Académique Documents
Professionnel Documents
Culture Documents
INFORME FINAL
Informe Final
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
INDICE DE FIGURAS
Figura 1.- Sistema de Inferencia Espacial de propiedades físico-químicas e hidráulicas
de los suelos de Andalucía..........................................................................................................4
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 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
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 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 28.- Árbol de regresión obtenido para explicar la relación entre la Densidad
Aparente y las propiedades físicas del suelo (NT: Nodo Terminal).........................................50
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
v
INDICE DE TABLAS
Tabla 1.- Resumen estadístico de la textura en los perfiles recopilados....................................9
Tabla 4.- Pesos asignados a los valores de EVI en el proceso de filtrado temporal................23
Tabla 17.- Funciones de predicción espacial de las propiedades físico-químicas del suelo....46
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
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
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.
Metodología
Datos de Partida
viii
detallada de 861 perfiles y 430 sondeos superficiales, que cubre la región Oriental de
Andalucía.
Las variables ambientales que contribuyen a la formación del suelo se obtuvieron de las
siguientes fuentes de información:
Resultados Obtenidos
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.
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
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).
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.
1
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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).
2
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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:
3
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Identificación y
Evaluación de
Funciones de
Edafo-
transferencia
4
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
5
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
FUENTE
±
IRNAS
CMA
CMA SONDEO
CIEMAT
6
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
8
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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..
11
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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
Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y punto
de marchitez permanente en los horizontes edáficos.
12
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
Cuadrícula de Trabajo
Resolución: 250 m
13
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
15
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± ±
3424.58 164.57
50 25 0 50 Km 0.00 50 25 0 50 Km 0.00
(a) (b)
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.
16
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± ± ±
± ± ±
Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía (valores medios de 60 realizaciones estocásticas).
17
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± ± ±
± ± ±
18
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
19
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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:
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
20
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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).
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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:
22
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Figura 13.- Resultados del filtrado con TIMESAT de algunas series temporales de EVI
(Tiempo expresado en unidades de 16 días).
23
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
24
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± 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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± 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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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.
27
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
±
Modelo de Estación
Pluviométrica
Termométrica
Mixta
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.
28
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
29
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
30
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
31
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
33
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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).
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
Distancia (Km) Distancia (Km) Distancia (Km)
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
Distancia (Km) Distancia (Km) Distancia (Km)
34
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Distancia (Km) Distancia (Km) Distancia (Km)
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.
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.
Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC)
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
Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC) Temperatura Media (ºC)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC)
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
Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC) Temperatura Mínima (ºC)
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)
Figura 21.-Continuación...
38
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC)
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
Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC) Temperatura Máxima (ºC)
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)
Figura 21.-Continuación...
39
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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.
40
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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
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
41
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
Z ( x, y ) = f (x, y, so ) + e( x, y ) (5)
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:
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
Z+
Z + + = ln ; 0 < Z+ < 1
+
(6)
1− Z
Z − Z min
Z+ = (7)
Z max − Z min
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.
44
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
CP19, CP22, CP23, CP24, CP30, CP32, CP37, CP38, CP39,
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
CP10, CP11, CP14, CP25, CP26, CP30, CP31, CP32, CP36,
CP38, CP44
Nodo Terminal 2: X, Y, CP1, CP5, CP7, CP10, CP11,
CP12, CP13, CP14, CP15, CP24, CP28, CP29, CP32, CP35,
CP37, CP40, CP43, CP44
Nodo Terminal 3: X, Y, CP2, CP5, CP6, CP7, CP8, CP10,
CP11, CP14, CP20, CP24, CP27, CP28, CP29, CP30, CP32,
CP34, CP35, CP39, CP42, CP44
Horizonte Subsuperficial
Arena CP3, CP5, CP7,CP8, CP11, CP12, CP15, CP18, CP19, 1 0,332
CP22, CP23, CP24, CP26, CP27, CP31, CP38, CP39, CP43
Limo CP1, CP2, CP3, CP8, CP10, CP11, CP20, CP22, CP24, 1 0,372
CP26, CP27, CP30, CP31, CP32, CP37, CP38, CP39, CP43
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
CP20, CP21, CP24, CP27, CP28, CP29, CP30, CP32, CP34,
CP35, CP37, CP39, CP40, CP43
46
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
CP1
NT1 CP31
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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.
48
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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).
50
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± Arena (%)
± Limo (%)
± Arcilla (%)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± Arena (%)
± Limo (%)
± Arcilla (%)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
(c)
53
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± ± ±
Arena Horizonte Superficial Limo Horizonte Superficial Arcilla Horizonte Superficial
±
pH (H2O) Horizonte Superficial
±
Materia Orgánica Horizonte Superficial
(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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
± ± ±
Arena Horizonte Subsuperficial Limo Horizonte Subsuperficial Arcilla Horizonte Subsuperficial
±
pH (H2O) Horizonte Subsuperficial Materia Orgánica Horizonte Subsuperficial
(b)
56
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
±
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
±
Arcilla Horizonte Superficial 18
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
Error Realización # 2
Mapa Realización 2
±
Arcilla Horizonte Superficial 18
20
16
Mínimo = -21.90
18
Máximo = 24.78
14
16 Media = -0.973
Mediana = -0.741
14 12 Errores de la Realización 2
Desviación Estándar = 3.952
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.
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
Error Realización # 3
Mapa Realización 3
±
Arcilla Horizonte Superficial 18
20
16
Mínimo = -24.71
18
Máximo = 20.97
14
16 Media = -0.971
Mediana = -0.744
14 12 Errores de la Realización 3
Desviación Estándar = 3.951
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.
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
Error Realización # 4
Mapa Realización 4
±
Arcilla Horizonte Superficial 18
20
16
Mínimo = -22.38
18
Máximo = 22.57
14
16 Media = -0.972
Mediana = -0.738
14 12 Errores de la Realización 4
Desviación Estándar = 3.949
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.
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
58
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
θs − θr
θ (h ) = θ r + (9)
[1 + (α ⋅ h) ] n m
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)
θ (h ) − θ r
Se = (11)
θs − θr
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
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)
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
66
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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)
± ±
0.014 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)
± ±
0.014
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
Conductividad Hidráulica Saturada Horizonte Superficial Conductividad Saturada Aparente Horizonte Superficial Parámetro de Tortuosidad/Conectividad de Poros
(cm/día) (cm/día) Horizonte Superficial
± ± ±
(a)
Conductividad Hidráulica Saturada Horizonte Subsuperficial Conductividad Saturada Aparente Horizonte Subsuperficial Parámetro de Tortuosidad/Conectividad de Poros
(cm/día) (cm/día) Horizonte Subsuperficial
± ± ±
(b)
Figura 36.- Conductividad hidráulica saturada y parámetros de la función de conductividad hidráulica no saturada. (a) Horizonte superficial. (b)
Horizonte subsuperficial.
68
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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.; 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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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
Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía
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.
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.
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