3.4: Mapeo Digital de Suelos
- Page ID
- 89505
Brandon Heung, Daniel Saurette y Chuck Bulmer
Objetivos de aprendizaje
Al concluir este capítulo, los alumnos podrán:
- Describir y racionalizar una transición de la información convencional del suelo a la información digital del suelo
- Vincular las teorías de la pedogénesis con las aplicaciones del mapeo digital de suelos
- Proporcionar una visión general de cómo se utiliza la información digital del suelo para generar mapas de suelos
INTRODUCCIÓN
A nivel mundial, Canadá tiene la tercera y séptima bases de activos más grandes en términos de tierras boscosas y cultivables; por lo tanto, se necesita información precisa y precisa del suelo para mantener y mejorar nuestros recursos de suelo y para abordar desafíos ambientales significativos, como la pérdida de tierras agrícolas o la disminución de los suelos orgánicos carbono y deterioro de la salud del suelo. Sin información sobre los patrones espaciales del suelo, nuestra capacidad de identificar los lugares más adecuados para realizar nuevas oportunidades agrícolas y de manejo de recursos, y para capitalizar nuestros recursos naturales será desafiada en el futuro.
La demanda de información actualizada sobre el suelo ha ido en aumento para abordar cuestiones ambientales emergentes como la producción sostenible de alimentos; la regulación, adaptación y mitigación del cambio climático; la degradación del suelo; la gestión de los recursos terrestres; y la prestación de servicios del sistema terrestre en todas las extensiones geográficas (Sánchez et al., 2009; FAO y Global Soil Partnership, 2016). Adicionalmente, es necesaria una mejor información del suelo para realizar evaluaciones de suelos; y la reducción e información de riesgos para la toma de decisiones (Carré et al., 2007; Finke, 2012; Arrouays et al., 2014).
Canadá tiene una larga historia de estudios de suelos, con el primer levantamiento de suelos que se completó en Ontario en 1914 (McKeague y Stobbe, 1978), y los mapas producidos a partir de los estudios de suelos heredados se han utilizado para informar el manejo y la planificación de la tierra durante muchos años. Las versiones digitalizadas de mapas heredados están ampliamente disponibles en línea y todavía se están utilizando hasta el día de hoy (por ejemplo, la herramienta de búsqueda de información de suelos de Columbia Británica). A pesar de ello, ha sido bien reconocido por la comunidad científica del suelo que los enfoques y técnicas utilizados en el levantamiento de suelos heredados pueden no ser adecuados para proporcionar la información precisa y de alta resolución que demandan las actividades modernas de gestión agrícola y evaluación ambiental. Con los continuos avances en computación, tecnologías de detección remota y proximal, y sistemas de información geográfica (SIG), las actividades de topografía de suelos se han transformado hacia técnicas de base digital que pueden proporcionar información sobre el suelo que es más precisa y precisa de lo que estaba disponible anteriormente, y en de manera eficiente.
Este capítulo resumirá la transición de los enfoques convencionales de topografía de suelos a los enfoques de mapeo digital de suelos (DSM); presentará un marco teórico de DSM; y proporcionará una visión general de cómo las tecnologías emergentes pueden ser utilizadas para generar mapas digitales de suelos.
CARTOGRAFÍA CONVENCIONAL DE SUELOS
Dos logros importantes contribuyeron al desarrollo de métodos convencionales de levantamiento de suelos en América del Norte. El primer logro fue la formalización de los Factores de Formación del Suelo de Hans Jenny (1941) y el segundo fue la formalización de los sistemas taxonómicos nacionales de suelos en EU (Soil Taxonomy; Soil Survey Staff, 1975) y Canadá (The Canadian System of Soil Classification, CSSC; Canada Soil Survey Comité, 1978; Véase Capítulo 8). Los sistemas de clasificación describieron cómo se clasificaron los suelos con base en propiedades morfológicas que podrían medirse y cuantificarse fácilmente en campo. El modelo de clorptos de Jenny (Eqn. 1) caracteriza las condiciones ambientales para las que se encuentran los suelos en función del clima (cl), los organismos (o), el relieve (r), el material parental (p), el tiempo (t) y otros factores locales que influyen suelos (...):
(1) 
El modelo clorpt se propuso originalmente como un método para estudiar cómo variaban los suelos, cuantitativamente, en función de diversos factores estatales. Una de las citas clave que se pasa por alto en el libro de Jenny es que describe:
“Los factores no son formadores, ni creadores, ni fuerzas; son variables que definen el estado de un sistema de suelo”.
Es decir, estos factores simplemente están describiendo las condiciones ambientales a partir de las cuales se encuentra un suelo (y sus propiedades) y por lo tanto, estas variables pueden ser utilizadas como base para predecir suelos utilizando un modelo que relacione el suelo con el medio ambiente (es decir, modelo suelo-ambiental).
La adopción del modelo de clorpt de Jenny condujo a mejoras dramáticas en el estudio de suelos en comparación con los primeros esfuerzos. Las descripciones y mapas de los suelos comenzaron a organizarse en torno a los factores de formación del suelo, especialmente organizando los suelos en grupos basados en las propiedades de su material parental, pero también vinculando la variación topográfica a escala fina con los límites entre los suelos. Esto proporcionó una justificación y un sistema para vincular los límites de las unidades del suelo con las características topográficas.
Los sistemas de clasificación de suelos también han llevado a la mejora de los estudios de suelos porque se enfocaron en las propiedades más importantes del suelo para que los topógrafos evaluaran, y estas se aplicaron consistentemente en múltiples proyectos de levantamiento, permitiendo una mejor correlación en grandes áreas.
Las mejoras conceptuales asociadas con el modelo clorpt de formación de suelos y el uso de información estandarizada del perfil del suelo, proveniente de la aplicación de un sistema uniforme de clasificación de suelos, fueron en gran parte responsables de lo que hoy vemos como el alto valor de información del estudio de suelos a lo largo de la segunda mitad del siglo XX. La digitalización de estas encuestas ha proporcionado información valiosa a los administradores de tierras, y en algunos casos, también ha proporcionado la materia prima para el desarrollo de los mapas digitales de suelos actuales. Esto no hubiera sido posible sin estos avances.
Representaciones Convencionales del Suelo
Los suelos se pueden representar de varias maneras: un perfil, pedón, polipedón o unidad de mapa (Figura 17.1). El perfil del suelo es una representación bidimensional y el pedón es una representación tridimensional que típicamente es 1—3 m lateralmente y 1—2 m verticalmente. En principio, las propiedades del pedón no deben variar horizontalmente (solo verticalmente) y cuando se conectan varios pedones similares, se le conoce como un polipedón. El concepto de polipedón difiere de una unidad de mapa porque la unidad de mapa, un polígono distinto que es mapeado por topógrafos de suelos, es una representación superficial de un polipedón o un complejo de polipedón. Existen dos tipos de unidades de mapeo: consociaciones y asociaciones. Las consociaciones son unidades de mapa delineadas en base a una sola unidad taxonómica o serie y pueden denominarse una unidad de mapeo simple, mientras que las asociaciones consisten en dos o más taxones de suelo diferentes (múltiples componentes) que ocurren en un patrón que es demasiado complejo para resolverse en la escala de mapeo seleccionada (Hole y Campbell, 1985; Schaetzl y Anderson, 2005). En el caso de unidades de mapa complejas, la proporción de cada clase de suelo dentro de la unidad de mapa se especifica en la leyenda del mapa o en el símbolo del mapa.
Producción de mapas de suelos convencionales
MacMillan et al. (1992) describen los pasos involucrados en la elaboración de un mapa convencional de suelos, comenzando con los pasos preliminares de definir los objetivos, compilar información de fondo y desarrollo inicial de la leyenda. Los pasos preliminares (principalmente basados en oficinas) son seguidos por inspecciones de suelos, mapeo de campo y correlación. Por último, se elabora el mapa, y se redacta un informe. Los procedimientos utilizados para producir mapas de suelos se documentaron ampliamente durante el período en que estos mapas se estaban produciendo en muchos países del mundo. En Canadá, los procedimientos y consideraciones para cumplir con los objetivos de mapeo de suelos se documentaron en Mapping Systems Working Group (1981) y Coen (1987).
En una encuesta convencional, un aspecto clave de la planeación es establecer el nivel de intensidad de la encuesta, que expresa la cantidad de trabajo (de campo) realizado, y el nivel de detalle de la información recopilada. En el Cuadro 17.1 (Grupo de Trabajo de Sistemas de Mapeo 1981; Coen, 1987) se proporcionan lineamientos para describir el nivel de intensidad de la encuesta.
Cuadro 17.1. Lineamientos de nivel de intensidad de levantamiento de suelos adaptados del Grupo de Trabajo de Sistemas de Mapeo
| Nivel de intensidad de la encuesta (SIL) | Nombre común | Intensidad de Campo | Método de comprobación de campo | Escala Típica de Publicación | Nivel Taxonómico |
|---|---|---|---|---|---|
| 1 | Muy detallado | 1 inspección por polígono | Pie transversal a <0.5 km de distancia | 1:5 ,000 | Serie |
| 2 | Detallado | 1 inspección en > 90% de polígonos | Travesaño pie/vehículo a 2 km de distancia | 1:20 ,000 | Serie o familia |
| 3 | Reconocimiento | 1 inspección en 60-80% de polígonos | Travesaño pie/vehículo a 4 km de distancia | 1:50 ,000 | Serie, familia o subgrupo |
| 4 | Amplio reconocimiento | 1 inspección en 30-60% de polígonos | Travesaño vehicular a 8 km de apart/helicóptero | 1:100 ,000 | Familia o subgrupo |
| 5 | Exploratorio | 1 inspección en < 30% de polígonos | Travesaño vehicular a 10 km de apart/helicóptero | 1:250 ,000 | Subgrupo, gran grupo u orden |
En el Cuadro 17.1 se presenta un diagrama conceptual del proceso de levantamiento de suelos, donde los datos ambientales y las inspecciones de campo se incorporan a los modelos de paisaje del suelo y se utilizan para preparar un mapa convencional de suelos. El modelo de paisaje del suelo es una característica clave del levantamiento convencional de suelos: se trata de modelos mentales, que permitieron a los topógrafos extender la información de las inspecciones de campo en un área a otras áreas con características ambientales similares, mejorando en gran medida la producción de mapas en un momento en que se accede a las redes eran más limitados de lo que son hoy.
Las fotografías aéreas, cuando se hicieron ampliamente disponibles, fueron una parte importante del proceso. En un estudio convencional de suelos, el mapeador revisó por primera vez la información existente y el conocimiento de las relaciones suelo-ambientales para el área. Luego se revisaron fotografías aéreas para identificar patrones topográficos y de vegetación, donde las variables suelo-ambientales exhibieron una expresión externa en el paisaje para intentar la correlación de las características del paisaje con los límites del suelo (relaciones suelo-paisaje). Las fotos aéreas se utilizaron ampliamente durante y después de la década de 1960, y la interpretación fotográfica aérea se realizó mediante un estereoscopio, lo que permite al mapeador ver el paisaje en 3D, lo que aumenta significativamente la calidad de los mapas de suelo que se están produciendo. Nuevamente, al referirse al modelo de clorptos de Jenny (1941), la hipótesis subyacente fue que las áreas con características similares del suelo-ambiental deberían tener suelos similares. Se desarrolló un mapa de reconocimiento preliminar trazando límites entre unidades de suelo, y luego se probó el mapa preliminar en campo donde se realizó una clasificación morfológica en las unidades del mapa preliminar y se vinculó a una unidad taxonómica del suelo (por ejemplo, serie). Cuando se identificaron las series, el mapeador intentó delinear o ajustar aún más los límites de la unidad cartográfica en función de dónde la tasa de cambio en las propiedades del suelo era la mayor y encerrar áreas relativamente uniformes dentro de las unidades del mapa.
Complementado con datos de campo y descripciones de perfiles, las unidades de mapa con características morfológicas similares se agrupan en la misma unidad taxonómica (e.g., serie) y las propiedades del suelo y el rango de condiciones ambientales, a partir de las cuales se encontraron los suelos, se describieron en la leyenda del suelo. Se realizaron levantamientos convencionales de suelos a diferentes intensidades de levantamiento, lo que refleja la cantidad de detalle que se muestra en un mapa y en su escala de mapa correspondiente (Cuadro 17.1, Figura 17.2). Grandes partes de Canadá fueron mapeadas de esta manera, proporcionando información esencial para el desarrollo de la agricultura y los recursos naturales.
La evolución de los mapas de suelos convencionales
Debido a que la mayoría de los mapas convencionales de suelos que se produjeron en Canadá hasta la década de 1990 fueron elaborados con fines de inventario de tierras y planeación regional como mapas “semi detallados”, y debido a que fueron producidos utilizando técnicas cartográficas analógicas (es decir, producir un mapa impreso), tienen ciertas limitaciones en comparación con la necesidad actual de productos de alta resolución. La representación cartográfica de cloropletos utilizada para presentar la información del suelo en mapas en papel, y la falta de tecnología disponible en ese momento para adquirir y procesar datos digitales de suelo y terreno cuadriculados, son dos aspectos clave de estas limitaciones.
En primer lugar, los datos en un mapa de cloropletos se representan como clases discretas donde se supone que las condiciones son homogéneas dentro de la unidad de mapa (Hole, 1978). Además, también se reconoce que una cantidad significativa de generalización espacial (es decir, simplificación) dentro de la unidad de mapa ocurre debido a inclusiones de suelos subdominantes que son demasiado pequeños para ser mapeados a escala cartográfica (Hole y Campbell, 1985). Como resultado, la pureza de las unidades de mapeo está estrechamente relacionada con la complejidad del terreno, la expresión externa de los límites, el esfuerzo de levantamiento y la escala de mapeo (Beckett, 1971). Si bien sería ideal tener un mapa de suelos que consista solo en unidades de mapeo simples, se ha demostrado que aumentar la proporción de unidades de mapa 'puras' dentro de un mapa resulta en un incremento exponencial en el costo para desarrollar el mapa (Bie et al., 1973).
Otras cuestiones pueden estar relacionadas con la imprecisión en los límites de las unidades del mapa donde la variabilidad (o falta de ella) de la superficie del suelo no necesariamente coincide con la variabilidad que puede estar ocurriendo debajo del suelo (Hole, 1978). Además, los cambios en el suelo no son necesariamente discretos (como sugiere el uso de límites), sino que son borrosos donde los atributos del suelo entre dos unidades de mapa vecinas son un intergrado de las propiedades del suelo de las dos unidades (Zhu y Band, 1994; Schaetzl y Anderson, 2005).
El conjunto final de desafíos proviene de la delineación de unidades cartográficas a partir de los modelos mentales-de relaciones suelo-ambientales que se desarrollaron principalmente para coincidir con los objetivos para un producto y área específicos del mapa. Estos objetivos variaron de un mapa a otro, y aunque normalmente se describieron en el informe de la encuesta, rara vez son adecuados para su incorporación en evaluaciones informáticas de suelos que abarcan grandes áreas con varias encuestas más pequeñas. En consecuencia, las inconsistencias se manifestaron en los mapas de suelo como límites no coincidentes de unidades cartográficas entre diferentes condados, estados/provincias y países (Figura 17.3; Thompson et al., 2012; Dewitte et al., 2013). Además, las inconsistencias también pueden llevar a problemas como tener múltiples series de suelos con las mismas propiedades del suelo, lo que resulta en redundancia, o peor aún, donde dos series de suelos con el mismo nombre tienen propiedades de suelo completamente diferentes (Thompson et al., 2012).
A pesar de estas limitaciones, en muchas partes de Canadá y del mundo, los mapas de suelos heredados incorporan grandes cantidades de información derivada de las inspecciones de campo y el conocimiento de los topógrafos de suelos. Por estas razones, representan una importante fuente de datos de capacitación para el desarrollo de mapas digitales de suelos para satisfacer las necesidades actuales.
CARTOGRAFÍA DIGITAL DE SUELOS
La topografía de suelos, como práctica, ha ido evolucionando para aprovechar los avances en la tecnología informática (Minasny y McBratney, 2016; Rossiter, 2018), tecnologías de teledetección (Mulder et al., 2011), tecnologías de detección proximal (Viscarra Rossel et al., 2011), GIS, técnicas de aprendizaje automático (Heung et al., 2016), y la creciente disponibilidad de conjuntos de datos geoespaciales (McBratney et al., 2003; Minasny y McBratney, 2016; Scull et al., 2003). De ahí que la podometría —una rama de la ciencia del suelo que aplica “métodos matemáticos y estadísticos para el estudio de la distribución y génesis de los suelos” (Webster, 1994) —ha sido un campo emergente de investigación, a nivel mundial. Aunque las técnicas podométricas para producir mapas digitales de suelos (DSM) han existido desde la década de 1970 (e.g., Webster y Burrough, 1972a, 1972b), los avances tecnológicos han facilitado la producción de productos DSM desde la década de 2000 (McBratney et al., 2003; Scull et al., 2003; Minasny y McBratney, 2016) . Además, estos avances también han permitido que se produzcan mapas de suelo para áreas progresivamente más grandes y en niveles crecientes de detalle (Minasny y McBratney, 2016).
Algunos de los principales logros que han logrado los podometristas de todo el mundo han incluido, pero no se limitan a, el establecimiento de GlobalSoilMap.net, una organización internacional que tiene como objetivo coordinar y producir mapas digitales de suelo a escala global; y el establecimiento de SoilGrids.org, una organización que fue la primera en desarrollar un conjunto de productos de mapas a escala global. Dentro de Canadá, esta sigue siendo un área de investigación emergente y en evolución dentro de los sectores agrícola, forestal y ambiental desde 2010. Con gran éxito, la comunidad DSM ha estado proporcionando información valiosa a múltiples escalas espaciales a diversas partes interesadas, incluidos propietarios de tierras, agricultores, gobiernos y administradores forestales.
Los pasos para la producción de mapas digitales de suelos (después de Kienast-Brown et al. 2017) se comparan con los de los mapas convencionales en la Figura 17.4. Los dos métodos de desarrollo de mapas comparten varios pasos comunes, especialmente la necesidad de inspecciones detalladas de campo y la capacidad de describir e interpretar correctamente los datos del perfil del suelo. Para los mapas digitales de suelos, las especificaciones para el contenido de la información y el nivel de detalle se definen por la resolución espacial objetivo, donde se infiere el nivel de detalle, y en el paso de datos de entrenamiento, donde se definen los atributos modelados. Algunas organizaciones han desarrollado especificaciones cartográficas para la producción digital de mapas de suelos (por ejemplo, FAO y Panel Técnico Intergubernamental sobre Suelos, 2018).
Los mapas de suelos convencionales y digitales difieren principalmente en la forma en que las clases de suelo o los valores de atributos se asignan a las ubicaciones. En el mapeo convencional de suelos, se utiliza una combinación de inspección de campo, extrapolación y conocimiento experto, mientras que en el mapeo digital de suelos se utiliza información de campo y modelos de inferencia cuantitativa para predecir las condiciones del suelo en ubicaciones dadas. El marco conceptual para DSM, presentado en la Figura 17.5, destaca el papel que juegan los algoritmos de aprendizaje automático en la producción de un mapa digital de suelos. De importancia crítica es la necesidad de datos de inspección de campo tanto en enfoques convencionales como digitales de mapeo de suelos —DSM no elimina la necesidad de pedólogos capacitados y agrimensura de suelos— la principal diferencia está en cómo se utilizan los datos de campo para construir los mapas de suelo.
Es importante reconocer que mientras que los mapas de suelo convencionales representan unidades de mapa de suelo usando polígonos, DSM tiene como objetivo producir mapas usando una representación ráster. Los datos ráster consisten en una cuadrícula de celdas bidimensionales (es decir, píxeles), por lo que cada celda tiene una ubicación geográfica (por ejemplo, longitud y latitud) y un valor correspondiente de una variable. La Figura 17.6 muestra una comparación de un mapa de suelo convencional que se representa en el formato de polígono, y un mapa digital de suelos que se representa en el formato ráster. Dentro de DSM, los datos ráster pueden representar atributos del suelo (por ejemplo, pH del suelo), una clase de suelo (por ejemplo, clase de drenaje) o uno de los factores ambientales que se utilizan para hacer predicciones espaciales de los suelos.
Crítico para la representación de datos ráster es el concepto de resolución espacial; es decir, la dimensión de cada celda con respecto al área que está representando en el suelo. Por ejemplo, una resolución espacial de 10 m indicará que cada celda o píxel de cuadrícula representará un área de 10 × 10 m en el suelo. En última instancia, la resolución espacial determinará el nivel de detalle o precisión de un mapa de suelo y sus usos. Por ejemplo, un mapa fino o de alta resolución (por ejemplo, una resolución espacial de 5-10 m) puede ser más útil para representar la variabilidad del suelo de campos agrícolas individuales con fines agrícolas de precisión, mientras que un mapa de resolución gruesa o baja (por ejemplo, resolución espacial de 250 a 1.000 m) puede ser más práctico para que representan la variabilidad del suelo a escala mundial y la integración de esos datos en los modelos climáticos mundiales. Por lo tanto, al seleccionar una resolución espacial adecuada, un mapeador de suelos necesita considerar para qué se utiliza ese mapa y la resolución espacial de los datos de entrada que se requieren para generar esos mapas.
Por supuesto, también existe una compensación entre la resolución espacial y el tamaño de los datos, por lo que los datos de mayor resolución son más grandes en tamaño que los datos de menor resolución. Por ejemplo, cuando la resolución espacial se incrementa en un factor de dos (por ejemplo, disminuyendo el tamaño de celda de 10 × 10 m a 5 × 5 m), el tamaño del conjunto de datos podría aumentarse en un factor de cuatro porque ahora se requieren cuatro píxeles para representar la misma área que el píxel original. La Figura 17.7 muestra la relación entre la resolución espacial y el detalle de los datos topográficos.
El modelo escorpan
A pesar del amplio uso del modelo clorpt de Jenny (1941), sigue siendo en gran parte un modelo conceptual; sin embargo, si nos referimos a su cita, debemos recordar que los factores clorpt son variables que describen el entorno. Para aplicar enfoques digitales, necesitamos reconocer que estos factores clorptos también pueden representarse usando SIG, un sistema computarizado que es capaz de adquirir, almacenar, analizar y visualizar datos espaciales. Para realizar completamente la transición teórica de los enfoques de mapeo de suelos convencional a digital, McBratney et al. (2003) propusieron el modelo escorpan como una extensión del modelo clorpt en lo siguiente:
(2) 
El modelo escorpan comparte las mismas variables que el modelo clorpt, que incluye clima (c), organismos (o), relieve (r), material parental (p) y tiempo/edad (a). Las variables adicionales incluyen s, que representa las propiedades intrínsecas del suelo (por ejemplo, las propiedades espectrales del suelo) que pueden ser capturadas por varios sensores remotos y proximales; y n, que representa las coordenadas espaciales de una muestra o la ubicación relativa a otro fenómeno geográfico (e.g., distancia al río). Aquí, los factores escorpan individuales, o una combinación de ellos, se utilizan para predecir la distribución de una propiedad del suelo o clase de suelo, S, de interés utilizando una función cuantitativa, f (), que representa la relación suelo-ambiental.
Representación de los factores escorpán
La efectividad del modelo escorpan radica en su flexibilidad para integrar datos de estudios de suelos existentes y conjuntos de datos geoespaciales adquiridos de múltiples fuentes, como datos de teledetección, datos digitales de elevación, datos climáticos, datos de uso del suelo y datos geológicos (McKenzie y Ryan, 1999). Estos factores escorpan se representan en el formato ráster y por lo tanto, cada dataset también tiene un sistema de resolución espacial y proyección correspondiente. Por lo tanto, cada conjunto de datos individual puede necesitar ser reproyectado en un sistema de proyección común y escalado a una resolución espacial uniforme para que todas las celdas individuales de los diversos conjuntos de datos estén alineadas espacialmente (Figura 17.8).
A continuación se ofrece una breve descripción de los factores escorpan.
Suelo (s)
El factor s es el segundo factor más utilizado en estudios DSM (McBratney et al., 2003). Nuevamente, el factor s se basa en el concepto de que los suelos pueden ser utilizados para predecir suelos y, por lo tanto, existen múltiples fuentes de las que se pueden adquirir estos datos: datos de levantamiento de suelos convencionales, sensores de suelo proximales y sensores remotos.
Estudio Convencional de Suelos: Los mapas convencionales de suelos representan una gran cantidad de información derivada de muchos años de trabajo de campo por generaciones anteriores de científicos del suelo, y por lo tanto son fuentes de información extremadamente valiosas que pueden ser utilizadas con fines de predicción debido a la relación que diferentes variables de suelo tienen entre sí. Por ejemplo, Paul et al. (2020a; 2020b) utilizaron los Suelos del Área del Mapa de Langley-Vancouver (Luttmerding, 1980) para generar capas digitales de porcentajes de arena, limo y arcilla; y capacidad de intercambio catiónico que luego se utilizaron como predictores para mapear el carbono orgánico del suelo y la trabajabilidad del suelo para el Fraser Inferior Valle, BC. En ambos estudios se identificaron como las capas más importantes los predictores generados a partir del levantamiento convencional original de suelos. Aunque los enfoques de topografía de suelos han pasado a técnicas digitales, los mapas convencionales de suelos no deben ignorarse porque siguen siendo una fuente valiosa y complementaria de información dentro de un marco DSM.
Sensores Remotos: Los sensores remotos están diseñados para tomar mediciones de la superficie de la Tierra sin ningún contacto físico y, por lo tanto, se montan en una aeronave o un satélite. Aquí, es importante reconocer que los datos adquiridos de la teledetección podrían ser utilizados para representar múltiples factores escorpan. Dentro del conjunto de sensores remotos, los sensores espectrales (por ejemplo, multiespectrales, hiperespectrales) que detectan energía reflejada o emitida desde el espectro electromagnético son los más utilizados en DSM (McBratney et al., 2003; Mulder et al., 2011). Por ejemplo, Landsat 8 proporciona mediciones de luz visible (por ejemplo, longitudes de onda roja, verde, azul) e infrarroja (por ejemplo, infrarrojo cercano, longitud de onda corta y longitud de onda larga). Alternativamente, también se pueden montar varios sensores espectrales en una aeronave o un sistema aéreo pilotado a distancia (RPAS) si se requieren datos de mayor resolución espacial (Figura 17.9).
Hay varios temas relacionados con el uso de sensores espectrales para fines DSM, especialmente dado que las mediciones del suelo a menudo están oscurecidas por la vegetación. Además, los efectos atmosféricos y las distorsiones topográficas pueden causar mediciones anómalas. Además, al usar sensores espectrales, es necesario considerar el día y la hora en que se toman las imágenes. Por último, los sensores remotos generalmente solo adquieren datos representativos de suelos superficiales (5—6 cm; Adamchuk et al., 2017). Sin embargo, a pesar de estos problemas, bajo condiciones de suelo desnudo, las mediciones de las propiedades espectrales del suelo han demostrado corresponder bien con propiedades del suelo como mineralogía del suelo, textura, materia orgánica del suelo, humedad del suelo y otras propiedades del suelo (Mulder et al., 2011).
Sensores proximales del suelo: Mientras que los sensores remotos son aéreos o espaciales, los sensores proximales son un conjunto de sensores terrestres que están diseñados para medir las propiedades de los suelos que pueden estar correlacionadas con otras propiedades del suelo. Dado que las mediciones se toman en el suelo, los sensores proximales del suelo pueden caracterizar la variabilidad del suelo a una resolución espacial más alta que los datos de detección remota; y como resultado, estos sensores son más propicios para mapear suelos a escala de campo. La Figura 17.10 muestra un vehículo terrestre no tripulado que ha sido equipado con un sistema de sensores radiométricos gamma.
Entre los sensores de suelo proximal, los sensores de inducción electromagnética (EMI) han sido los caballos de batalla para DSM y la investigación de agricultura de precisión (Doolittle y Brevik, 2014). El sensor EMI mide la conductividad eléctrica aparente (EC a) del suelo a múltiples intervalos de profundidad. Combinados con un sistema de posicionamiento global (GPS), los datos de encuestas EMI se utilizan a menudo como predictores de las propiedades del suelo como la salinidad del suelo, el contenido de arcilla y el contenido de agua; sin embargo, los atributos secundarios del suelo, como la densidad aparente del suelo y el carbono orgánico del suelo, también pueden derivarse de mediciones de EC a. Los sensores EMI son todos menos un tipo de sensor proximal; otros pueden incluir sensores radiométricos gamma, radar de penetración en tierra y sensores de resistividad eléctrica (entre muchos). Se anima a los lectores interesados a referirse a Viscarra Rossel et al. (2011) y Adamchuk et al. (2017) para una descripción detallada de estos sistemas.
Clima (c)
Este factor es uno de los factores escorpan menos utilizados (McBratney et al., 2003) —me vienen a la mente varias explicaciones posibles. En primer lugar, el clima local está influenciado en gran medida por la topografía y como resultado, índices topográficos como la elevación y el aspecto pueden ser utilizados como un proxy para una variable climática debido a la relación entre la elevación y la tasa de lapsos ambientales y la relación entre la dirección pendiente-cara y temperatura (Schaetzl y Anderson, 2005). Sin embargo, a medida que la extensión del área de estudio aumenta a escala nacional y global, se ha demostrado que los patrones climáticos a gran escala son un control importante en diversas propiedades del suelo, esto fue evidente en el producto global SoilGrids250m (Hengl et al., 2017). En términos de capas climáticas, las variables comunes incluyen la temperatura media anual, la precipitación media anual y la evapotranspiración (McBratney et al., 2003). Estos conjuntos de datos pueden derivarse de sensores montados en satélites; sin embargo, también se pueden usar datos de modelos climáticos, a menudo derivados de estaciones meteorológicas, (por ejemplo, WorldClim, ClimaTena) (Figura 17.11). Además de utilizar las condiciones climáticas actuales como insumos en un modelo, las condiciones históricas y futuras proyectadas también podrían usarse para simular los efectos de las condiciones climáticas cambiantes con respecto a la comprensión de los patrones espaciales y temporales de las propiedades del suelo.
Organismos (o)
Una fuente importante de datos de vegetación utilizados en DSM puede derivarse de imágenes satelitales donde se han desarrollado numerosos índices vegetativos basados en proporciones de bandas satelitales (Mulder et al., 2011). Quizás la variable más utilizada es el índice de vegetación diferencial normalizado (NDVI), que proporciona una medida del verdor vegetativo en función de las longitudes de onda del infrarrojo cercano y rojo de las imágenes multiespectrales. El NDVI y otros datos de detección remota como imágenes térmicas también han demostrado ser un predictor efectivo de la humedad del suelo, color del suelo, textura del suelo y capacidad de retención de agua; y también es efectivo para evaluar el crecimiento de las plantas (Figura 17.12; Mulder et al., 2011). Además del NDVI, índices similares pueden incluir el Índice de Vegetación Ajustado del Suelo (SAVI), el SAVI Transformado (TSAVI), el SAVI Modificado (MSAVI) y el Índice de Monitoreo del Medio Ambiente Mundial (GEMI). Estudios como Paul et al. (2020) han encontrado utilidad de estas variables para mapear el carbono orgánico del suelo y la arcilla en el Valle Inferior de Fraser, BC; mientras que Heung et al., (2017) utilizaron variables similares para mapear grandes grupos de suelo para la región de Okanagan-Kamloops, BC. Índices similares también se pueden calcular usando imágenes que se adquieren de un RPAS que está equipado con un sensor multiespectral o hiperespectral. Si bien estos índices han sido ampliamente utilizados en DSM, los datos se verán afectados por la temporada y año de donde se tomó la imagen. Si un mapeador de suelos requiere información sobre la cobertura de cultivos, las imágenes tomadas a lo largo de la temporada de crecimiento serían más útiles que las imágenes posteriores a la cosecha.
Además de utilizar imágenes satelitales sin procesar, investigadores de todo el mundo ya han procesado grandes cantidades de imágenes para generar mapas de cobertura terrestre. Por ejemplo, el Sistema de Monitoreo del Cambio de Tierra de América del Norte proporciona mapas de cobertura terrestre para 2005, 2010 y 2015 a una resolución espacial de 30 m; y para un ejemplo canadiense, Agriculture and Agri-Food Canada ha desarrollado los datos del Inventario Anual de Cultivos, que ha estado proporcionando información de cultivos de alcance nacional desde 2009 (Figura 17.13). Sin embargo, es necesario reconocer que estos conjuntos de datos se generan utilizando modelos predictivos; por lo tanto, es importante que un mapeador de suelos se refiera a la documentación de soporte para estos productos y anote su precisión.
En otros casos, los datos de cultivos también se han utilizado como covariable para la predicción espacial; por ejemplo, los rendimientos de los cultivos son el resultado de la interacción entre suelos, plantas y atmósfera. Por lo tanto, los datos de rendimiento de los cultivos pueden usarse como un indicador de las propiedades del suelo ya que el crecimiento de las plantas está influenciado por propiedades como el contenido de arcilla, el contenido de humedad y el contenido de nutrientes, por ejemplo (Shatar y McBratney, 1999; McBratney et al., 2000). En un entorno boscoso, una posible oportunidad puede estar en el uso de datos de inventario forestal donde variables forestales como área basal, volumen total bruto, densidad de rodal, altura de rodal y biomasa aérea podrían proporcionar información sobre las propiedades del suelo. Especialmente con los desarrollos en los datos adquiridos mediante tecnologías de detección y rango de luz (LiDAR), los datos de inventarios forestales podrían ser más prevalentes como predictores (Woods et al., 2011; Treitz et al., 2012). La Figura 17.14 muestra un modelo digital de superficie que captura la variabilidad en el cultivo y la altura del árbol usando LiDAR.
Alivio (r)
Es bien reconocido que el factor r es el factor más utilizado dentro del DSM (McBratney et al., 2003). Una de las grapas en la investigación de DSM ha sido el uso de un modelo digital de elevación (DEM), un ráster que se compone de valores de elevación. Los DEM se pueden producir a partir de múltiples fuentes: mapas de contorno digitalizados; interpolados a partir de mediciones terrestres; y adquiridos de teledetección utilizando sensores montados en satélite o RPAS.
Los DEM son particularmente útiles porque están fácilmente disponibles y generalmente de acceso gratuito; por ejemplo, hay varios productos DEM provinciales y federales que son accesibles a través de portales web en línea, y en partes del país donde no hay datos DEM disponibles, productos DEM globales como Shuttle Radar También se puede acceder a la misión topográfica (SRTM) o al radiómetro avanzado de emisión térmica y reflexión espacial (ASTER). Como recomendación general, antes de usar cualquier DEM, siempre es importante que un mapeador de suelos evalúe visualmente el DEM generando una representación de sombra (similar a 3D) de la superficie topográfica (Figura 17.15). Esto ayudará al mapeador a evaluar la abundancia y los tipos de anomalías de DEM, debido a la calidad de los datos brutos, y los métodos utilizados para generar el DEM; y también si se deben aplicar técnicas de preprocesamiento (por ejemplo, alisado, llenado de fosas o remoción de carreteras).
El valor de un DEM proviene de su flexibilidad en el cálculo de un gran conjunto de variables topográficas. Por ejemplo, un DEM se puede usar para caracterizar la morfometría a escala local (por ejemplo, pendiente, aspecto, curvatura), morfometría a escala de paisaje (por ejemplo, posición relativa de la pendiente) y patrones hidrológicos (por ejemplo, índice de humedad topográfica), todos los cuales influyen en los patrones del suelo (Figura 17.16). De hecho, el análisis de la superficie terrestre utilizando diversas técnicas matemáticas y estadísticas, y el desarrollo de nuevas variables topográficas, forman parte de la disciplina científica conocida como Geomorfometría.
Dentro de Canadá, se han utilizado DEM de alta calidad como base para mapear materiales parentales del suelo (Heung et al., 2014), tipos de suelo (Heung et al., 2016) y grosor del suelo (Scarpone et al., 2016) a lo largo de BC; y mapear la profundidad del suelo y las clases de textura a lo largo de ON (Akumu et al., 2015; Akumu et al., 2016). De hecho, esos estudios generalmente utilizaron únicamente datos derivados de DEM-.
Además, las variables topográficas también pueden ser utilizadas para delinear las características de los accidentes geográficos (Figura 17.17). En Pennock et al. (1987), las combinaciones de forma plana (cambio de aspecto) y curvatura de perfil (cambio de pendiente) se clasificaron en una serie de siete elementos de forma de relieve (es decir, hombros divergentes/convergentes; pendientes divergentes/convergentes; pendientes divergentes/convergentes; y superficies niveladas) que caracterizó los controles topográficos sobre el flujo de sedimentos y agua. Como resultado, se podrían aplicar esquemas de clasificación de paisajes similares usando un DEM (por ejemplo, MacMillan et al., 2000, 2004) en un enfoque semiautomatizado.
Material padre (p)
La información sobre los materiales parentales del suelo se ha adquirido típicamente de mapas geológicos digitalizados; por lo tanto, comparten problemas espaciales similares a los mapas convencionales de levantamiento de suelos, por lo que puede haber una combinación de unidades complejas de mapas; la cantidad de detalles está controlada por la escala cartográfica; y los mapas detallados pueden ser limitado en cobertura. Como resultado, el material parental del suelo es un atributo del suelo que previamente ha sido mapeado usando enfoques predictivos; por ejemplo, Heung et al. (2014) produjeron un mapa de material parental para el Valle Inferior de Fraser, BC.
Al utilizar mapas geológicos digitalizados, es importante reconocer la fuente de material del que se deriva el suelo (Figura 17.18). Por ejemplo, un mapa geológico de lecho rocoso probablemente encontraría un mayor uso en entornos no glaciados donde el suelo se deriva en gran medida de roca rocosa erosionada. Sin embargo, los paisajes canadienses son predominantemente glaciados y, por lo tanto, el sedimento superpuesto puede tener propiedades contrastantes con el lecho rocoso y, por lo tanto, un mapa geológico superficial sería más útil ya que caracteriza el material que ha sido transportado y depositado sobre el lecho rocoso. Estos esfuerzos de mapeo han resaltado la estrecha asociación entre la topografía y el material parental, particularmente en ambientes glaciados, por lo que las combinaciones de derivados topográficos se utilizan a menudo en DSM como sustituto del material parental.
Edad (a)
El factor edad puede usarse para describir cuánto tiempo ha ocurrido la pedogénesis y puede estimarse como la edad del suelo o material a partir del cual se ha desarrollado el suelo (McBratney et al., 2003). Dentro del DSM, hay muy pocos ejemplos en los que se haya utilizado esta información debido a la dificultad para caracterizar la edad del suelo dentro de un formato que sea propicio para su uso dentro de un SIG. Una opción potencial para incorporar el factor a en un marco DSM sería incorporar información sobre cómo los humanos han modificado el paisaje e influyendo así en los atributos y tipos del suelo.
Posición espacial (n)
El factor n se puede incorporar de varias maneras: usando las coordenadas espaciales de las ubicaciones de las muestras de suelo o usando una capa ráster que represente la distancia a algún fenómeno geográfico.
Coordenadas Espaciales de Muestras de Suelo: La predicción de atributos de suelo se puede llevar a cabo utilizando únicamente las coordenadas espaciales de las propias muestras de suelo. Aquí, debemos introducir la Primera Ley de Geografía de Waldo Tobler (Tobler, 1970), que establece:
“Todo está relacionado con todo lo demás, pero las cosas cercanas están más relacionadas que las cosas distantes”.
Cuando se aplica al DSM, por lo tanto, podemos decir que dos muestras de suelo que están muy cerca tienen más probabilidades de compartir propiedades similares del suelo que dos muestras de suelo que se encuentran lejos una de la otra. Como resultado, la relación entre la ubicación de muestreo, su valor de suelo correspondiente y su distancia a ubicaciones de muestreo vecinas se puede utilizar para predecir (es decir, interpolar) valores de suelo entre esas ubicaciones usando enfoques geoestadísticos. Si bien una visión general de la geoestadística está mucho más allá del alcance de este libro de texto, los estudiantes que hayan tomado una clase de análisis espacial estarían familiarizados con interpoladores como la ponderación de distancia inversa y los enfoques kriging.
Dentro de Canadá, se han utilizado enfoques geoestadísticos para caracterizar la variabilidad del suelo ya en la década de 1980. En Raymond, Alberta, Chang et al. (1988) establecieron una cuadrícula de 64 puntos de muestreo sobre un campo agrícola de 20 × 25 m para mapear el contenido de arena y la salinidad del suelo usando kriging para facilitar el riego prácticas en suelos salinos. Dentro de un sistema boscoso localizado en el suroeste de BC, Chandler et al. (2008) aplicaron un enfoque similar utilizando muestreo cuadriculado y kriging para evaluar los patrones espaciales localizados de los nutrientes del suelo forestal influenciados por un árbol de arce de hoja grande dentro de un rodal dominante de coníferas.
Ráster basado en distancia: También se puede incorporar información sobre la posición espacial calculando la distancia o proximidad de cada píxel dentro del área de estudio a cierto fenómeno geográfico, o punto de referencia, para capturar información contextual sobre el paisaje. Por ejemplo, usando una red de corrientes, se puede calcular una capa de distancia a la corriente más cercana; además, se pueden calcular capas basadas en la distancia similares para representar la proximidad al océano, lagos, ríos, características geomórficas y muchas otras características. Estudios como Heung et al. (2014) han encontrado que al mapear materiales parentales del suelo para el Valle Inferior de Fraser, BC, las capas que representan la distancia al arroyo más cercano y al río Fraser fueron importantes para predecir la distribución de materiales fluviales.
Muestreo de Suelo
La base del levantamiento de suelos se basa en la selección de sitios de muestreo representativos. Con menos recursos disponibles para completar grandes programas de campo y avances recientes en herramientas computacionales, se están utilizando nuevas técnicas para optimizar la selección de sitios de muestra para mejorar la precisión de los modelos predictivos y obtener eficiencias en el muestreo de campo. El muestreo de suelos en DSM busca recopilar información para comprender el desarrollo y distribución de los suelos expresados por los factores formadores del suelo (Jenny, 1941), o las variables del modelo escorpán (McBratney et al., 2003). En su forma más básica, el diseño de muestreo busca muestrear representativamente del área geográfica de interés y todos los factores formadores del suelo (es decir, covariables); el supuesto subyacente es que la variabilidad espacial de las propiedades del suelo que se predice puede ser explicada por las covariables ambientales.
Existen muchos enfoques para el diseño de muestreo, incluyendo enfoques estadísticos y geométricos que buscan seleccionar muestras aleatoriamente de todas las ubicaciones de muestreo posibles (población) o distribuir ubicaciones de muestra en el espacio geográfico en función de la posición o coordenadas espaciales, y enfoques que utilizan datos auxiliares para seleccione ubicaciones de muestra, comúnmente conocidas como enfoques de espacio de características.
En el corazón de cada programa de muestreo se encuentra la cuestión de qué atributos medir en cada ubicación de campo. Esta pregunta está estrechamente relacionada con un problema que era común para el mapeo convencional de suelos, a saber, el desarrollo de la leyenda del mapa. Dependiendo del nivel de detalle deseado en el producto final, y los recursos disponibles de levantamiento, la necesidad de aglomeración y subdivisión de las clases de suelo, los requisitos de profundidad para la evaluación de las propiedades del suelo y los métodos específicos para el muestreo y análisis de campo afectan al mapa final, y los tipos de información en el conjunto de datos de entrenamiento. En última instancia, estas consideraciones deben apoyar los objetivos originales planteados para el proyecto DSM.
Los enfoques geométricos más utilizados incluyen el muestreo en cuadrícula (GS), el muestreo aleatorio simple (SRS), el muestreo aleatorio estratificado (STR), el muestreo transecto (TS), el muestreo de conglomerados (CS) y el muestreo anidado (NS). El muestreo de cuadrícula divide el área de estudio en una cuadrícula regular uniformemente espaciada con ubicaciones de muestra en el centro de cada cuadrícula; el tamaño de la cuadrícula es especificado por el usuario en función de algunos criterios, generalmente tiempo, presupuesto o conocimiento previo de la densidad de muestreo requerida. El muestreo aleatorio simple crea sitios de muestreo que se seleccionan completamente al azar (Brus et al., 2011) del área de estudio disponible con igual probabilidad de ser seleccionados (Biswas y Zhang, 2018). El muestreo aleatorio estratificado es similar al SRS con la excepción de que el área se subdivide en bloques más pequeños, llamados estratos, y se aplica SRS a los estratos (Brus y de Gruijter, 1997). El tamaño de los estratos se puede utilizar para ponderar el muestreo, resultando en un muestreo proporcional de los estratos (Pennock y Yates, 2007). El muestreo transecto es una forma de muestreo en racimo donde las muestras se seleccionan a intervalos de igual distancia a lo largo de una línea (de Gruijter y Marsman, 1985). En el muestreo de conglomerados, las ubicaciones de las muestras se agrupan estrechamente, una técnica utilizada para permitir el muestreo en terrenos accidentados con áreas inaccesibles sin comprometer la precisión (Biswas y Zhang, 2018). El muestreo anidado se suele aplicar en combinación con otros diseños de muestreo y cuantifica la variabilidad de los datos a lo largo de diferentes distancias, un concepto que se origina en la geoestadística. En la Figura 17.19 se proporcionan ejemplos de diseños de muestra.
Los enfoques de espacio de características consideran los valores de las covariables ambientales en las ubicaciones de muestreo. El muestreo difuso de k-medias (FKMS) utiliza el algoritmo de agrupación de k-medias para minimizar la distancia entre ubicaciones de muestreo, pero esta distancia está en el espacio covariado, no en el espacio geográfico (Brus, 2019). El muestreo de hipercubo latino condicionado (CLH) fue propuesto por (Minasny y McBratney, 2006) como una modificación al muestreo de hipercubo latino (Mckay et al., 1979). Con muchas covariables, un experimento factorial completo es inviable: el muestreo de hipercubo latino permite el muestreo de todas las covariables, con una muestra por estrato (Brus, 2019).
Un diseño de muestreo óptimo debe proporcionar una cobertura adecuada tanto del espacio geográfico como de las características. Esto se puede evaluar utilizando diversas herramientas. Para la cobertura del espacio característico, normalmente se puede completar una comparación de la cobertura del espacio característico de los sitios de muestra y la de toda el área de estudio para determinar la idoneidad del diseño de muestreo. Existen herramientas para optimizar el muestreo en términos de espacio geográfico y en términos de espacio característico, sin embargo, la fusión de estas dos estrategias de optimización muestral sigue siendo un área importante de investigación. Un aspecto que carece de las estrategias de muestreo existentes es la información sobre el número óptimo de sitios requeridos para optimizar la capacidad predictiva de un modelo utilizado para DSM. Se anima a los lectores interesados a referirse a Brus et al. (2011) y Biswas y Zhang (2018) para una introducción más detallada al diseño de muestreo.
El diseño de muestreo y el muestreo de suelos presentan muchos desafíos técnicos y logísticos. Durante la fase de diseño de muestreo, el mapeador de suelos debe considerar características que deben evitarse durante la selección de muestras, especialmente dado el uso de algoritmos informáticos, que no pueden reconocer estas restricciones al seleccionar sitios de muestreo. Por ejemplo, las características antropogénicas como carreteras, edificios, canteras y características naturales como cuerpos de agua, suelen ser de poco interés para los mapeadores de suelos y deben eliminarse de las capas de información utilizadas para diseñar el plan de muestra. De manera similar, en terrenos difíciles o áreas remotas, se podría optar por restringir el proceso de selección de muestras a una distancia de búfer manejable de las carreteras de acceso. El acceso a tierras privadas para el muestreo de suelos puede ser un desafío. Restringir el diseño de muestreo a tierras públicas es en la mayoría de los casos poco práctico y no factible, y como tal, se debe adquirir permiso de los propietarios para completar el muestreo de suelos en el trabajo de campo. Un tema común que surge es la necesidad de un sitio de muestreo alternativo cuando se niega el acceso a terrenos privados. Aunque más allá del alcance de esta introducción al DSM, los investigadores están desarrollando estrategias para modificar y adaptar algoritmos de diseño de muestras para dar cuenta de este tipo de restricciones (Clifford et al., 2014; Malone et al., 2019).
Predicción de Clases y Propiedades del Suelo
El desarrollo de un mapa de suelos utilizando técnicas DSM requiere en gran medida los siguientes tres ingredientes:
- un conjunto de capas ambientales (es decir, predictores o covariables) que representan los factores escorpan;
- datos de suelo a los que se hace referencia geoespacialmente; y
- un modelo que caracteriza la relación entre los datos del suelo y el ambiente con el fin de hacer predicciones para ubicaciones no muestreadas.
En las secciones anteriores, hemos explorado las diferentes fuentes de datos ambientales y descrito los diversos enfoques de muestreo espacial utilizados para adquirir los datos del suelo. En esta sección describimos el proceso requerido para crear un conjunto de datos de entrenamiento, que luego se utiliza para calibrar un modelo predictivo para generar salidas de mapa.
Por lo general, las técnicas DSM implican una forma de aprendizaje supervisado donde primero se crea un conjunto de datos de entrenamiento intersecando espacialmente las ubicaciones de la muestra (con las propiedades del suelo medidas) con el conjunto subyacente de capas ambientales. Mediante un modelo predictivo, la relación entre la variable de respuesta del suelo y las capas predictoras ambientales se establece mediante una función de clasificación o regresión (es decir, ajuste del modelo). Una vez que el modelo predictivo está equipado con los datos de entrenamiento, se aplica a las capas ambientales establecidas para predecir las propiedades o clases del suelo en ubicaciones no muestreadas.
Antes de hacer predicciones, el mapeador de suelos debe reconocer el tipo de datos de suelo que se va a predecir. Los datos del suelo pueden tomar la forma de datos categóricos o datos continuos, por lo que los datos categóricos pueden subdividirse en datos nominales y datos ordinales. Los datos nominales describen los aspectos cualitativos del suelo y no tienen valor cuantitativo y el ejemplo más común de datos nominales sería la unidad taxonómica del suelo (por ejemplo, orden del suelo, gran grupo, serie) pero también puede incluir la clase de material parental del suelo, la clase textural del suelo y otros. Los datos ordinales, otro tipo de datos categóricos, representan valores que tienen unidades ordenadas (es decir, los valores son relativos entre sí), donde los ejemplos pueden incluir clases de humedad del suelo y régimen nutritivo. Con el régimen de humedad del suelo, existen nueve valores potenciales que van de 0 a 8, donde un valor de 0 representa condiciones 'muy xéricas' mientras que un valor de 8 representa condiciones 'hídricas'; sin embargo, se desconoce la diferencia exacta entre los valores. En contraste, los datos continuos representan las propiedades medidas del suelo, como la profundidad del suelo, el pH del suelo, el contenido de arcilla, las reservas de carbono orgánico del suelo y muchas más.
La distinción entre tipos de datos categóricos y continuos al representar la información del suelo es crítica porque determina en gran medida qué modelo predictivo y métodos para evaluar la precisión e incertidumbre del modelo son apropiados. Al predecir datos categóricos del suelo, nos limitamos al uso de enfoques predictivos adecuados para fines de clasificación, mientras que la predicción de datos continuos requiere el uso de enfoques de modelización de regresión. En la Figura 17.6 (derecha) se muestra un ejemplo de un mapa digital de suelos producido utilizando un enfoque de modelización de regresión para predicciones de carbono orgánico del suelo y un ejemplo que utiliza un enfoque de modelado de clasificación se muestra en la Figura 17.20 para grandes grupos de suelos.
Una visión integral de los enfoques de modelización está mucho más allá del alcance de este libro de texto; sin embargo, los lectores interesados deben referirse a McBratney et al. (2003), que proporciona una visión general de varios enfoques de modelización para regresión y clasificación utilizando técnicas de aprendizaje automático y geoestadística. Para una descripción detallada de las técnicas de aprendizaje automático utilizadas con fines de clasificación en DSM, los lectores pueden referirse a Heung et al. (2016).
Es importante que los lectores se den cuenta de que existen muchos tipos diferentes de técnicas de modelización predictiva que se utilizan en DSM, así como en disciplinas más allá del DSM; sin embargo, no existe un solo modelo que supere consistentemente a otro o que se considere “el mejor” en todas las situaciones. La elección en capas predictoras ambientales, la naturaleza de las relaciones suelo-ambientales (p. ej., relaciones lineales vs. no lineales), el tamaño del conjunto de datos de entrenamiento, la propiedad del suelo, así como una gran cantidad de otros factores, pueden afectar el desempeño de un modelo. Además, las propiedades intrínsecas del modelo, como el tiempo de procesamiento, la demanda computacional y la complejidad del modelo, variarán. Como resultado, se alienta que los practicantes de DSM comparen una variedad de técnicas de modelización y realicen una evaluación de precisión de todos los resultados; además, una evaluación visual de los resultados del mapeo debe ser realizada por un científico de suelos capacitado para garantizar que los mapas de suelos sean consistentes con un sistema pedológico comprensión del paisaje.
Dado que gran parte del proceso de modelización puede llevarse a cabo de manera automatizada utilizando software estadístico como R, la automatización facilita enormemente las comparaciones de modelos y el proceso de comparación de modelos debe considerarse como 'mejor práctica'. Por ejemplo, en Heung et al. (2016), se utilizaron datos de entrada idénticos para entrenar 11 técnicas de modelización, donde se determinó que a pesar de las mismas entradas, las salidas del modelo variaron drásticamente al mapear grandes grupos de suelo para el Valle del Fraser Inferior, BC (Figura 17.21).
Evaluación de precisión
Todos los mapas aproximan la realidad y todos los mapas digitales de suelo se desviarán del mundo real y lo que sea que se genere a partir del modelo es solo uno de un número infinito de realizaciones de un mapa de suelo. Nuevamente, esto se demuestra en la Figura 17.21, que muestra que diferentes modelos podrían generar realizaciones drásticamente diferentes de un mapa de suelos. Por lo tanto, para cuantificar la calidad de las predicciones de mapas, es necesario realizar una evaluación de precisión en todas las predicciones. Aquí, describimos el término 'precisión' como la diferencia entre los valores observados y predichos en una ubicación (Brus et al., 2011); por lo que podemos describir la precisión como “mayor” a medida que disminuye la diferencia.
Similar a seleccionar el tipo de modelo apropiado para predecir variables categóricas y continuas del suelo, la elección de métricas de precisión adecuadas también depende de esto. Sin embargo, en ambos casos, la evaluación de la precisión debe realizarse utilizando un conjunto de datos independiente (es decir, validación o prueba) que no se utilizó para entrenar el modelo.
Al evaluar la precisión de las predicciones categóricas (por ejemplo, series de suelos, tipo de material parental del suelo), generalmente confiamos en la precisión general y el coeficiente kappa de Cohen como las métricas principales. La precisión general es la proporción de observaciones que se predijeron correctamente para el conjunto de datos independiente; mientras que kappa da cuenta de la concordancia por casualidad entre las clases observada y predicha. Ambas métricas van de 0 a 1, donde un valor de 1 representa una alta precisión.
Al evaluar la precisión de las predicciones continuas (por ejemplo, densidad aparente, carbono orgánico del suelo), a menudo se utilizan el error cuadrático medio (MSE), el error cuadrático medio (RMSE), el coeficiente de determinación (R2) y el coeficiente de correlación de concordancia de Lin (CCC). El MSE es efectivamente la diferencia cuadrada promedio entre los valores observados y predichos; en comparación, el RMSE, es la raíz cuadrada de MSE y se expresa en las mismas unidades que la variable suelo. En ambos casos, un MSE o RMSE más bajo representa un modelo más preciso. R 2 mide qué tan cerca siguen los valores observados y predichos a lo largo de una línea de regresión de mejor ajuste (es decir, qué tan cerca se correlacionan los valores) y representa la proporción de variación del suelo que se explica por el modelo. Es crítico señalar que R2 no representa precisión porque no tiene en cuenta el sesgo del modelo, por lo que el modelo puede sobrepredecir o subpredecir consistentemente una variable de suelo. En cambio, la métrica más apropiada es usar CCC, que representa la bondad de ajuste a lo largo de una línea de 45° en una gráfica de dispersión de valores observados y predichos. Los valores de CCC varían de 0 a 1, donde los valores de 1 representan escenarios donde los valores predichos coinciden con los valores observados y por lo tanto indican alta precisión y precisión de predicción.
INCERTIDUMBRE EN MAPAS DIGITALES DE SUELOS
Es importante reconocer que junto con todas las actividades de modelización ambiental, los modelos son simplemente representaciones abstractas del mundo real y que existen incertidumbres sobre las verdaderas propiedades del suelo. La forma en que presentamos los patrones de suelo en un mapa de suelos se basa en un modelo predictivo, que nunca está verdaderamente libre de errores; de ahí que estimar cuantitativamente la incertidumbre de los mapas digitales de suelo es tan importante como validarlo porque permitirá a los usuarios evaluar la utilidad de los mapas y cómo pueden ser esos mapas usado (Heuvelink, 1998). Las incertidumbres se acumulan y propagan a partir de tres fuentes: la propiedad medida del suelo, los predictores ambientales que representan los factores escorpan y el modelo predictivo.
Incertidumbre en las propiedades del suelo: Siempre que se lleve una muestra de suelo a un laboratorio, siempre habrá diferencias en las técnicas analíticas que pueden aportar errores al medir diversas propiedades del suelo. En algunas situaciones, las variables de respuesta del suelo pueden inferirse de otras variables de suelo que son más fáciles de medir usando funciones de pedotransferencia, con lo que los errores pueden propagarse aún más. También podrían surgir incertidumbres al registrar la ubicación espacial de los puntos de muestreo cuando se usa un GPS, por lo que algunos GPS son más precisos que otros.
Incertidumbre en los Predictores Ambientales: Existe incertidumbre inherente con los propios predictores ambientales. Por ejemplo, las incertidumbres verticales pueden estar presentes con los DEM, así como la incertidumbre de medición de sensores de suelo remotos y proximales. Cuando se usan mapas de suelo convencionales o mapas geológicos en el formato de polígono, la composición del polígono, los límites del polígono y la escala del mapa pueden contribuir a la incertidumbre.
Incertidumbre en el modelo predictivo: Como se discutió anteriormente, la elección del modelo predictivo puede resultar en mapas de suelos drásticamente diferentes; y por lo tanto, la estructura del modelo puede ser otra fuente de incertidumbre. Las relaciones entre los predictores ambientales y las propiedades del suelo pueden ser lineales, no lineales o una combinación de ambos, y ciertos tipos de modelos son más efectivos para capturar esas relaciones que otros. Por ejemplo, un modelo lineal simple sería efectivo para modelar relaciones lineales, mientras que los enfoques de modelado no lineal (por ejemplo, árboles de clasificación y regresión) son efectivos para capturar las relaciones jerárquicas no lineales. Finalmente, algunos enfoques de modelado (por ejemplo, árboles modelo) son un híbrido de modelos lineales y no lineales y, por lo tanto, son capaces de capturar ambos tipos de relaciones.
Idealmente, todos los mapas digitales de suelo deberían ir acompañados de mapas de incertidumbre, que estiman la incertidumbre para cada pixel individual; en la práctica, sin embargo, a menudo no es así. Debido a la importancia de reconocer la incertidumbre en los resultados del modelo, los estándares internacionales de mapeo (por ejemplo, GlobalSoilMap.net) a menudo requieren la inclusión de un mapa de intervalos de predicción del 90%, así como los límites de predicción inferior (5%) y superior (95%) (Figura 17.22). Aquí, asumimos que con un nivel de confianza del 90%, el valor real de una propiedad del suelo estará dentro del intervalo de predicción. Por lo tanto, al interpretar estos mapas de incertidumbre, la incertidumbre aumentará a medida que aumente el ancho del intervalo de predicción del 90%. Cabe señalar que esta representación de incertidumbre sólo se aplica a las variables continuas del suelo.
Al representar la incertidumbre para las predicciones de variables categóricas del suelo, se utilizan mapas de probabilidad de clase para calcular la incertidumbre para cada píxel. Aquí, se produce un conjunto de rásteres de probabilidad para cada clase, por lo que cada píxel tiene un valor correspondiente que representa la probabilidad de que ocurra esa clase (Figura 17.23). Si una clase individual tiene una alta probabilidad de ocurrencia, la incertidumbre es baja; sin embargo, si todas las clases tienen una probabilidad igual de ocurrencia, la incertidumbre es alta. Aunque hay muchas métricas que pueden calcularse a partir de estos rásteres de probabilidad de clase (por ejemplo, incertidumbre de ignorancia, incertidumbre de exageración, índice de confusión), todas están caracterizando efectivamente la propagación en valores de probabilidad entre las diversas clases (Figura 17.24).
MÁS ALLÁ DEL MAPEO DIGITAL DE SUELOS
Se ha hecho un gran esfuerzo para mejorar la accesibilidad, interpretabilidad, comprensión y comunicación de la información del suelo a los usuarios de datos en algunas provincias. Aplicaciones en línea, como la herramienta de búsqueda de información de suelos de Columbia Británica (SIFT), Atlas de recursos de tierras agrícolas de Alberta, el sistema de información de suelos de Saskatchewan (SKSIS), Info-Sols (Québec) y el Atlas de información agrícola de Ontario , aprovechar mapas de suelos heredados y proporcionar una interfaz gráfica de usuario mediante la cual un usuario podría consultar fácilmente esos mapas y adquirir información relacionada con las propiedades del suelo, así como información interpretada del suelo, incluida la capacidad de las tierras agrícolas y el riesgo de erosión del suelo
Otras plataformas, como SoilX, han explorado el uso de la realidad aumentada en la visualización de perfiles de suelo en un dispositivo móvil. Estas plataformas tienen el potencial de mejorar los procesos de toma de decisiones, ayudar a las evaluaciones de impacto ambiental y proporcionar información de manejo sustentable del suelo a los usuarios. Sin embargo, estas plataformas están limitadas por la calidad de la información del suelo que las llena y la capacidad del usuario para comprender esa información.
Tradicionalmente, los mapeadores de suelos se han centrado en el desarrollo de métodos cuantitativos para predecir los suelos sobre el espacio. Sin embargo, el otro papel crítico de un mapeador de suelos, que ha recibido mucha menos atención, es el de un “generador y proveedor de conocimiento” y comprender cómo se puede utilizar la información del suelo para informar las prácticas de toma de decisiones y planificación de recursos (Finke, 2012). Junto con expertos en dominios (por ejemplo, agrónomos, silvicultores, científicos ambientales, ingenieros), el papel del mapeador de suelos es interpretar colectivamente los diversos mapas digitales de suelos y desarrollar herramientas interpretativas que evalúen las amenazas y funciones del suelo y faciliten el proceso de toma de decisiones. Por ejemplo, un mapa de riesgo de erosión del suelo es probablemente más útil para un tomador de decisiones que los mapas individuales de las propiedades del suelo (por ejemplo, mapas de materia orgánica y textura del suelo) y otras capas de datos ambientales (por ejemplo, mapas de taludes y precipitaciones).
Dentro de la comunidad podométrica, gran parte de la disciplina se dedica a utilizar mapas digitales del suelo como ingredientes para evaluar las funciones y amenazas del suelo. Esta área activa de investigación se conoce como evaluaciones digitales de suelos (DSA). Si bien los detalles de DSA están más allá del alcance de este capítulo, los lectores interesados deben referirse a Carré et al. (2007), quien primero introduce este campo, y Finke (2012), quien posteriormente discute los alcances del campo. A nivel mundial, se han registrado enormes avances hacia el desarrollo de herramientas de evaluación de suelos utilizando mapas digitales de suelos.
Aplicaciones de la información digital del suelo
Las aplicaciones pueden incluir, pero no se limitan a:
- Mapeo de zonas de manejo para aplicaciones de fertilizantes y riego a tasa variable (Fleming et al., 2000)
- Evaluar la idoneidad de las tierras agrícolas a escala regional (Harms et al., 2015; Kidd et al., 2015)
- Estimación de los márgenes brutos potenciales para cultivos específicos (Kidd et al., 2015)
- Evaluar la erosión del suelo a escala nacional (Panagos et al., 2015)
- Evaluación del potencial de secuestro de carbono en el suelo (Angers et al., 2011; Akpa et al., 2016)
- Ayudar a la provisión de seguros específicos de sitio y suelo para manejar las amenazas del suelo (Cook et al., 2008)
- Evaluación de la exposición humana a contaminantes del suelo (Caudeville et al., 2012)
- Caracterización de regiones vitivinícolas (terrones y terroir) utilizando información sobre clima y suelo (Carré et al., 2005; Coggins et al., 2019)
- Desarrollo de mapas de ecositios para planes de manejo forestal a nivel autónomo (Yang et al., 2017)
- Mapeo de índices de salud del suelo a escala paisajística (Svoray et al., 2015)
- Auditorías y monitoreo de carbono orgánico del suelo a escala agrícola (de Gruijter et al., 2016; Malone et al., 2018)
¡Puedes Cavar!
El Grupo de Trabajo Canadiense de Mapeo Digital de Suelos
En los últimos 20 años, la comunidad científica del suelo ha evolucionado desde el dominio de los topógrafos gubernamentales y científicos universitarios a una comunidad donde científicos con experiencia en suelos están trabajando en todos los sectores públicos y privados (por ejemplo, agricultura, silvicultura, medio ambiente) y en todo Canadá paisaje diverso. Desafortunadamente, esto ha llevado a la descentralización y dispersión de la información del suelo y la experiencia en mapeo de suelos.
De ese reconocimiento, un desarrollo importante en el panorama nacional de mapeo de suelos fue el establecimiento del Grupo de Trabajo Canadiense de Cartografía Digital de Suelos (CDSMWG), una red científica nacional con investigadores de múltiples instituciones académicas, departamentos del gobierno federal y organismos provinciales. Para proporcionar un mecanismo y plataforma para que los mapeadores de suelos colaboren a escala nacional, el Comité de Pedología de la Sociedad Canadiense de Ciencia del Suelo (CSSS) estableció el CDSMWG en 2016. Esta red de investigación transectorial a través del país tiene la tarea de coordinar las iniciativas de DSM a escala nacional, difundir información digital sobre el suelo e impartir talleres educativos.
Por ejemplo, la comunidad desarrolló los mapas de carbono del suelo de Canadá para su presentación al proyecto mundial de mapeo de carbono de la FAO. Todos los productos desarrollados por el CDSMWG están diseñados para cumplir con los estándares internacionales DSM de GlobalSoilMap.net y la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). Hasta la fecha, el CDSMWG ha tenido éxito en su mandato; fue fundamental para desarrollar y entregar un Mapa Canadiense de Carbono Orgánico del Suelo (mapa CSOC) preliminar como parte de la contribución de Canadá al Mapa Global de Carbono Orgánico del Suelo (mapa GSOC) compilado por el Panel Técnico Intergubernamental sobre Suelos de la FAO en 2017 (FAO y Panel Técnico Intergubernamental sobre Suelos, 2018). Los voluntarios dedicados en el proyecto demostraron claramente la capacidad de la red para comunicarse y colaborar de manera efectiva en la desalentadora tarea de desarrollar el mapa CSOC.
Además, los miembros del CDSMWG también se dedican a capacitar a la próxima generación de mapeadores digitales de suelos y hasta el momento han ofrecido múltiples talleres en todo el país. Los asistentes al taller han incluido estudiantes de pregrado y posgrado, investigadores universitarios y gubernamentales y participantes de la industria.
EJERCICIOS DE PENSAMIENTO
- Haga una lluvia de ideas sobre cómo se pueden usar los mapas digitales de suelos para abordar los problemas ambientales y de manejo de recursos a escala local (por ejemplo, campos agrícolas individuales o rodales forestales), escalas regionales (por ejemplo, provincias individuales) y escalas nacionales (por ejemplo, Canadá).
- Los datos digitales del suelo están cada vez más disponibles en Canadá. Tómese un tiempo para explorar los siguientes recursos e intercambiar ideas sobre los beneficios y desafíos del mapeo digital de suelos: Herramienta de búsqueda de información de suelos de Columbia Británica; Sistema de información de suelos de Saskatchewan; y Portal de información geográfica AgMaps de Ontario. Los recursos internacionales disponibles incluyen: Australian Soil Resource Information System y SoilGrids.
REFERENCIAS
Adamchuk, V., Allred, B., Doolittle, J., Grote, K., y Viscarra Rossel, R. 2017. Capítulo 6: Herramientas para la detección proximal del suelo. En Manual de Levantamiento de Suelos, División de Ciencias del Suelo Personal. Manual Agrícola No. 18, Departamento de Agricultura de los Estados Unidos, pp. 355-394.
Angers, D.A., Arrouays, D., Saby, N.P.A., y Walter C. 2011. Estimación y mapeo del déficit de saturación de carbono de los suelos superiores agrícolas franceses. Manejo de Uso del Suelo. 27:448-452.
Akpa, S.I.C., Odeh, I.O.A., Bishop, T.F.A., Hartemink, A.E., y Amapu, I.Y. 2016. Carbono orgánico total del suelo y potencial de secuestro de carbono en Nigeria. Geoderma 271: 202-215.
Akumu, C.E., Johnson, J.A., Ethreidge, D., Uhlig, P., Woods, M., Pitt, D.G., y McMurray, S. 2015. Enfoque basado en la lógica GIS-difusa en el modelado de la textura del suelo: Uso de partes de la región de Clay Belt y Hornepayne en Ontario Canadá como estudio de caso. Geoderma 239-240: 13-24.
Akumu, C.E., Woods, M., Johnson, J.A., Pitt, D.G., Uhlig, P., y McMurray, S. 2016. Técnica de lógica GIS-difusa en clases de modelación de profundidad de suelo: Uso de partes de la región de Clay Belt y Hornepayne en Ontario, Canadá como estudio de caso. Geoderma 283: 78-87.
Arrouays, D., Grundy, M.G., Hartemink, A.E., Hempel, J.W., Heuvelink, G.B.M., Hong, S.Y., Lagacherie, P., Lelyk, G., McBratney, A.B., McKenzie, N.J., Mendonça -Santos, M.L., Minasny, B., Montanarella, L. Odeh, I.O.A., Sánchez, P.A., Thompson, J.A., y Zhang, G-L., 2014. GlobalSoilMap: Hacia una cuadrícula global de propiedades del suelo de resolución fina. Adv. Agron. 125: 93-134.
Beckett, P.H.T. 1971. La costo-efectividad del levantamiento de suelos. Perspectiva Agr. 6: 191-198.
Bie, S.W., Ulph, A., y Beckett, P.H.T. 1973. Cálculo de los beneficios económicos del levantamiento de suelos. J. Suelo Sci. 24: 429-435.
Biswas, A., y Zhang, Y. 2018. Diseños de Muestreo para Validar Mapas Digitales de Suelos: Una Revisión. Pedosfera 28: 1—15.
Brus, D.J., y de Gruijter, J.J. 1997. ¿Muestreo aleatorio o modelado geoestadístico? Elegir entre estrategias de muestreo basadas en diseño y modelos para suelos (con discusión). Geoderma 80: 1—44.
Brus, D.J., Kempen, B., y Heuvelink, G.B.M. 2011. Muestreo para validación de mapas digitales de suelos. Eur. J. Suelo Sci. 62:494-407.
Brus, D.J. 2019. Muestreo para mapeo digital de suelos: Un tutorial soportado por scripts R. Geoderma 338: 464—480.
Comité de Levantamiento de Suelos de Canadá, 1978. El Sistema Canadiense de Clasificación de Suelos. 1a ed. Rama de Investigación, Departamento Canadiense de Agricultura.
Carré, F., y McBratney, A.B. 2005. Mapeo digital de terrón. Geoderma 128: 340-353.
Carré, F., McBratney, A.B., Mayr, T., y Montanarella, L. 2007. Evaluaciones digitales de suelos: Más allá del DSM. Geoderma 142: 69-79.
Caudeville, J., Goovaerts, P., Carré, F., Bonnard, R., Arrouays, D., Cicolella, A., Jolivet, C.C., Saby, N.P.A., y Boudet, C. 2012. Modelación espacial de la exposición humana a la contaminación del suelo — un ejemplo de evaluación digital del suelo. En Evaluaciones Digitales de Suelos y Más Allá, CRC Press.
Chandler, J.R., Schmidt, M.G., y Dragicevic, S. 2008. Patrones espaciales de las propiedades del suelo forestal y las cantidades de hojarasca asociadas con el arce de hoja grande en el bosque de coníferas del suroeste de Columbia Británica. Can. J. Suelo Sci 88: 295-313.
Chang, C., Sommerfeldt, T.G., y Entz, T. 1988. La salinidad del suelo y la variabilidad del contenido de arena determinada por dos métodos estadísticos en un suelo salino irrigado. Can. J. Suelo Sci. 68:209-221.
Clifford, D., Payne, J.E., Pringle, M.J., Searle, R., y Butler, N. 2014. Diseño pragmático de levantamiento de suelos mediante muestreo flexible de hipercubo latino. Computadoras y Geociencias. 67:62-68.
Coen, G.M. (ed.) 1987. Manual de levantamiento de suelos. Volumen 1. Boletín Técnico 1987-9E. Centro de Investigación de Recursos Terrestres. Rama de Investigación. Agricultura Canadá. Edmonton, Alberta. 135pp.
Coggins, S., Malone, B.P., Stockmann, U., Possell, M., y McBratney, A.B. 2019. Hacia una indicación geográfica significativa: Validación de terruños en escala de 200 km2 en el valle inferior de Hunter en Australia. Geoderma Reg. 15: e00209.
Cook, S.E., Jarvis, A., y González, J.P. 2008. Una nueva demanda global de información digital del suelo. En Mapeo Digital de Suelos con Datos Limitados. Springer, 31-41.
de Gruijter, J.J., y Marsman, B.A. 1985. Muestreo transecto para obtener información confiable sobre las unidades de mapeo. Páginas 150—165 en D.R. Nielsen y J. Bouma, eds. Variabilidad espacial del suelo: actas de un taller del ISSS y del SSSA, Las Vegas, EUA, 30 nov. — 1 dic. 1984.
de Gruijter, J.J., McBratney, A.B., Minasny, B., Wheeler, I., Malone, B.P., y Stockmann, U. 2016. Auditoría de carbono en suelos a escala agrícola. Geoderma 265: 120-130.
Dewitte, O., Jones, A., Spaargaren, O., Breuning-Madsen, H., Brossard, M., Dampha, A., Deckers, J., Gallali, T., Hallett, S., Jones, R., Kilasara, M., le Roux, P., Michéli, E., Montanarella, L., Thiombiano, L., van Ranst, E., Yeméli efack, M., y Zougmore, R. 2013. Armonización del mapa de suelos de África a escala continental. Geoderma 211-212: 138-153.
Doolittle, J.A., y Brevik, E.C. 2014. El uso de técnicas de inducción electromagnética en estudios de suelos. Geoderma 223-224: 33-45.
La FAO y la Alianza Mundial por el Suelo, 2016. Plan de Implementación del Pilar 4 de la Alianza Mundial por el Suelo: Hacia un Sistema Mundial de Información sobre Pilar 4 Grupo de Trabajo, 38 pp.
FAO y Panel Técnico Intergubernamental sobre Suelos. 2018. Mapa Global de Carbono Orgánico del Suelo (GSOCmap) Informe Técnico. Roma, 162 pp.
Finke, P.A. 2012. Sobre las evaluaciones digitales de suelos con modelos y la agenda podométrica. Geoderma 171-172: 3-35.
Fleming, K.L., Westfall, D.G., Wiens, D.W., y Brodahl, M.C. 2000. Evaluación de mapas de zonas de manejo definidas por agricultores para aplicación de fertilizantes a tasa variable. Precis. Agric. 2:201-215.
Fulton, R.J. 1995. Materiales Surficial de Canadá. Servicio Geológico de Canadá, Recursos Naturales Canadá, Serie “A” Mapa 1880A.
Harms, B., Brough, D., Philip, S., Bartley, R., Clifford, D., Thomas, M., Willis, R., y Gregory, L. 2015. Evaluación digital de suelos para la evaluación regional de tierras agrícolas. Glob. Alimentos Sec. 5: 25-36.
Hengl, T., de Jesus, J.M., Heuvelink, G.B.M., Gonzalex, M.R., Kilibarda, M., Blagotić, Shangguan, W., Wright, M.N., Geng, X., Bauer-Marschallinger, B., Guevara, M.A., Vargas, R., MacMillan, R.A., Batjes, N.H., Leenara aars, J.G.B., Ribeiro, E., Wheeler, I., Mantel, S., y Kempen, B. 2017. SoilGrids250m: Información global del suelo cuadriculado basada en el aprendizaje automático. PLoS ONE 12: e0167948.
Heung, B., Bulmer, C.E., y Schmidt, M.G. 2014. Mapeo predictivo de materiales parentales del suelo a escala regional: Un enfoque de bosque aleatorio. Geoderma 214-215: 141-154.
Heung, B., Hodúl, M., y Schmidt, M.G. 2017. Comparar el uso de pozos de suelo heredados y polígonos de levantamiento de suelos como datos de entrenamiento para el mapeo de clases de suelo. Geoderma 290: 51-68.
Heung, B., Zhang, J., Ho, H.C., Knudby, A., Bulmer, C.E., y Schmidt, M.G. 2016. Una visión general y comparación de técnicas de aprendizaje automático para fines de clasificación en mapeo digital de suelos. Geoderma 265: 62-77.
Heuvelink, G.B.M., 1998. Propagación de errores en Modelado Ambiental con GIS. Prensa CRC.
Hoyo, F.D. 1978. Una aproximación al análisis del paisaje con énfasis en los suelos. Geoderma 21: 1-23.
Hole, F.D., y Campbell, J.B. 1985. Análisis del Paisaje de Suelos. Rowman y Allanheld, Totowa, NJ.
Jenny, H. 1941. Factores de Formación de Suelo: Un Sistema de Pedología Cuantitativa. McGraw-Hill, NUEVO.
Kidd, D., Webb, M., Malone, B., Minasny, B., McBratney, A. 2015. Evaluación digital de suelos de idoneidad agrícola, versatilidad y capital en Tasmania, Australia. Geoderma Reg. 6: 7-21.
Kienast-Brown, S., Libohova, Z., Boettinger, J. 2017. Mapeo digital de suelos. En C. Ditzler, K. Scheffe, y H.C. Monger (eds.) Manual de levantamiento de suelos, Manual del USDA 18, Oficina de Imprenta Gubernamental, Washington, D.C., pp. 295—354. https://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/ref/?cid=nrcs142p2_054261
Luttmerding, H.A. 1980. Suelos del área del mapa de Langley-Vancouver. Informe No. 15, British Columbia Soil Survey. BC Ministerio de Medio Ambiente, Kelowna, BC, Canadá.
MacMillan, R.A., Nikiforuk, L., Fawcett, M.D., Whitson, I.R., McNeil, R.L. y Turchenek, L.W. 1992. Sistemas de cartografía de suelos; Alberta Research Council, ARC/AGS Open File Report 1992-22, 238 p. https://ags.aer.ca/publications/OFR_1992_22.html
MacMillan, R.A., Pettapiece, W.W., Nolan, S.C., y Goddard, T.W. 2000. Un procedimiento genérico para segmentar automáticamente accidentes geográficos en elementos de accidentes geográficos mediante DEM, reglas heurísticas y lógica difusa. Juegos y sistemas difusos 113:81—109,
MacMillan, R.A., Jones, K., y McNabb, D.H., T.W. 2004. Definir una jerarquía de entidades espaciales para el análisis y modelado ambiental mediante modelos digitales de elevación (DEM). Computadoras, Medio Ambiente y Sistemas Urbanos 28 (3): 175-200.
Malone, B., Hedley, C., Roudier, O., Minasny, B., Jones, E., y McBratney, A.B. 2018. Auditoría de reservas de carbono en suelos agrícolas utilizando productos cartográficos nacionales a escala reducida: Ejemplos de Australia y Nueva Zelanda. Geoderma Reg. 13:1-14.
Malone, B.P., Minansy, B., y Brungard, C. 2019. Algunos métodos para mejorar la utilidad del muestreo de hipercubo latino condicionado. PeerJ 7, e6451.
Grupo de Trabajo de Sistemas de Mapeo. 1981. Un sistema de mapeo de suelos para Canadá: revisado. Instituto de Investigaciones de Recursos Terrestres, Aportación No. 142. Agricultura Canadá, Ottawa, 94 pp. http://sis.agr.gc.ca/cansis/publications/manuals/1981-smsc/81-142-soil-mapping.pdf
McBratney, A.B., Mendonça-Santos, M.L., y Minasny, B. 2003. Sobre cartografía digital de suelos. Geoderma 117: 3-52.
McBratney, A.B., Odeh, I.O.A., Bishop, T.F.A., Dunbar, M.S., y Shatar, T.M. 2000. Una visión general de las técnicas podométricas para su uso en el levantamiento de suelos. Geoderma 97: 293-327.
Mckay, M.D., Beckman, R.J., y Conover, W.J. 1979. Una comparación de tres métodos para seleccionar valores de variables de entrada en el análisis de salida de un código de computadora. Tecnometría 42: 55—61.
McKeague, J. A. y Stobbe, P.C. 1978. Historia del levantamiento de suelos en Canadá 1914-1975. Rama de Investigación, Canadá Departamento de Agricultura, Ottawa, ON. Serie Histórica No. 11.
McKenzie, N., y Ryan, P. 1999. Predicción espacial de las propiedades del suelo mediante correlación ambiental. Geoderma 89: 67-94.
Minasny, B., y McBratney, A.B. 2006. Un método de hipercubo latino condicionado para el muestreo en presencia de información auxiliar. Comput. Geosci. 32: 1378—1388.
Minasny, B., y McBratney, A.B. 2016. Mapeo digital de suelos: Una breve historia y algunas lecciones. Geoderma, 264: 301-31.
Mulder, V.L., De Bruin, S., Shaepman, M.E., y Mayr, T.R. 2011. El uso de la teledetección en la cartografía de suelos y terrenos — una revisión. Geoderma 162: 1-19.
Panagos, P., Borrelli, P., Poesen, J., Ballabio, C., Lugato, E., Meusburger, K., Montanarella, L., y Alewell, C. 2015. La nueva evaluación de la pérdida de suelo por erosión hídrica en Europa. El medio ambiente. Sci. Política 54: 438-447.
Paul, S.S., Coops, N.C., Johnson, M.S., Krzic, M., Chandna, A., y Smukler, S.M. 2020a. Mapeo de carbono orgánico del suelo y arcilla mediante teledetección para predecir la trabajabilidad del suelo para mejorar la adaptación al cambio climático. Geoderma 363: 114177.
Paul, S.S., Dowell, L., Coops, N.C., Johnson, M.S., Krzic, M., Geesing, D., Smukler, S.M. 2020b. Seguimiento de los cambios en el carbono orgánico del suelo a través del paisaje agrícola heterogéneo del valle del Bajo Fraser de Columbia Británica. Sci. Total Environ. 732: 138994.
Pennock, D.J., Zebarth, B.J., y DeJong, E. (1987) Clasificación de accidentes geográficos y distribución de suelos en terrenos hummocky, Saskatchewan, Canadá. Geoderma, 40:297-315.
Pennock, D., y Yates, T. 2007. Diseños de muestreo de suelos. Páginas 1—14 en M.R. Carter y E.G. Gregorich, eds. Muestreo de suelos y métodos de análisis, Segunda Edición.
Rossiter, D.G. 2018. Pasado, presente y futuro de la tecnología de la información en podometría. Geoderma 324: 131-137.
Sánchez, P.A., Ahamed, S., Carré, F., Hartemink, A.E., Hempel, J., Huising, J., Lagacherie, P., McBratney, A.B., McKenzie, N.J., Mendoça-Santos, M.L., Minasny, B., Montanarella, L., Okoth, P., Palm, C.A., Sachs, J.D., Shepherd, K.D., Vâgen, T-G., Vanlauwe, B., Walsh, M.G., Winowiecki, L.A., y Zhang, G-L. 2009. Mapa digital de suelos del mundo. Ciencia 325: 680-681.
Scarpone, C., Schmidt, M.G., Bulmer, C.E., y Knudby, A. 2016. Modelado del espesor del suelo en la zona crítica para el sur de Columbia Británica. Geoderma 282: 59-69.
Schaetzl, R.J., Anderson, S., 2005. Suelos: Génesis y Geomorfología. Prensa de la Universidad de Cambridge.
Scull, P., Franklin, J., Chadwick, O.A., y McArthur, D. 2003. Mapeo predictivo de suelos: Una revisión. Prog. Phys. Geog. 27: 171-197.
Shatar, T.M., y McBratney, A.B. 1999. Modelación empírica de las relaciones entre el rendimiento de sorgo y las propiedades del suelo. Precis. Agric. 1:249-276.
Personal de Encuesta de Suelos, 1975. Taxonomía de Suelos. Un Sistema Básico de Clasificación de Suelos para la Elaboración e Interpretación de Encuestas de Suelos. 2a ed. Oficina de Imprenta del Gobierno de Estados Unidos, Washington, DC.
Svoray, T., Hassid, I., Atkinson, P.M., Moebius-Clune, B.N., y van Es, H.M. 2015. Mapeo de la salud del suelo en grandes áreas de importancia agrícola. Suelo Sci. Soc. Am. J. 79: 1420-1434.
Thompson, J.A., Nauman, T.W., Odgers, N.P., Libohova, Z., y Hempel, J.W. 2012. Armonización de mapas de suelos heredados en América del Norte: estado, tendencias e implicaciones para los esfuerzos de mapeo digital de suelos. En Evaluaciones Digitales de Suelos y Más Allá. CRC Press, Leiden, Países Bajos, pp. 97-102.
Tobler, W. 1970. Una película de computadora que simula el crecimiento urbano en la región de Detroit. Geografía Económica 46:230-240.
Treitz, P., Lim, K., Woods, M., Pitt, D., Nesbitt, D., y Etheridge, D. 2012. Densidad de muestreo LiDAR para inventarios de recursos forestales en Ontario, Canadá. Senadores Remotos 4: 830-848.
Viscarra Rossel, R.A., Adamchuk, V.I., Sudduth, K.A., McKenzie, N.J., y Lobsey, C. 2011. Detección proximal del suelo: Un enfoque efectivo para las mediciones del suelo en el espacio y el tiempo. Adv. Agron. 113:243-291.
Webster, R. 1994. El desarrollo de la podometría. Geoderma 62:1-15.
Webster, R., y Burrough, P.A. 1972a. Mapeo computarizado de suelos de pequeñas áreas a partir de datos de muestra — I: Clasificación y ordenación multivariadas. J. Suelo Sci. 23: 210-221.
Webster, R., y Burrough, P.A. 1972b. Mapeo computarizado de suelos de pequeñas áreas a partir de datos de muestra — II: Alisado de clasificación. J. Suelo Sci. 23:222-234.
Wheeler, J.O., Hoffman, P.F., Card, K.D., Davidson, A., Sanfrd, B.V., Okulitch, A.V. y Roest, W.R. 1996. Mapa Geológico de Canadá. Servicio Geológico de Canadá, Recursos Naturales Canadá, Serie “A” Mapa 1860A.
Woods, M., Pitt, D., Penner, M., Lim, K., Nesbitt, D., Etheridge, D., y Treitz, P. 2011. Implementación operativa del inventario LiDAR en Boreal Ontario. Crón Forestal. 87:512-528.
Yang, Q., Meng, F.-R., Bourque, C.P.-A., y Zhao, Z. 2017. Producción de mapas forestales y ecositios de alta resolución basados en predicciones de modelos de humedad del suelo y regímenes de nutrientes en una gran área boscosa. Sci. Rep. 7: 10998.
Zhu, A.X., y Band, L.E. 1994. Un enfoque basado en el conocimiento para la integración de datos para el mapeo de suelos. Can. J. Senadores Remotos 20: 408-418.
Acerca de los Autores
Brandon Heung, Profesor Asistente, Departamento de Ciencias Vegetales, Alimentarias y Ambientales, Facultad de Agricultura, Universidad Dalhousie
El Dr. Brandon Heung es profesor asistente en ciencias del suelo y sistemas de información geográfica (SIG) en el Departamento de Ciencias Vegetales, Alimentarias y Ambientales. Su investigación se encuentra en el área de la podométrica—una subdisciplina de la ciencia del suelo que integra la ciencia del suelo, los SIG, la teledetección, las estadísticas espaciales y el aprendizaje automático para comprender mejor esos patrones espaciales y temporales del suelo. Ha estado desarrollando mapas digitales de suelos para aplicaciones en agricultura y sistemas forestales y también está interesado en comprender cómo se pueden utilizar modelos digitales predictivos de suelos para abordar los problemas del cambio climático y la seguridad alimentaria.
Daniel D. Saurette, Ontario Ministerio de Agricultura, Alimentación y Asuntos Rurales; Escuela de Ciencias Ambientales, Ontario Agricultural College, Universidad de Guelph
Mi trabajo se centra en el levantamiento, mapeo y clasificación de suelos. Por lo general, se me referiría ya sea como pedólogo, o Agrimensor de Suelos. Mi trabajo consiste en planear campañas de campo para describir perfiles de suelo, clasificarlos, muestrear el suelo para determinar las propiedades químicas y físicas en el laboratorio, y luego interpretar los datos para desarrollar mapas de suelo. Tradicionalmente esto se hacía con la ayuda de fotos aéreas, pero más recientemente la disciplina se ha desplazado a Predictive Digital Soil Mapping donde aprovechamos el poder del aprendizaje automático y los sistemas de información geográfica (SIG) para crear mapas digitales de suelos de alta resolución.
Chuck E. Bulmer, Columbia Británica Ministerio de Bosques, Tierras, Operaciones de Recursos Naturales y Desarrollo Rural
Mi trabajo consiste en realizar investigaciones sobre el inventario de suelos y la conservación del suelo y brindar asesoría a los formuladores de políticas en BC sobre cuestiones de manejo de recursos relacionadas con el suelo. Algunos de los temas de interés para los gerentes incluyen la reforestación, los impactos del manejo forestal en la productividad del suelo y los procesos del suelo que afectan nuestra respuesta al ciclo del carbono y al cambio climático. La información científica es necesaria por parte de los gestores forestales para tomar buenas decisiones en estas áreas y mi papel como científico de suelos de investigación es llevar a cabo investigaciones orientadas a desarrollar esa información para BC, y transmitirla a los gerentes.