To identify the main edaphic variables most correlated to banana productivity in Venezuela and explore the development of an empirical correlation model to predict this productivity based on soil characteristics. Six agricultural fields located in two of the main banana production areas of Venezuela were selected. The experimental sites were in large farms (≥ 50 ha) with four productivity levels in “Gran Nain” bananas, with an area of 4 ha for each of four productive levels: High - High, High - Low, Low - High, and Low - Low. Sixty sampling points were used to characterize the soils under study. Additionally, a Productivity Index (PI) based on three different biometric data on plant productivity was proposed. Through hierarchical statistical analysis, the first 16 soil variables that best explained the PI were selected. Thus, five multiple linear regression models were estimated, using the stepwise regression method. Subsequently, a performance analysis was used to compare the prediction quality range and the error associated with the number of soil variables selected for the proposed models. The selected model included the following soil variables: Mg, penetration resistance, total microbial respiration, bulk density, and omnivorous free-living nematodes. These variables explain the PI with an R2 of 0.55, the mean absolute error (MAE) of 0.8, and the root of the mean squared error (RMSE) of 1.0. The five selected variables are proposed to characterize the soil Productivity Index in banana and could be used in a site-specific soil management program for the banana areas of Venezuela.

中文翻译：

---

委内瑞拉两大主产区土壤性质与香蕉生产力的关系

确定与委内瑞拉香蕉生产力最相关的主要土壤变量，并探索开发经验相关模型以根据土壤特征预测该生产力。选择了位于委内瑞拉两个主要香蕉产区的六个农田。实验地点位于大型农场（≥ 50 公顷），“Gran Nain”香蕉有四个生产力水平，四个生产力水平中的每一个面积为 4 公顷：高 - 高、高 - 低、低 - 高和低- 低的。60 个采样点用于表征所研究的土壤。此外，还提出了基于植物生产力的三种不同生物特征数据的生产力指数 (PI)。通过层次统计分析，选择了最能解释 PI 的前 16 个土壤变量。因此，使用逐步回归方法估计了五个多元线性回归模型。随后，使用性能分析来比较预测质量范围和与为建议模型选择的土壤变量数量相关的误差。选定的模型包括以下土壤变量：镁、渗透阻力、总微生物呼吸、体积密度和杂食性自由生活线虫。这些变量用 0.55 的 R2、0.8 的平均绝对误差 (MAE) 和 1.0 的均方根误差 (RMSE) 来解释 PI。提出了五个选定的变量来表征香蕉的土壤生产力指数，并可用于委内瑞拉香蕉地区的特定地点土壤管理计划。性能分析用于比较预测质量范围和与为建议模型选择的土壤变量数量相关的误差。选定的模型包括以下土壤变量：镁、渗透阻力、总微生物呼吸、体积密度和杂食性自由生活线虫。这些变量用 0.55 的 R2、0.8 的平均绝对误差 (MAE) 和 1.0 的均方根误差 (RMSE) 来解释 PI。提出了五个选定的变量来表征香蕉的土壤生产力指数，并可用于委内瑞拉香蕉地区的特定地点土壤管理计划。性能分析用于比较预测质量范围和与为建议模型选择的土壤变量数量相关的误差。选定的模型包括以下土壤变量：镁、渗透阻力、总微生物呼吸、体积密度和杂食性自由生活线虫。这些变量用 0.55 的 R2、0.8 的平均绝对误差 (MAE) 和 1.0 的均方根误差 (RMSE) 来解释 PI。提出了五个选定的变量来表征香蕉的土壤生产力指数，并可用于委内瑞拉香蕉地区的特定地点土壤管理计划。选定的模型包括以下土壤变量：镁、渗透阻力、总微生物呼吸、体积密度和杂食性自由生活线虫。这些变量用 0.55 的 R2、0.8 的平均绝对误差 (MAE) 和 1.0 的均方根误差 (RMSE) 来解释 PI。提出了五个选定的变量来表征香蕉的土壤生产力指数，并可用于委内瑞拉香蕉地区的特定地点土壤管理计划。选定的模型包括以下土壤变量：镁、渗透阻力、总微生物呼吸、体积密度和杂食性自由生活线虫。这些变量用 0.55 的 R2、0.8 的平均绝对误差 (MAE) 和 1.0 的均方根误差 (RMSE) 来解释 PI。提出了五个选定的变量来表征香蕉的土壤生产力指数，并可用于委内瑞拉香蕉地区的特定地点土壤管理计划。