Sistema de Inferencia Espacial de Propiedades de Los Suelos de Andalucia

Empresa Pública Desarrollo Agrario y Pesquero
CONSEJERÍA DE AGRICULTURA Y PESCA
Sistema de Inferencia Espacial de

Propiedades Físico-Químicas e
Hidráulicas de los Suelos de
Andalucía
Herramienta de Apoyo a la Simulación de Procesos

Agro-Hidrológicos a Escala Regional
INFORME FINAL
Sevilla, Marzo de 2008

CONSEJERÍA DE AGRICULTURA Y PESCA
Sistema de Inferencia Espacial de Propiedades

Físico-Químicas e Hidráulicas de los Suelos de
Andalucía. Herramienta de Apoyo a la Simulación de
Procesos Agro-Hidrológicos a Escala Regional
Informe Final
José Antonio Rodríguez

Subdirección de Infraestructura y Desarrollo
Área de Modernización y Regadíos
Colaboradores:
Antonio José Rodríguez. E. P. Desarrollo Agrario y Pesquero
Alfredo Sotelo. E. P. Desarrollo Agrario y Pesquero
Guadalupe Monge. Instituto de Recursos Naturales y Agrobiología de Sevilla
Diego de la Rosa. Instituto de Recursos Naturales y Agrobiología de Sevilla
Marzo de 2008
INDICE GENERAL
RESUMEN EJECUTIVO.....................................................................................................viii
I.- INTRODUCCIÓN................................................................................................................1
II.- DESCRIPCIÓN DEL SISTEMA DE INFERENCIA ESPACIAL

DE PROPIEDADES DEL SUELO..........................................................................................3
III.- RECOPILACIÓN, DEPURACIÓN Y HOMOGENIZACIÓN DE

PERFILES DE SUELOS..........................................................................................................6
3.1.- Resumen Estadístico de las Principales Propiedades de los Perfiles
de Suelos Recopilados.....................................................................................................8
IV.- RESOLUCIÓN ESPACIAL...........................................................................................13
V.- VARIABLES AUXILIARES DEL MODELO DE FORMACIÓN EDÁFICA..........15

5.1.- Parámetros Morfométricos del Terreno................................................................15
5.2.- Clases Litológicas.................................................................................................19
5.3.- Indices de Vegetación...........................................................................................21
5.4.- Variables Climáticas.............................................................................................27
5.4.1.- Regionalización de las Variables Climáticas.........................................32
VI.- INFERENCIA DE PROPIEDADES FÍSICO-QUÍMICAS DEL SUELO.................42

6.1.- Funciones de Predicción Espacial de las Propiedades del Suelo..........................46
6.2.- Análisis Geo-estadístico de los Residuos de las Funciones de
Predicción Espacial.......................................................................................................48
6.3.- Predicción de la Densidad Aparente del Suelo.....................................................49
6.4.- Generación y Evaluación de la Cartografía Digital de las Propiedades
Físico-Químicas del Suelo............................................................................................54
VII.- INFERENCIA DE LAS PROPIEDADES HIDRÁULICAS DEL SUELO..............60

7.1.- Capacidad de Campo y Punto de Marchitez Permanente.....................................60
7.2.- Parámetros de Retención del Agua en el Suelo y Conductividad Hidráulica.......62
VIII.- REFERENCIAS BIBLIOGRÁFICAS.......................................................................69
ii
INDICE DE FIGURAS
Figura 1.- Sistema de Inferencia Espacial de propiedades físico-químicas e hidráulicas
de los suelos de Andalucía..........................................................................................................4
Figura 2.- Localización de los perfiles de suelos recopilados...................................................6
Figura 3.- Clasificación de los perfiles de suelos disponibles según el diagrama de textura
del USDA. (a) Textura en el horizonte superficial. (b) Textura en el horizonte
subsuperficial..............................................................................................................................8
Figura 4.- Histogramas de los contenidos de arena, limo y arcilla en los perfiles recopilados.
(a) Horizonte superficial. (b) Horizontes subsuperficial.............................................................9
Figura 5.- Histogramas de los valores de profundidad del suelo, materia orgánica y pH
en los perfiles recopilados. (a) Horizonte superficial. (b) Horizonte subsuperficial................11
Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y

punto de marchitez permanente en los horizontes edáficos......................................................12
Figura 7.- Definición de la cuadrícula de trabajo de 250 m de resolución..............................13
Figura 8.- Incertidumbre y propagación de errores en el análisis morfológico del MDE

agregado a la resolución de trabajo. (a) Modelo Digital de Elevaciones de Andalucía
(b) Desviación estándar de las elevaciones resultantes de la agregación del MDE original....16
Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía

(valores medios de 60 realizaciones estocásticas)....................................................................17
Figura 10.- Clases litológicas definidas originalmente en el mapa SIGMA............................19
Figura 11.- Mapa sintético de clases litológicas de Andalucía................................................20
Figura 12.- Zonas utilizadas (marcadas con un rectángulo) para calibrar los parámetros
de filtrado del software TIMESAT...........................................................................................22
Figura 13.- Resultados del filtrado con TIMESAT de algunas series temporales de EVI
(Tiempo expresado en unidades de 16 días).............................................................................23
Figura 14.- Serie temporal (16 días de frecuencia) del Índice de Vegetación Mejorado........25
Figura 15.- Ubicación y tipo de las estaciones climáticas.......................................................28
Figura 16.- Histogramas de la precipitación media mensual...................................................29
Figura 17.- Histogramas de la temperatura media mensual.....................................................30
Figura 18.- Histogramas de la temperatura mínima mensual..................................................31
Figura 19.- Histogramas de la temperatura máxima mensual..................................................32
iii
Figura 20.- Semivariogramas de los residuos de la precipitación media mensual..................34
Figura 21.- Mapas de las variables climáticas. (a) Precipitación media mensual.
(b) Temperatura media mensual. (c) Temperatura mínima mensual. (d) Temperatura
máxima mensual.......................................................................................................................36
Figura 22.- Mapas de evapotranspiración de referencia mensual............................................41
Figura 23.- Obtención de la cartografía digital de las propiedades físico-químicas del

suelo con el procedimiento de regresión-kriging......................................................................43
Figura 24.- Varianza explicada por las componentes principales de las variables
auxiliares...................................................................................................................................45
Figura 25.- Árbol de regresión obtenido para explicar la relación entre el pH superficial
y las variables ambientales (NT: Nodo Terminal)....................................................................47
Figura 26.- Relación entre las componentes principales de las variables ambientales
y los principales factores formadores del suelos.......................................................................48
Figura 27.- Histogramas de los residuos de las funciones de predicción espacial de

las propiedades del suelo (residuos de las variables con transformación logística).................49
Figura 28.- Árbol de regresión obtenido para explicar la relación entre la Densidad
Aparente y las propiedades físicas del suelo (NT: Nodo Terminal).........................................50
Figura 29.- Mapas generados de las propiedades físico-químicas del suelo.

(a) Textura, pH y materia orgánica en el horizonte superficial. (b) Textura, pH y
materia orgánica en el horizonte subsuperficial. (c) Densidad aparente y clases de
profundidad del suelo................................................................................................................51
Figura 30.- Mapas de errores de inferencia espacial de las propiedades físico-químicas

del suelo. (a) Textura, pH y materia orgánica en el horizonte superficial y profundidad
del suelo. (b) Textura, pH y materia orgánica en el horizonte subsuperficial..........................55
Figura 31.- Errores de inferencia espacial de la arcilla en el horizonte superficial

(Valores originales y realizaciones estocásticas). (a) Mapas de errores. (b) Histogramas
y estadísticos de los errores. (c) Variogramas de los errores....................................................58
Figura 32.- Mapas de Capacidad de Campo, Punto de Marchitez Permanente y Retención

del Agua. (a) Horizonte Superficial. (b) Horizonte Subsuperficial..........................................61
Figura 33.- Comparación entre los contenidos volumétricos de agua registrados en la

base de datos de referencia y estimados por Rosetta. (a) Capacidad de Campo (Contenido
de agua para un potencial matricial de 330 cm). (b) Punto de Marchitez Permanente
(Contenido de agua para un potencial matricial de 15000 cm).................................................64
Figura 34.- Comparación entre los contenidos volumétricos de agua registrados en la

base de datos de referencia y estimados por Rosetta tras aplicar el procedimiento
iv
de corrección. (a) Capacidad de Campo. (b) Punto de Marchitez Permanente........................65
Figura 35.- Parámetros de retención estimados por Rosetta tras aplicar el procedimiento
de corrección. (a) Horizonte superficial. (b) Horizonte subsuperficial.....................................67
Figura 36.- Conductividad hidráulica saturada y parámetros de la función de

conductividad hidráulica no saturada. (a) Horizonte superficial. (b) Horizonte
subsuperficial............................................................................................................................68
v
INDICE DE TABLAS
Tabla 1.- Resumen estadístico de la textura en los perfiles recopilados....................................9
Tabla 2.- Resumen estadístico de la profundidad del suelo, materia orgánica y pH en

los perfiles recopilados..............................................................................................................10
Tabla 3.- Resumen estadístico de la densidad aparente, la capacidad de campo

y punto de marchitez permanente en los horizontes edáficos...................................................11
Tabla 4.- Pesos asignados a los valores de EVI en el proceso de filtrado temporal................23
Tabla 5.- Resumen estadístico de la precipitación media mensual..........................................28
Tabla 6.- Resumen estadístico de la temperatura media mensual............................................29
Tabla 7.- Resumen estadístico de la temperatura mínima mensual.........................................30
Tabla 8.- Resumen estadístico de la temperatura máxima mensual.........................................31
Tabla 9.- Funciones de predicción de la precipitación media mensual....................................33
Tabla 10.- Funciones de predicción de la temperatura media mensual...................................33
Tabla 11.- Funciones de predicción de la temperatura mínima mensual.................................34
Tabla 12.- Funciones de predicción de la temperatura máxima mensual................................34
Tabla 13.- Precisión de los mapas de precipitación media mensual, temperaturas

media, mínima y máxima mensuales........................................................................................35
Tabla 14.- Precisión de los mapas de evapotranspiración de referencia mensual...................40
Tabla 15.- Límites físicos asumidos en la transformación logística de las variables

del suelo....................................................................................................................................44
Tabla 16.- Variables auxiliares recopiladas para desarrollar las funciones de

predicción espacial de las propiedades del suelo......................................................................45
Tabla 17.- Funciones de predicción espacial de las propiedades físico-químicas del suelo....46
Tabla 18.- Precisión alcanzada en la generación de los mapas de propiedades

físico-químicas del suelo...........................................................................................................54
Tabla 19.- Resumen estadístico de los datos recopilados en 2032 horizontes de suelos
locales para conformar la base de datos de referencia de KNN................................................60
Tabla 20.- Coeficientes correctores de los parámetros de retención originalmente

estimados por Rosetta...............................................................................................................65
vi
Tabla 21.- Diferencias entre los mapas de CC y PMP generados con la función de
van Genuchten con los parámetros de retención obtenidos por Rosetta e inferidos
por el procedimiento KNN........................................................................................................66
vii
RESUMEN EJECUTIVO
Antecedentes
La disponibilidad de información edafológica asimilable por modelos agro-hidrológicos

regionales es muy limitada en Andalucía. Si bien existen numerosos estudios locales de suelos
en la región, el principal problema de esta inestimable fuente de información es que se
encuentra muy dispersa y necesitaba cierto nivel de depuración y homogenización para ser
asimilada por los modelos.
Por otro lado, los estudios existentes de suelos a escala regional, tales como el mapa de suelos
de Andalucía, solo son capaces de brindar una información muy general y representativa de
las clases edáficas dominantes en las unidades que los conforman. Generalmente, los mapas
regionales de clases edáficas no brindan información directa sobre las propiedades físicas e
hidráulica de los suelos, por lo que no pueden ser utilizados por los modelos agro-
hidrológicos.
Ante esta situación, y previendo que la Directiva Marco de Suelos se implementará en un

futuro próximo en Europa, la Empresa Pública Desarrollo Agrario y Pesquero abre un línea de
trabajo dirigida a recopilar, depurar y homogeneizar la mayor cantidad posible de perfiles de
suelos estudiados en Andalucía con el objetivo de desarrollar un Sistema de Inferencia
Espacial de Propiedades Físico-Químicas e Hidráulicas.
Metodología
Se aplicaron técnicas edafométricas que permitieron correlacionar la información obtenida de

las observaciones directas del suelo (perfiles) con las principales variables ambientales que
contribuyen a la formación del suelo. Para esto se utilizó un procedimiento híbrido de
predicción espacial (regresión-kriging) que se basó en la combinación del análisis de
regresión no paramétrico (Árboles de Regresión) con técnicas geoestadísticas de interpolación
espacial (Kriging Ordinario). Así, las regresiones permitieron correlacionar las variables
ambientales con las propiedades físicas del suelo, mientras que los residuos de las regresiones
se interpolaron espacialmente para mejorar la precisión espacial de las predicciones.
Finalmente, se desarrollaron e identificaron funciones de edafo-transferencias para obtener las
propiedades hidráulicas de los suelos de la región.
Datos de Partida
Se identificaron las instituciones que disponen de importantes bases de datos de perfiles de

suelos geo-referenciados en Andalucía. Después de recopilar, depurar y homogenizar los
datos originales, se retuvieron 2.422 perfiles aportados por las siguientes instituciones:
a) Instituto de Recursos Naturales y Agrobiología de Sevilla (IRNAS) perteneciente al

Consejo Superior de Investigaciones Científicas. La base de datos del IRNAS aportó 812
perfiles de suelos referidos básicamente a Andalucía Occidental.
b) Consejería de Medio Ambiente de la Junta de Andalucía (CMA). La Consejería de Medio

Ambiente ha recopilado y transferido a formato digital los perfiles de suelos estudiados
durante el desarrollo del proyecto LUCDEME. Esta base de datos contiene información
viii
detallada de 861 perfiles y 430 sondeos superficiales, que cubre la región Oriental de
Andalucía.
c) Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT).

Este centro ha recopilado la base de datos de propiedades edafológicas de los suelos
españoles. Esta base de datos edafológicos ha sido elaborada a partir de numerosas
publicaciones con el fin de evaluar la vulnerabilidad radiológica de los distintos suelos en
España. La base de datos posee 319 perfiles de suelos de Andalucía.
Las variables ambientales que contribuyen a la formación del suelo se obtuvieron de las
siguientes fuentes de información:
• Modelo Digital de Elevaciones de Andalucía

• Observaciones climáticas
• Serie temporal de Índices de Vegetación obtenidos por teledetección
• Mapa de Litología de Andalucía
Resultados Obtenidos
Se generaron los siguientes mapas temáticos:
Relacionados con los Parámetros del Relieve

• Elevaciones del terreno.
• Pendiente del relieve.
• Aspecto del relieve.
• Curvatura en planta.
• Curvatura del perfil.
• Curvatura longitudinal.
• Curvatura transversal.
• Curvatura cóncava.
• Curvatura convexa.
• Indice de Humedad.
• Potencia de la Escorrentía.
Relacionados con el Material Parental

• Mapa sintético de 20 clases litológicas de Andalucía.
Relacionados con la Cobertura del Suelo

• 23 mapas (16 días de frecuencia) del Índice de Vegetación Mejorado medio
correspondientes al período 2001-2005.
Relacionados con las Variables Climáticas

• 12 mapas de la temperatura media mensual histórica.
• 12 mapas de la temperatura máxima mensual histórica.
• 12 mapas de la temperatura mínima mensual histórica.
• 12 mapas de la precipitación media mensual histórica.
• 12 mapas de la evapotranspiración de referencia mensual histórica.
ix
Relacionados con las Propiedades Físico-Químicas del Suelo
• 3 mapas de textura del suelo expresada como porcentaje de arena, limo y arcilla.
• Densidad aparente del suelo.
• Porcentaje de materia orgánica.
• pH (H2O) del suelo.
• Profundidad del suelo hasta el horizonte R.
Relacionado con las Propiedades Hidráulicas del Suelo

• Capacidad de Campo (Contenido volumétrico de agua en el suelo para potencial
matricial de –33 kPa).
• Punto de Marchitez Permanente (Contenido volumétrico de agua en el suelo para
potencial matricial de –1500 kPa).
• Capacidad de retención del agua en el suelo.
• Conductividad hidráulica saturada.
• 4 mapas correspondientes a los parámetros de retención según el modelo de van
Genuchten (θr y θs: humedad volumétrica residual y a saturación; α y n: parámetros
de forma de la curva).
• 2 mapas que definen los parámetros de la función de conductividad hidráulica no
saturada según el modelo de Mualem (Ko: conductividad saturada aparente; L:
tortuosidad/conectividad de los poros).
Todos los mapas temáticos de las propiedades del suelo se obtuvieron para dos horizontes
homogéneos: Uno superficial de 25 a 30 cm de profundidad (incluye el horizonte A
básicamente) y otro sub-superficial con un espesor variable desde los 25-30 cm hasta la
profundidad efectiva del suelo. La cartografía digital generada comprende la totalidad de la
región andaluza y se encuentra disponibles en formato raster (ArcGIS) con una resolución
espacial uniforme de 250 m. Los mapas generados fueron capaces de explicar entre el 70 y el
90% de la variabilidad de los propiedades físico-químicas analizas, sin embargo, debe
comprenderse que el sistema ha sido diseñado para inferir las propiedades del suelo a escala
regional (entre 1:150.000 a 1:250.000) y por tanto, no debe utilizarse en estudios locales.
x
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
Sistema de Inferencia Espacial de Propiedades Físico-

Químicas e Hidráulicas de los Suelos de Andalucía.
Herramienta de Apoyo a la Simulación de Procesos Agro-
Hidrológicos a Escala Regional
I.- Introducción
El suelo está sujeto a una serie de procesos de degradación y amenazas: erosión, pérdida de
materia orgánica, contaminación local y difusa, sellado, compactación, reducción de la
diversidad biológica, salinización, inundaciones y deslizamientos de tierras. En condiciones
climáticas áridas o semiáridas, la combinación de varias de estas amenazas puede dar lugar a
la desertificación. Dada la importancia de los suelos y la necesidad de frenar su degradación,
el Sexto Programa de Acción en materia de medio ambiente de la Unión Europea instó a la
elaboración de una estrategia temática sobre la protección de los suelos, que se ha concretado
con una propuesta de Directiva Marco de Suelos (COM, 2006).
De acuerdo con la propuesta de directiva, en un plazo de cinco años a partir de su

trasposición, los Estados miembros identificarán las zonas de riesgo de su territorio nacional,
donde existan pruebas concluyentes o indicios fundamentados de que se haya dado o es
probable que se dé en un futuro próximo uno o más de los procesos de degradación del suelo
indicados a continuación:
• Erosión por el agua o el viento.

• Pérdida de materia orgánica provocada por una tendencia descendente constante de la
fracción orgánica del suelo.
• Compactación debido a un aumento de la densidad aparente y a una disminución de la
porosidad del suelo.
• Salinización a causa de la acumulación en el suelo de sales solubles.
• Deslizamientos de tierras provocados por el movimiento cuesta abajo, rápido a
moderadamente rápido, de masas de tierra y material rocoso.
Los Estados miembros podrán basar la identificación de las zonas de riesgo en datos
empíricos o en modelos agro-hidrológicos. Si se utilizan modelos, estos deben validarse
comparando los resultados con datos empíricos que no se hayan utilizado para el desarrollo
del modelo mismo. Los modelos agro-hidrológicos necesitan diferentes fuentes de
información para estimar y pronosticar los procesos para los que han sido diseñados. Entre los
principales parámetros de entrada de estos modelos se encuentran: (i) datos climáticos, (ii)
datos de fisiología de cultivos, (iii) propiedades físico-químicas e hidráulicas de los suelos, y
(iv) datos de gestión de los sistemas agrícolas.
En el caso particular de Andalucía, la disponibilidad de información edafológica asimilable

por los modelos agro-hidrológicos es muy limitada a escala regional. Si bien existen
numerosos estudios locales de suelos en Andalucía, el principal problema de esta inestimable
fuente de información es que se encuentra muy dispersa y necesita cierto nivel de depuración
y homogenización para ser asimilada por los modelos. Por otro lado, los estudios existentes de
suelos a escala regional, tales como el mapa de suelos de Andalucía (CSIC-IARA, 1989), solo
son capaces de brindar una información muy general y representativa de las clases edáficas
1
dominantes en las unidades que los conforman. Generalmente, los mapas regionales de clases
edáficas no brindan información directa sobre las propiedades físicas e hidráulica de los
suelos, por lo que no pueden ser utilizados por los modelos agro-hidrológicos (McBratney et
al., 2003; Quinn et al., 2005; Dobos et al., 2006).
Ante esta situación, y previendo que la Directiva Marco de Suelos se implementará en un

futuro próximo, la Empresa Pública Desarrollo Agrario y Pesquero abre un línea de trabajo
dirigida a recopilar, depurar y homogeneizar la mayor cantidad posible de perfiles de suelos
estudiados en Andalucía con el objetivo de:
Desarrollar un sistema de inferencia espacial de propiedades físico-químicas e

hidráulicas de los suelos de Andalucía.
El objetivo general de esta línea de trabajo se ha desglosado en una serie de objetivos

específicos que se enumeran a continuación:
1. Desarrollar y evaluar funciones de predicción espacial de propiedades físico-químicas de

los suelos a escala regional.
2. Obtener los mapas digitales de las principales propiedades físico-químicas de los suelos
de Andalucía.
3. Desarrollar y evaluar funciones de edafotransferencia para estimar la capacidad de
retención de agua de los suelos.
4. Identificar las funciones de edafotransferencia más adecuadas para estimar las
propiedades hidráulicas de los suelos.
5. Obtener los mapas digitales de las principales propiedades hidráulicas de los suelos de
Andalucía.
De esta manera, el sistema de inferencia espacial de propiedades físico-químicas e hidráulicas

de los suelos de Andalucía constituirá una herramienta básica de apoyo a la simulación de
procesos agro-hidrológicos a escala regional, con el fin de satisfacer las directrices propuestas
en la futura Directiva Marco de Suelos de Europa.
2
II.- Descripción del Sistema de Inferencia Espacial de Propiedades

del Suelo
El objetivo de un Sistema de Inferencia Espacial de Propiedades del Suelo es la producción
asistida por ordenador de cartografía digital de propiedades y clases de suelos. Para esto se
utilizan técnicas edafométricas que consisten en la aplicación de modelos matemáticos y
estadísticos que combinan la información obtenida de las observaciones del suelo con
determinadas variables ambientales correlacionadas (Dobos et al., 2006). Así, un Sistema de
Inferencia Espacial de Propiedades del Suelo está compuesto por los siguientes elementos:
• Un modelo predefinido de formación del suelo.

• Un conjunto de propiedades del suelo obtenidas de las mediciones directas.
• Un conjunto de variables auxiliares que tienen un impacto significativo sobre la
formación del suelo y la distribución espacial de sus propiedades.
La base para la definición del modelo de formación edáfica es la conocida ecuación de Jenny
(1941) que identifica cinco factores principales que contribuyen a la creación del suelo,
siendo: (i) clima, (ii) organismos biológicos, (iii) relieve, (iv) material parental y (v) tiempo.
La aproximación de Jenny se centra en la predicción de los atributos edafológicos en una

localización determinada, sin considerar al suelo como un ente continuo en donde sus
propiedades dependen además, de la posición geográfica y de las propiedades de los
elementos vecinos. Desde el punto de vista del Sistema de Inferencia Espacial, los cinco
factores identificados por la ecuación de Jenny deben ampliarse con la inclusión de la
posición geográfica. Asimismo, algunas propiedades edafológicas son difíciles de medir, pero
pueden estimarse con aceptable precisión mediante la correlación con otros parámetros del
suelo medidos en la misma localización. Esta visión es la base del modelo SCORPAN
formulado por McBratney et al. (2003), quienes identificaron siete factores para la predicción
espacial de las propiedades edafológicas:
Sa = f(S, C, O, R, P, A, N)
donde Sa es el atributo del suelo estimado en una posición, S representa otras propiedades del
suelo medidas o estimadas en la misma localización, C son factores climáticos, O expresa la
acción de los organismos biológicos, R son los parámetros del relieve, P es el material
parental, A es el tiempo y N es la posición geográfica donde se estima el atributo del suelo.
El Sistema de Inferencia Espacial de Propiedades del Suelo propuesto en este trabajo (Fig. 1)
tomó a SCORPAN como el modelo de formación edáfica. Para la implementación del sistema
se analizaron cuatro fuentes de información auxiliar que se correlacionaron con las
observaciones directas del suelo para desarrollar las funciones de predicción espacial de sus
propiedades físico-químicas. Las fuentes de información auxiliar consideradas fueron:
• Modelo Digital de Elevaciones de Andalucía

• Observaciones climáticas
• Serie temporal de Índices de Vegetación obtenidos por teledetección
• Mapa de Litología de Andalucía
3
Los parámetros obtenidos de las fuentes auxiliares se sometieron a una serie de

procedimientos para la depuración, normalización y reducción de dimensionalidad antes de
ser correlacionadas con las propiedades del suelo. Como regla general, los parámetros
auxiliares se normalizaron a través de análisis de Componentes Principales.
Observaciones de Suelos Información Auxiliar

(Descripción de perfiles de suelo, (Parámetros morfométricos, datos
datos de laboratorio, etc.) climáticos, mapa litológico, Índices de
vegetación)
Depuración y Normalización y Reducción

Homogeneización de Datos de Dimensionalidad
en dos Horizontes (Componentes Principales)
Desarrollo de
Funciones de
Predicción
Espacial de
Propiedades
Físico-
Evaluación de los Errores de
Químicas
Inferencia Espacial
Interpolación
Espacial de
los Residuos
de las
Funciones
Cartografía Digital de las

Propiedades Físico-
Químicas
Identificación y
Evaluación de
Funciones de
Edafo-
transferencia
Cartografía Digital de las

Propiedades Hidráulicas
Figura 1.- Sistema de Inferencia Espacial de propiedades físico-químicas e hidráulicas de

los suelos de Andalucía.
4
El sistema utilizó procedimientos híbridos de predicción espacial basados en la combinación

de análisis de regresión no paramétrica (Árboles de Regresión) con técnicas geoestadísticas de
interpolación espacial (Kriging Ordinario). Así, las regresiones permitieron correlacionar las
variables auxiliares (sus componentes principales) con las propiedades físico-químicas del
suelo para generar las funciones de predicción espacial; mientras que los residuos de las
regresiones se interpolaron espacialmente para mejorar la precisión de las predicciones.
Finalmente, se desarrollaron y evaluaron funciones de edafotransferencia para estimar las
propiedades hidráulicas de los suelos de Andalucía.
5
III.- Recopilación, Depuración y Homogenización de Perfiles de

Suelos
Como primer paso se identificaron las instituciones que disponen de importantes bases de
datos de perfiles de suelos geo-referenciados en Andalucía. Después de recopilar, depurar y
homogenizar los datos originales, se retuvieron 2422 perfiles aportados por las siguientes
instituciones (Fig. 2):
a) Instituto de Recursos Naturales y Agrobiología de Sevilla (IRNAS) perteneciente al

Consejo Superior de Investigaciones Científicas. La base de datos del IRNAS aportó 812
perfiles de suelos referidos básicamente a Andalucía Occidental.
b) Consejería de Medio Ambiente de la Junta de Andalucía (CMA). La Consejería de Medio

Ambiente ha recopilado y transferido a formato digital los perfiles de suelos estudiados
durante el desarrollo del proyecto LUCDEME. Esta base de datos contiene información
detallada de 861 perfiles y 430 sondeos superficiales, que cubre la región Oriental de
Andalucía.
c) Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT).

Este centro ha recopilado la base de datos de propiedades edafológicas de los suelos
españoles (Trueba et al., 1999). Esta base de datos ha sido elaborada a partir de numerosas
publicaciones con el fin de evaluar la vulnerabilidad radiológica de los distintos suelos en
España. La base de datos posee 319 perfiles de suelos de Andalucía que han sido
depurados y homogeneizados por Vanderlinden (2002).
Localización de los Perfiles de Suelos
FUENTE
±
IRNAS
CMA
CMA SONDEO
CIEMAT
Figura 2.- Localización de los perfiles de suelos recopilados.
6
Para depurar y homogeneizar la información aportada por las instituciones antes mencionadas
se siguieron en una serie de pasos que se detallan a continuación:
I.- Se eliminaron los perfiles que no disponían de información en al menos uno de los
siguientes parámetros:
1. Coordenadas geográficas.
2. Textura expresada como porcentaje gravimétrico de arena, limo y arcilla.
3. Densidad aparente (DA).
4. Porcentaje de materia orgánica (o carbono orgánico) (MO).
5. pH (H2O).
6. Capacidad de Campo (CC): Contenido de agua para un potencial matricial de -33 kPa.
7. Punto de Marchitéz Permanente (PMP): Contenido de agua para un potencial matricial
de -1500 kPa.
8. Profundidad del suelo: Profundidad hasta el horizonte R.
II.- Las coordenadas geográficas de los perfiles se convirtieron al sistema UTM 30N ED
1950. Se eliminaron todos los perfiles con coordenadas erróneas o dudosas acorde con la
información aportada en los campos descriptivos de las bases de datos originales.
III.- Se aplicaron las siguientes reglas para filtrar los datos:

1. 0 ≤ Arena ≤ 100
2. 0 ≤ Limo ≤ 100
3. 0 ≤ Arcilla ≤ 100
4. 95 >= Arena+Limo+Arcilla <= 105
5. Si se cumple la regla 4, el % de Arena se ajustó restando el % de Limo y Arcilla de
100
6. 0 < DA < 2,65 gr/cm3
7. MO (%) = 1,724 * Carbono Orgánico
8. 0 ≤ MO ≤ 100
9. 1 ≤ pH (H2O) ≤ 14
10. CC (porcentaje volumétrico)= CC (porcentaje gravimétrico) * DA
11. PMP (porcentaje volumétrico)= PMP (porcentaje gravimétrico) * DA
12. 0 < PMP < CC <100
13. (1-DA/2,65)-(CC/100) >= 0,01
IV.- Todos los datos recopilados se sometieron a un análisis de identificación de valores

atípicos acorde con las recomendaciones de Batjes (2002). Para todas las observaciones
pertenecientes a una misma unidad de suelo (unidades definidas en el mapa de suelos de
Andalucía, CSIC-IARA, 1989) se calcularon la mediana y la desviación absoluta de la
mediana (DAM). El DAM se calculó como la mediana de las diferencias entre cada
observación y la mediana de la muestra. Las observaciones con valores fuera del rango
definido por (mediana ± 3,5*DAM) se consideraron como atípicas y se eliminaron de la base
de datos.
V.- Finalmente, para cada perfil se definió un medio homogéneo equivalente mediante la
agregación de las propiedades de los horizontes edáficos originales en dos horizontes
homogéneos: Uno superficial de 25 a 30 cm de profundidad (incluye el horizonte A
básicamente) y otro sub-superficial con un espesor variable desde los 25-30 cm hasta la
profundidad de muestreo. Para identificar las propiedades físicas efectivas de los horizontes
homogéneos se aplicó la siguiente metodología (Jhorar et al., 2004; Durner et al., 2008):
7
1. Determinación de las propiedades hidráulicas de cada horizonte edáfico original con la

función de edafotransferencia HYPRESS (Wösten et al., 1999).
2. Simulación de la evolución temporal de los componentes del balance hídrico en el
perfil del suelo original durante un año con los datos climáticos diarios
correspondientes a la posición geográfica del perfil. Para ello se utilizó el modelo
HYDRUS 1-D (Simunek et al., 2005).
3. Identificación de las propiedades hidráulicas efectivas de los dos horizontes
homogéneos mediante modelización inversa con HYDRUS-1D, definiendo como
función objetivo la evolución temporal del contenido de agua en el suelo.
4. Identificación de las propiedades físicas efectivas de los horizontes homogéneos
mediante la inversión de la función de edafotransferencia HYPRESS.
5. Los valores de pH asignados a los horizontes homogéneos se obtuvieron como la
media ponderada en función de los espesores de los horizontes edáficos originales
(Batjes, 2002).
3.1.- Resumen Estadístico de las Principales Propiedades de los Perfiles de

Suelos Recopilados
En la Fig. 3 se muestra la clasificación textural de los perfiles recopilados según el sistema del
USDA (Arena: 2 a 0,05 mm, Limo: 0,05 a 0,002 mm y Arcilla: < 0,002 mm). Los resultados
se muestran para los horizontes homogéneos superficial (Fig. 3a) y subsuperficial (Fig. 3b).
100 100
90 10 90 10
80 20 80 20
70 30 70 30
60 clay 40 clay 40
60
% Arcilla
% Arcilla
50 % Limo % Limo
50 50 50
silty silty
clay clay
sandy sandy
40 clay 60 40 clay 60
silty clay loam silty clay loam
clay loam clay loam
30 70 30 70
sandy clay sandy clay
loam loam
20 80 20 80
loam loam
silt loam silt loam
10
sandy loam 90 10
sandy loam 90
loam y loam y
silt sand silt sand
sand sand
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
% Arena % Arena
(a) (b)
Figura 3.-Clasificación de los perfiles de suelos disponibles según el diagrama de textura

del USDA. (a) Textura en el horizonte superficial. (b) Textura en el horizonte
subsuperficial.
Obsérvese en la Fig. 3 la gran variedad de granulometrías que abarcan los perfiles

disponibles, de manera que aparecen representadas todas las clases texturales del USDA en
los horizontes homogéneos definidos. La amplia cobertura geográfica que cubren los perfiles
(Fig. 2) así como la gran variedad granulométrica representada, permite valorar la excelente
calidad de la base de datos de perfiles de suelos recopilada en este trabajo.
En la Tabla 1 se muestra el resumen estadístico para la textura. Se incluye las medidas de

tendencia central, medidas de variabilidad, y medidas de forma. De particular interés resultan
8
los coeficientes de asimetría y curtosis estandarizados que pueden utilizarse para determinar si
la muestra procede de una distribución normal. Los valores de estos estadísticos fuera del
rango de -2 a +2 indican alejamiento significativo de la normalidad.
Tabla 1.- Resumen estadístico de la textura en los perfiles recopilados.

Estadístico Arena Limo Arcilla Arena Limo Arcilla
Superficial Superficial Superficial Subsuperf. Subsuperf. Subsuperf.
(%) (%) (%) (%) (%) (%)
No. Perfiles 2107 2107 2107 1522 1522 1522
Media 45,56 30,02 24,41 45,08 27,30 27,29
Mediana 45,64 29,62 21,12 45,41 25,94 24,74
Desviac. 20,57 14,49 14,62 20,32 14,35 15,24
Estándar
Mínimo 0,64 0,00 0,56 0,28 0,00 1,20
Máximo 97,58 85,20 81,00 97,41 89,73 82,99
Asimetría 1,11 4,96 18,92 0,44 8,09 10,95
Curtosis -5,98 -1,98 6,08 -5,26 0,70 0,13
En la Fig. 4 se muestran los histogramas de los contenidos de arena, limo y arcilla para el
horizonte superficial (Fig. 4a) y el horizonte subsuperficial (Fig. 4b). Se puede apreciar
claramente en esta figura que, a excepción del contenido de arena, las variables se desvían
significativamente de la distribución normal (Histogramas asimétricos).
10 16
9 14
8
Frecuencia (%)
12
Frecuencia (%)
7
6 10
5 8
4 6
3
4
2
1 2
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Arena (%) Limo (%)
18
16
Frecuencia (%)
14
12
10
8
6
4
2
0
0 10 20 30 40 50 60 70 80 90 100
Arcilla (%)
(a)
Figura 4.- Histogramas de los contenidos de arena, limo y arcilla en los perfiles
recopilados. (a) Horizonte superficial. (b) Horizontes subsuperficial.
9
10 16
9 14
8
Frecuencia (%)
Frecuencia (%)
12
7
6 10
5 8
4 6
3
4
2
1 2
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Arena (%) Limo (%)
16
14
Frecuencia (%)
12
10
8
6
4
2
0
0 10 20 30 40 50 60 70 80 90 100
Arcilla (%)
(b)
Figura 4.- Continuación...
Asimismo, la Tabla 2 contiene el resumen estadístico de la profundidad del suelo, la materia

orgánica y el pH, mientras que en la Fig. 5 se muestran los histogramas de estas variables.
Nótese que estas propiedades también se desvían significativamente de la distribución normal.
Tabla 2.- Resumen estadístico de la profundidad del suelo, materia orgánica y pH en los
perfiles recopilados.
Estadístico Profundidad MO pH (H2O) MO pH (H2O)
Suelo Superficial Superficial Subsuperf. Subsuperf.
(cm) (%) (%)
No. Perfiles 738 2099 2168 1508 1547
Media 114,98 2,07 7,59 1,03 7,45
Mediana 125,00 1,64 7,84 0,87 7,73
Desviac. 62,85 1,54 0,86 0,66 0,94
Estándar
Mínimo 5,00 0,12 4,44 0,02 3,80
Máximo 225,00 11,43 9,30 4,70 9,30
Asimetría -4,35 39,55 -25,54 23,89 -18,97
Curtosis -8,13 60,65 12,64 24,84 6,63
10
50
40
Frecuencia (%)
30
20
10
0
0 25 50 75 100 125 150 175 200 225 250
Profundidad (cm)
35 45
30 40
35
Frecuencia (%)
Frecuencia (%)
25
30
20 25
15 20
15
10
10
5 5
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Materia Orgánica (%) Materia Orgánica (%)

25 30
25
20
Frecuencia (%)
Frecuencia (%)
20
15
15
10
10
5
5
0 0
3 4 5 6 7 8 9 10 11 3 4 5 6 7 8 9 10 11
pH (H2O) pH (H2O)
(a) (b)
Figura 5.- Histogramas de los valores de profundidad del suelo, materia orgánica y pH en
los perfiles recopilados. (a) Horizonte superficial. (b) Horizonte subsuperficial..
Finalmente, la Tabla 3 y la Fig. 6 contienen el resumen estadístico de los horizontes edáficos

con disponibilidad de datos de densidad aparente, capacidad de campo y punto de marchitez
permanente.
Tabla 3.- Resumen estadístico de la densidad aparente, la capacidad de campo y punto de

marchitez permanenet en los horizontes edáficos.
Estadístico DA DA Capacidad de Punto Marchitez
Superficial Subsuperf. Campo Permanente
(gr/cm3) (gr/cm3) (cm3/cm3) (cm3/cm3)
No.Horizontes 435 515 2032 2032
Media 1,28 1,39 0,29 0,14
Mediana 1,30 1,40 0,29 0,14
Desviac. Estándar 0,13 0,12 0,089 0,065
Mínimo 1,00 1,00 0,012 0,006
Máximo 1,70 1,80 0,53 0,42
Asimetría 4,82 0,32 -3,68 -12,96
Curtosis 3,64 -0,73 -0,74 2,71
11
Los datos de densidad aparente, capacidad de campo y punto de marchitez permanente se

utilizaron en este trabajo para generar funciones locales de edafotransferencia. Por esta razón,
para estas variables no fue necesario agregar la información de los horizontes edáficos
originales en dos horizontes homogéneos. Obsérvese que los estadísticos contenidos en la
Tabla 3 y en la Fig. 6 se refieren a los horizontes originales y no a los horizontes homogéneos
agregados como en el resto de las variables del suelo analizadas.
40 40
Horizontes Horizontes
Superficiales Subsuperficiales
Frecuencia (%)
Frecuencia (%)
30 30
20 20
10 10
0 0
1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2
Densidad Aparente (gr/cm3) Densidad Aparente (gr/cm3)

16 24
20
Frecuencia (%)
Frecuencia (%)
12
16
8 12
8
4
4
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Capacidad de Campo (cm3/cm3) Punto Marchitez Permanente (cm3/cm3)
Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y punto
de marchitez permanente en los horizontes edáficos.
12
IV.- Resolución Espacial

La primera decisión que se tomó para el desarrollo del Sistema de Inferencia Espacial de
Propiedades del Suelo fue la elección de la resolución espacial (tamaño de píxel) de la
cuadrícula de trabajo. De acuerdo con la extensión de la superficie de estudio, la
disponibilidad de observaciones de suelo y el coste de cálculo, una resolución de 250 m
parece razonable para garantizar un adecuado equilibrio entre la precisión de los resultados y
la demanda de cálculo (McBratney et al., 2003; Hengl, 2006). Consecuentemente, se generó
una cuadrícula vectorial de 250 m de resolución que cubre toda la región andaluza, más una
franja de 2.500 m de extensión media fuera de sus fronteras para evitar el efecto borde en los
análisis morfológicos (Fig. 7). Todos los mapas temáticos utilizados y generados en este
trabajo se agregaron y reensamblaron en base a la referencia espacial definida por esta
cuadrícula de trabajo.
Cuadrícula de Trabajo
Resolución: 250 m
Figura 7.- Definición de la cuadrícula de trabajo de 250 m de resolución.
13
Es bien conocido que las propiedades del suelo pueden exhibir diferentes estructuras
espaciales en función de la escala del dominio fisiográfico analizado. Por esta razón, debe
señalarse que la resolución espacial adoptada en este trabajo (250 m) así como la agregación
de las propiedades en dos horizontes homogéneos, son dos factores que impiden que el
sistema diseñado sea capaz de reflejar las variaciones locales de las propiedades del suelo. El
enfoque de este trabajo está dirigido a captar la variación de los parámetros del suelo a escala
regional. Esto implica que el sistema ha sido diseñado para inferir las propiedades del suelo a
escalas entre 1:150.000 y 1:250.000, y no debe utilizarse en estudios locales.
14
V.- Variables Auxiliares del Modelo de Formación Edáfica

Partiendo del modelo de formación edáfica asumido en este trabajo (modelo SCORPAN), se
identificaron cuatro de los factores más importantes que contribuyen a la formación del suelo,
siendo: (i) el clima, (ii) la acción de organismos biológicos, (iii) los parámetros del relieve y
(iv) el material parental (McBratney et al., 2003). En los siguientes epígrafes se describen los
procedimientos de recopilación, depuración y adecuación de las variables auxiliares que se
utilizaron en este estudio para describir los principales factores formadores del suelo.
5.1.- Parámetros Morfométricos del Terreno
Un Modelo Digital de Elevaciones (MDE) permite derivar determinados parámetros

cuantitativos asociados a los procesos formadores del suelo. Este procedimiento se conoce
como análisis (geo)morfológico del terreno, y consiste en la obtención de una serie de
parámetros morfométricos capaces de cuantificar las características ecológicas, hidrológicas y
geomorfológicas del relive (Wood, 1996). Los parámetros morfométricos pueden clasificarse
en primarios y secundarios. Los parámetros primarios son descriptores directos de las
características del terreno tales como la pendiente, las curvaturas o el aspecto. Los parámetros
secundarios representan características más complejas del paisaje asociadas a ciertos procesos
reguladores del terreno como son la erosión, la sedimentación o la incidencia de la radiación
solar.
Para el desarrollo del Sistema de Inferencia Espacial se utilizó el Modelo Digital de

Elevaciones de Andalucía con una resolución espacial de 20 m. El primer paso seguido en la
parametrización del terreno fue la agregación del MDE a la resolución de trabajo (250 m). La
agregación de un MDE es muy útil para reducir las variaciones del terreno a pequeña escala y
conseguir una mejor representación regional de su estructura espacial. Sin embargo, este
proceso puede deteriorar seriamente la precisión de los parámetros del terreno (Thompson et
al., 2001). Para evitar el deterioro de los parámetros del terreno que supone el proceso de
agregación, se aplicó el procedimiento que se describe en los siguientes párrafos.
A cada celda original del MDE se asignó el valor medio de las elevaciones contenidas en una
ventana local de 250 x 250 m mediante la herramienta FocalMean del Spatial Analyst Tool de
ArcGIS. Posteriormente, el MDE atenuado resultante de la operación anterior se reensambló a
la resolución de trabajo de 250 m con el método de interpolación bi-lineal implementado en
ArcGIS. Asimismo, se calculó la desviación estándar de las elevaciones contenidas en cada
ventana local de 250 m. Estos valores se utilizaron para cuantificar la incertidumbre que
introdujo el proceso de agregación y generar múltiples realizaciones del MDE con
simulaciones estocásticas.
En la Fig. 8a se muestra el MDE de Andalucía agregado a la resolución de 250 m, mientras

que en la Fig. 8b se aprecia el mapa de las desviaciones estándar de las elevaciones resultantes
del proceso de agregación. La elevación media y la desviación estándar de cada celda de 250
m se utilizaron para generar múltiples realizaciones de la elevación. Para esto se usó el
software DIGEMAN (Bishop et al., 2006), que es capaz de generar realizaciones estocásticas
del MDE basado en la técnica de muestreo Hipercubo Latino, y considerando la correlación
espacial entre las celdas vecinas contenidas en una ventana local de 5 x 5 celdas. El método
de muestreo Hipercubo Latino es más eficiente en la identificación de la incertidumbre que
otros métodos convencionales de muestreo aleatorio simple. Por esta razón, se generaron tan
solo 60 realizaciones del MDE.
15
Elevación del Terreno Desviación Estándar de las Elevaciones

(m) (m)
± ±
3424.58 164.57
50 25 0 50 Km 0.00 50 25 0 50 Km 0.00
(a) (b)
Figura 8.- Incertidumbre y propagación de errores en el análisis morfológico del MDE

agregado a la resolución de trabajo. (a) Modelo Digital de Elevaciones de Andalucía (b)
Desviación estándar de las elevaciones resultantes de la agregación del MDE original.
Para cada realización estocástica del MDE se calcularon los parámetros morfométricos
correspondientes. Los mapas resultantes se obtuvieron como la media aritmética de todas las
realizaciones generadas. Los parámetros morfométricos generados son aquellos que mejor
describen los procesos formadores del suelo según los criterios de diferentes autores (Wood,
1996; Burrough et al., 2000 y 2001; Deng, 2005). Así, los atributos elegidos fueron:
• Elevación.
• Pendiente.
• Aspecto (transformado como Seno y Coseno).
• Curvaturas: Planta, Perfil, Longitudinal, Transversal, Media, Cóncava y Convexa.
• Índice de Humedad.
• Índice de Potencia de la Escorrentía.
Las formulaciones de los parámetros anteriores se encuentran en la literatura especializada

(Evans, 1980; Wood, 1996, Wilson y Gallant, 2000). Todos los parámetros se calcularon con
el software LandSerf 2.2 (Wood, 2005) excepto los dos últimos, que se determinaron con el
software TAS desarrollado por Lindsay (2005). Para derivar los índices de humedad y
potencia de la escorrentía se eliminaron las depresiones del MDE con el procedimiento de
mínimo impacto desarrollado por Lindsay y Creed (2005), mientras que la dirección del flujo
se estimó con el método propuesto por Tarboton (1997). En la Fig. 9 se muestran los
parámetros generados.
16
Pendiente del Terreno Aspecto del Terreno Aspecto del Terreno

(Grados) (Seno) (Coseno)
± ± ±
42.01 1.0 1.0
50 25 0 50 Km 0.00 50 25 0 50 Km -1.0 50 25 0 50 Km -1.0
Curvatura Planta Curvatura Perfil Curvatura Longitudinal
± ± ±
9.959 2.93 3.37
50 25 0 50 Km -10.00 50 25 0 50 Km -2.13 50 25 0 50 Km -2.79
Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía (valores medios de 60 realizaciones estocásticas).
17
Curvatura Transversal Curvatura Media Curvatura Concava
± ± ±
3.13 5.338 3.18
50 25 0 50 Km -2.68 50 25 0 50 Km -3.92 50 25 0 50 Km -7.80
Curvatura Convexa Indice de Humedad Indice de Potencia de la Escorrentía
± ± ±
9.73 31.47 14.98
50 25 0 50 Km -2.17 50 25 0 50 Km 5.94 50 25 0 50 Km -7.62
18
5.2.- Clases Litológicas
El objetivo de esta fase de trabajo consistió en obtener un mapa sintético de clases litológicas
para caracterizar los materiales parentales predominantes en el territorio andaluz. Se eligió
como información de partida el Mapa Geológico y Minero de Andalucía (SIGMA) (Junta de
Andalucía, 1998) por ser el que más información aporta desde el punto de vista litológico. El
Mapa SIGMA fue realizado sobre la base topográfica del Mapa Militar de España a escala
1:400.000, y tomó como documentación básica la elaborada y publicada por el Instituto
Geológico Minero de España. Para la realización del Mapa SIGMA se utilizaron el Mapa
Geológico Nacional a escala 1:50.000 (MAGNA), el Mapa Metalogenético de España a
escala 1:200.000, el Mapa de Rocas Industriales de España a escala 1:200.000 y otras de
investigaciones mineras de distintas épocas.
El Mapa SIGMA divide al territorio andaluz en seis zonas geotéctónicas. Las zonas se dividen
en 30 unidades geoestructurales y éstas a su vez, en 127 litologías diferentes (Fig. 10). Así,
objetivo de esta fase ha sido agrupar las 127 litologías descritas originalmente en el Mapa
SIGMA en 20 clases sintéticas (Fig. 11).
±
50 25 0 50 Km
ACIDAS (RIOLITAS, DACITAS, RIO DACITAS) CALIZAS, PIZARRAS, CUARCITAS, CONGLOMERADOS FILITAS, METAPELITAS Y ARENISCAS MICAESQUISTOS CON GRANATE, ESTAUROLITA, ANDALUCITA
ALTERNANCIAS DE ARCILLAS Y DOLOMIAS ROJAS CALIZAS, TURBIDITAS, CALCARENITAS Y MARGAS FLYSCH ARENOSO MICACEO MICAESQUISTOS FELDESPAT. (GRA.DIS.EST.) NIVELES GNEISICOS TURM. MARM
ARCILLAS ABIGARRADAS, ARENIASCAS ROJAS, YESOS Y CALIZAS CARBONATOS FORMACION "PULO DE LOBO" MICAESQUISTOS GRAFITOSOS ALBITICOS CON GRANATE, A VECES CLORITOIDE
ARCILLAS Y ARENAS ROJAS COMPLEJO BENAJARAFE (PARALICAS) FORMACION AZUAGA MICAESQUISTOS INDIFERENCIADOS
ARCILLAS Y MARGAS COMPLEJO VALDEINFIERNO FORMACION BLASTOMILONITICA (GNEIS AZUAGA) MICAESQUISTOS OSCUROS CON SILLIMANITA Y DISTENA (+/- FELD.K)
ARCILLAS, CALIZAS Y NIVELES DETRITICOS COMPLEJO VULCANO-SEDIMENTARIO FORMACION CUBITO. ESQUISTOS, FILITAS, METAVULCANITAS MICAESQUITOS GRAFITOSOS CON GRANATE Y CLORITOIDES. LOCALMENTE ANDAL.
ARCILLAS, MARGAS Y DOLOMIAS CONGLOMERADOS FORMACION CULM MIGMATITAS CON INTERCALACIONES ANFIBOLITICAS Y ENCLAVES
ARCILLAS, MARGAS Y TURBIDITAS CONGLOMERADOS, ARENAS Y ARCILLAS FORMACION VIAR, LAVAS OLISTOSTRO MAS CON MATERIAL DIVERSO EN EL SENO DE MARGAS
ARENAS DE PLAYAS Y DUNAS CONGLOMERADOS, ARENAS, LUTITAS Y CALIZAS (FLUVIALES Y LACUSTRES) FORMACION VIAR, SERIE ROJA, SERIE GRIS, SERIE ROJA OLISTOSTRO MAS CON MATRIZ MARGOSA
ARENAS TURBIDITICAS, CALIZAS, VULCANITAS ACIDAS Y BASICAS CONGLOMERADOS, LUTITAS, ARENISCAS, CALIZAS, ESPILITAS FORMACIONES DE NATURALEZA ESENCIALMENTE CARBONATADA ORTOGNEIS DE SIERRA ALHAMILLA Y METAGRANITO DE LUBRIN
ARENAS Y MARGAS CUARCITAS, GNEISES Y ANFIBOLITAS, ESQ UISTOS CON SILL./AND. FORMACIONES ESENCIALMENTE DETRITICAS, CARACTERISTICAS DE MARISMAS ORTOGNEIS DE TORROX
ARENISCAS DEL ALJIBE CUARCITAS, MICAESQUISTOS, ANFIBOLITAS, MARMOLES, FILITAS GABROS PELITAS Y METAARCOSAS (FORMACION AZUAGA)
ARENISCAS, LIMOS Y CONGLOMERADOS ROJOS CUARCITAS, PIZARRAS, CALIZAS ARRECIFALES, CUARCITAS, ARENISC GNEISES, MIGMATITAS Y ROCAS GRANULITICAS ACIDAS PERIDOTITAS
ARENITAS Y PIZARRAS DIORITAS GRANITOS BIOTITICOS PIZARRAS
BASALTO S ESPILITICOS CO N "PILLOW-LAVAS" DOLOMIAS GRANITOS DE DOS MICAS PIZARRAS AMPELITICAS, ARENISCAS Y CUARCITAS
BASICAS (DOLERITAS, DIABASAS, BASALTO) DOLOMIAS Y CALIZAS GRANODIORITAS PIZARRAS Y CUARCITAS
CALCARENITAS, MARGAS, YESOS Y CALIZAS DOLOMIAS Y CALIZAS BLANCAS GRAUVACAS, PELITAS Y CONGLOMERADOS PIZARRAS Y CUARCITAS, CUARCITA ARMORICANA
CALIZAS DOLOMIAS, CALIZAS Y CALIZAS CON SILEX INDIFERENCIADO PIZARRAS, ARENITAS
CALIZAS OOLITICAS Y DOLOMIAS EMBALSES, LAGUNAS, ZONAS DE AGUA INDIFERENCIADOS PIZARRAS, ESQUISTOS GRISES
CALIZAS Y DOLOMIAS ESQUISTOS CARBO NOSOS, MICAESQUISTOS BIOTITICOS INTERCALACIONES DE ESQUISTOS CON GRANATE Y MICAESQUISTOS CON GLAUCOF PIZARRAS, GRAUVACAS Y CALIZAS
CALIZAS Y GRAUVACAS ESQUISTOS GRISES Y ANFIBOLITAS (SILL-ANDA). INTERCALACIONES MARMOLES INTERMEDIAS (ANDESITAS, TRAQUITAS, LATITAS) ROCAS CARBONATADAS POCO METAMORFICAS
CALIZAS Y MARGAS ESQUISTOS GRISES, CUARCITAS, ANFIBOLITAS (ESTAUROLITA,DISTENA,SILLIM MARGAS Y CALIZAS MARGOSAS CON TURBIDITAS ROCAS PLUTONICAS ACIDAS INDIFERENCIADAS
CALIZAS Y MARGAS, ARENISCAS Y ARCILLAS. DORSAL EXTERNA ESQUISTOS OSCUROS, BIOTITA, GRANATE Y ESTAUROLITA MARGAS Y CALIZAS MARGOSAS PELAGICAS ROCAS PLUTONICAS BASICAS INDIFERENCIADAS
CALIZAS Y MARGAS, ARENISCAS Y ARCILLAS. DORSAL INTERNA ESQUISTOS OSCUROS, CON SILLIMANITA Y FELDESPATO POTASICO MARGAS Y TURBIDITAS ROCAS VOLCANICAS INDIFERENCIADAS
CALIZAS, CALCOESQUISTOS, PIZARRAS Y CUARCITAS ESQUISTOS Y CUARCITAS DE GRANO FINO CON BIOTITA MARGAS, ARENISCAS Y SILEXITAS SERIE NEGRA
CALIZAS, CONGLOMERADOS ESQUISTOS, PIZARRAS, GRAUVACAS, CUARCITAS MARISMAS SERIE NEGRA. PIZARRAS, GRAUVACAS, LIDITAS Y CUARCITAS NEGRAS
CALIZAS, DOLOMIAS FACIES TURBIDITICAS MARMOLES TONALITAS Y CUARZODIORITAS
CALIZAS, MARGAS Y ARENISCAS FILITAS Y CUARCITAS METABASITAS, ANFIBOLITAS Y SERPENTINITAS VULCANO-SEDIMENTARIOS
CALIZAS, MARGAS, CALIZAS CON SILEX Y MARGAS RADIOLARITICAS FILITAS, GRAUVACAS, PIZARRAS, FILITAS, CUARCITAS METAPELITAS Y FILITAS ZONA CENTRO.
ZONA NORTE. COMPLEJO PE¥ARROYA
ZONA SUR. COMPLEJO GUADIATO
Figura 10.- Clases litológicas definidas originalmente en el mapa SIGMA.
La definición de las clases sintéticas de litologías se basó principalmente en los criterios

geomorfológicos, litológicos y cronológicos recomendados por Finke et al. (1999). Los
criterios geomorfológicos se utilizaron para diferenciar las formaciones Plio-Cuaternarias,
puesto que en estas formaciones es donde se pueden apreciar mayores rasgos
geomorfológicos distintivos. Así, se diferenciaron los depósitos de estuario de los eólicos y
los fluviales, y dentro de estos últimos, se distinguió entre depósitos fluviales recientes y
19
depósitos fluviales más antiguos (terrazas fundamentalmente), quedando definidas las Clases
1 a 4. El resto de las clases se agregaron teniendo en cuenta criterios litológicos y
cronológicos, siendo:
• Rocas Sedimentarias ordenadas cronológicamente: Clases 5 a 12.

• Rocas Sedimentarias y Metamórficas: Clase 13.
• Rocas Sedimentarias e Igneas: Clase 14.
• Rocas Igneas diferenciadas entre ácidas y básicas: Clase 15 a 17.
• Rocas Metamórficas diferenciándose únicamente los esquistos de las pizarras como
litologías dominantes: Clase 18 a 20.
50 25 0 50 Km
0.- EMBALSES, LAGUNAS, ZONAS DE AGUA, ZONAS MARÍTIMAS Y BAHÍAS (ACTUAL) 10.- ARCILLAS ABIGARRADAS, MARGAS, ARENAS, LIMOS, CONGLOMERADOS, YESOS Y CALIZAS (TRIAS)
1.- DEPÓSITOS DE ESTUARIO (CUATERNARIO) 11.- ARCILLAS, MARGAS, ARENISCAS, TURBIDITAS, DOLOMIAS Y CALIZAS (TRIAS-JURAS-CRETACICO-PALEÓGENO)
2.- DEPÓSITOS EÓLICOS (CUATERNARIO) 12.- CALIZAS, DOLOMIAS, GRAUVACAS, LUTITAS, PELITAS, ARENISCAS Y CONGLO. (PRECÁMBRICO-PALEOZOICO)
3.- DEPÓSITOS FLUVIALES RECIENTES (CUATERNARIO) 13.- ROCAS SEDIMENTARIAS Y METAMÓRFICAS (PRECÁMBRICO-PALEOZOICO)
4.- DEPÓSITOS FLUVIALES ANTIGUOS (PLIO-CUATERNARIO) 14.- ROCAS SEDIMENTARIAS E ÍGNEAS (PRECÁMBRICO-PALEOZOICO)
5.- ARENISCAS (PLIOCENO) 15.-ROCAS ÍGNEAS ÁCIDAS
6.- CALIZAS (MIOCENO SUP- PLIOCENO) 16.- ROCAS ÍGNEAS BÁSICAS
7.- MARGAS Y ROCAS DE NATURALEZA EMINENTEMENTE MARGOSA (PALEÓGENO-MIOCENO) 17.-ROCAS ÍGNEAS INDIFERENCIADAS
8.- ARENISCAS, ARCILLAS Y MARGAS (F. FLYSCH/F. TURBIDÍTICAS) (CRETÁCICO-PALEÓGENO-MIOCENO) 18.- PIZARRAS, ARENITAS Y CUARCITAS (PALEOZOICO-TRIAS)
9.- CALIZAS Y ROCAS DE NATURALEZA EMINENTEMENTE CARBONATADA (JURÁSICO-CRETÁCICO-PALEÓGENO) 19.- ESQUISTOS (PRECÁMBRICO-PALEOZOICO-TRIAS)
20.-ROCAS METAMÓRFICAS INDIFERENCIADAS
Figura 11.- Mapa sintético de clases litológicas de Andalucía.
20
5.3.- Indices de Vegetación
Los principales organismos que alteran los suelos son la vegetación y los seres humanos.
Usualmente la vegetación mantiene cierto equilibrio con el tipo de suelo, mientras que el
impacto de la actividad humana puede apreciarse a través de los cambios en los usos del
suelo. Por lo tanto, los usos y las coberturas de los suelos son indicadores útiles de sus
propiedades y clases edáficas (McBratney et al., 2003).
La teledetección es una herramienta poderosa para estimar el tipo de vegetación, las

coberturas del suelo y el desarrollo de la biomasa. Los índices de vegetación derivados por
teledetección son excelentes indicadores de la vegetación natural y la agrícola. Estos índices
han mostrado una buena correlación con la distribución espacial de la materia orgánica, el
espesor del horizonte superficial del suelo, el contenido de arcillas y el pH, entre otras
propiedades del suelo (Dobos et al., 2006).
En este trabajo se seleccionó una serie temporal del Índice de Vegetación Mejorado (EVI)
derivado por teledetección para caracterizar las coberturas de los suelos de Andalucía. El EVI
es una versión mejorada del conocido NDVI que aumenta la sensibilidad en regiones con alta
densidad de biomasa, y reduce el impacto de las condiciones atmosféricas (Justice et al.,
2002). La serie elegida es una composición temporal (16 días de frecuencia) del EVI derivado
por el sensor MODIS (Moderate Resolution Imaging Spectroradiometer) correspondiente al
período 2001-2005. Este producto de MODIS (MOD13Q1v4) está diseñado para suministrar
imágenes de EVI libres de nubosidad y atmosféricamente corregidos con una resolución
espacial de 250 m, e incluyen un campo de control de calidad (QA) con información
estadística sobre la calidad y utilidad de los datos (Roy et al., 2002).
Las series de EVI se distribuyen por la NASA a través del servicio Earth Observing System
Data Gateway (EOS Gateway). Desde esta fuente se obtuvieron 115 imágenes de EVI para
región andaluza correspondientes al período 2001 - 2005 (23 mapas por año). Se escogió este
período de tiempo porque durante estos años no se produjeron modificaciones significativas
de las políticas agrícolas y ambientales que indujeran cambios bruscos de las coberturas de
suelos en la región. Por otro lado, 5 años de información es un período de tiempo suficiente
para captar la variabilidad interanual inducida por el clima y las rotaciones de los cultivos en
áreas agrícolas.
Las imágenes de EVI que distribuye el servicio ESO Gateway están en un formato propio
conocido como HDF/EOS (Hierarchical Data Format–Earth Observing System) que no es
reconocido por ArcGIS. Por esta razón se utilizó el software MODIS Reprojection Tool
(Release 3.3a, http://edcdaac.usgs.gov/landdaac/tools/modis/) para reproyectar las imágenes
originales al sistema de coordenadas UTM 30N ED 1950 y exportarlas en formato GeoTIF.
Finalizado este proceso, las imágenes se reensamblaron a la cuadrícula de trabajo con el
método de interpolación “Vecino Más Cercano” implementado en ArcGIS.
Pese a que todos los productos de la NASA son filtrados previamente a su distribución por
EOS Gateway, Sakamoto et al. (2005) recomiendan que se sometan a un filtrado temporal
adicional para reducir o eliminar el ruido remanente. Así, la serie temporal de imágenes de
EVI se sometió a un filtrado con la ayuda del software TIMESAT
(http://www.natgeo.lu.se/personal/Lars.Eklundh/TIMESAT/timesat.html), especialmente
diseñado para estos fines (Jönsson y Eklundh, 2004). En TIMESAT están implementados
diferentes tipos de filtros, pero en este trabajo se utilizó el filtro Savitzky–Golay por ser un
21
método sencillo para reconstruir series temporales de índices de vegetación con alta calidad
(Chena et al., 2004).
Figura 12.- Zonas utilizadas (marcadas con un rectángulo ) para calibrar los parámetros
de filtrado del software TIMESAT.
Para garantizar la calidad del filtrado con TIMESAT fue necesario calibrar ciertos parámetros
del sistema. Con la ayuda del proyecto CORINE 2000 (Bossard et al., 2000) se identificaron
algunas zonas con coberturas de suelos representativas de la región (Fig. 12). Después de
realizar varias pruebas se definió el siguiente conjunto de parámetros óptimos de TIMESAT
que permitió obtener resultados razonablemente buenos para todas las coberturas de suelos
identificadas en CORINE:
• Tamaños de las ventanas del filtro en cada paso de ajuste: 4, 5 y 6.

• Pesos asignados a los valores de EVI contemplados en cada ventana de filtrado. El valor
de EVI que interviene en cada ventana de filtrado ejerce determinada influencia en
función de su calidad. Siguiendo las recomendaciones de Knight et al. (2006), se asignó a
cada valor de EVI un determinado peso (entre 0 y 1) en función del Indice de Utilidad
obtenido a partir del campo de control de calidad QA (Tabla 4).
• Para el resto de los parámetros se utilizaron los valores estándares recomendados por los
autores de TIMESAT (Jönsson y Eklundh, 2004).
22
Tabla 4.- Pesos asignados a los valores de EVI en el proceso de filtrado temporal.
Índice de Utilidad Calidad del Valor de EVI Peso para el Filtrado
0 Calidad Perfecta 1,00
1 Alta Calidad 1,00
2 Buena Calidad 1,00
3 Calidad Aceptable 1,00
4 Calidad Justa 0,50
5 Calidad Intermedia 0,50
6 Por Debajo de Calidad Intermedia 0,50
7 Calidad Media 0,50
8 Por Debajo de Calidad Media 0,01
9 Calidad Cuestionable 0,01
10 Por Encima de Calidad Marginal 0,01
11 Calidad Marginal 0,01
12 Baja Calidad 0,01
13 Sin Corrección Atmosférica 0,01
14 Muy Baja Calidad 0,01
15 No Producido por Muy Baja Calidad 0,01
En la Fig. 13 puede apreciarse, a modo de ejemplo, la efectividad de TIMESAT en el proceso

de filtrado de algunas series temporales de EVI correspondientes a las zonas elegidas para
calibrar sus parámetros.
Bosques Cultivos Permanentes
Tierra Arable Cultivos Hortícolas
Figura 13.- Resultados del filtrado con TIMESAT de algunas series temporales de EVI
(Tiempo expresado en unidades de 16 días).
23
Cuerpos Acuáticos Zonas Urbanas
Finalizado el proceso de filtrado temporal se procedió a obtener la serie definitiva de EVI

compuesta por 23 imágenes con frecuencia de 16 días. Cada imagen que compone esta serie
se obtuvo como la media aritmética de las 5 imágenes adquiridas en el período analizado
(2001-2005). En la Fig. 14 se puede apreciar la composición temporal del EVI finalmente
utilizada para caracterizar las coberturas de los suelos de la región.
24
± 1
50 25 0 50 Km
± 2
50 25 0 50 Km
± 3
50 25 0 50 Km
± 4
50 25 0 50 Km
± 5
50 25 0 50 Km
± 6
50 25 0 50 Km
± 7
50 25 0 50 Km
± 8
50 25 0 50 Km
± 9
50 25 0 50 Km
± 10
50 25 0 50 Km
± 11
50 25 0 50 Km
± 12
50 25 0 50 Km
Figura 14.- Serie temporal (16 días de frecuencia) del Índice de Vegetación Mejorado.
25
± 13
50 25 0 50 Km
± 14
50 25 0 50 Km
± 15
50 25 0 50 Km
± 16
50 25 0 50 Km
± 17
50 25 0 50 Km
± 18
50 25 0 50 Km
± 19
50 25 0 50 Km
± 20
50 25 0 50 Km
EVI
0.9
-0.1
± 21
50 25 0 50 Km
± 22
50 25 0 50 Km
± 23
50 25 0 50 Km
26
5.4.- Variables Climáticas
El clima es uno de los principales factores que condiciona los procesos edafogenéticos y, en
consecuencia, las características y propiedades de los cuerpos edáficos. Asimismo, la gran
variabilidad espacial de ciertos factores climáticos (temperaturas, precipitaciones, recurrencia
de sequías, etc.), determina el potencial productivo de los suelos. El clima puede explicar
determinados procesos modificadores del suelo como son la pérdida de partículas, la erosión y
la fertilidad (Finke et al., 1999; Dobos et al., 2006). Los parámetros climáticos que más
influencia ejercen sobre la evolución de los suelos son la temperatura y la humedad. La
humedad en el suelo es función de la precipitación y de la energía disponible para la
evaporación.
En general, las series mensuales de precipitación y temperatura posibilitan la caracterización

climática de una región. Así, para caracterizar el clima de Andalucía e inferir su efecto sobre
las propiedades del suelo, se recopilaron estas variables climáticas registradas por la red de
estaciones del Instituto Nacional de Meteorología ubicadas en el territorio andaluz. Los datos
de precipitación y temperatura media mensual utilizados en este trabajo se obtuvieron de los
resultados de la Tesis Doctoral de Moreno (2003). Los procedimientos de recopilación y
depuración de la información climática que utilizó este autor se describen a continuación.
Inicialmente se escogieron 860 estaciones para caracterizar la precipitación mensual y 173

estaciones para la temperatura. Todas las estaciones seleccionadas disponían de más de 15
años de registros continuos de estas variables. Los registros seleccionados cubren el período
desde el año 1942 hasta el 1988, existiendo 279 estaciones con más de 25 años de registros
pluviométricos y 48 estaciones con más de 25 años de registros termométricos. El período
seleccionado garantizó que la gran mayoría de las estaciones dispongan de datos fiables y
homogéneos.
Una vez concluida la selección inicial de las estaciones climáticas se procedió a la depuración
de sus datos con la finalidad de eliminar aquellas estaciones con errores de observación o de
registro. Moreno (2003) utilizó diferentes procedimientos de control como son el método de
medida de la discordancia (Hosking y Wallis, 1997) y el método de doble masa. Después de
aplicar los métodos de control de calidad se rechazaron 43 estaciones pluviométricas y 10
estaciones termométricas, por lo que la elección final se redujo a 817 estaciones
pluviométricas y 163 termométricas. En la Fig. 15 se puede apreciar la localización geográfica
de las estaciones finalmente seleccionadas. La densidad de estaciones seleccionadas en este
estudio está por encima de los límites recomendados por la Organización Meteorológica
Mundial (OMM). Las estaciones pluviométricas alcanzaron una densidad de 101
Km2/estación y las estaciones termométricas de 504 Km2/estación. Los valores de densidad
recomendados por la OMM son de 316 y 2828 Km2/estación respectivamente.
Moreno (2003) no procesó datos de temperaturas máxima y mínima mensual en su trabajo.

Estas variables climáticas son necesarias para caracterizar los regímenes de humedad a que
están sometidos los suelos a través de la evapotranspiración de referencia. Por esta razón, los
datos de temperaturas máxima y mínima utilizadas en este trabajo se obtuvieron,
indirectamente, a partir del Atlas Climático Digital de la Península Ibérica (Ninyerola et al.,
2005). El procedimiento empleado para obtener estos datos y asimismo, garantizar la
consistencia con los datos de temperatura media mensual, fue el siguiente:
27
Localización de las Estaciones Climáticas
±
Modelo de Estación
Pluviométrica
Termométrica
Mixta
Figura 15.- Ubicación y tipo de las estaciones climáticas.
Para cada mes y estación climática con disponibilidad de datos de temperatura media se
obtuvo la amplitud térmica (diferencia entre la temperatura máxima y mínima media) desde el
Atlas Climático Digital de la Península Ibérica. Las temperaturas máximas y mínimas se
calcularon entonces, como el valor de la temperatura media mensual más o menos la mitad de
la amplitud térmica respectivamente.
En las Tablas 5, 6, 7 y 8 se muestran los resúmenes estadísticos de la precipitación media

mensual y las temperaturas media, mínima y máxima respectivamente. Asimismo, las Fig. 16,
17, 18 y 19 muestran los histogramas de estas variables para cada mes del año. Puede
apreciarse claramente que las distribuciones de frecuencia de la precitación media mensual se
alejan significativamente de la normal, mientras que las temperaturas se ajustan
razonablemente bien a esta función.
Tabla 5.- Resumen estadístico de la precipitación media mensual.

Estadístico ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
(mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm)
No. 817 817 817 817 817 817 817 817 817 817 817 817
Estaciones
Media 83,20 79,38 73,78 59,42 43,85 22,86 4,30 6,91 23,08 61,78 81,25 91,75
Mediana 78,41 74,24 68,93 56,54 41,06 21,68 3,50 6,19 22,24 58,59 77,20 86,65
Desviac. 36,94 35,07 29,38 18,52 16,42 8,52 3,51 3,84 8,21 18,52 32,36 38,65
Estándar
Mínimo 14,65 12,54 17,38 21,07 14,94 3,86 0,00 0,00 3,11 23,35 17,28 12,88
Máximo 300,2 304,5 269,9 161,4 131,0 57,11 24,56 29,95 63,19 186,7 271,9 347,7
Asimetría 19,46 19,58 17,88 20,36 23,51 10,76 16,17 13,70 10,97 16,75 17,05 17,74
Curtosis 33,41 35,98 29,31 31,58 36,69 8,93 15,78 14,84 12,68 27,37 27,13 30,38
28
40 40 40
35 35 35
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
30 30 30
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 0 30 60 90 120 150 180 210 240 270 300 330
Precipitación Media Enero (mm) Precipitación Media Febrero (mm) Precipitación Media Marzo (mm)
40 40 40
35 35 35
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
30 30 30
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 0 5 10 15 20 25 30 35 40 45 50 55 60
Precipitación Media Abril (mm) Precipitación Media Mayo (mm) Precipitación Media Junio (mm)
40 40 40
35 35 35
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
30 30 30
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0 5 10 15 20 25 30 35 40 0 10 20 30 40 50 60 70 80
Precipitación Media Julio (mm) Precipitación Media Agosto (mm) Precipitación Media Septiembre (mm)
40 40 40
35 35 35
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
30 30 30
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 20 40 60 80 100 120 140 160 180 200 0 40 80 120 160 200 240 280 320 0 50 100 150 200 250 300 350 400
Precipitación Media Octubre (mm) Precipitación Media Noviembre (mm) Precipitación Media Diciembre (mm)
Figura 16.- Histogramas de la precipitación media mensual.
Tabla 6.- Resumen estadístico de la temperatura media mensual.

(ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC) (ºC)
No. 163 163 163 163 163 163 163 163 163 163 163 163
Estaciones
Media 9,04 9,85 11,87 13,98 17,61 21,63 25,39 25,65 22,27 17,31 12,53 9,37
Mediana 9,18 10,06 12,09 14,41 17,92 21,88 25,63 25,51 22,61 17,56 12,72 9,40
Desviac. 2,04 1,98 1,94 1,96 1,93 1,92 1,92 1,84 1,88 1,97 2,11 2,14
Estándar
Mínimo 3,48 3,69 5,67 6,95 10,93 14,81 19,31 19,20 15,53 10,59 6,50 3,90
Máximo 13,37 14,06 16,52 18,09 22,98 25,28 29,61 29,56 26,22 20,73 16,51 14,02
Asimetría -1,66 -2,52 -3,67 -4,60 -3,54 -3,93 -2,54 -3,19 -4,72 -4,64 -2,97 -1,28
Curtosis -0,34 0,32 1,38 2,28 2,42 1,75 0,53 1,46 3,34 1,94 0,035 -0,50
29
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16 18 20
Temperatura Media Enero (ºC) Temperatura Media Febrero (ºC) Temperatura Media Marzo (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 20 22 0 3 6 9 12 15 18 21 24 27 0 3 6 9 12 15 18 21 24 27
Temperatura Media Abril (ºC) Temperatura Media Mayo (ºC) Temperatura Media Junio (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 3 6 9 12 15 18 21 24 27 30 33 0 3 6 9 12 15 18 21 24 27 30 33 0 3 6 9 12 15 18 21 24 27 30
Temperatura Media Julio (ºC) Temperatura Media Agosto (ºC) Temperatura Media Septiembre (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16
Temperatura Media Octubre (ºC) Temperatura Media Noviembre (ºC) Temperatura Media Diciembre (ºC)
Figura 17.- Histogramas de la temperatura media mensual.
Tabla 7.- Resumen estadístico de la temperatura mínima mensual.

No. 163 163 163 163 163 163 163 163 163 163 163 163
Estaciones
Media 4,24 4,79 6,11 8,07 11,30 14,72 17,73 17,78 15,46 11,59 7,52 4,77
Mediana 4,27 4,79 6,17 8,18 11,49 14,99 17,99 17,98 15,75 11,84 7,72 4,74
Desviac. 2,25 2,21 2,17 2,14 2,01 1,91 1,97 1,99 2,05 2,15 2,29 2,31
Estándar
Mínimo -2,39 -2,29 -0,53 1,46 4,97 8,80 11,77 11,53 8,61 4,74 0,83 -1,23
Máximo 10,30 10,26 12,53 14,23 16,36 20,50 24,43 25,10 21,29 16,19 13,22 10,94
Asimetría -0,11 -0,66 -0,88 -1,88 -2,80 -3,07 -1,66 -1,94 -2,89 -2,24 -0,68 0,52
Curtosis 0,44 1,10 1,26 1,01 0,88 1,59 1,99 2,87 1,60 0,58 -0,05 0,09
30
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
-4 -2 0 2 4 6 8 10 12 -3 -1 1 3 5 7 9 11 13 -2 0 2 4 6 8 10 12 14
Temperatura Mínima Enero (ºC) Temperatura Mínima Febrero (ºC) Temperatura Mínima Marzo (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16 18 8 10 12 14 16 18 20 22 24
Temperatura Mínima Abril (ºC) Temperatura Mínima Mayo (ºC) Temperatura Mínima Junio (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
11 13 15 17 19 21 23 25 27 10 12 14 16 18 20 22 24 26 7 9 11 13 15 17 19 21 23
Temperatura Mínima Julio (ºC) Temperatura Mínima Agosto (ºC) Temperatura Mínima Septiembre (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 0 2 4 6 8 10 12 14 16 -2 0 2 4 6 8 10 12 14
Temperatura Mínima Octubre (ºC) Temperatura Mínima Noviembre (ºC) Temperatura Mínima Diciembre (ºC)
Figura 18.- Histogramas de la temperatura mínima mensual.
Tabla 8.- Resumen estadístico de la temperatura máxima mensual.

No. 163 163 163 163 163 163 163 163 163 163 163 163
Estaciones
Media 13,85 14,91 17,62 19,89 23,93 28,54 33,06 32,91 29,08 23,01 17,54 13,98
Mediana 14,05 15,11 18,05 20,29 24,18 28,86 33,40 33,22 29,33 23,41 17,88 14,15
Desviac. 2,00 1,94 1,97 2,08 2,18 2,37 2,43 2,33 2,25 2,11 2,13 2,14
Estándar
Mínimo 8,54 9,04 10,43 11,84 16,31 20,82 25,59 25,44 21,31 15,56 10,73 7,24
Máximo 17,56 18,18 21,87 24,73 31,01 33,71 37,53 37,34 34,16 27,17 21,05 17,90
Asimetría -3,31 -3,91 -4,82 -4,95 -2,20 -3,08 -3,40 -3,01 -3,16 -4,24 -4,27 -3,16
Curtosis -0,23 0,58 2,67 3,59 2,35 0,35 0,17 0,06 1,27 1,93 0,68 -0,29
31
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20 22 24
Temperatura Máxima Enero (ºC) Temperatura Máxima Febrero (ºC) Temperatura Máxima Marzo (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 0 3 6 9 12 15 18 21 24 27 30 33 0 3 6 9 12 15 18 21 24 27 30 33 36
Temperatura Máxima Abril (ºC) Temperatura Máxima Mayo (ºC) Temperatura Máxima Junio (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 3 6 9 12 15 18 21 24 27 30 33 36 39 0 3 6 9 12 15 18 21 24 27 30 33 36 39 0 3 6 9 12 15 18 21 24 27 30 33 36
Temperatura Máxima Julio (ºC) Temperatura Máxima Agosto (ºC) Temperatura Máxima Septiembre (ºC)
30 30 30
25 25 25
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 3 6 9 12 15 18 21 24 27 30 0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22
Temperatura Máxima Octubre (ºC) Temperatura Máxima Noviembre (ºC) Temperatura Máxima Diciembre (ºC)
Figura 19.- Histogramas de la temperatura máxima mensual.
5.4.1.- Regionalización de las Variables Climáticas
Finalizado el proceso de recopilación y depuración de los datos climáticos se procedió a la

generación de la cartografía continua a partir de los datos puntuales registrados en las
estaciones meteorológicas. La técnica utilizada para la generación de los mapas se basó en el
desarrollo de funciones de predicción espacial de las variables climáticas y la interpolación
espacial de las fracciones no explicadas por las funciones (residuos), procedimiento conocido
como regresión-kriging (Hengl et al., 2004).
Para el desarrollo de las funciones de predicción se utilizaron técnicas de regresión lineal

múltiple que explicaron las correlaciones entre las variables climáticas y determinadas
variables geográficas. Las partes no explicadas por las funciones de predicción, es decir la
diferencia entre los registros observados en las estaciones meteorológicas y los valores
estimados con los modelos de regresión, se interpolaron espacialmente con el método de
Kriging ordinario. La cartografía resultante se obtuvo como la suma de los mapas obtenidos
por regresión y los mapas de los residuos. En numerosos estudios se ha demostrado las
excelentes capacidades predictivas de los procedimientos de regresión-kriging en la
generación de cartografía digital de las variables climáticas (Szalai et al., 2007).
Conforme con los criterios de varios autores (Marquínez et al., 2003; Allen et al., 2006;
McKenney et al., 2006), las variables geográficas que mejor pueden explicar la variabilidad
espacial y temporal de la precitación y la temperatura son la altitud, la pendiente, el aspecto
del terreno y las coordenadas geográficas. Por lo tanto, estos parámetros geográficos se
32
utilizaron como variables independientes para construir los modelos de predicción espacial de
la precipitación y la temperatura en Andalucía.
Para describir la relación entre las variables climáticas y geográficas se utilizaron técnicas de
regresión lineal múltiple con selección hacia adelante (forward selection), de modo que las
variables independientes menos significativas no se incluyeron en los modelos finales de
regresión. En la Tabla 9 se muestra el coeficiente de determinación (R2) y la raíz del error
cuadrático medio (RECM) de las regresiones obtenidas para explicar la precipitación media en
cada mes del año. Las ecuaciones (1) y (2) contienen las formulaciones de estos dos índices.
2
N 
∑ (C i − C )(Oi − O )
 i =1 
R2 = N2 (1)
N N
∑ (O − O) ∑ (C − C)
2 2
i i
i =1 i =1
⋅
N N
∑ (O
i =1
i − Ci )
2
RECM = (2)
N
donde Oi y Ci representan los valores observados e inferidos respectivamente, N es el número

total de casos evaluados, mientras que O y C son la media aritmética de los valores
observados e inferidos.
Tabla 9.- Funciones de predicción de la precipitación media mensual.

Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Variables X, Y, ELEVACIÓN, PENDIENTE, SENO(ASPECTO), COSENO(ASPECTO)
Independientes
R2 0,501 0,446 0,414 0,418 0,428 0,611 0,621 0,406 0,417 0,419 0,528 0,471
RECM (mm) 20,70 18,46 15,42 10,34 8,50 4,98 2,43 2,26 5,81 10,34 16,56 21,76
Las funciones de predicción fueron capaces de explicar entre el 40 y el 60% de la variabilidad

de la precipitación media mensual, valores más que suficientes sobre todo si se tiene en
cuenta que la parte no explicada por estos modelos se corrigieron con técnicas geoestadísticas
de interpolación espacial. Por otra parte, las funciones de predicción explicaron entre el 50 y
80% de la temperatura mensual (Tablas 10, 11 y 12). Las temperaturas se correlacionaron
bien con las coordenadas geográficas, la elevación y el coseno del aspecto, mientras que la
pendiente y el seno del aspecto no fueron significativos para explicar estas variables, por lo
que no se incluyeron en los modelos finales de regresión.
Tabla 10.- Funciones de predicción de la temperatura media mensual.

Variables X, Y, ELEVACIÓN, COSENO(ASPECTO)
Independientes
R2 0,797 0,828 0,788 0,757 0,613 0,618 0,528 0,552 0,643 0,782 0,823 0,786
RECM (ºC) 0,932 0,835 0,906 0,982 1,217 1,203 1,338 1,246 1,142 0,930 0,899 1,003
33
Tabla 11.- Funciones de predicción de la temperatura mínima mensual.

Independientes
R2 0,718 0,749 0,728 0,711 0,592 0,571 0,494 0,526 0,543 0,708 0,739 0,709
RECM (ºC) 1,21 1,12 1,14 1,16 1,29 1,263 1,55 1,50 1,39 1,17 1,186 1,263
Tabla 12.- Funciones de predicción de la temperatura máxima mensual.

Independientes
R2 0,763 0,784 0,715 0,692 0,581 0,599 0,556 0,571 0,633 0,706 0,785 0,755
RECM (ºC) 0,985 0,917 1,06 1,16 1,42 1,529 1,63 1,524 1,378 1,159 1,00 1,07
Los residuos de las variables climáticas (fracciones no explicadas por las ecuaciones de
regresión) se obtuvieron como la diferencia entre los valores observados en las estaciones
meteorológicas y los valores obtenidos por las funciones de predicción. Todos los residuos
mostraron una marcada estructura espacial. En la Fig. 20 se muestra, a modo de ejemplo, los
semivariogramas omnidireccionales de los residuos de la precipitación media mensual junto
con los modelos ajustados. Los semivariogramas de los residuos se ajustaron al modelo
exponencial y las interpolaciones se realizaron con el método de Block Kriging ordinario con
un tamaño de bloque de 250 m, acorde con la cuadrícula de trabajo definida. El software
utilizado para ejecutar las interpolaciones espaciales fue VESPER (Minasny et al., 2005).
1000 1200 900

ENERO FEBRERO MARZO
900 800
1000
800 700
Semivarianza (mm2)
Semivarianza (mm2)
Semivarianza (mm2)
700
800 600
600
500
500 600
400
400
400 300
300
200
200
200
100 100
0 0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
Distancia (Km) Distancia (Km) Distancia (Km)
350 300 45
ABRIL MAYO JUNIO
300 40
250
35
250
Semivarianza (mm2)
Semivarianza (mm2)
Semivarianza (mm2)
200 30
200
25
150
150 20
100 15
100
10
50 50
5
0 0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
7 14 60
JULIO AGOSTO SEPTIEMBRE
6 12
50
5 10
Semivarianza (mm2)
Semivarianza (mm2)
Semivarianza (mm2)
40
4 8
30
3 6
20
2 4
10
1 2
0 0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
Figura 20.- Semivariogramas de los residuos de la precipitación media mensual.
34
350 800 1400

OCTUBRE NOVIEMBRE DICIEMBRE
300 700 1200
600
250 1000
Semivarianza (mm2)
Semivarianza (mm2)
Semivarianza (mm2)
500
200 800
400
150 600
300
100 400
200
50 100 200
0 0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
Finalmente, los mapas de los residuos de las variables climáticas se agregaron a los mapas
obtenidos con las funciones de predicción (modelos de regresión). En la Fig. 21 se muestra la
cartografía resultante para cada una de las variables climáticas analizadas.
La precisión final de los mapas generados se evaluó con el procedimiento de validación

cruzada. El procedimiento utilizado consistió en dividir la muestra original de datos en 20
subconjuntos de aproximadamente igual tamaño. Posteriormente se suprimieron las
observaciones contenidas en un subconjunto determinado y estos valores se estimaron a partir
de los registros contenidos en los 19 subconjuntos restantes. Este proceso se repitió para cada
uno de los subconjuntos de datos definidos. Los índices utilizados para expresar la precisión
de los mapas fueron el coeficiente de determinación y la raíz del error cuadrático medio
(ecuaciones 1 y 2).
En la Tabla 13 se muestra la precisión alcanzada por los mapas de las variables climáticas
para cada mes del año. Los mapas generados fueron capaces de explicar entre el 87 y 95% de
la variabilidad de la precipitación media mensual. Asimismo, la variación de la temperatura
media quedó explicada entre el 87 y el 91%, mientras que para las temperaturas mínima y
máxima mensuales se alcanzaron valores de R2 entre 0,82 y 0,89. En ningún caso, la RECM
superó el valor de 1 grado en las predicciones de las temperaturas y los 10 mm en la
precipitación media mensual.
Tabla 13.- Precisión de los mapas de precipitación media mensual, temperaturas media,
mínima y máxima mensuales.
Precipitación Media Mensual
R2 0,95 0,93 0,91 0,92 0,94 0,90 0,87 0,87 0,88 0,90 0,94 0,93
RECM (mm) 7,86 8,13 8,14 4,77 3,89 2,63 1,22 1,63 3,63 7,00 7,50 9,19
Temperatura Media Mensual
R2 0,91 0,90 0,89 0,89 0,88 0,88 0,87 0,87 0,88 0,89 0,89 0,91
RECM (ºC) 0,64 0,64 0,81 0,90 0,90 0,87 0,94 0,87 0,88 0,85 0,74 0,70
Temperatura Mínima Mensual
R2 0,89 0,87 0,86 0,85 0,84 0,83 0,82 0,83 0,85 0,86 0,86 0,88
RECM (ºC) 0,76 0,81 0,83 0,85 0,87 0,88 0,90 0,91 0,89 0,87 0,83 0,80
Temperatura Máxima Mensual
R2 0,87 0,86 0,85 0,84 0,84 0,86 0,85 0,86 0,85 0,85 0,85 0,86
RECM (ºC) 0,71 0,72 0,85 0,87 0,88 0,88 0,95 0,88 0,87 0,85 0,83 0,81
35
ENERO FEBRERO MARZO ABRIL

± ± ± ±
Precipitación (mm) Precipitación (mm) Precipitación (mm) Precipitación (mm)

349.3 322.6 273.7 189.5
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
0.0 0.0 0.0 0.0
MAYO JUNIO JULIO AGOSTO

± ± ± ±

146.6 62.9 20.3 21.02
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
0.0 0.0 0.0 0.0
SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE

± ± ± ±

59.6 177.7 277.2 339.4
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
0.0 0 0.0 0.0
(a)
Figura 21.- Mapas de las variables climáticas. (a) Precipitación media mensual. (b) Temperatura media mensual. (c) Temperatura mínima mensual. (d)
Temperatura máxima mensual.
36

± ± ± ±
Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC)
13 14 15 17
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
-3 -4 -3 -1

± ± ± ±
21 25 29 28
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
3 7 13 13

± ± ± ±
25 20 16 14
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
8 2 -2 -3
(b)
Figura 21.-Continuación...
37

± ± ± ±
Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC)
9 10 11 13
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
-8 -9 -9 -7

± ± ± ±
16 19 22 23
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
-3 0 5 4

± ± ± ±
20 16 12 10
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
1 -4 -7 -8
(c)
38

± ± ± ±
Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC)
18 18 21 23
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
2 2 3 5

± ± ± ±
28 33 37 37
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
10 15 21 21

± ± ± ±
33 26 21 18
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
15 8 3 2
(d)
39
Para caracterizar los regímenes de humedad a que están sometidos los suelos de la región fue
necesario considerar otra variable climática, la evapotranspiración de referencia (ET0). Los
mapas de temperaturas mínimas y máximas mensuales se utilizaron para calcular la ET0 con
el método de Hargreaves (1994) calibrado para las condiciones de la región andaluza. Para
esto se utilizó el procedimiento propuesto por Vanderlinden et al. (2004), que considera el
ajuste del coeficiente original de la ecuación de Hargreaves en función de la relación entre la
temperatura media anual y el intervalo medio anual de variación diaria de la temperatura. Así,
el procedimiento de Vanderlinden permite estimar la ET0 mensual como sigue:
 n( j ) 
ET0 j = C  ∑ REi , j (T j + 17 ,8 ) ∆T j (3)
 i =1 
siendo ET0 j la evapotranspiración de referencia del mes j (mm), REi,j la radiación

extraterrestre para el día i del mes j (mm/día), Tj la temperatura media del mes j (ºC) y ∆Tj la
diferencia entre la temperatura máxima y mínima media del mes j (ºC). El coeficiente C, que
es igual a 0,0023 en la ecuación original de Hargreaves (1994), se ajustó a través de la
siguiente relación empírica propuesta por Vanderlinden et al. (2004):
Ta
C = 0,0005 + 0,00159 (4)
∆Ta
donde Ta es la temperatura media anual y ∆Ta es el intervalo medio anual de variación diaria
de la temperatura.
Los mapas de la evapotranspiración de referencia mensual calculados por el procedimiento

antes reseñado se muestran en la Fig. 22, mientras que la Tabla 14 contiene los índices de
precisión alcanzados por estos mapas. Obsérvese que los mapas de ET0 alcanzaron
precisiones razonablemente buenas y similares a las logradas en el proceso de regionalización
de las otras variables climáticas analizadas en este trabajo.
Tabla 14.- Precisión de los mapas de evapotranspiración de referencia mensual.

R2 0,88 0,85 0,83 0,82 0,82 0,83 0,82 0,83 0,83 0,84 0,83 0,85
RECM (mm) 1,65 2,16 3,66 4,64 5,80 6,30 6,86 6,03 4,45 3,29 2,17 1,82
40

± ± ± ±
ETo (mm) ETo (mm) ETo (mm) ETo (mm)

51.76 62.26 94.78 121.26
50 25 0 50 Km 50 25 0 50 Km 20.62 50 25 0 50 Km 33.12 50 25 0 50 Km
17.41 43.55

± ± ± ±

169.15
195.97 221.85 202.42
50 25 0 50 Km 67.09 50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
85.75 111.82 100.30

± ± ± ±

143.40 91.68 60.12 49.71
50 25 0 50 Km 50 25 0 50 Km 37.37 50 25 0 50 Km 19.68 50 25 0 50 Km
65.37 15.49
Figura 22.- Mapas de evapotranspiración de referencia mensual.
41
VI.- Inferencia de Propiedades Físico-Químicas del Suelo

La cartografía final de las principales propiedades físico-químicas analizadas en este trabajo
se obtuvo con el procedimiento de regresión-kriging. Para la implementación de este
procedimiento se siguieron las recomendaciones de Hengl et al. (2004); Hengl (2007) y Hengl
et al. (2007). Según estos autores, la predicción espacial de una variable del suelo en una
determinada localización puede ser modelizada como la suma de dos componentes; una
determinista y otra estocástica. Ambas componentes de la variación espacial pueden
calcularse por separado, de modo que el valor que adquiere una variable (Z) en una posición
geográfica (x,y) puede definirse como:
Z ( x, y ) = f (x, y, so ) + e( x, y ) (5)
donde f(x,y,so) es la parte determinista (función de predicción espacial), e(x,y) es la parte no

explicada por la componente determinista (residuo interpolado) y so es el conjunto de
variables ambientales.
En la Fig. 23 se muestra el flujo general que siguieron los datos a través del sistema para
estimar los parámetros del suelo según el procedimiento de regresión-kriging. Así, los pasos
básicos para inferir las propiedades del suelo fueron:
1. Recopilación, homogeneización y depuración de las variables auxiliares y las

observaciones del suelo (estos tópicos han sido tratados en los epígrafes 3 y 5).
2. Transformación y adecuación de las variables auxiliares y las propiedades del suelo a
los requisitos básicos que exigen los análisis de regresión.
3. Obtención de los modelos de regresión o funciones de predicción espacial, que
permiten correlacionar las variables ambientales auxiliares con las propiedades del
suelo.
4. Interpolación espacial de los residuos de los modelos de regresión con técnicas geo-
estadísticas.
5. Predicción espacial de las propiedades del suelo.
6. Producción de la cartografía digital y evaluación de la precisión de los resultados.
La relación funcional entre las propiedades del suelo y las variables ambientales es
desconocida y, a menudo, muy ruidosa. Por esta razón, frecuentemente se intenta modelizar
estas relaciones con simples funciones lineales, toda vez que utilizar modelos más complejos
no mejora sensiblemente las predicciones. Sin embargo, también es reconocido que la
relación general entre las propiedades del suelo y las variables auxiliares no es necesariamente
lineal, sino que se aproxima más bien a una función sigmoidal (Hengl et al., 2004). Esto se
debe a que los valores de muchas propiedades del suelo están acotados por determinados
límites físicos, fuera de los cuales las variables ambientales no ejercen un impacto
significativo sobre sus variaciones. Ante esta situación, es aconsejable aplicar
transformaciones logísticas a las variables del suelo antes de correlacionarlas linealmente con
las variables ambientales.
Considerando los aspectos anteriores, todas las propiedades físico-químicas del suelo
inferidas en este trabajo se sometieron a una transformación logística acorde con las
sugerencias de Triantafilis et al. (2001) y Hengl et al. (2004), de modo que:
42
Modelo Digital de Elevaciones
Generación de Parámetros
Morfométricos del Relieve
Componentes Principales
Observaciones Climáticas
Generación de Series
Temporales de Variables
Climáticas
Análisis de
Componentes
Principales
Indices de Vegetación
Generación de Serie
Temporal de Indice de
Vegetación
Clases Litológicas
Transformación de las
Clases a Variables Binarias
Relación entre las Propiedades del Suelo

y las Variables Ambientales
Perfiles de Suelo
Obtención de las Funciones
de Predicción Espacial
Transformación Logística de las (Modelos de Regresión)
Propiedades del Suelo
Comparación y Residuos de los Modelos de

Evaluación Regresión
Interpolación
Espacial de los
Predicción Espacial: Suma de las Cartografías de los Residuos
Modelos de Regresión y los Residuos
Cartografía Digital de
Propiedades Físico-
Químicas del Suelo
Figura 23.- Obtención de la cartografía digital de las propiedades físico-químicas del suelo
con el procedimiento de regresión-kriging.
43
 Z+ 
Z + + = ln  ; 0 < Z+ < 1
+ 
(6)
1− Z 
donde Z+ es la variable del suelo normalizada en el rango 0 y 1:
Z − Z min
Z+ = (7)
Z max − Z min
siendo Zmin y Zmax los límites físicos de la variable del suelo Z.
La transformación logística permite convertir los valores acotados por dos límites físicos (Zmin
y Zmax) al rango (-∞, +∞) y usualmente mejora la normalidad de las variables del suelo
(obsérvese en el epígrafe 3.1 que las propiedades físico-químicas del suelo no se ajustaron a
una distribución normal), que es un requisito en los análisis de regresión. Los límites físicos
asumidos para transformar las propiedades del suelo se muestran en la Tabla 15.
Tabla 15.- Límites físicos asumidos en la transformación logística de las variables del
suelo.
Propiedad del Suelo Zmin Zmax
Arena (%) 0 100
Limo (%) 0 100
Arcilla (%) 0 100
pH (H2O) 1 14
Materia Orgánica (%) 0 100
Profundidad del Suelo (cm) 0 250
Por otro lado, en la Tabla 16 se resume las variables auxiliares originalmente recopiladas en
este trabajo, alcanzando la cifra de 81 variables ambientales. Todas las variables son
continuas excepto la litología que es categórica. Para incorporar esta variable en los análisis se
aplicó cierta transformación que permitió representar cada clase litológica por un valor
binario, dando lugar a 20 nuevas variables. Las nuevas variables binarias pueden asumir dos
valores: 1 si la clase litológica está presente y 0 si la clase está ausente.
Evidentemente, muchas de las variables auxiliares originales están altamente correlacionadas

entre sí (datos no mostrados), por lo que si se usaran directamente como variables
independientes en las funciones de predicción espacial se originarían serios problemas de
multicolinealidad. Para evitar estos problemas se aplicó un análisis de Componentes
Principales (CP) que permitió construir transformaciones lineales de las variables auxiliares
originales. Así, las nuevas variables transformadas son ortogonales y, consecuentemente,
carecen de correlación alguna. Asimismo, el análisis CP permitió reducir drásticamente la
dimensionalidad de los datos originales sin pérdida significativa de información.
44
Tabla 16.- Variables auxiliares recopiladas para desarrollar las funciones de predicción
espacial de las propiedades del suelo.
Factor Formador del Suelo No. Variable Auxiliar
1 Elevación del Terreno
2 Pendiente del Relieve
3 Seno del Aspecto del Relieve
4 Coseno del Aspecto del Relieve
5 Curvatura en Planta
6 Curvatura del Perfil
Relieve 7 Curvatura Longitudinal
8 Curvatura Transversal
9 Curvatura Media
10 Curvatura Cóncava
11 Curvatura Convexa
12 Índice de Humedad
13 Potencia de la Escorrentía
Material Parental 14..33 20 Clases Litológicas
34..45 Serie Temporal de la Temperatura Media Mensual
Clima 46..57 Serie Temporal de la Precipitación Media Mensual
58..69 Serie Temporal de la Evapotranspiración de
referencia Mensual
Organismos Biológicos 70..81 Serie Temporal del Índice de Vegetación Mejorado
Medio Mensual.
En la Fig. 24 se puede apreciar que las primeras 44 componentes principales fueron capaces
de explicar el 99,71% de la varianza total de los datos. Además, la inspección visual de los
datos reveló que las componentes 45 a 81 replicaron la información ya comprendida en las
componentes previas pero con menor contraste, o reflejaron cierto nivel de ruido de los datos
originales. Por estas razones, solo se usaron las primeras 44 CP como variables
independientes de los modelos de regresión.
100%
90%
80%
% Varianza Explicada
70%
60%
50%
40%
30%
20%
10%
0%
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Componente Principal
Figura 24.- Varianza explicada por las componentes principales de las variables auxiliares.
45
6.1.- Funciones de Predicción Espacial de las Propiedades del Suelo
Completado el proceso de transformación de las variables se procedió a desarrollar las

funciones de predicción espacial de las propiedades del suelo. Además de las CP de las
variables ambientales, se utilizaron las coordenadas geográficas como variables
independientes de las funciones de predicción. La inclusión de las coordenadas aseguró que
no se perdiera el patrón espacial no explicado originalmente por las variables ambientales en
el proceso de inferencia de las propiedades del suelo (McBratney et al., 2003).
Tabla 17.- Funciones de predicción espacial de las propiedades físico-químicas del suelo.
Propiedad Variables Independientes No. de R2
Nodos
Terminales
Profundidad del Suelo X, Y, CP1, CP2, CP6, CP7, CP8, CP9, CP11, CP22, CP25, 1 0,701
CP28, CP30, CP32, CP33, CP38, CP42, CP43, CP44
Horizonte Superficial
Arena X, Y, CP1, CP3, CP4, CP5, CP6, CP7, CP8, CP11, CP17, 1 0,417
CP19, CP22, CP24, CP27, CP28, CP32, CP38, CP39, CP40,
CP41, CP42, CP43
Limo X, CP1, CP3, CP7, CP8, CP11, CP13, CP17, CP18, CP19, 1 0,452
CP20, CP22, CP24, CP26, CP27, CP30, CP31, CP38, CP39
Arcilla X, Y, CP2, CP3, CP4, CP5, CP6, CP7, CP8, CP11, CP13, 1 0,442
CP40, CP41, CP42, CP43
Materia Orgánica X, Y, CP1, CP2, CP5, CP6, CP9, CP15, CP16, CP21, CP22, 1 0,330
CP24, CP27, CP36, CP38, CP40
pH Nodo Terminal 1: X, CP1, CP2, CP4, CP5, CP6, CP9, 3 0,696
CP38, CP44
Nodo Terminal 2: X, Y, CP1, CP5, CP7, CP10, CP11,
CP37, CP40, CP43, CP44
Nodo Terminal 3: X, Y, CP2, CP5, CP6, CP7, CP8, CP10,
CP34, CP35, CP39, CP42, CP44
Horizonte Subsuperficial
Arena CP3, CP5, CP7,CP8, CP11, CP12, CP15, CP18, CP19, 1 0,332
Limo CP1, CP2, CP3, CP8, CP10, CP11, CP20, CP22, CP24, 1 0,372
Arcilla CP1, CP2, CP5, CP6, CP7, CP8, CP13, CP19, CP21, CP24, 1 0,383
CP26, CP31, CP32, CP33
Materia Orgánica CP1, CP3, CP5, CP6, CP7, CP9, CP11, CP14, CP16, CP19, 1 0,284
CP24, CP25, CP27, CP33, CP36, CP38, CP39
pH X, Y, CP1, CP5, CP6, CP7, CP8, CP9, CP10, CP11, CP14, 1 0,568
CP35, CP37, CP39, CP40, CP43
El procedimiento utilizado para realizar los análisis se basó en la técnica de regresión no

paramétrica conocida como árboles de regresión, implementada en el software GUIDE (Loh,
2007). GUIDE es capaz de construir una secuencia anidada de modelos con estructura
jerárquica (en árbol) y utiliza la técnica de validación cruzada para seleccionar el árbol de
estructura más sencilla con menor error de predicción (podado). Además, GUIDE aplica el
procedimiento de selección por pasos hacia adelante (stepwise forward selection) para ajustar
modelos lineales múltiples en los nodos terminales del árbol seleccionado y, asimismo, es
46
capaz de asimilar variables continuas y discretas. La efectividad de los árboles de regresión

como técnica para generar funciones de predicción espacial de las propiedades del suelo ha
sido demostrada por Henderson et al. (2005) en el desarrollo del Sistema de Información de
Recursos de los Suelos australianos.
La Tabla 17 contiene las variables independientes (componentes principales), el número de

nodos terminales y los coeficientes de determinación (R2) de los árboles de regresión
obtenidos por GUIDE para explicar las propiedades físico-químicas del suelo. Obsérvese que
después de aplicar el proceso de podado, GUIDE solo identificó un verdadero árbol de
regresión (con tres nodos terminales) para explicar la relación entre el pH superficial y las
variables ambientales (Fig. 25). Para el resto de las propiedades se obtuvieron simples
modelos lineales múltiples. La información ambiental más importante asociada a cada
componente principal se muestra en la Fig. 26. Esta figura facilita la interpretación de las
relaciones entre las propiedades del suelo y las variables ambientales identificadas por las
funciones de predicción espacial (Tabla 17), de modo que cada componente principal
utilizada como variable independiente puede asociarse a un factor formador del suelo.
CP1
<= -3,66 > -3,66
NT1 CP31
<= -0,11 > -0,11
NT2 NT3
Figura 25.- Árbol de regresión obtenido para explicar la relación entre el pH superficial y
las variables ambientales (NT: Nodo Terminal).
En general, las predicciones de las funciones obtenidas fueron suficientemente buenas (R2
entre 0,284 y 0,701) y estadísticamente significativas en todos los casos. La profundidad del
suelo y el pH fueron las variables mejores explicadas por los modelos de regresión, mientras
que la materia orgánica fue la propiedad menos explicada. Tal como se esperaba, la
correlación entre las propiedades del suelo y las variables ambientales fue más fuerte en la
superficie del suelo que en los estratos más profundos (Henderson et al., 2005). No obstante,
las precisiones alcanzadas por las funciones se encuentran dentro del orden esperado para las
componentes deterministas de los modelos de predicción espacial de las propiedades del suelo
(Hengl, 2007).
47
5 Factor Formador del Suelo

1.- Material Parental
2.- Relieve
3.- Clima
4.- Organismos Biológicos
4
Factor Formador del Suelo
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Componente Principal
Figura 26.- Relación entre las componentes principales de las variables ambientales y los
principales factores formadores del suelos.
6.2.- Análisis Geo-estadístico de los Residuos de las Funciones de Predicción

Espacial
Los residuos de las propiedades del suelo se obtuvieron como la diferencia entre los valores
observados (con transformación logística) y los valores estimados por las funciones de
predicción espacial. Los histogramas de los residuos de las regresiones se muestran en la Fig.
27. En este figura se puede apreciar que todos los histogramas fueron simétricos y centrados
en el valor de cero. La prueba de normalidad mostró que en todos los casos los residuos se
ajustaron razonablemente bien a una distribución normal, condición necesaria para realizar las
interpolaciones espaciales con el método de kriging ordinario.
Las interpolaciones espaciales de los residuos se realizaron con el software VESPER

(Minasny et al., 2005). Los residuos de las variables del suelo con más de 1000 observaciones
se interpolaron con el procedimiento Block Kriging ordinario con variogramas locales. Este
procedimiento ha sido diseñado para interpolar series de datos de alta densidad (más de 1000
valores) que permiten la estimación local de un variograma para cada punto de interés usando
un número predefinido de datos vecinos. Los variogramas locales permiten modelizar la
estructura espacial asociada a cada punto y usar esta información en el proceso de
interpolación espacial (Haas, 1990).
48
40 40 40
35 35 35
30 30 30
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
Residuos de Profundidad Residuos de Arena Superficial Residuos de Limo Superficial

40 40 50
35 35 45
40
30 30
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
35
25 25 30
20 20 25
15 15 20
15
10 10
10
5 5 5
0 0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
Residuos de Arcilla Superficial Residuos de MO Superficial Residuos de pH Superficial
40 40 40
35 35 35
30 30 30
Frecuencia (%)
Frecuencia (%)
Frecuencia (%)
25 25 25
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
Residuos de Arena Subsuperficial Residuos de Limo Subsuperficial Residuos de Arcilla Subsuperficial
40 50
35 45
40
30
Frecuencia (%)
Frecuencia (%)
35
25 30
20 25
15 20
15
10
10
5 5
0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
Residuos de MO Subsuperficial Residuos de pH Subsuperficial
Figura 27.- Histogramas de los residuos de las funciones de predicción espacial de las
propiedades del suelo (residuos de las variables con transformación logística).
Todos los variogramas locales de los residuos se ajustaron al modelo exponencial usando 100
datos vecinos. Los residuos de la única variable del suelo con menos de 1000 observaciones
(Profundidad del Suelo) se interpoló con el método Block Kriging ordinario convencional,
que ajusta un solo variograma global con todos los datos disponibles.
6.3.- Predicción de la Densidad Aparente del Suelo
A diferencia con el resto de las propiedades físico-químicas analizadas en este trabajo, la

predicción de la densidad aparente del suelo no se efectuó con el procedimiento de regresión-
kriging explicado en los epígrafes anteriores. La razón para esto es que las observaciones de
DA recopiladas no presentaron una distribución y cobertura espacial suficientemente
adecuada como para realizar análisis geo-estadísticos. Sin embargo, los datos disponibles
abarcan una amplia gama de valores representativos de los suelos de Andalucía, por lo que
pueden utilizarse para desarrollar funciones locales de edafotransferencia que permitan
correlacionar la densidad aparente con otras propiedades físicas de los suelos de la región.
De acuerdo con los resultados obtenidos en estudios previos, las propiedades físicas que
mejor predicen la densidad aparente son la textura, la materia orgánica y la profundidad del
suelo (Rawls, 1983; Bernoux et al., 1998; De Vos et al., 2005; Tranter et al., 2007). Así, para
obtener las funciones de edafotransferencia se escogieron los contenidos de limo y arcilla, la
materia orgánica y la profundidad del suelo (definida como horizonte superficial y
49
subsuperficial) como variables independientes; y los valores de densidad aparente (variable

dependiente) se sometieron a la transformación logística con límites físicos definidos entre 0
y 2,65 gr/cm3. Los regresiones se realizaron con el procedimiento de árboles de regresión
implementado en el software GUIDE.
En la Fig. 28 se muestra la estructura del árbol de regresión obtenido por GUIDE para
explicar la relación entre las propiedades físicas del suelo y la densidad aparente. Obsérvese
que el árbol obtenido definió diferentes modelos de regresión en función del horizonte edáfico
y el contenido de arcilla. Todas las variables independientes consideradas inicialmente fueron
significativas en los nodos terminales del árbol.
Horizonte
Superficial Subsuperficial
% NT3
Arcilla
<= 10,28 > 10,28
NT1 NT2
Figura 28.- Árbol de regresión obtenido para explicar la relación entre la Densidad
Aparente y las propiedades físicas del suelo (NT: Nodo Terminal).
El árbol de regresión obtenido fue capaz de explicar el 54,13% de la variación de la DA

(R2=0,5413) con un RECM de tan solo 0,111 gr/cm3. En estudios previos se han conseguido
indicadores de precisión comparables a los alcanzados en este trabajo (Manrique y Jones,
1991; Bernoux et al., 1998; Calhoun et al., 2001; Heuscher et al., 2005; Tranter et al., 2007).
Asimismo, Calhoun et al. (2001) sugirieron que la textura, la materia orgánica y la
profundidad del suelo son capaces de explicar entre el 50 y el 60% de la variación de la
densidad aparente, que resulta suficiente para captar la variabilidad espacial de esta propiedad
a escala regional.
50
Textura Horizonte Superficial Textura Horizonte Superficial Textura Horizonte Superficial
± Arena (%)
± Limo (%)
± Arcilla (%)
97.5 75.1 82.9
50 25 0 50 Km 0.0 50 25 0 50 Km 0.0 50 25 0 50 Km 0.0
Textura Horizonte Superficial pH (H2O) Horizonte Superficial Materia Orgánica Horizonte Superficial
± ± ± (%)
9.3
14.7
Arena
Limo
50 25 0 50 Km Arcilla 50 25 0 50 Km 4.6 50 25 0 50 Km 0.0
(a)
Figura 29.- Mapas generados de las propiedades físico-químicas del suelo. (a) Textura, pH y materia orgánica en el horizonte superficial. (b) Textura,
pH y materia orgánica en el horizonte subsuperficial. (c) Densidad aparente y clases de profundidad del suelo.
51
Textura Horizonte Subsuperficial Textura Horizonte Subsuperficial Textura Horizonte Subsuperficial
± Arena (%)
± Limo (%)
± Arcilla (%)
92.9 73.1 76.4
0.0 1.3 0.7

50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km
Textura Horizonte Subsuperficial pH (H2O) Horizonte Subsuperficial Materia Orgánica Horizonte Subsuperficial
± ±
(%)
Arena 9.2
14.7
Limo
50 25 0 50 Km Arcilla 50 25 0 50 Km
4.3
50 25 0 50 Km 0.0
(b)
52
Densidad Aparente Horizonte Superficial Densidad Aparente Horizonte Subsuperficial Clases de Profundidad del Suelo
± (gr/cm3)
± (gr/cm3)
1: 0-25 cm
2: 25-50 cm
1.50 1.50
3: 50-100 cm
4: 100-150 cm
50 25 0 50 Km 0.95 50 25 0 50 Km 0.95 50 25 0 50 Km 5: >150 cm
(c)
53
6.4.- Generación y Evaluación de la Cartografía Digital de las Propiedades

Físico-Químicas del Suelo
A excepción de la densidad aparente, la cartografía digital de las propiedades del suelo se

obtuvo como la suma de los mapas derivados con las funciones de predicción espacial y los
mapas de los residuos. Los mapas de densidad aparente se obtuvieron mediante la evaluación
directa de la función de edafotransferencia desarrollada. En la Fig. 29 se muestran los mapas
finales de las propiedades físico-químicas analizadas en este trabajo.
La precisión de los mapas generados se evaluó con el procedimiento de validación cruzada

(ver epígrafe 5.4.1 para detalles) y se expresó a través del coeficiente de determinación y la
raíz del error cuadrático medio (ecuaciones 1 y 2). Debe señalarse, sin embargo, que el mejor
método para evaluar la precisión de la cartografía digital de suelos se basa en la comparación
con muestras independientes (Dobos et al., 2006). Dada las limitaciones en la disponibilidad
de datos originales, en este estudio se prefirió optar por el procedimiento de validación
cruzada, y de esta forma utilizar todos los datos disponibles en el desarrollo del sistema de
inferencia espacial. Esto supone que los errores obtenidos pueden exceder los valores reales y
deben valorarse con cierta precaución (Willmott et al., 2006).
La Tabla 18 contiene la precisión alcanzada en la generación de los mapas de las propiedades

del suelo con el procedimiento de regresión-kriging. Como regla general, la cartografía digital
de suelos puede considerarse adecuada si es capaz de explicar entre el 50% y el 75% de la
varianza total de las muestras de datos independientes (Hengl y Toomanian, 2006; Hengl,
2007). Los mapas obtenidos en este estudio fueron capaces de explicar entre el 70 y el 90% de
la variabilidad de las propiedades analizadas, que son índices de precisión excelentes pero
probablemente algo subvalorados. Si se considera la enorme variabilidad espacial y temporal
que muestran las propiedades físico-químicas de los suelos, se puede concluir que la precisión
lograda por el Sistema de Inferencia Espacial es satisfactoria y válida para realizar estudios
agro-hidrológicos a escala regional.
Tabla 18.- Precisión alcanzada en la generación de los mapas de propiedades físico-

químicas del suelo.
Propiedad Arena Limo Arcilla pH MO Profundidad
(%) (%) (%) (H2O) (%) (cm)
Horizonte Superficial
2
R 0,774 0,779 0,7918 0,894 0,786 0,905
RECM 8,075 6,574 6,309 0,276 0,669 18,561
Horizonte Subsuperficial
R2 0,717 0,767 0,721 0,905 0,701
RECM 8,939 6,908 7,889 0,286 0,371
Por otro lado, si se asume que existe auto-correlación espacial significativa entre los errores
obtenidos por el procedimiento de validación cruzada (diferencia absoluta entre los valores
observados en los perfiles del suelo y los valores inferidos por validación cruzada), entonces
es posible obtener los mapas de errores de inferencia espacial de las propiedades del suelo en
la región (Willmott et al., 2006), tal como se explica en los siguientes párrafos.
54
Error de Inferencia Espacial Error de Inferencia Espacial Error de Inferencia Espacial
± ± ±
Arena Horizonte Superficial Limo Horizonte Superficial Arcilla Horizonte Superficial
Error Absoluto (%) Error Absoluto (%) Error Absoluto (%)

0.00 - 3.21 12.86 - 16.06 0.00 - 2.66 10.66 - 13.31 0.00 - 2.80 11.20 - 13.98
3.22 - 6.43 16.07 - 19.28 2.67 - 5.33 13.32 - 15.98 2.81 - 5.59 13.99 - 16.78
6.44 - 9.64 19.29 - 22.49 5.34 - 7.99 15.99 - 18.64 5.60 - 8.39 16.79 - 19.58
Error Absoluto Medio = 5.41 % Error Absoluto Medio = 3.10 % Error Absoluto Medio = 3.96 %
50 25 0 50 Km Desviación Estándar = 3.10 %
9.65 - 12.85 22.50 - 25.70 50 25 0 50 Km 8.00 - 10.65 18.65 - 21.30 50 25 0 50 Km 8.40 - 11.19 19.59 - 22.37
Desviación Estándar = 2.68 % Desviación Estándar = 3.05 %
±
pH (H2O) Horizonte Superficial
±
Materia Orgánica Horizonte Superficial
± Profundidad del Suelo
Error Absoluto Error Absoluto (%) Error Absoluto (cm)

0.00 - 0.12 0.49 - 0.60 0.00 - 0.33 1.32 - 1.64 0.00 - 6.27 25.08 - 31.34
0.13 - 0.24 0.61 - 0.71 0.34 - 0.65 1.65 - 1.96 6.28 - 12.54 31.35 - 37.61
0.25 - 0.36 0.72 - 0.83 0.66 - 0.98 1.97 - 2.29 12.55 - 18.80 37.62 - 43.87
Error Absoluto Medio = 0.16 50 25 0 50 Km Error Absoluto Medio = 0.35 % 50 25 0 50 Km Error Absoluto Medio = 12.36 cm
50 25 0 50 Km 0.37 - 0.48 0.84 - 0.95 0.99 - 1.31 2.30 - 2.62 18.81 - 25.07 43.88 - 50.14
Desviación Estándar = 0.11 Desviación Estándar = 0.26 % Desviación Estándar = 6.32 cm
(a)
Figura 30.- Mapas de errores de inferencia espacial de las propiedades físico-químicas del suelo. (a) Textura, pH y materia orgánica en el horizonte
superficial y profundidad del suelo. (b) Textura, pH y materia orgánica en el horizonte subsuperficial.
55
± ± ±
Arena Horizonte Subsuperficial Limo Horizonte Subsuperficial Arcilla Horizonte Subsuperficial
Error Absoluto (%) Error Absoluto (%) Error Absoluto (%)

0.01 - 3.79 15.13 - 18.90 0.01 - 2.99 11.93 - 14.90 0.00 - 3.09 12.38 - 15.46
3.80 - 7.57 18.91 - 22.68 3.00 - 5.96 14.91 - 17.88 3.10 - 6.19 15.47 - 18.55
7.58 - 11.34 22.69 - 26.46 5.97 - 8.94 17.89 - 20.85 6.20 - 9.28 18.56 - 21.64
Error Absoluto Medio = 6.57 % Error Absoluto Medio = 3.67 % Error Absoluto Medio = 5.11 %
50 25 0 50 Km 11.35 - 15.12 26.47 - 30.24 50 25 0 50 Km 8.95 - 11.92 20.86 - 23.83 50 25 0 50 Km 9.29 - 12.37 21.65 - 24.73
Desviación Estándar = 3.19 % Desviación Estándar = 2.87 % Desviación Estándar = 3.69 %
Error de Inferencia Espacial Error de Inferencia Espacial
±
pH (H2O) Horizonte Subsuperficial Materia Orgánica Horizonte Subsuperficial
Error Absoluto Error Absoluto (%)

0.00 - 0.13 0.54 - 0.66 0.00 - 0.16 0.67 - 0.82
0.14 - 0.27 0.67 - 0.80 0.17 - 0.33 0.83 - 0.98
0.28 - 0.40 0.81 - 0.93
0.34 - 0.49 0.99 - 1.15
Error Absoluto Medio = 0.16
50 25 0 50 Km 0.41 - 0.53 0.94 - 1.06 50 25 0 50 Km Error Absoluto Medio = 0.21 % 0.50 - 0.66 1.16 - 1.31
Desviación Estándar = 0.14 Desviación Estándar = 0.13 %
(b)
56
Después de corroborar que los valores absolutos de los errores presentaron estructura espacial
en todas las propiedades del suelo analizadas, se procedió a su interpolación espacial con el
procedimiento Block Kriging ordinario convencional. Todos los variogramas se ajustaron al
modelo exponencial y los errores se sometieron a la transformación logarítmica para
aproximarlos a la distribución normal.
Los mapas de errores de inferencia espacial obtenidos se muestran en la Fig. 30. Estos mapas
representan la medida más natural del error medio cometido por el sistema de inferencia
espacial, permitiendo visualizar la distribución espacial de los errores y cuantificar su
magnitud aproximada en cualquier punto del territorio (Willmott y Matsuura, 2005).
Obsérvese en estos mapas que los errores extremos se localizaron puntualmente en la región,
de modo que pueden ser parcialmente atribuidos a errores de observación en los perfiles de
suelo correspondientes; y/o diferencias de escalas entre el valor interpolado en un celda de
250 m de lado y el valor observado en una pequeña superficie de algunos centímetros de
diámetro (Dobos et al., 2006). No obstante, los errores absolutos medios obtenidos fueron
realmente bajos y dentro de los límites de variación admisibles para las variables analizadas
(Batjes, 2002).
Otro uso muy importante de estos mapas es que permiten, mediante técnicas de simulación
estocástica, analizar el impacto de la propagación de los errores sobre los resultados de otros
procesos que utilizan estas propiedades del suelo como datos de entrada, por ejemplo, los
mapas de propiedades hidráulicas del suelo derivados con funciones de edafotransferencia
(Dobos et al., 2006). Estos tipos de análisis están fuera del alcance de este trabajo, no
obstante, a continuación se explica a modo de ejemplo el proceso que puede seguirse para
generar múltiples realizaciones estocásticas del mapa de una propiedad del suelo determinada.
Las realizaciones son la base para cuantificar la incertidumbre que generan los errores de
inferencia espacial de la propiedad del suelo sobre otros procesos dependientes de ella.
La propiedad escogida para desarrollar el ejemplo de propagación de errores ha sido el

contenido de arcilla en el horizonte superficial. El primer paso fue estimar la distribución
espacial de los errores del mapa generado como la diferencia entre los valores de contenido de
arcilla observados en los perfiles de suelo y los valores inferidos por validación cruzada. En la
Fig. 31b se puede apreciar que el histograma de los errores se aproximó a una distribución
normal con una media de -0,975% y una desviación estándar de 3,888. Asimismo, los errores
mostraron una marcada correlación espacial, quedando reflejada en el semivariograma de la
Fig. 31c. Finalmente, los errores puntuales se sometieron a una transformación logística y se
interpolaron con el método de Block Kriging ordinario con un tamaño de bloque de 250 m,
acorde con la cuadrícula de referencia definida en este trabajo. En la Fig. 31a se muestra el
mapa de errores obtenido, revelándose que el sistema de inferencia espacial sobreestimó el
contenido de arcilla en tan solo 0,975% como promedio, pero con errores extremos
relativamente importantes (± 21%).
Para generar múltiples realizaciones del mapa de errores se aplicó una técnica de simulación
estocástica basada en el procedimiento de muestreo Hipercubo Latino (McKay et al. 1979)
que toma en cuenta la correlación espacial de la incertidumbre (Iman y Conover, 1982). El
procedimiento desarrollado se basó en los trabajos de Holmes et al. (2000) y Bishop et al.
(2006). Así, los pasos seguidos en la simulación estocástica fueron:
57
Error del Mapa Generado

Mapa Generado por el Sistema de Inferencia
±
Arcilla Horizonte Superficial 18
20
16
Mínimo = -21.26
18
Máximo = 21.26
14
16 Media = -0.975
Mediana = -0.739 Errores del Mapa Generado por el
14 12
Desviación Estándar = 3.888 Sistema de Inferencia
Frecuencia (%)
Semivarianza
12 10
10
8
8
6
6
4 4
2
2
Error (%) 0
-21.30 - -15.97 0.01 - 5.32
0
.0
.0
.0
.0
0
0
0
0
0
.0
.0
.0
.0
.0
.0
.0
0
0
0
0
0
0
0
2.
0.
8.
6.
4.
2.
0.
0.
2.
4.
6.
8.
-15.96 - -10.65 5.33 - 10.65
-8
-6
-4
-2
10
12
14
16
18
20
22
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
-2
-2
-1
-1
-1
-1
-1
-10.64 - -5.32 10.66 - 15.97
50 25 0 50 Km -5.31 - 0 15.98 - 21.30 Error (%) Distancia (Km)
Error Realización # 1
Mapa Realización 1
±
20
16
Mínimo = -22.83
18
Máximo = 28.67
14
16 Media = -0.971
Mediana = -0.734
14 12 Errores de la Realización 1
Desviación Estándar = 3.959
Frecuencia (%)
Semivarianza
12 10
10
8
8
6
6
4 4
2
2
Error (%) 0
-22.90 - -16.45 2.91 - 9.35
0
.0
.0
.0
.0
0
0
0
0
0
.0
.0
.0
.0
.0
.0
.0
0
0
0
0
0
0
0
2.
0.
8.
6.
4.
2.
0.
0.
2.
4.
6.
8.
-16.44 - -10.00 9.36 - 15.80
-8
-6
-4
-2
10
12
14
16
18
20
22
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
-2
-2
-1
-1
-1
-1
-1
-9.99 - -3.55 15.81 - 22.25

50 25 0 50 Km -3.54 - 2.90 22.26 - 28.70 Error (%) Distancia (Km)
Mapa Realización 2
±
20
16
Mínimo = -21.90
18
Máximo = 24.78
14
16 Media = -0.973
Mediana = -0.741
Frecuencia (%)
Semivarianza
12 10
10
8
8
6
6
4 4
2
2
Error (%) 0
-21.90 - -16.06 1.46 - 7.29
0
.0
.0
.0
.0
0
0
0
0
0
.0
.0
.0
.0
.0
.0
.0
0
0
0
0
0
0
0
2.
0.
8.
6.
4.
2.
0.
0.
2.
4.
6.
8.
-16.05 - -10.22 7.30 - 13.12

-8
-6
-4
-2
10
12
14
16
18
20
22
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
-2
-2
-1
-1
-1
-1
-1
-10.21 - -4.39 13.13 - 18.96

Mapa Realización 3
±
20
16
Mínimo = -24.71
18
Máximo = 20.97
14
16 Media = -0.971
Mediana = -0.744
Frecuencia (%)
Semivarianza
12 10
10
8
8
6
6
4 4
2
2
Error (%) 0
-24.70 - -18.99 -1.85 - 3.85
0
.0
.0
.0
.0
0
0
0
0
0
.0
.0
.0
.0
.0
.0
.0
0
0
0
0
0
0
0
2.
0.
8.
6.
4.
2.
0.
0.
2.
4.
6.
8.
-18.98 - -13.28 3.86 - 9.56

-8
-6
-4
-2
10
12
14
16
18
20
22
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
-2
-2
-1
-1
-1
-1
-1
-13.27 - -7.57 9.57 - 15.27

50 25 0 50 Km -7.56 - -1.86 15.28 - 20.98 Error (%) Distancia (Km)
Mapa Realización 4
±
20
16
Mínimo = -22.38
18
Máximo = 22.57
14
16 Media = -0.972
Mediana = -0.738
Frecuencia (%)
Semivarianza
12 10
10
8
8
6
6
4 4
2
2
Error (%) 0
-22.40 - -16.77 0.11 - 5.73
0
.0
.0
.0
.0
0
0
0
0
0
.0
.0
.0
.0
.0
.0
.0
0
0
0
0
0
0
0
2.
0.
8.
6.
4.
2.
0.
0.
2.
4.
6.
8.
-16.76 - -11.15 5.74 - 11.35

-8
-6
-4
-2
10
12
14
16
18
20
22
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
-2
-2
-1
-1
-1
-1
-1
-11.14 - -5.52 11.36 - 16.98

(a) (b) (c)
Figura 31.- Errores de inferencia espacial de la arcilla en el horizonte superficial (Valores

originales y realizaciones estocásticas). (a) Mapas de errores. (b) Histogramas y estadísticos
de los errores. (c) Variogramas de los errores.
58
1. Definir el número de realizaciones y el tamaño de una ventana local para realizar el

análisis.
2. Para cada celda del mapa de errores:
a. Obtener la desviación estándar de los errores estimados en los 50 puntos más
cercanos a la celda.
b. Definir los parámetros de una función de distribución Gaussiana con el valor
del error interpolado en la celda y su desviación estándar.
c. Identificar las celdas vecinas en la ventana local definida.
d. Calcular el variograma de los errores en la ventana local.
e. Ajustar el variograma local a un modelo teórico y obtener el correlograma
correspondiente.
f. Aplicar el procedimiento Hipercubo Latino para muestrear los errores de la
ventana local considerando la correlación espacial identificada.
3. Sumar cada realización del mapa de errores al mapa de arcilla generado por el sistema
de inferencia espacial. Esto supone obtener múltiples versiones (tantas como el
número de realizaciones definido) del mapa de contenido de arcilla en el horizonte
superficial del suelo.
En este ejemplo se utilizó una ventana local de 7 x 7 celdas, los variogramas locales se
ajustaron al modelo exponencial y se generaron 50 realizaciones de los mapas. En la Fig. 31
se muestran los mapas, histogramas y semivariogramas de 4 realizaciones de errores elegidas
al azar. Puede apreciarse claramente que las realizaciones reprodujeron acertadamente los
estadísticos del mapa de errores original.
El próximo paso en un estudio de este tipo sería utilizar las realizaciones de las propiedades
del suelo como datos de entrada en la simulación de otros procesos dependientes. De esta
forma se podría cuantificar la incertidumbre que genera los errores de los datos al propagarse
a través de los procesos dependientes. Por ejemplo, las realizaciones de los mapas de textura,
densidad aparente y materia orgánica podrían utilizarse para cuantificar la incertidumbre que
provocan sobre los mapas de propiedades hidráulicas derivados con funciones de
edafotransferencia. En situaciones donde se carece de observaciones independientes, este
procedimiento podría ser una vía muy efectiva para valorar la incertidumbre espacial
involucrada en el proceso de generación de mapas de propiedades hidráulicas del suelo
(McBratney et al., 2002). Estos aspectos, aunque muy importantes, no han sido tratados en
este trabajo y se dejan para estudios futuros.
59
VII.- Inferencia de las Propiedades Hidráulicas del Suelo

La producción de la cartografía digital de las propiedades hidráulicas del suelo se basó en el
desarrollo y la aplicación de funciones de edafotransferencia. El principal motivo de esta
decisión fue que la distribución y cobertura espacial de los perfiles con datos de CC y PMP
no fue suficientemente adecuada para realizar análisis geo-estadísticos en la región. Por otro
lado, la base de datos disponible no posee información de otras propiedades hidráulicas del
suelo, por lo que necesariamente tuvo que acudirse a funciones de edafotransferencia para
estimarlas.
7.1.- Capacidad de Campo y el Punto de Marchitez Permanente
La predicción de la CC y el PMP se basó en el desarrollo y aplicación de funciones de

edafotransferencia calibradas con los datos locales disponibles. Las funciones de
edafotransferencia permiten inferir las propiedades hidráulicas del suelo a partir de ciertas
propiedades físicas como son la textura, la densidad aparente y la materia orgánica (Pachepsky
y Rawls, 2005). En este trabajo se utilizó la aplicación informática k-Nearest Neighbor,
recientemente desarrollada por Nemes et al. (2008), para calibrar las funciones de
edafotransferencia de CC y PMP con los datos disponibles en la región.
k-Nearest Neighbor (KNN) es una herramienta que permite inferir los contenidos del agua en el
suelo para los potenciales matriciales de –33 kPa (CC) y –1500 kPa (PMP), usando el
procedimiento estadístico del mismo nombre. KNN es una técnica no parámetrica de exploración
de datos que se basa en el reconocimiento de patrones similares. En el caso en particular de este
estudio, KNN se utiliza para identificar los elementos de una base de datos de referencia que son
más similares a la muestra de suelo presentada por el usuario, y asignar a dicha muestra los
valores medios ponderados de CC y PMP de los elementos encontrados. La ponderación se
realiza en función de una medida (distancia euclidiana) que cuantifica la similitud entre
propiedades físicas de la muestra y los elementos de la base de datos (Nemes et al., 2006).
KNN utiliza los contenidos de arena, limo y arcilla, la densidad aparente y el contenido de materia
orgánica como datos de entrada. En la Tabla 19 se muestra el resumen estadístico de los datos
recopilados en 2032 horizontes de suelos locales que conformaron la base de datos de referencia
utilizada en este estudio. Puede apreciarse que los datos disponibles abarcan una amplia gama
de valores de los atributos de suelo seleccionados, siendo representativos de la región de
interés.
Tabla 19.- Resumen estadístico de los datos recopilados en 2032 horizontes de suelos
locales para conformar la base de datos de referencia de KNN.
Propiedad Unidad Mínimo Máximo Medio Desviación Mediana
Estándar
Arena gr/gr 0,010 0,967 0,450 0,192 0,458
Limo gr/gr 0,001 0,823 0,342 0,136 0,339
Arcilla gr/gr 0,008 0,773 0,208 0,129 0,177
DA gr/cm3 0,940 1,590 1,320 0,077 1,320
MO % 0,017 14,65 2,029 1,856 1,439
CC cm3/cm3 0,011 0,530 0,295 0,088 0,294
3 3
PMP cm /cm 0,006 0,4166 0,137 0,065 0,127
60
Capacidad de Campo Horizonte Superficial Punto Marchitez Permanente Horizonte Superficial Retención de Agua Horizonte Superficial
± ±
(cm3/cm3) (cm3/cm3) (mm)
0.43 59.62
0.31
0.060
50 25 0 50 Km 0.027
50 25 0 50 Km 50 25 0 50 Km 8.40
(a)
Capacidad de Campo Horizonte Subsuperficial Punto Marchitez Permanente Horizonte Subsuperficial Retención de Agua Horizonte Subsuperficial
± ±
(cm3/cm3) (cm3/cm3) (mm)
0.43 0.30
417.55
50 25 0 50 Km 0.075
50 25 0 50 Km 0.032 50 25 0 50 Km 0.00
(b)
Figura 32.- Mapas de Capacidad de Campo, Punto de Marchitez Permanente y Retención del Agua. (a) Horizonte Superficial. (b) Horizonte
Subsuperficial.
61
En la Fig. 32 se muestran los mapas de CC y PMP obtenidos con KNN. Asimismo, se

muestran los mapas de capacidad de retención del agua (CRA) en los horizontes del suelo, que
se obtuvieron con la aplicación de la ecuación (8):
CRA = (CC − PMP ) ⋅ Espesor (8)
donde Espesor es el espesor en mm del horizonte analizado. Para calcular CRA en el

horizonte superficial se utilizó un espesor de 250 mm, mientras que el espesor del horizonte
subsuperficial se obtuvo del mapa de profundidad del suelo (Fig. 29c). En la ecuación (8)
CRA se expresa en mm, y CC y PMP en cm3/cm3.
Los errores de predicción de KNN se evaluaron con el procedimiento de validación cruzada.

KNN fue capaz de explicar el 78,9% de las variaciones de la CC y el 75,2% del PMP, con
RECM de 0,049 cm3/cm3 y 0,037 cm3/cm3 respectivamente. Estos índices de precisión pueden
considerarse muy favorables y fueron similares a los reportados por Nemes et al. (2006). Debe
señalarse, sin embargo, que no debe confundirse los errores de predicción de KNN con los errores
de inferencia espacial. Estos últimos solo podrían valorarse con el procedimiento de validación
cruzada espacial explicado en el epígrafe 6.4, o mediante la comparación de los mapas generados
con muestras de datos independientes. Como los datos de CC y PMP disponibles no
presentaron una cobertura espacial suficientemente adecuada en la región, no fue posible
aplicar estos procedimientos. Otra vía para evaluar la incertidumbre espacial de la CC y el
PMP sería aplicar la técnica de propagación de errores explicada en el epígrafe 6.4, pero este
aspecto queda fuera del alcance de este trabajo.
7.2.- Parámetros de Retención del Agua en el Suelo y Conductividad Hidráulica
Los modelo agro-hidrológicos pueden clasificarse, a groso modo, en conceptuales o

mecanicistas. Los modelos conceptuales asumen una serie de simplificaciones para facilitar y
agilizar los cálculos, por ejemplo, usualmente utilizan el método de cascada para ejecutar el
balance del agua en el complejo suelo-planta-atmósfera (Ritchie, 1998). Estos modelos solo
necesitan los datos de Retención del Agua para caracterizar el suelo, de modo que la
información generada en el epígrafe anterior sería suficiente.
Por su parte, los modelos mecanicistas se basan en la resolución de la ecuación de Richards

para simular el movimiento del agua en el complejo suelo-planta-atmósfera. Estos modelos
utilizan la función completa de retención del agua en el suelo, es decir, la relación funcional
que explica la variación del potencial matricial con el contenido del agua en el suelo.
Desafortunadamente la inferencia de la curva de retención requiere una importante inversión
en muestreos de campo y análisis de laboratorio, por esta razón se ha intentado relacionar con
otras propiedades del suelo que se pueden medir con más facilidad, como son la textura, la
densidad aparente y el contenido de materia orgánica (Bouma, 1989). Estas funciones
relacionales se denominan funciones de edafotransferencia (FET). Wösten et al. (2001),
efectuaron una revisión exhaustiva de las técnicas usadas para desarrollar FET y comentaron
su exactitud y fiabilidad.
A falta de información local, en este trabajo se analizaron múltiples FET que fueron obtenidas
a partir de un elevado número de observaciones de propiedades edáficas, cubriendo una
amplia gama de suelos similares a los de la zona de estudio. De las FET analizadas, se decidió
utilizar las desarrolladas por Schaap et al. (2001) y contenidas en el software Rosetta. El
conjunto de datos usado para la calibración de Rosetta fue extraído de tres bases de datos
62
diferentes, conteniendo observaciones provenientes de América del Norte y Europa

principalmente. Los autores recopilaron de un total de 20574 observaciones con datos de
potencial matricial y contenido de agua para calibrar las FET de Rosetta.
Rosetta utiliza un procedimiento jerárquico basado en redes neuronales artificiales calibradas

para inferir los parámetros de la función de retención del agua en el suelo y la conductividad
hidráulica. Rosetta ofrece la posibilidad de usar 5 diferentes FET según la disponibilidad de
los datos de entrada. El modelo más simple requiere solamente la clase textural, mientras que
el más sofisticado usa los contenidos de arena, limo y arcilla, la densidad aparente y dos
puntos de la curva de retención a -33 y -1500 kPa como datos de entrada. La flexibilidad del
modelo sofisticado resulta muy atractiva porque permite adaptar los resultados de Rosetta a
las condiciones locales donde se midieron los valores de retención que utiliza el modelo como
datos de entrada. Por estas razones, en este trabajo se utilizó el modelo sofisticado de Rosetta
para inferir los parámetros de retención y la conductividad hidráulica en los suelos de la
región andaluza.
Rosetta es capaz de estimar los parámetros de retención de la función de van Genuchten

(1980), la conductividad hidráulica saturada (Ks), así como los parámetros de la función de
conductividad hidráulica no saturada inferidos por el modelo de Mualem (1976). La ecuación
de van Genuchten (1980) es:
θs − θr
θ (h ) = θ r + (9)
[1 + (α ⋅ h) ] n m
donde θ (h ) es el contenido volumétrico de agua en el suelo (cm3/cm3) para el potencial

matricial h (cm), θ r y θ s son los contenidos de agua residual y de saturación respectivamente
(cm3/cm3), α es el inverso de la presión de entrada de aire en el suelo (cm-1), n es un
parámetro que caracteriza la distribución de tamaños de poros y m es igual a 1-1/n.
Combinado la ecuación (9) con el modelo de tamaños de poro de Mualem (1976), se obtiene
la función de conductividad hidráulica no saturada (K(Se)):
{ [
K (S e ) = K 0 ⋅ SeL 1 − 1 − S en / (n −1) ] }
1−1 / n 2
(10)
donde la saturación efectiva (Se) se calcula como:
θ (h ) − θ r
Se = (11)
θs − θr
K0 representa la conductividad saturada aparente (cm/día), mientras que L es un parámetro

empírico que caracteriza la tortuosidad y conectividad de los poros del suelo.
Considerando las ecuaciones anteriores, Rosetta estima los valores de siete parámetros ( θ r ,
θ s , α , n, Ks, K0 y L) para caracterizar la retención del agua en el suelo y la conductividad
hidráulica saturada y no saturada.
63
Los resultados de Rosetta se evaluaron con los datos de referencia recopilados en este trabajo
(Tabla 19). Así, los valores de CC y PMP registrados en la base de datos se compararon con
los contenido volumétricos de agua a 330 cm y 15000 cm de potencial matricial calculados
con la función de van Genuchten (ecuación 9) con los parámetros de retención obtenidos por
Rosetta. En la Fig. 33 se muestra los resultados de la evaluación. Si bien las predicciones de
CC se aproximaron adecuadamente a los valores deseados, puede apreciarse importantes
errores sistemáticos en la estimación del PMP (Fig. 33 b). Schaap et al. (2001) observaron
que Rosetta tiende a subestimar los valores de retención de agua para presiones elevadas. Por
otro lado, Schaap y Leij (1998) apuntaron que los errores sistemáticos reflejan las diferencias
entre las condiciones locales de las fuentes de datos utilizados para la calibración y la
evaluación de Rosetta y, consecuentemente, deben ser corregidos.
0,55 0,4
y = 0,9189x + 0,0152 1:1 y = 0,6167x + 0,0209 1:1

0,5
2 0,35 2
R = 0,9617 R = 0,9162
Marchitez Permanente Rosetta

0,45
Capacidad de Campo Rosetta
0,3
0,4
0,35 0,25
(cm /cm )
(cm /cm )
3
3
0,3
0,2
3
3
0,25
0,2 0,15
0,15
0,1
0,1 RECM = 0,0198 cm3/cm3
0,05 RECM = 0,0421 cm3/cm3
0,05 Error Medio = 0,0087 cm3/cm3 Error Medio = 0,0315 cm3/cm3
0 0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4
Capacidad de Campo Base de Datos de Referencia Marchitez Permanente Base de Datos de Referencia
3 3 3 3
(cm /cm ) (cm /cm )
(a) (b)
Figura 33.- Comparación entre los contenidos volumétricos de agua registrados en la base
de datos de referencia y estimados por Rosetta. (a) Capacidad de Campo (Contenido de
agua para un potencial matricial de 330 cm). (b) Punto de Marchitez Permanente
(Contenido de agua para un potencial matricial de 15000 cm).
Para adaptar los resultados de Rosetta a las condiciones locales de la región de estudio se
siguió el procedimiento propuesto por Schaap et al. (2004). La idea es utilizar un
procedimiento que modifica los cuatro parámetros de retención de la ecuación de van
Genuchten obtenidos originalmente por Rosetta de manera que se logre minimizar los errores
de predicción de los contenidos de agua en el suelo. Para esto, se asumió que una simple
transformación lineal de los parámetros es suficiente para alcanzar la varianza mínima entre
los valores de contenidos de agua observados y estimados, de modo que cada parámetro de
retención originalmente estimado por Rosetta Pj se puede modificar a Pj" con la siguiente
ecuación:
Pj" = a j + (b j ⋅ Pj ) (12)
donde los coeficientes aj y bj se obtienen simultáneamente como resultado de un proceso de

optimización que intentar minimizar la siguiente función objetivo:
FO = ∑ [θ (P )] +∑ [θ ( )]
N N
" 2 2
CC , i −θ "
CC , i j PMP , i − θ PMP
" "
, i Pj (13)
i =1 i =1
64
siendo θ CC , i y θ PMP, i la Capacidad de Campo y el Punto de Marchitez del elemento i de la

base de datos de referencia, θ CC
" "
, i Pj y θ PMP
" "
, i Pj son la Capacidad de Campo y el Punto de ( ) ( )
Marchites estimados con los parámetros de retención modificados Pj" , y N es el número total
de elementos evaluados.
El proceso de optimización estuvo sujeto a las siguientes restricciones para garantizar que los
parámetros de retención modificados mantuvieran sus significados físicos convencionales
(Schaap et al., 1998a):
• 0 ≤ θ r ≤ 0,3 cm3/cm3.
• 0,6φ ≤ θ s ≤ φ, donde φ es la porosidad total calculada como (1-DA/2,65).
• 0,0001 ≤ α ≤ 1 cm-1.
• 1,0001 ≤ n ≤ 10.
Tabla 20.- Coeficientes correctores de los parámetros de retención originalmente estimados

por Rosetta.
Parámetro de Retención Coeficiente aj Coefiente bj
θr -0,0141 1,4039
θs -0,1393 1,2963
α 0,0000 1,1142
n 0,2857 0,7381
En la Tabla 20 se muestra los coeficientes correctores aj y bj obtenidos para cada uno de los
parámetros de retención. Asimismo, en la Fig. 34 se comparan los valores de contenidos de
agua observados y estimados tras aplicar el procedimiento de corrección. Puede apreciarse
que el procedimiento de corrección redujo sustancialmente los errores sistemáticos, sobre
todo en la estimación del PMP. El error medio de estimación del PMP pasó de 0,0315
cm3/cm3 a 0,0048 cm3/cm3, mientras que la RECM se redujo en más del 50% del valor
originalmente obtenido. Los errores de estimación de la CC también se redujeron pero en
menor cuantía.
0,55 0,45
Marchitez Permanente Rosetta Corregido
Capacidad de Campo Rosetta Corregido
1:1 1:1
0,5 y = 0,8963x + 0,0339 0,4 y = 0,7679x + 0,0269
2 2
R = 0,9658 R = 0,937
0,45
0,35
0,4
0,3
0,35
(cm /cm )
(cm /cm )
3
0,3 0,25
3
0,25 0,2
0,2
0,15
0,15
0,1
0,1 RECM = 0,0179 cm3/cm3 RECM = 0,0206 cm3/cm3
0,05 Error Medio = -0,0033 cm3/cm3 0,05 Error Medio = 0,0048 cm3/cm3
0 0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45
Capacidad de Campo Base de Datos de Referencia Marchitez Permanente Base de Datos de Referencia
3 3 3 3
(cm /cm ) (cm /cm )
(a) (b)
Figura 34.- Comparación entre los contenidos volumétricos de agua registrados en la base
de datos de referencia y estimados por Rosetta tras aplicar el procedimiento de corrección.
(a) Capacidad de Campo. (b) Punto de Marchitez Permanente.
65
En la Fig. 35 se muestra la regionalización de los parámetros de retención estimados por

Rosetta tras aplicar el procedimiento de corrección explicado. Desafortunadamente, no se
dispone de medidas independientes para verificar la precisión espacial de la cartografía
obtenida, no obstante, al comparar los mapas de CC y PMP generados con la función de van
Genuchten e inferidos por el procedimiento KNN se obtuvieron resultados muy similares. En
la Tabla 21 se resume los índices que permiten valorar las diferencias entre estos mapas,
concluyéndose que los parámetros de retención obtenidos por Rosetta fueron capaces de
generar mapas de similar precisión a los logrados por el procedimiento de KNN, al menos
para los valores de contenido de agua analizados.
Tabla 21.- Diferencias entre los mapas de CC y PMP inferidos por el procedimiento KNN y
generados con la función de van Genuchten con los parámetros de retención obtenidos por
Rosetta.
Índice CC CC PMP PMP
Horizonte Horizonte Horizonte Horizonte
Superficial Subsuperficial Superficial Subsuperficial
R2 0,953 0,978 0,959 0,969
RECM 0,0205 0,0099 0,0098 0,0124
(cm3/cm3)
Error Absoluto Medio 0,0175 0,0084 0,0079 0,0108
(cm3/cm3)
En la Fig. 36 se muestran los mapas de conductividad hidráulica saturada y los parámetros de

la función de conductividad hidráulica no saturada inferidos por Rosetta. Debe puntualizarse
finalmente, que los parámetros de la función de conductividad fueron estimados a partir de los
parámetros de retención corregidos, quedando así adaptados a las condiciones locales de la
región.
66
Contenido de Agua Residual Horizonte Superficial Contenido de Agua Saturación Horizonte Superficial Inverso Presión Entrada de Aire Horizonte Superficial Distribución Tamaños de Poros Horizonte Superficial
± ±
(cm3/cm3) (cm3/cm3) (1/cm)
± ±
0.574 0.0786 1.720

0.139
0.014 0.332
50 25 0 50 Km 50 25 0 50 Km 50 25 0 50 Km 0.0025 50 25 0 50 Km 1.156
(a)
Contenido de Agua Residual Horizonte Subsuperficial Contenido de Agua Saturación Horizonte Subsuperficial Inverso Presión Entrada de Aire Horizonte Subsuperficial Distribución Tamaños de Poros Horizonte Subsuperficial
± ±
(cm3/cm3) (cm3/cm3) (1/cm)
± ±
0.139 0.574 0.0761 1.771
0.014
50 25 0 50 Km 50 25 0 50 Km 0.333
50 25 0 50 Km 0.0017 50 25 0 50 Km 1.162
(b)
Figura 35.- Parámetros de retención estimados por Rosetta tras aplicar el procedimiento de corrección. (a) Horizonte superficial. (b) Horizonte
subsuperficial.
67
Conductividad Hidráulica Saturada Horizonte Superficial Conductividad Saturada Aparente Horizonte Superficial Parámetro de Tortuosidad/Conectividad de Poros
(cm/día) (cm/día) Horizonte Superficial
± ± ±
816.845 108.170 0.747
50 25 0 50 Km 12.463 50 25 0 50 Km 0.517 50 25 0 50 Km -4.978
(a)
Conductividad Hidráulica Saturada Horizonte Subsuperficial Conductividad Saturada Aparente Horizonte Subsuperficial Parámetro de Tortuosidad/Conectividad de Poros
(cm/día) (cm/día) Horizonte Subsuperficial
± ± ±
614.978 95.327 0.735
50 25 0 50 Km 7.260 50 25 0 50 Km 0.455 50 25 0 50 Km -4.978
(b)
Figura 36.- Conductividad hidráulica saturada y parámetros de la función de conductividad hidráulica no saturada. (a) Horizonte superficial. (b)
Horizonte subsuperficial.
68
VIII.- Referencias Bibliográficas

Allen, R.; Trezza, R. y Tasumi, M. 2006. Analytical integrated functions for daily solar
radiation on slopes. Agricultural and Forest Meteorology, 139(1-2): 55-73.
Batjes, N.H. 2002. Soil estimates for the soil types of the world for use in global and regional
modelling (Versión 2.1, July 2002). ISRIC Report 2002/02c. International Food
Policy Research Institute (IFPRI) and International Soil Reference and Information
Centre (ISRIC), Wageningen.
Bernoux, M.; Arrouays, D.; Cerri, C.; Valkoff, B. y Jolivet, C. 1998. Bulk densities of
Brazilian Amazon soils related to other soil properties. Soil Science Society of
America Journal, 62: 743–749.
Bishop, T.F.A.; Minasny, B. y McBratney, A.B. 2006. Uncertainty analysis for soil-terrain
models. International Journal of Geographical Information Science, 20(2): 117–
134.
Bossard, M.; Feranec, J. y Otahel, J. 2000. CORINE land cover technical guide- Addendum
2000. Technical Report 40, European Environment Agency, Denmark, 105 pp.
Bouma, J. 1989. Using soil survey data for quantitative land evaluation. Advance in Soil
Science, 9: 177–213.
Burrough, P.A.; van Gaans, P.F.M. y MacMillan, R.A. 2000. High-resolution landform
classification using fuzzy k-means. Fuzzy Sets and Systems, 113: 37-52.
Burrough, P.A.; Wilson, J.P.; van Gaans, P.F.M, y Hensen, A.J. 2001. Fuzzy k-means
classification of topo-climatic data as an aid to forest mapping in the Greater
Yellowstone Area, USA. Landscape Ecology, 16: 523-46.
Calhoun, F.G.; Smeck, N.E.; Slater, B.L.; Bigham, J.M. y Hall, G.F. 2001. Predicting bulk
density of Ohio soils from morphology, genetic principles and laboratory
characterisation data. Soil Science Society of America Journal, 65: 811–819.
Chena, J.; Jönsson, P.; Tamurab, M.; Gua, Z.; Matsushitab, B. y Eklundhd, L. 2004. A simple
method for reconstructing a high-quality NDVI time-series data set based on the
Savitzky–Golay filter. Remote Sensing of Environment, 91: 332–344.
COM. 2006. Propuesta de directiva del parlamento europeo y del consejo por la que se
establece un marco para la protección del suelo y se modifica la directiva
2004/35/CE. Comisión de las Comunidades Europeas. COM(2006) 232 Final. 31
pp.
CSIC-IARA. 1989. Consejo Superior de Investigaciones Científicas–Instituto Andaluz de la

Reforma Agraria. Mapa de suelos de Andalucía. Consejería de Medio Ambiente,
Sevilla, España.
Deng, Y. 2005. Evaluating input data for Dem-based environmental analysis and
classification. A thesis Presented as Partial Fulfilment of the Requirements for the
69
Degree Doctor of Philosophy. Faculty of Graduate School University of Southern

California, 194 pp.
De Vos, B.; Van Meirvenne, M.; Quataert, P.; Deckers, J. y Muys, B. 2005. Predictive quality
of pedotransfer functions for estimating bulk density of forest soils. Soil Science
Society of America Journal, 69: 500–510.
Dobos, E.; Carré, F.; Hengl, T.; Reuter, H.I. y Tóth, G. 2006. Digital Soil Mapping as a
support to production of functional maps. EUR 22123 EN. Office for Official
Publications of the European Communities, Luxemburg, 68 pp.
Durner, W.; Jansen, U. y Iden, S.C. 2008. Effective hydraulic properties of layered soils at the
lysimeter scale determined by inverse modelling. European Journal of Soil Science,
59: 114–124.
Evans, I. S. 1980. An integrated system of terrain analysis and slope mapping. Zeitschrift fur
Geomorphologie, Suppl-Bd, 36: 274-295.
Finke, P.; Hartwich, R.; Dudal, R.; Ibañez, J.; Jamagne, M.; King, D.; Montanarella, L. y
Yassoglou, N. 1999. Una base de datos de suelos georeferenciada para Europa.
Manual de procedimientos Versión 1.1. Editado por el Comité Científico del Buró
Europeo de Suelos.
Haas, T.C. 1990. Kriging and automated variogram modeling within a moving window.
Atmospheric Environment, 24A: 1759-1769.
Hargreaves, G. H. 1994. Defining and using reference evapotranspiration. ASCE J. Irrig.

Drain. Engng., 120: 1132-1139.
Henderson, B.L.; Bui, B.N.; Moran, C.J. y Simon, D.A.P. 2005. Australia-wide predictions of
soil properties using decision trees. Geoderma, 124: 383–398.
Hengl, T. 2006. Finding the right pixel size. Computers and Geosciences, 32(9): 1283-1298.
Hengl, T. 2007. A Practical Guide to Geostatistical mapping of environmental variables. EUR

22904 Scientific and Technical Research series, Office for Official Publications of
the European Communities, Luxemburg, 143 pp.
Hengl, T.; Heuvelink, G.B.M. y Stein, A. 2004. A generic framework for spatial prediction of
soil variables based on regression-kriging. Geoderma ,120: 75–93
Hengl, T.; Heuvelink, G.B.M. y Rossiter, D.G. 2007. About regression-kriging: from
equations to case studies. Computers and Geosciences, 33(10): 1301-1315.
Hengl, T. y Toomanian, N. 2006. Maps are not what they seem: representing uncertainty in
soil-property maps. En: Caetano, M. y Painho, M. (eds). Proceedings of the 7th
International Symposium on Spatial Accuracy Assessment in Natural Resources and
Environmental Sciences (Accuracy 2006), July 2006, Lisboa, Portugal: 805-813.
70
Heuscher, S.A.; Brandt, C.C. y Jardine, P.M. 2005. Using soil physical and chemical
properties to estimate bulk density. Soil Science Society of America Journal, 69: 51–
56.
Holmes, K.W.; Chadwick, O.A. y Kyriakidis, P.C. 2000. Error in a USGS 30-meter digital
elevation model and its impact on terrain modelling. Journal of Hydrology, 233:
154-173.
Hosking, J.R. y Wallis, J.L. 1997. Regional frequency analysis. Cambridge University Press,
Cambridge.
Iman, R.L. y Conover, W.J. 1982. A distribution-free approach to inducing rank correlation
among input variables. Communications in Statistics, B11: 311–334.
Jenny, H. 1941. Factors of soil formation - a system of quantitative pedology. McGraw-Hill,

New York, 281 pp.
Jhorar, R.K.; van Dam, J.C.; Bastiaanssen, W.G.M y Feddes, R.A. 2004. Calibration of
effective soil hydraulic parameters of heterogeneous soil profiles. Journal of
Hydrology, 285: 233–247.
Jönsson, P. y Eklundh, L. 2004. TIMESAT - a program for analysing time-series of satellite

sensor data. Computers and Geosciences, 30: 833-845.
Junta de Andalucía. 1998. Mapa Geológico-Minero de Andalucía. Escala 1:400.000 (3ª

Versión). Sevilla.
Justice, C.O.; Townshend, J.R.G.; Vermote, E.F.; Masuoka, E.; Wolfe, R.E.; Saleous, N.;
Roy, D.P. y Morisette, J.T. 2002. An overview of MODIS land data processing and
product status. Remote Sensing of Environment, 83: 3 –15.
Knight, J.F.; Lunetta; R.L.; Ediriwickrema, J. y Khorram, S. 2006. Regional scale land-cover
characterization using MODIS-NDVI 250 m multi-temporal imagery: A phenology
based approach. GIScience and Remote Sensing, 43(1): 1-23.
Lindsay, J.B. 2005. The Terrain analysis system: a tool for hydro-geomorphic applications.
Hydrol. Process,. 19: 1123–1130.
Lindsay, J.B. y Creed, I.F. 2005. Removal of artifact depressions from digital elevation
models: towards a minimum impact approach. Hydrological Processes, 19: 3113–
3126.
Loh, W.Y. 2007. GUIDE (version 6.0) User Manual. Department of Statistics, University of
Wisconsin–Madison. http://www.stat.wisc.edu/~loh/guide.html.
Manrique, L.A. y Jones, C.A. 1991. Bulk density of soils in relation to soil physical and
chemical properties. Soil Science Society of America Journal, 55: 476–481.
71
Marquínez, J.; Lastra, J. y García, P. 2003. Estimation models for precipitation in

mountainous regions: the use of GIS and multivariate analysis. Journal of
Hydrology, 270: 1–11.
McBratney, A.B.; Mendonc-a-Santos, M.L. y Minasny, B. 2003. On digital soil mapping.

Geoderma, 117: 3–52.
McBratney, A.B.; Minasny, B.; Cattle, S.R.; Vervoor, R.W. 2002. From pedotransfer
functions to soil inference systems. Geoderma, 109: 41-73.
McKay, M.D.; Beckman, R.J. y Conover, W.J. 1979. A comparison of three methods for
selecting values of input variables in the analysis of output from a computer code.
Technometrics, 21: 239–245.
McKenney, D.W.; Pedlar, J.H.; Papadopol, P. y Hutchinson, M.F. 2006. The development of
1901–2000 historical monthly climate models for Canada and the United States.
Agricultural and Forest Meteorology, 138: 69–81.
Minasny, B.; McBratney, A.B. y Whelan, B.M. 2005. VESPER version 1.62. Australian
Centre for Precision Agriculture, McMillan Building A05, The University of
Sydney, NSW 2006. http://www.usyd.edu.au/su/agric/acpa.
Moreno, J. A. 2003. Modelo informático de simulación e información hidrológica. Tesis

Doctoral. E.T.S.I. Agrónomos y Montes. Universidad de Córdoba.
Mualem, Y. 1976. Anew model for predicting the hydraulic conductivity of unsaturated
porous media. Water Resource. Research, 12: 513–522.
Nemes, A.; Rawls, W.J. y Pachepsky, Y.A. 2006. Use of the non-parametric nearest neighbor
approach to estimate soil hydraulic properties. Soil Science Society of America
Journal, 70: 327-336.
Nemes, A.; Roberts, R.T.; Rawls, W.J.; Pachepsky, Y.A. y van Genuchten, M.T. 2008.
Software to estimate -33 and -1500 kPa soil water retention using the non-
parametric k-Nearest Neighbor technique. Environmental Modelling & Software, 23:
254-255.
Ninyerola, M.; Pons, X. y Roure, J.M. 2005. Atlas climático digital de la península ibérica.
Metodología y aplicaciones en bioclimatología y geobotánica. Departamento de
Biología Animal, Biología Vegetal y Ecología. Universidad Autónoma de
Barcelona. http://opengis.uab.es/wms/iberia/index.htm.
Pachepsky, Y.A. y Rawls, W.J. [Eds.]. 2005. Development of pedotransfer functions in Soil
Hydrology. Developments in Soil Science 30. Elsevier, Amsterdam-New York.
ISBN: 0 444 51705 7. ISSN: 0166-2481.
Quinn, T.; Xing Zhu, A. y Burt, J.E. 2005. Effects of detailed soil spatial information on
watershed modeling across different model scales. International Journal of Applied
Earth Observation and Geoinformation, 7: 324–338.
72
Rawls, W.J. 1983. Estimating soil bulk density from particle size analysis and organic matter
content. Journal of Soil Science, 135: 123–125.
Ritchie, J.T. 1998. Soil water balance and plant stress. En: Tsuji, G.Y., Hoogenboom, G.,
Thornton, P.K. (Eds.). Understanding Options for Agricultural Production. Kluwer
Academic Publishers, Dordrecht, The Netherlands: 41-54.
Roy, D.P.; Borak, J.S.; Devadiga, S.; Wolfe, R.E.; Zheng, M. y Descloitres, J. 2002. The
MODIS land product quality assessment approach. Remote Sensing of Environment,
83: 62–76.
Sakamoto, T.; Yokozawa, M.; Toritani, H.; Shibayama, M.; Ishitsuka, N.; y Ohno, H. 2005. A
crop phenology detection method using time-series MODIS data. Remote Sensing of
Environment, 96: 366 – 374.
Schaap, M.G. y Leij, F.J. 1998. Database related accuracy and uncertainty of pedotransfer
functions. Soil Sci. Soc. Am. J., 163: 765–779.
Schaap, M.G.; Leij, F.J. y van Genuchten, M.T. 1998a. Neural network analysis for
hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. J., 62: 847-
855.
Schaap, M.G.; Leij, F.J. y van Genuchten, M.T. 2001. Rosetta: A computer program for
estimating soil hydraulic parameters with hierarchical pedotransfer functions.
Journal of Hydrology, 251: 163–176.
Schaap, M.G.; Nemes, A. y van Genuchten, M.T. 2004. Comparison of models for indirect
estimation of water retention and available water in surface soils. Vadose Zone
Journal, 3:1455–1463.
Simunek, J.; van Genuchten, M. T. y Sejna, M. 2005. The HYDRUS-1D software package for
simulating the movement of water, heat, and multiple solutes in variably saturated
media, Version 3.0, HYDRUS Software Series 1, Department of Environmental
Sciences, University of California Riverside, Riverside, California, USA, 270 pp.
Szalai, S.; Bihari, Z.; Szentimrey, T. y Lakatos, M. (Eds.). 2007. COST Action 719 - The use
of geographic information systems in climatology and meteorology. Proceedings
from the Conference on spatial interpolation in climatology and meteorology. Office
for Official Publications of the European Communities, Luxemburg, 264pp.
Tarboton, D.G. 1997. A new method for the determination of flow directions and upslope
areas in gird digital elevation models. Water Resources Research, 33(2): 309-319.
Thompson, J.; Bell, J. y Butler, C. 2001. Digital elevation model resolution: effects on terrain
attribute calculation and quantitative soil-landscape modelling. Geoderma, 100: 67–
89.
Tranter, G.; Minasny, B.; Mcbratney, A.B.; Murphy, B.; Mckenzie, N.J.; Grundy, M. y
Brough, D. 2007. Building and testing conceptual and empirical models for
predicting soil bulk density. Soil Use and Management, 23: 437–443.
73
Triantafilis, J.; Ward, W. y McBratney, A.. 2001. Land suitability assessment in the namoi
valley of Australia, using a continuous model. Australian Journal of Soil Research,
39: 273–290.
Trueba, C.; Millán, R; Schmid, T.; Roquero, C y Magíster, M. 1999. Base de datos de
propiedades edafológicas de los suelos españoles. Informes Técnicos (vol. 882 y
883). CIEMAT. Madrid.
Vanderlinden, K. 2002. Análisis de procesos hidrológicos a diferentes escalas espacio-

temporales. Tesis de Doctorado. Universidad de Córdoba, España.
Vanderlinden, K.; Giráldez, J.V. y Van Mervenne, M. 2004. Assessing reference

evapotranspiration by the Hargreaves method in Southern Spain. J. Irrig. Drain.
Eng. ASCE, 129 (1): 53–63.
van Genuchten, M.Th. 1980. A closed-form equation for predicting the hydraulic conductivity
of unsaturated soils. Soil Sci. Soc. Am. J., 44: 892–898.
Willmott, C.J. y Matsuura, K. 2005. Advantages of the mean absolute error (MAE) over the
root mean square error (RMSE) in assessing average model performance. Climate
Research, 30: 79-82.
Willmott, C.J. y Matsuura, K. 2006. On the use of dimensioned measures of error to evaluate
the performance of spatial interpolators. Journal of Geographical Information
Science, 20(1): 89–102.
Wilson, J.P. y Gallant, J.C. (eds). 2000. Terrain analysis: Principles and applications. John
Wiley and Sons, New York.
Wood, J. 1996. The geomorphological characterisation of digital elevation models. PhD

thesis, University of Leicester.
Wood, J. 2005. Landserf 2.2: Visualisation and analysis of terrain models.

http://www.soi.city.ac.uk/~jwo/landserf/.
Wösten, J.H.M.; Lilly, A.; Nemes, A. y Bas, C. L. 1999. Development and use of a database
of hydraulic properties of European soils. Geoderma, 90:169-185.
Wösten, J.H.M.; Pachepsky, Y.A. y Rawls, W.J. 2001. Pedotransfer functions: bridging the
gap between available basic soil data and missing soil hydraulic characteristics.
Journal of Hydrology, 251: 123-150.
74

Sistema de Inferencia Espacial de Propiedades de Los Suelos de Andalucia

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sistema de Inferencia Espacial de Propiedades de Los Suelos de Andalucia

Transféré par

Droits d'auteur :

Formats disponibles

Empresa Pública Desarrollo Agrario y Pesquero

CONSEJERÍA DE AGRICULTURA Y PESCA

Sistema de Inferencia Espacial de

Herramienta de Apoyo a la Simulación de Procesos

Sevilla, Marzo de 2008

Sistema de Inferencia Espacial de Propiedades

José Antonio Rodríguez

II.- DESCRIPCIÓN DEL SISTEMA DE INFERENCIA ESPACIAL

III.- RECOPILACIÓN, DEPURACIÓN Y HOMOGENIZACIÓN DE

IV.- RESOLUCIÓN ESPACIAL...........................................................................................13

V.- VARIABLES AUXILIARES DEL MODELO DE FORMACIÓN EDÁFICA..........15

VI.- INFERENCIA DE PROPIEDADES FÍSICO-QUÍMICAS DEL SUELO.................42

VII.- INFERENCIA DE LAS PROPIEDADES HIDRÁULICAS DEL SUELO..............60

VIII.- REFERENCIAS BIBLIOGRÁFICAS.......................................................................69

Figura 2.- Localización de los perfiles de suelos recopilados...................................................6

Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y

Figura 7.- Definición de la cuadrícula de trabajo de 250 m de resolución..............................13

Figura 8.- Incertidumbre y propagación de errores en el análisis morfológico del MDE

Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía

Figura 10.- Clases litológicas definidas originalmente en el mapa SIGMA............................19

Figura 11.- Mapa sintético de clases litológicas de Andalucía................................................20

Figura 15.- Ubicación y tipo de las estaciones climáticas.......................................................28

Figura 16.- Histogramas de la precipitación media mensual...................................................29

Figura 17.- Histogramas de la temperatura media mensual.....................................................30

Figura 18.- Histogramas de la temperatura mínima mensual..................................................31

Figura 19.- Histogramas de la temperatura máxima mensual..................................................32

Figura 22.- Mapas de evapotranspiración de referencia mensual............................................41

Figura 23.- Obtención de la cartografía digital de las propiedades físico-químicas del

Figura 27.- Histogramas de los residuos de las funciones de predicción espacial de

Figura 29.- Mapas generados de las propiedades físico-químicas del suelo.

Figura 30.- Mapas de errores de inferencia espacial de las propiedades físico-químicas

Figura 31.- Errores de inferencia espacial de la arcilla en el horizonte superficial

Figura 32.- Mapas de Capacidad de Campo, Punto de Marchitez Permanente y Retención

Figura 33.- Comparación entre los contenidos volumétricos de agua registrados en la

Figura 34.- Comparación entre los contenidos volumétricos de agua registrados en la

Figura 36.- Conductividad hidráulica saturada y parámetros de la función de

Tabla 2.- Resumen estadístico de la profundidad del suelo, materia orgánica y pH en

Tabla 3.- Resumen estadístico de la densidad aparente, la capacidad de campo

Tabla 5.- Resumen estadístico de la precipitación media mensual..........................................28

Tabla 6.- Resumen estadístico de la temperatura media mensual............................................29

Tabla 7.- Resumen estadístico de la temperatura mínima mensual.........................................30

Tabla 8.- Resumen estadístico de la temperatura máxima mensual.........................................31

Tabla 9.- Funciones de predicción de la precipitación media mensual....................................33

Tabla 10.- Funciones de predicción de la temperatura media mensual...................................33

Tabla 11.- Funciones de predicción de la temperatura mínima mensual.................................34

Tabla 12.- Funciones de predicción de la temperatura máxima mensual................................34

Tabla 13.- Precisión de los mapas de precipitación media mensual, temperaturas

Tabla 14.- Precisión de los mapas de evapotranspiración de referencia mensual...................40

Tabla 15.- Límites físicos asumidos en la transformación logística de las variables

Tabla 16.- Variables auxiliares recopiladas para desarrollar las funciones de

Tabla 18.- Precisión alcanzada en la generación de los mapas de propiedades

Tabla 20.- Coeficientes correctores de los parámetros de retención originalmente

La disponibilidad de información edafológica asimilable por modelos agro-hidrológicos

Ante esta situación, y previendo que la Directiva Marco de Suelos se implementará en un

Se aplicaron técnicas edafométricas que permitieron correlacionar la información obtenida de

Se identificaron las instituciones que disponen de importantes bases de datos de perfiles de

a) Instituto de Recursos Naturales y Agrobiología de Sevilla (IRNAS) perteneciente al

b) Consejería de Medio Ambiente de la Junta de Andalucía (CMA). La Consejería de Medio

c) Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT).

• Modelo Digital de Elevaciones de Andalucía

Se generaron los siguientes mapas temáticos:

Relacionados con los Parámetros del Relieve

Relacionados con el Material Parental