• Imprimeix

Cartografía digital de suelo

La cartografia digital de suelos muestra información de diferentes propiedades de los suelos a partir de observaciones puntuales y modelos geoestadísticos


A principios de los años 80, dado que la mayoría de los países más desarrollados habían logrado la suficiencia en la producción de cultivos básicos, se dejaron de asignar fondos para realizar cartografías de suelos. Como consecuencia, paralizaron sus programas de cartografía y desmantelaron sus equipos de trabajos, aunque sólo algunos países, como Bélgica, tenían acabados sus planes de cartografía detallada de suelos.


A principios de los años 90, sin embargo, una generalizada preocupación por el medio ambiente propició una nueva demanda de información básica de los suelos. Esta nueva demanda no favoreció el reinicio de los programas tradicionales de cartografía de suelos, sino que, coincidiendo con los desarrollo de las nuevas tecnologías de la información y de sus extraordinarias posibilidades, se limitó a una recopilación y organización de la información ya disponible, de forma que se facilitara su reutilización. De esta forma surgió la era de la cartografía digital de suelos (DSM; del inglés Digital soil mapping).

Descarga Mapa del reservorio de carbono orgánico de suelos agrícolas (SOC-30) 1:500.000

Especificaciones formato ascii grid (txt) (3/2018) [ZIP 2,8 MB; catalán]

WMS Suelos

Esta geoinformación se puede utilizar en línea en tus aplicaciones compatibles con el protocolo WMS

La Cartografía digital de suelos puede ser definida como la generación de información georeferenciada de diferentes propiedades de los suelos a partir de unas pocas observaciones puntuales de estas propiedades y de modelos geoestadísticos que infieren sus variaciones espaciales y temporales, a partir de otras variables físicas, medioambientales y geotemáticas, más fáciles de adquirir, y que denominamos covariables.

La cartografía digital de suelos se basa en tres pilares principales:

  • La información de suelos disponible, también llamada informació heredada en DSM.
  • Las covariables utilizables.
  • Los modelos numéricos o geoestadísticos de predicción.

Es ampliamente reconocido en el mundo del DSM que un buen conjunto de información de suelos es el factor clave para poder construir un modelo matemático preciso que pueda evaluar con garantías la calidad de sus resultados obtenidos. Desgraciadamente, la disponibilidad de datos y su calidad han sido, y siguen siendo, el factor limitante que puede frenar la evolución de la cartografía digital de suelos.

El uso de datos heredados puede representar un obstáculo para la cartografía digital de suelos debido a diferentes problemáticas que pueden presentar, como son: la existencia de información sin datos numéricos, la falta de armonización de los datos, la presencia de descripciones poco precisas, la no localización o la incorrecta georreferenciación de los datos ...; esto hace que  la comunidad científica relacionada con la cartografía digital haya de adaptar sus modelos de predicción a la necesaria integración de este tipo de información, de forma que pueda trabajar teniendo en cuenta la intrínseca imprecisión de estos tipos de datos.

Por su parte, la selección de covariables es una de las fases más críticas en los procesos de DSM. Una gran variedad de propiedades georreferenciados, teóricamente relacionadas con la formación de los suelos, se suelen utilizar habitualmente.

  • Un primer grupo viene representado por los modelos de elevación del terreno y toda una serie de variables, más o menos complejas y sofisticadas, que pueden ser derivadas a partir de los mismos (índice topográficos, índice hidromorfológicos...).
  • Un segundo grupo de variables, también muy prometedor, viene dado por el uso de mapas de alta resolución de la superficie terrestre, obtenidas a partir de los datos y las imágenes adquiridos por diferentes sensores híper-espectrales (índice de vegetación, índice de minerales...).
  • Un último grupo de variables viene dado por diferentes conjuntos de información básica adicional que se encuentran digitalizados (factores climáticos, usos del suelo...).

Los modelos estadísticos utilizados en cartografía de suelos suelen ser funciones que predicen las propiedades del suelo a partir de otras propiedades covariables. Estos modelos deben calibrarse a partir de muestreos en puntos en los que los inputs y los outputs de la función sean conocidos.

El Mapa de reservorio de carbono orgánico en los suelos agrícolas de Cataluña, fruto de la colaboración entre diferentes organismos de Cataluña como Investigación y Tecnología Agroalimentaria (IRTA), el Centre de Recerca Ecològica i Aplicacions Forestals (CREAF), el Centre Tecnològic Forestal de Catalunya (CTFC), el Departament d'Agricultura, Ramaderia, Pesca i Alimentació (DARP) e ICGC, constituye un primer ejemplo de lo que puede suponer la cartografía digital de suelos en Cataluña (Figura 1).


Figura 1. Mapa de reservorio de carbono orgánico en los 30 cm superficiales de los suelos agrícolas de Cataluña (IRTA-CREAF-CTFC-DARP-ICGC, 2018)

Figura 1. Mapa de reservorio de carbono orgánico en los 30 cm superficiales de los suelos agrícolas de Cataluña (IRTA-CREAF-CTFC-DARP-ICGC, 2018)


Los suelos representan el tercer reservorio de carbono más importante después de los océanos y de los estratos geológicos; y mucho más grandes que la atmósfera y la biosfera. La capacidad que presentan los suelos para incrementar sus contenidos en carbono orgánico con la implantación de ciertas prácticas de gestión agrícola, puede resultar de gran interés como medida de mitigación del cambio climático. Este mapa pretende ser un punto de partida para evaluar los efectos de la aplicación de posibles estrategias, políticas y acciones de mitigación del cambio climático en la línea sugerida por la Convención Marco de las Naciones Unidas sobre el Cambio Climático celebrada en París, en consonancia con las marcadas por la Oficina de Cambio Climático de Cataluña.

El mapa final se ha obtenido a partir de la información descriptiva y analítica de más de 7.000 perfiles recopilada desde 1983 por el Departamento de Agricultura de la Generalidad de Cataluña y por el Instituto Cartográfico y Geológico de Cataluña.

Como covariables, se han utilizado una serie de variables ambientales (precipitación media anual y temperatura media anual), topográficas (altitud), de manejo (uso del suelo y gestión del agua: secano / regadío) y edáficas (profundidad efectiva del suelo, clase de drenaje, clase textural y contenido de arcilla).

Como enfoque estadístico se utilizó el método de Mínimos Cuadrados Generalizados (Generalized Least Squares, GLS), mediante la función "gls" del paquete "nlme" del programa informático R1. Para la selección del mejor modelo se aplicó un procedimiento de eliminación de variables a partir de un modelo completo (backwards spetwise). El criterio para la selección del mejor modelo fue el error cuadrado medio (MSE).

Para representar espacialmente las existencias de carbono orgánico se aplicó la ecuación de regresión obtenida en las capas de las variables independientes (en formato ráster), mediante álgebra de mapas de un software GIS. La predicción a nivel de píxel fue corregida añadiendo una interpolación espacial de los residuos del modelo para corregir su correlación espacial. El mapa resultante presenta una resolución espacial de 180 m por pixel.



______________________

1. R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: http://www.R-project.org/.