ANÁLISIS Y ESTIMACIÓN DE PROPIEDADES EDÁFICAS CON SENSORES REMOTOS Lenom CAJUSTE-BONTEMPS a, Carlos A. ORTIZ-SOLORIO a, Patricio SÁNCHEZ-GUZMÁN a, Edgar V. GUTIERREZ-CASTORENA b, Enrique OJEDA-TREJO a a Colegio de Postgraduados, Montecillos, México, 56230, email: lenomcb1@colpos.mx b Universidad Autónoma Metropolitana, Campus Xochimilco, México, D.F. 16749 RESUMEN La cuantificación de propiedades edáficas es necesaria para el manejo adecuado de suelos bajo producción en sistemas de agricultura de precisión. Sin embargo, las superficies de estimación no siempre son precisas y pueden resultar en ocasiones costosas. El objetivo de esta investigación fue usar datos de sensores remotos para mejorar la estimación de propiedades del suelo. Se utilizaron recortes de imágenes Rapid-Eye y LandSat ETM para caracterizar 25 puntos en campo con datos de arcilla, arena, ph y materia orgánica. Posteriormente se realizó un análisis de correlación-regresión generando funciones de pedotransferencia a partir de los ND de las bandas satelitales. Las superficies de estimación se construyeron con modelos híbridos de difusión espacial y estacionarios. Los resultados preliminares indican que hubo correlaciones significativas entre las propiedades del suelo y los índices generados a partir de las bandas satelitales. Adicionalmente, si bien las correlaciones son significativas y las superficies son más realistas, se requiere de mayor análisis y densidad de puntos para tener estimaciones precisas y confiables. Palabras clave: Modelos híbrido-espaciales, funciones de pedo-transferencia, interpolación, agricultura. 1 INTRODUCCIÓN La cuantificación de propiedades edáficas es necesaria para el manejo adecuado de suelos bajo producción agrícola, sobre todo en sistemas de agricultura de precisión (McBratney et al., 2005; Zhang et al., 2002). La estimación de dichas propiedades se realiza generalmente a partir de muestras tomadas en campo y analizadas en laboratorio, seguido de una interpolación de los datos geo-referenciados (Hartemink et al., 2008; Whitlock y Neale, 2010). Sin embargo, las superficies no siempre son precisas y obtenerlas puede resultar costoso en ocasiones (Bongiovanni y Lowenberg, 2004). Una alternativa a este dilema es el uso de funciones de pedo-transferencia (Samardian y Keshavarzi, 2010), construidas a partir de datos obtenidos con sensores remotos (Moore et al., 1993). Esta estrategia permite estimar propiedades del suelo siempre que exista una correlación alta y significativa entre el parámetro edáfico y alguna expresión que combine el valor de una o más bandas satelitales. Estas funciones son la base de los modelos de difusión espacial utilizados en cartografía de suelos, y pueden mejorar las estimaciones hechas con modelos estacionarios, como son las técnicas comunes de interpolación. El objetivo del presente trabajo de investigación es el de proponer el uso de sensores remotos que puedan ayudar a hacer una mejor estimación de propiedades del suelo con fines de caracterización edáfica y agricultura de precisión. 2 MATERIALES Y MÉTODOS El área de estudio se localiza al poniente de Ciudad Valles, SLP, como lo muestra la figura 1, entre las coordenadas 22.016 y 22.023 latitud norte y, 99.047 y 99.065 longitud oeste. La zona se caracteriza por ser un área donde se cultiva la caña de azúcar principalmente, y hortalizas de temporada a cielo abierto (sin protección), bajo sistema de riego por gravedad. Las parcelas están aisladas de la urbe periurbana gracias a una corriente hidráulica permanente, con una anchura aproximada de 40 metros. Los suelos según la WRB/FAO corresponden a fluvisoles éutricos.
Figura 1. Localización del área de estudio. Se realizó un muestreo de suelos durante la primavera del 2013, colectando muestras simples de 0-10 cm de profundidad en 25 sitios distribuidos como ce muestra en la figura 2. Las muestras fueran secadas al aire, molidas con mortero, tamizadas con una malla de 2 mm y procesadas para análisis físico (textura: arena, limo y arcilla)) y químico (ph, materia orgánica y conductividad eléctrica). Figura 2. Distribución de sitios de muestreo. Para construir las funciones se muestrearon recortes de una imagen Rapid-Eye de febrero del 2013, y una imagen LandSat 7 ETM de diciembre del 2012. El problema del filtro en el último recorte no afectó significativamente la zona de estudio. Se utilizaron las bandas visibles del recorte de Rapid Eye (3) y se generaron componentes principales {cp#} (solamente se usó la primera componente) e índices de suelos (únicamente se usó el índice de óxido/arcilla {Ioa}: banda 3/banda 1). Solamente se incorporaron la cp#1 y el Ioa al espacio de rasgos. Adicionalmente se usaron las bandas infrarrojas del recorte de LandSat (4, 5 y 7), como parámetros de extracción y como insumos para generar otros índices de suelo (banda 7 - (banda 5 + banda 4): Is 1, banda 7 / banda 5: Is 2, y bandas 7/(5+4): Is 3 ). De éstos se incorporaron banda 7, Is 1 e Is 2 al espacio de rasgos. El criterio de selección se basó en una fotointerpretación previa para determinar la mejor expresión de las propiedades consideradas. UN procedimiento similar se realizó con las propiedades edáficas, eliminando el contenido de limo del grupo de propiedades a estimar. Posteriormente se muestreó el espacio de rasgos en los sitios donde se ubicaron los puntos de muestreo. Con estos datos se realizaron análisis gráfico, de correlación parcial y de regresión polinomial para establecer funciones (pedotransferencia) que estimasen las propiedades edáficas consideradas a partir de los números digitales de cada banda original/sintética. Los modelos híbridos se construyeron aplicando las funciones de pedo-transferencia (difusión espacial) y ponderando su contribución de acuerdo al valor del coeficiente de determinación resultante de la regresión polinomial para cada función. La contraparte a contribuir se obtuvo de la interpolación realizada para cada variable (estacionario), utilizando el algoritmo de inverso de la distancia, IDW (no se utilizó kriging por no ser suficiente el número de observaciones). Así, como ejemplo, si la función de pedo-transferencia obtuvo una R² = 0.3547, este valor sería el peso ponderado p de dentro del modelo híbrido; mientras que la interpolación de la variable con IDW contribuiría con un peso p e = 0.6453 dentro del modelo híbrido. Luego entonces el modelo híbrido puede ser expresado como: Z x = p de * f(x) + p e * g(x) (1), donde Z x es la propiedad a ser estimada, p de es el peso igual al coeficiente de determinación R², de la función polinomial resultante de la regresión, f(x) es la función polinomial, p e = 1 - p de, y g(x) es el interpolador IDW para la variable estimada.
Los resultados incluyendo las superficies de estimación, se discuten en la siguiente sección. 3 RESULTADOS Y DISCUSIÓN 3.1 ESTADÍSTICAS DESCRIPTIVAS Y ANÁLISIS DE CORRELACIÓN Las estadísticas descriptivas para las cinco variables de suelo se muestran en el cuadro 1. Los suelos del área de estudio mostraron una variedad considerable de texturas (desde franco arenosos a franco arcillosos); un comportamiento similar se encontró con la materia orgánica. La variable con mayor dispersión en sus valores (datos no mostrados) fue la arcilla, con un 35.3 %, seguido de la conductividad eléctrica (27.7%). Cuadro 1. Estadísticas descriptivas para cinco propiedades edáficas en el área de estudio. Variable %cly 1 %snd 2 ph o.m. 3 e.c. 4 prom 5 16.4 60.3 6.86 1.45 1.51 devstd 6 5.8 7.38 0.17 0.21 0.42 min 7 9 44 6.63 1.23 0.5 max 8 31 70 7.3 2.3 1.97 1= %arcilla, 2= %arena, 3= % materia orgánica, 4= conductividad eléctrica en ds. m -1, 5= promedio, 6= desviación estándar, 7= mínimo valor, 8= máximo valor. su estimación. Las funciones polinomiales para estimar arcilla y arena fueron de segundo orden, mientras que el polinomio para estimar ph fue de primer orden. Figura 3. Gráfico de funciones polinomiales para arcilla, arena y ph, en función del índice I oa. En la figura 4 se muestra la función polinomial que estima la materia orgánica en función del índice Is 1, siendo dicho polinomio de tercer orden. En ambos gráficos los datos presentan variabilidad heterogénea, lo cual implica necesariamente un estudio previo para determinar el componente estacionario con mayor precisión. En cambio, la variable con menor dispersión fue el ph (2.48%) con un promedio de 6.86; lo cual indica que los suelos de la zona de estudio tienden a la neutralidad. En cuanto a los resultados del análisis de correlación parcial, éste arrojó coeficientes significativos para todas las variables edáficas, excepto la conductividad eléctrica. La arcilla, la arena y el ph se asociaron mejor con el índice I oa (r = 0.7071, 0.6125 y 0.6908, respectivamente); mientras que la materia orgánica se asoció mejor con el índice Is 1 (r = 0.8552). 3.2. ANÁLISIS GRÁFICO Y DE REGRESIÓN El análisis gráfico y regresión polinomial produjeron resultados que se muestran en las figuras 3 y 4. En la figura 3 se observa que la función que estima la conductividad eléctrica tiene un coeficiente de determinación bajo (R² = 0.2907), razón por la cual no se construyó un modelo para Figura 4. Gráfico de la función entre materia orgánica y el índice Is 1, para el área de estudio. 3.3. GENERACIÓN DE SUPERFICIES La generación de superficies se logró con las aplicaciones ArcGIS, QGIS e ILWIS, como aplicaciones SIG, en tanto que la aplicación
ERDAS se utilizó para el manejo y procesamiento digital de las imágenes. La figura 5 muestra la interpolación realizada con datos de arcilla. Se puede observar que el interpolador IDW acentúa los valores en la vecindad de los puntos, lo cual pudiera indicar la necesidad de modificar el valor del exponente que pondera la distancia dentro del algoritmo. Al lado derecho se observa el resultado de ponderar dicha interpolación dentro del modelo híbrido, obteniendo una superficie más realista sobre los posibles valores de arcilla en el suelo. Figura 5. Superficies de interpolación con IDW (a) y el la variable arcilla, en el área de estudio. Nótese que la ubicación de los sitios de muestreo no es acentuada como en la figura 5a. Un patrón similar se observa con las superficies de estimación para arena (figura 6); donde nuevamente la figura 6b muestra una superficie más real de la estimación para esta variable física. Figura 7. Superficies de interpolación con IDW (a) y el la variable ph (acidez), en el área de estudio. para ph (figura 7a) al igual que los anteriores, no ha sido reclasificado, por lo que la idea de gran variación es hasta cierto punto subjetiva; puesto que esta variable presentó la menor dispersión de valores dentro del grupo de variables del suelo. Siendo que el ph es una propiedad elástica, el modelo híbrido (figura 7b) presenta una distribución de valores más gradual en toda la extensión de las parcelas que conformaron el área de estudio. Finalmente, los mapas para materia orgánica (figura 8) fueron construidos con variables diferentes a las usadas para las variables anteriores. No obstante, dichos mapas comparten aspectos en común con los otros seis mapas descritos antes. Figura 6. Superficies de interpolación con IDW (a) y el la variable arena, en el área de estudio. La ubicación de los puntos de muestreo es más fácil de apreciar aun en el modelo híbrido, comparado con la superficie de estimación para arcilla. La misma situación se presenta para las superficies de estimación para ph (figura 7). Cabe mencionar que a pesar del hecho anterior, el mapa Figura 8. Superficies de interpolación con IDW (a) y el la variable materia orgánica, en el área de estudio. La interpolación con IDW (figura 8a) muestra una distribución continua de valores para materia orgánica, tal como si se tratara de una propiedad elástica como el ph; cuando en realidad, la materia orgánica se comporta como una propiedad plástica, de manera similar a la arcilla y la arena. La corrección que presenta el modelo híbrido (figura 8b) presenta una distribución de valores más acorde con la naturaleza de las propiedades plásticas del suelo.
4 CONCLUSIONES De los resultados obtenidos en la sección anterior se concluye que es posible estimar hasta cierto grado, propiedades edáficas, a partir de valores de números digitales obtenidos con sensores remotos. También se concluye que esta información es útil para generar superficies de interpolación generada con pocos puntos en campo. Adicionalmente, se considera que se debe incrementar la densidad de muestreo o analizar con más profundidad las bandas satelitales para aumentar la precisión de valores interpolados, si el propósito es utilizar dicha información en sistemas de agricultura de precisión. AGRADECIMIENTOS Los autores desean expresar su agradecimiento al Consejo Nacional de Ciencia y Tecnología (CONACyT), por el apoyo recibido a través de los fondos del proyecto # 38294 para la realización de este trabajo y su difusión. También desean expresar su agradecimiento a todas las personas que de una u otra manera participaron en la realización de este trabajo, de manera particular a la Sra G. Bazán por la preparación del manuscrito. REFERENCIAS McBratney, A., Whelan, B., and Andcev, T. 2005. Future directions in precision agriculture. Precision Agriculture 6: 7-23. Zhang, N., Wang, M., and Wang, N. 2002. Precision agriculture a worldwide overview. Computer and Electronics in Agriculture 36: 113-132. Hartemink, A.E., A.B. McBratney and M.L. Mendoça- Santos. 2008. Digital Soil Mapping with limited data. Springer. Dordrecht. 470 p Whitlock, A., and Neale, T. 2010. Fixing low ph soils and solving frainage problems. Precision Agriculture feature Australian Grain 5: 18-20. Samardian, F. and Keshavarzi, A. 2010. Developing pedotransfer functions for estimating some soil properties using artificial neural network and multivariate regression approaches. International J. of Environmental and Earth Sciences 1: 31-37. Bongiovanni, R. and Lowenberg, J. 2004. Precision agriculture and sustainability. Precision Agriculture 5: 359-387. Moore, I.D., Gessler, P.E., Nielsen, G.A., and Peterson, G.A. 1993. Soil attribute prediction using terrain analysis. Soil Sciene Society of Am. J.57: 443-452.