •• ••••••••••••
••
• ••••• • •••••
•
•••
•••••
•
•
••
•••••
•••
•••
••••
••••
•••••
••••••••
•
•••
••••••••••••••
• • ••••••
•
••••••
••
••••••••
•
••
•••••••
••••••• •••• •••• •••••••••
•
•
••
••••••
•••••
•••
••
•••
•••••
••••
••••••••
••••••
••••
••
••••
•••••
•••
••••
•••
•
•
••
•••••••
•••••
•••
••••
••
••• ••
••
••
••••
•••
• •
•••••
•••••••••• •••••• ••••••••• •••••
••
•
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
•
•• •
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•••
•••••••
• •••• ••••••••••••••••
•••••••••
•••••
• •••••
•••••
• • ••••••
•••••
•• •••••••••
•••••
••••
• • ••
•
•
•••••••
••••
•••••
••••
•••• •• • • •
• • •••••
••• •••
•
•••••••
••••••••••••
•••••••
•• ••••••••• ••••• •••••••
••••
• ••••
• •••••
••••
••••
•••••
•••••••••
••
••
•
••
• • • ••
••••
••••••
••
•••••••
••••• •• ••••
•• ••
••••••••
•
••• •••••
•
•
••••••••••••••••
••••
••••
•••
•••••••••••
••
••
•
•••••••
•••••
• •• •••••
•
••••••
••
•••
••
••
••• ••••
••
•••
••
•••••
•••••
••
••
•••
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
•
•
•
•
•
•••••••
•• ••
•••
•••••••••• •••••• • •••••••• ••••
••• • • •••• • • ••
•••• • •
••••••
••
••
••• •••
••••••••••••
••••
••
••••••••••
••
•••• •
•••••••••••
••••••••••••
•• ••
•• ••
•••••
••
••
•••••
•••••••••••••••• ••
••••
••••• ••
••••
•
•••••••••••••
•
•••••• •
•• ••••• •
••••
••••••
••••••••
•••
•
•
•
•
•
•
•
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••••••
••
•• • •• •••••• ••• ••••••••••••••
••••
••• •
•• ••••••••••••••••••••••••
••
• ••••
•••
•••• •••
•••••
••• • •••••
•••••••••••••••••
••••
••••
••••• •••
••••• ••••
•••••
•••••••
••••••••••••••
•••
•• •••••• ••••••
•
• • • •••
•••
•• ••••• •••
•••••••••••••••••
••• •••
••
•
••
••••••••••• ••••
•••
••• • •
• • ••••
•••••
••
••
••••••
•••••••••••••
••••••••••
••
•••
•••••
••••
• ••• ••
•••••
•••••••
••••••
•••• • • ••••••••
•
•
•
•
•••••
•
•
•
•
•
•
•
•••
•
•
•
•
••••••••
•
••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• • ••••••••••••••• ••••• ••••••• ••••
••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••• ••• •••••••••
• •
•••• ••
••••••••••
••
••••
•••••
••••••
••••••• ••
• ••• • ••• •• • •
• ••••••••••
•••
•••••••
••••••• • ••••
•
••
•• •
••••••••
•••••
•
••••
•••••••••••••••
••
•••••••
•••••
• • ••• ••
••
••••
• • • • • • ••• •••••••••• ••••
• ••
••••
•••••
••
••••••••••
•
•
•• ••
•••••••
•
••
•
• ••
••
•••••••••••••••
•••
••••
•• ••••
•
•
•••• •••• • ••• •••••••••••• •••••••
••
• ••
••••• •
••••
•••
•••••••
•
••
•
•••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•••••
• •• ••••••••• ••••••••••••• ••••••••
•••••
••••••••• ••••••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•••••••••••••••••
••••••••• ••
•
••••
•
•••••••
•••
•••••••••••••••••
••
•••••• ••• ••
••• •••
••• •
••
••••
••• •••
••••
••••••••
••••• ••••
••
•
•
•
•
•
•
••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•••••• ••••• • •••••• •••••••••••••••
•••• •• ••• •••••••
•••••• •
• ••••• • • ••
•••••••••
••••••••••••••••••••
• • ••
•••
•••••••••••••
• ••••• • •
••• •• •••
•••••••••
• •••••
••
••••
•••
•••••
•••••••••
••• •••••••••••••
• •••••
•••••
••••
• •••
••••••
••
•••
•
• • • • •• ••••••
••••••
••••••
•••••
• ••• ••••••••
••
••
••••••••••••
••••
••••••• ••••
•••
••••••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•• •••••• ••
•••••••••••••••••• ••••• • ••• ••••••
•
•
•
•
•
••••• •• • • •
• •••••••
•
•
•
•
•
•
•
••• •••• ••••• •••• •• • •••••••••• • •••••••••••
•
•••••••••
•
•
•
•• •••••••
• •• •• •••••••••• ••••••• ••
• ••••
• •••••
• • • •••••••••
••••
•• •
• ••• •••
•••••••••••• •••• •••••••
• ••••• ••••••••••
••• •
• ••••
••••
•••
•••••••••
••••••• • • • ••••
• ••
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• • •• •
• •••• •
•••
•••
•
•••• •••••••••
•••
•••••
•
•••••
••
•• ••
•
•
•
•
•
•
•
•
•
•
•
•
•
• • •••
•
•
•••••
•• ••••• •
••••••
•
•••••• ••
•
••••
•
••
•
•••••
•
•••
•
•
•
•••
•• ••
•••••
•••••••
••
•••••
•
••
•
•
•
•
•
•
•••• •
••••
• ••••
•
•••••••
•••••
•
••••
• •
•
•••
•
••
•
••
12
13
Agriculture: Pollen Disspersal
–data collected by S. A. Goggi (ISU, Department
of Agronomy) and co-authors, in 2003 and 2004
14
15
Part 2. Example for Areal data
Map of proficiency in Math for 8-th graders
in Wisconsin, 2003
16
Spatial distribution of herbivorous mites
Consider a situation in which the attribute variable of interest corresponds to small counts on
a spatial grid. Such a situation is represented
by a study of the spatial distribution of herbivorous mites (Hairston, N.G., Hill, R.W. and Ritte,
U. (1971), The interpretation of aggregation patterns, In Patil, G., Pielou, E.C. and Waters, W.E.,
eds., Statistical Ecology Volume 1: Spatial Patterns and Statistical Distributions, the Pennsylvania State University Press, University Park, Pennsylvania.).
Data were collected from an 8 × 8 × 1 inch piece of
old field habitat, from which mites were extracted
and recorded as from one of 64 quadrats defined
by a two-dimensional 1 × 1 inch grid place over the
exposed surface of the sampled habitat.
17
The data are reproduced below, showing the spatial distribution of these small counts.
ui
vi
1
2
3
4
5
6
7
8
1
2
1
0
0
2
1
0
0
2
1
1
1
0
1
1
3
0
3
2
1
0
0
0
0
1
0
4
1
1
2
3
1
1
0
0
5
0
3
2
3
1
2
1
1
6
0
4
1
0
1
1
3
5
7
1
1
3
1
0
0
3
0
8
2
4
1
2
0
1
3
1
Hairston, Hill and Ritte analyzed these data with
varying quadrat sizes by pooling adjacent 1 × 1
inch squares, and computing for each an index of
aggregation. In a comment on that analysis, R.M.
Cormack points out that patterns of aggregation
are fundamentally a question of “the behavior of
neighbors”.
18
Part 3. Example for Point Patterns:
Plant Pathology–Infection in Papaya:
(data and images courtesy of Paul Esker)
–due to phytoplasmas (phytoplasma are microorganisms that are not culturable (i.e., they cannot
be grown on agar media), however, they can cause
devastating effects in crops).
19
This data was collected by Anna Padovan and
Karen Gibb from Charles Darwin University (Darwin, Northern Territories, Australia), in conjunction with Forrest W. Nutter, Jr., Department of
Plant Pathology (Iowa State University) in the the
Northern Territories of Australia. Plants were examined monthly and those suspected of being infected had samples taken for further testing to
verify if the plant was infected. The use of molecular tools was used and results indicated that two
dominant phytoplasma types were found: TBB
(tomato big bud) and SPLL-V4 (sweet potato little leaf V4). These two pathogens are genetically
similar to the yellow crinkle disease and based on
the genetic makeup are in the faba bean phyllody.
At the end of the 3-year study period, there were
a total of 230 infected papaya (this includes both
TBB and SPLL-V4). Of that, 76 were TBB while
154 were V4. This is approximately 6.2% of the
total plants in the plantation. From these 3 plots,
it appears that there may be something interesting spatially, especially when examining all infected
trees or the V4-infected trees.
20
21
Ecology–Nest initiation or nest destruction:
(data and images courtesy of Dale Tessin)
Waterfowl nesting data collected during the breeding season of 1997 in Saskatchewan, Canada. The
one fourth section field of nesting habitat searched
contained 154 total nests, or nests initiated during
the season, and 50 nests destroyed by predators.
After nests were found, they were followed until the young successfully fledged or the nest was
depredated.
22
This is a habitat map for the field, where greens
represent grassland nesting habitat and blues represent open water. Both the black and yellow dots
represent nest locations (black: initiation, yellow:
depredated).
23
24