Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucia

Empresa Pública Desarrollo Agrario y PesqueroCONSEJERÍA DE AGRICULTURA Y PESCA

SSiisstteemmaa ddee IInnffeerreenncciiaa EEssppaacciiaall ddee

PPrrooppiieeddaaddeess FFííssiiccoo--QQuuíímmiiccaass ee

HHiiddrrááuulliiccaass ddee llooss SSuueellooss ddee

AAnnddaalluuccííaa

Herramienta de Apoyo a la Simulación de Procesos Agro-Hidrológicos a Escala Regional

INFORME FINAL

Sevilla, Marzo de 2008

Empresa Pública Desarrollo Agrario y Pesquero

CONSEJERÍA DE AGRICULTURA Y PESCA

Sistema de Inferencia Espacial de Propiedades Físico-Químicas e Hidráulicas de los Suelos de

Andalucía. Herramienta de Apoyo a la Simulación de Procesos Agro-Hidrológicos a Escala Regional

Informe Final

José Antonio Rodríguez Empresa Pública Desarrollo Agrario y Pesquero

Subdirección de Infraestructura y Desarrollo Área de Modernización y Regadíos

Colaboradores:

Antonio José Rodríguez. E. P. Desarrollo Agrario y Pesquero Alfredo Sotelo. E. P. Desarrollo Agrario y Pesquero

Guadalupe Monge. Instituto de Recursos Naturales y Agrobiología de Sevilla Diego de la Rosa. Instituto de Recursos Naturales y Agrobiología de Sevilla

Marzo de 2008

ii

INDICE GENERAL RESUMEN EJECUTIVO.....................................................................................................viii I.- INTRODUCCIÓN................................................................................................................1 II.- DESCRIPCIÓN DEL SISTEMA DE INFERENCIA ESPACIAL DE PROPIEDADES DEL SUELO..........................................................................................3 III.- RECOPILACIÓN, DEPURACIÓN Y HOMOGENIZACIÓN DE PERFILES DE SUELOS..........................................................................................................6

3.1.- Resumen Estadístico de las Principales Propiedades de los Perfiles de Suelos Recopilados.....................................................................................................8

IV.- RESOLUCIÓN ESPACIAL...........................................................................................13 V.- VARIABLES AUXILIARES DEL MODELO DE FORMACIÓN EDÁFICA..........15

5.1.- Parámetros Morfométricos del Terreno................................................................15 5.2.- Clases Litológicas.................................................................................................19 5.3.- Indices de Vegetación...........................................................................................21 5.4.- Variables Climáticas.............................................................................................27

5.4.1.- Regionalización de las Variables Climáticas.........................................32 VI.- INFERENCIA DE PROPIEDADES FÍSICO-QUÍMICAS DEL SUELO.................42

6.1.- Funciones de Predicción Espacial de las Propiedades del Suelo..........................46 6.2.- Análisis Geo-estadístico de los Residuos de las Funciones de Predicción Espacial.......................................................................................................48 6.3.- Predicción de la Densidad Aparente del Suelo.....................................................49 6.4.- Generación y Evaluación de la Cartografía Digital de las Propiedades Físico-Químicas del Suelo............................................................................................54

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

7.1.- Capacidad de Campo y Punto de Marchitez Permanente.....................................60 7.2.- Parámetros de Retención del Agua en el Suelo y Conductividad Hidráulica.......62

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

iii

INDICE DE FIGURAS Figura 1.- Sistema de Inferencia Espacial de propiedades físico-químicas e hidráulicas de los suelos de Andalucía..........................................................................................................4 Figura 2.- Localización de los perfiles de suelos recopilados...................................................6 Figura 3.- Clasificación de los perfiles de suelos disponibles según el diagrama de textura del USDA. (a) Textura en el horizonte superficial. (b) Textura en el horizonte subsuperficial..............................................................................................................................8 Figura 4.- Histogramas de los contenidos de arena, limo y arcilla en los perfiles recopilados. (a) Horizonte superficial. (b) Horizontes subsuperficial.............................................................9 Figura 5.- Histogramas de los valores de profundidad del suelo, materia orgánica y pH en los perfiles recopilados. (a) Horizonte superficial. (b) Horizonte subsuperficial................11 Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y punto de marchitez permanente en los horizontes edáficos......................................................12 Figura 7.- Definición de la cuadrícula de trabajo de 250 m de resolución..............................13 Figura 8.- Incertidumbre y propagación de errores en el análisis morfológico del MDE agregado a la resolución de trabajo. (a) Modelo Digital de Elevaciones de Andalucía (b) Desviación estándar de las elevaciones resultantes de la agregación del MDE original....16 Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía (valores medios de 60 realizaciones estocásticas)....................................................................17 Figura 10.- Clases litológicas definidas originalmente en el mapa SIGMA............................19 Figura 11.- Mapa sintético de clases litológicas de Andalucía................................................20 Figura 12.- Zonas utilizadas (marcadas con un rectángulo) para calibrar los parámetros de filtrado del software TIMESAT...........................................................................................22 Figura 13.- Resultados del filtrado con TIMESAT de algunas series temporales de EVI (Tiempo expresado en unidades de 16 días).............................................................................23 Figura 14.- Serie temporal (16 días de frecuencia) del Índice de Vegetación Mejorado........25 Figura 15.- Ubicación y tipo de las estaciones climáticas.......................................................28 Figura 16.- Histogramas de la precipitación media mensual...................................................29 Figura 17.- Histogramas de la temperatura media mensual.....................................................30 Figura 18.- Histogramas de la temperatura mínima mensual..................................................31 Figura 19.- Histogramas de la temperatura máxima mensual..................................................32

iv

Figura 20.- Semivariogramas de los residuos de la precipitación media mensual..................34 Figura 21.- Mapas de las variables climáticas. (a) Precipitación media mensual. (b) Temperatura media mensual. (c) Temperatura mínima mensual. (d) Temperatura máxima mensual.......................................................................................................................36 Figura 22.- Mapas de evapotranspiración de referencia mensual............................................41 Figura 23.- Obtención de la cartografía digital de las propiedades físico-químicas del suelo con el procedimiento de regresión-kriging......................................................................43 Figura 24.- Varianza explicada por las componentes principales de las variables auxiliares...................................................................................................................................45 Figura 25.- Árbol de regresión obtenido para explicar la relación entre el pH superficial y las variables ambientales (NT: Nodo Terminal)....................................................................47 Figura 26.- Relación entre las componentes principales de las variables ambientales y los principales factores formadores del suelos.......................................................................48 Figura 27.- Histogramas de los residuos de las funciones de predicción espacial de las propiedades del suelo (residuos de las variables con transformación logística).................49 Figura 28.- Árbol de regresión obtenido para explicar la relación entre la Densidad Aparente y las propiedades físicas del suelo (NT: Nodo Terminal).........................................50 Figura 29.- Mapas generados de las propiedades físico-químicas del suelo. (a) Textura, pH y materia orgánica en el horizonte superficial. (b) Textura, pH y materia orgánica en el horizonte subsuperficial. (c) Densidad aparente y clases de profundidad del suelo................................................................................................................51 Figura 30.- Mapas de errores de inferencia espacial de las propiedades físico-químicas del suelo. (a) Textura, pH y materia orgánica en el horizonte superficial y profundidad del suelo. (b) Textura, pH y materia orgánica en el horizonte subsuperficial..........................55 Figura 31.- Errores de inferencia espacial de la arcilla en el horizonte superficial (Valores originales y realizaciones estocásticas). (a) Mapas de errores. (b) Histogramas y estadísticos de los errores. (c) Variogramas de los errores....................................................58 Figura 32.- Mapas de Capacidad de Campo, Punto de Marchitez Permanente y Retención del Agua. (a) Horizonte Superficial. (b) Horizonte Subsuperficial..........................................61 Figura 33.- Comparación entre los contenidos volumétricos de agua registrados en la base de datos de referencia y estimados por Rosetta. (a) Capacidad de Campo (Contenido de agua para un potencial matricial de 330 cm). (b) Punto de Marchitez Permanente (Contenido de agua para un potencial matricial de 15000 cm).................................................64 Figura 34.- Comparación entre los contenidos volumétricos de agua registrados en la base de datos de referencia y estimados por Rosetta tras aplicar el procedimiento

v

de corrección. (a) Capacidad de Campo. (b) Punto de Marchitez Permanente........................65 Figura 35.- Parámetros de retención estimados por Rosetta tras aplicar el procedimiento de corrección. (a) Horizonte superficial. (b) Horizonte subsuperficial.....................................67 Figura 36.- Conductividad hidráulica saturada y parámetros de la función de conductividad hidráulica no saturada. (a) Horizonte superficial. (b) Horizonte subsuperficial............................................................................................................................68

vi

INDICE DE TABLAS Tabla 1.- Resumen estadístico de la textura en los perfiles recopilados....................................9 Tabla 2.- Resumen estadístico de la profundidad del suelo, materia orgánica y pH en los perfiles recopilados..............................................................................................................10 Tabla 3.- Resumen estadístico de la densidad aparente, la capacidad de campo y punto de marchitez permanente en los horizontes edáficos...................................................11 Tabla 4.- Pesos asignados a los valores de EVI en el proceso de filtrado temporal................23 Tabla 5.- Resumen estadístico de la precipitación media mensual..........................................28 Tabla 6.- Resumen estadístico de la temperatura media mensual............................................29 Tabla 7.- Resumen estadístico de la temperatura mínima mensual.........................................30 Tabla 8.- Resumen estadístico de la temperatura máxima mensual.........................................31 Tabla 9.- Funciones de predicción de la precipitación media mensual....................................33 Tabla 10.- Funciones de predicción de la temperatura media mensual...................................33 Tabla 11.- Funciones de predicción de la temperatura mínima mensual.................................34 Tabla 12.- Funciones de predicción de la temperatura máxima mensual................................34 Tabla 13.- Precisión de los mapas de precipitación media mensual, temperaturas media, mínima y máxima mensuales........................................................................................35 Tabla 14.- Precisión de los mapas de evapotranspiración de referencia mensual...................40 Tabla 15.- Límites físicos asumidos en la transformación logística de las variables del suelo....................................................................................................................................44 Tabla 16.- Variables auxiliares recopiladas para desarrollar las funciones de predicción espacial de las propiedades del suelo......................................................................45 Tabla 17.- Funciones de predicción espacial de las propiedades físico-químicas del suelo....46 Tabla 18.- Precisión alcanzada en la generación de los mapas de propiedades físico-químicas del suelo...........................................................................................................54 Tabla 19.- Resumen estadístico de los datos recopilados en 2032 horizontes de suelos locales para conformar la base de datos de referencia de KNN................................................60 Tabla 20.- Coeficientes correctores de los parámetros de retención originalmente estimados por Rosetta...............................................................................................................65

vii

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

viii

RESUMEN EJECUTIVO Antecedentes La disponibilidad de información edafológica asimilable por modelos agro-hidrológicos regionales es muy limitada en Andalucía. Si bien existen numerosos estudios locales de suelos en la región, el principal problema de esta inestimable fuente de información es que se encuentra muy dispersa y necesitaba cierto nivel de depuración y homogenización para ser asimilada por los modelos. Por otro lado, los estudios existentes de suelos a escala regional, tales como el mapa de suelos de Andalucía, solo son capaces de brindar una información muy general y representativa de las clases edáficas dominantes en las unidades que los conforman. Generalmente, los mapas regionales de clases edáficas no brindan información directa sobre las propiedades físicas e hidráulica de los suelos, por lo que no pueden ser utilizados por los modelos agro-hidrológicos. Ante esta situación, y previendo que la Directiva Marco de Suelos se implementará en un futuro próximo en Europa, la Empresa Pública Desarrollo Agrario y Pesquero abre un línea de trabajo dirigida a recopilar, depurar y homogeneizar la mayor cantidad posible de perfiles de suelos estudiados en Andalucía con el objetivo de desarrollar un Sistema de Inferencia Espacial de Propiedades Físico-Químicas e Hidráulicas. Metodología Se aplicaron técnicas edafométricas que permitieron correlacionar la información obtenida de las observaciones directas del suelo (perfiles) con las principales variables ambientales que contribuyen a la formación del suelo. Para esto se utilizó un procedimiento híbrido de predicción espacial (regresión-kriging) que se basó en la combinación del análisis de regresión no paramétrico (Árboles de Regresión) con técnicas geoestadísticas de interpolación espacial (Kriging Ordinario). Así, las regresiones permitieron correlacionar las variables ambientales con las propiedades físicas del suelo, mientras que los residuos de las regresiones se interpolaron espacialmente para mejorar la precisión espacial de las predicciones. Finalmente, se desarrollaron e identificaron funciones de edafo-transferencias para obtener las propiedades hidráulicas de los suelos de la región. Datos de Partida Se identificaron las instituciones que disponen de importantes bases de datos de perfiles de suelos geo-referenciados en Andalucía. Después de recopilar, depurar y homogenizar los datos originales, se retuvieron 2.422 perfiles aportados por las siguientes instituciones: a) Instituto de Recursos Naturales y Agrobiología de Sevilla (IRNAS) perteneciente al

Consejo Superior de Investigaciones Científicas. La base de datos del IRNAS aportó 812 perfiles de suelos referidos básicamente a Andalucía Occidental.

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

Ambiente ha recopilado y transferido a formato digital los perfiles de suelos estudiados durante el desarrollo del proyecto LUCDEME. Esta base de datos contiene información

ix

detallada de 861 perfiles y 430 sondeos superficiales, que cubre la región Oriental de Andalucía.

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

Este centro ha recopilado la base de datos de propiedades edafológicas de los suelos españoles. Esta base de datos edafológicos ha sido elaborada a partir de numerosas publicaciones con el fin de evaluar la vulnerabilidad radiológica de los distintos suelos en España. La base de datos posee 319 perfiles de suelos de Andalucía.

Las variables ambientales que contribuyen a la formación del suelo se obtuvieron de las siguientes fuentes de información:

• Modelo Digital de Elevaciones de Andalucía • Observaciones climáticas • Serie temporal de Índices de Vegetación obtenidos por teledetección • Mapa de Litología de Andalucía

Resultados Obtenidos Se generaron los siguientes mapas temáticos: Relacionados con los Parámetros del Relieve

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

Relacionados con el Material Parental

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

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

Relacionados con las Variables Climáticas

• 12 mapas de la temperatura media mensual histórica. • 12 mapas de la temperatura máxima mensual histórica. • 12 mapas de la temperatura mínima mensual histórica. • 12 mapas de la precipitación media mensual histórica. • 12 mapas de la evapotranspiración de referencia mensual histórica.

x

Relacionados con las Propiedades Físico-Químicas del Suelo • 3 mapas de textura del suelo expresada como porcentaje de arena, limo y arcilla. • Densidad aparente del suelo. • Porcentaje de materia orgánica. • pH (H2O) del suelo. • Profundidad del suelo hasta el horizonte R.

Relacionado con las Propiedades Hidráulicas del Suelo

• Capacidad de Campo (Contenido volumétrico de agua en el suelo para potencial matricial de –33 kPa).

• Punto de Marchitez Permanente (Contenido volumétrico de agua en el suelo para potencial matricial de –1500 kPa).

• Capacidad de retención del agua en el suelo. • Conductividad hidráulica saturada. • 4 mapas correspondientes a los parámetros de retención según el modelo de van

Genuchten (θr y θs: humedad volumétrica residual y a saturación; α y n: parámetros de forma de la curva).

• 2 mapas que definen los parámetros de la función de conductividad hidráulica no saturada según el modelo de Mualem (Ko: conductividad saturada aparente; L: tortuosidad/conectividad de los poros).

Todos los mapas temáticos de las propiedades del suelo se obtuvieron para dos horizontes homogéneos: Uno superficial de 25 a 30 cm de profundidad (incluye el horizonte A básicamente) y otro sub-superficial con un espesor variable desde los 25-30 cm hasta la profundidad efectiva del suelo. La cartografía digital generada comprende la totalidad de la región andaluza y se encuentra disponibles en formato raster (ArcGIS) con una resolución espacial uniforme de 250 m. Los mapas generados fueron capaces de explicar entre el 70 y el 90% de la variabilidad de los propiedades físico-químicas analizas, sin embargo, debe comprenderse que el sistema ha sido diseñado para inferir las propiedades del suelo a escala regional (entre 1:150.000 a 1:250.000) y por tanto, no debe utilizarse en estudios locales.

Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucía

1

Sistema de Inferencia Espacial de Propiedades Físico-Químicas e Hidráulicas de los Suelos de Andalucía.

Herramienta de Apoyo a la Simulación de Procesos Agro-Hidrológicos a Escala Regional

I.- Introducción El suelo está sujeto a una serie de procesos de degradación y amenazas: erosión, pérdida de materia orgánica, contaminación local y difusa, sellado, compactación, reducción de la diversidad biológica, salinización, inundaciones y deslizamientos de tierras. En condiciones climáticas áridas o semiáridas, la combinación de varias de estas amenazas puede dar lugar a la desertificación. Dada la importancia de los suelos y la necesidad de frenar su degradación, el Sexto Programa de Acción en materia de medio ambiente de la Unión Europea instó a la elaboración de una estrategia temática sobre la protección de los suelos, que se ha concretado con una propuesta de Directiva Marco de Suelos (COM, 2006). De acuerdo con la propuesta de directiva, en un plazo de cinco años a partir de su trasposición, los Estados miembros identificarán las zonas de riesgo de su territorio nacional, donde existan pruebas concluyentes o indicios fundamentados de que se haya dado o es probable que se dé en un futuro próximo uno o más de los procesos de degradación del suelo indicados a continuación:

• Erosión por el agua o el viento. • Pérdida de materia orgánica provocada por una tendencia descendente constante de la

fracción orgánica del suelo. • Compactación debido a un aumento de la densidad aparente y a una disminución de la

porosidad del suelo. • Salinización a causa de la acumulación en el suelo de sales solubles. • Deslizamientos de tierras provocados por el movimiento cuesta abajo, rápido a

moderadamente rápido, de masas de tierra y material rocoso. Los Estados miembros podrán basar la identificación de las zonas de riesgo en datos empíricos o en modelos agro-hidrológicos. Si se utilizan modelos, estos deben validarse comparando los resultados con datos empíricos que no se hayan utilizado para el desarrollo del modelo mismo. Los modelos agro-hidrológicos necesitan diferentes fuentes de información para estimar y pronosticar los procesos para los que han sido diseñados. Entre los principales parámetros de entrada de estos modelos se encuentran: (i) datos climáticos, (ii) datos de fisiología de cultivos, (iii) propiedades físico-químicas e hidráulicas de los suelos, y (iv) datos de gestión de los sistemas agrícolas. En el caso particular de Andalucía, la disponibilidad de información edafológica asimilable por los modelos agro-hidrológicos es muy limitada a escala regional. Si bien existen numerosos estudios locales de suelos en Andalucía, el principal problema de esta inestimable fuente de información es que se encuentra muy dispersa y necesita cierto nivel de depuración y homogenización para ser asimilada por los modelos. Por otro lado, los estudios existentes de suelos a escala regional, tales como el mapa de suelos de Andalucía (CSIC-IARA, 1989), solo son capaces de brindar una información muy general y representativa de las clases edáficas


2

dominantes en las unidades que los conforman. Generalmente, los mapas regionales de clases edáficas no brindan información directa sobre las propiedades físicas e hidráulica de los suelos, por lo que no pueden ser utilizados por los modelos agro-hidrológicos (McBratney et al., 2003; Quinn et al., 2005; Dobos et al., 2006). Ante esta situación, y previendo que la Directiva Marco de Suelos se implementará en un futuro próximo, la Empresa Pública Desarrollo Agrario y Pesquero abre un línea de trabajo dirigida a recopilar, depurar y homogeneizar la mayor cantidad posible de perfiles de suelos estudiados en Andalucía con el objetivo de: Desarrollar un sistema de inferencia espacial de propiedades físico-químicas e hidráulicas de los suelos de Andalucía. El objetivo general de esta línea de trabajo se ha desglosado en una serie de objetivos específicos que se enumeran a continuación: 1. Desarrollar y evaluar funciones de predicción espacial de propiedades físico-químicas de

los suelos a escala regional. 2. Obtener los mapas digitales de las principales propiedades físico-químicas de los suelos

de Andalucía. 3. Desarrollar y evaluar funciones de edafotransferencia para estimar la capacidad de

retención de agua de los suelos. 4. Identificar las funciones de edafotransferencia más adecuadas para estimar las

propiedades hidráulicas de los suelos. 5. Obtener los mapas digitales de las principales propiedades hidráulicas de los suelos de

Andalucía. De esta manera, el sistema de inferencia espacial de propiedades físico-químicas e hidráulicas de los suelos de Andalucía constituirá una herramienta básica de apoyo a la simulación de procesos agro-hidrológicos a escala regional, con el fin de satisfacer las directrices propuestas en la futura Directiva Marco de Suelos de Europa.


3

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

• Un modelo predefinido de formación del suelo. • Un conjunto de propiedades del suelo obtenidas de las mediciones directas. • Un conjunto de variables auxiliares que tienen un impacto significativo sobre la

formación del suelo y la distribución espacial de sus propiedades. La base para la definición del modelo de formación edáfica es la conocida ecuación de Jenny (1941) que identifica cinco factores principales que contribuyen a la creación del suelo, siendo: (i) clima, (ii) organismos biológicos, (iii) relieve, (iv) material parental y (v) tiempo. La aproximación de Jenny se centra en la predicción de los atributos edafológicos en una localización determinada, sin considerar al suelo como un ente continuo en donde sus propiedades dependen además, de la posición geográfica y de las propiedades de los elementos vecinos. Desde el punto de vista del Sistema de Inferencia Espacial, los cinco factores identificados por la ecuación de Jenny deben ampliarse con la inclusión de la posición geográfica. Asimismo, algunas propiedades edafológicas son difíciles de medir, pero pueden estimarse con aceptable precisión mediante la correlación con otros parámetros del suelo medidos en la misma localización. Esta visión es la base del modelo SCORPAN formulado por McBratney et al. (2003), quienes identificaron siete factores para la predicción espacial de las propiedades edafológicas:

Sa = f(S, C, O, R, P, A, N) donde Sa es el atributo del suelo estimado en una posición, S representa otras propiedades del suelo medidas o estimadas en la misma localización, C son factores climáticos, O expresa la acción de los organismos biológicos, R son los parámetros del relieve, P es el material parental, A es el tiempo y N es la posición geográfica donde se estima el atributo del suelo. El Sistema de Inferencia Espacial de Propiedades del Suelo propuesto en este trabajo (Fig. 1) tomó a SCORPAN como el modelo de formación edáfica. Para la implementación del sistema se analizaron cuatro fuentes de información auxiliar que se correlacionaron con las observaciones directas del suelo para desarrollar las funciones de predicción espacial de sus propiedades físico-químicas. Las fuentes de información auxiliar consideradas fueron:

• Modelo Digital de Elevaciones de Andalucía • Observaciones climáticas • Serie temporal de Índices de Vegetación obtenidos por teledetección • Mapa de Litología de Andalucía


4

Los parámetros obtenidos de las fuentes auxiliares se sometieron a una serie de procedimientos para la depuración, normalización y reducción de dimensionalidad antes de ser correlacionadas con las propiedades del suelo. Como regla general, los parámetros auxiliares se normalizaron a través de análisis de Componentes Principales. Figura 1.- Sistema de Inferencia Espacial de propiedades físico-químicas e hidráulicas de

los suelos de Andalucía.

Observaciones de Suelos (Descripción de perfiles de suelo,

datos de laboratorio, etc.)

Información Auxiliar (Parámetros morfométricos, datos

climáticos, mapa litológico, Índices de vegetación)

Depuración y Homogeneización de Datos

en dos Horizontes

Normalización y Reducción de Dimensionalidad

(Componentes Principales)

Desarrollo de Funciones de Predicción Espacial de Propiedades Físico-Químicas

Cartografía Digital de las Propiedades Físico-

Químicas

Identificación y Evaluación de Funciones de

Edafo-transferencia

Cartografía Digital de las

Propiedades Hidráulicas

Interpolación Espacial de los Residuos

de las

Funciones

Evaluación de los Errores de

Inferencia Espacial


5

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


6

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

Consejo Superior de Investigaciones Científicas. La base de datos del IRNAS aportó 812 perfiles de suelos referidos básicamente a Andalucía Occidental.

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

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

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

Este centro ha recopilado la base de datos de propiedades edafológicas de los suelos españoles (Trueba et al., 1999). Esta base de datos ha sido elaborada a partir de numerosas publicaciones con el fin de evaluar la vulnerabilidad radiológica de los distintos suelos en España. La base de datos posee 319 perfiles de suelos de Andalucía que han sido depurados y homogeneizados por Vanderlinden (2002).

Localización de los Perfiles de Suelos

FUENTE

IRNAS

CMA

CMA SONDEO

CIEMAT±

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


7

Para depurar y homogeneizar la información aportada por las instituciones antes mencionadas se siguieron en una serie de pasos que se detallan a continuación: I.- Se eliminaron los perfiles que no disponían de información en al menos uno de los siguientes parámetros:

1. Coordenadas geográficas. 2. Textura expresada como porcentaje gravimétrico de arena, limo y arcilla. 3. Densidad aparente (DA). 4. Porcentaje de materia orgánica (o carbono orgánico) (MO). 5. pH (H2O). 6. Capacidad de Campo (CC): Contenido de agua para un potencial matricial de -33 kPa. 7. Punto de Marchitéz Permanente (PMP): Contenido de agua para un potencial matricial

de -1500 kPa. 8. Profundidad del suelo: Profundidad hasta el horizonte R.

II.- Las coordenadas geográficas de los perfiles se convirtieron al sistema UTM 30N ED 1950. Se eliminaron todos los perfiles con coordenadas erróneas o dudosas acorde con la información aportada en los campos descriptivos de las bases de datos originales. III.- Se aplicaron las siguientes reglas para filtrar los datos:

1. 0 ≤ Arena ≤ 100 2. 0 ≤ Limo ≤ 100 3. 0 ≤ Arcilla ≤ 100 4. 95 >= Arena+Limo+Arcilla <= 105 5. Si se cumple la regla 4, el % de Arena se ajustó restando el % de Limo y Arcilla de

100 6. 0 < DA < 2,65 gr/cm3 7. MO (%) = 1,724 * Carbono Orgánico 8. 0 ≤ MO ≤ 100 9. 1 ≤ pH (H2O) ≤ 14 10. CC (porcentaje volumétrico)= CC (porcentaje gravimétrico) * DA 11. PMP (porcentaje volumétrico)= PMP (porcentaje gravimétrico) * DA 12. 0 < PMP < CC <100 13. (1-DA/2,65)-(CC/100) >= 0,01

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


8

1. Determinación de las propiedades hidráulicas de cada horizonte edáfico original con la función de edafotransferencia HYPRESS (Wösten et al., 1999).

2. Simulación de la evolución temporal de los componentes del balance hídrico en el perfil del suelo original durante un año con los datos climáticos diarios correspondientes a la posición geográfica del perfil. Para ello se utilizó el modelo HYDRUS 1-D (Simunek et al., 2005).

3. Identificación de las propiedades hidráulicas efectivas de los dos horizontes homogéneos mediante modelización inversa con HYDRUS-1D, definiendo como función objetivo la evolución temporal del contenido de agua en el suelo.

4. Identificación de las propiedades físicas efectivas de los horizontes homogéneos mediante la inversión de la función de edafotransferencia HYPRESS.

5. Los valores de pH asignados a los horizontes homogéneos se obtuvieron como la media ponderada en función de los espesores de los horizontes edáficos originales (Batjes, 2002).

3.1.- Resumen Estadístico de las Principales Propiedades de los Perfiles de Suelos Recopilados En la Fig. 3 se muestra la clasificación textural de los perfiles recopilados según el sistema del USDA (Arena: 2 a 0,05 mm, Limo: 0,05 a 0,002 mm y Arcilla: < 0,002 mm). Los resultados se muestran para los horizontes homogéneos superficial (Fig. 3a) y subsuperficial (Fig. 3b).

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70 80 90 100

% Arena

% Arcilla

clay

silty

clay

silty

clay loam

silt loam

silt

loam

sandy loam

loamy

sandsand

sandy clay

loam

sandy

clay

clay loam

10

20

30

40

50

60

70

80

90

% Limo

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70 80 90 100

% Arena

% Arcilla

clay

silty

clay

silty

clay loam

silt loam

silt

loam

sandy loam

loamy

sandsand

sandy clay

loam

sandy

clay

clay loam

10

20

30

40

50

60

70

80

90

% Limo

(a) (b)

Figura 3.-Clasificación de los perfiles de suelos disponibles según el diagrama de textura

del USDA. (a) Textura en el horizonte superficial. (b) Textura en el horizonte subsuperficial.

Obsérvese en la Fig. 3 la gran variedad de granulometrías que abarcan los perfiles disponibles, de manera que aparecen representadas todas las clases texturales del USDA en los horizontes homogéneos definidos. La amplia cobertura geográfica que cubren los perfiles (Fig. 2) así como la gran variedad granulométrica representada, permite valorar la excelente calidad de la base de datos de perfiles de suelos recopilada en este trabajo. En la Tabla 1 se muestra el resumen estadístico para la textura. Se incluye las medidas de tendencia central, medidas de variabilidad, y medidas de forma. De particular interés resultan


9

los coeficientes de asimetría y curtosis estandarizados que pueden utilizarse para determinar si la muestra procede de una distribución normal. Los valores de estos estadísticos fuera del rango de -2 a +2 indican alejamiento significativo de la normalidad. Tabla 1.- Resumen estadístico de la textura en los perfiles recopilados. Estadístico Arena

Superficial (%)

Limo Superficial

(%)

Arcilla Superficial

(%)

Arena Subsuperf.

(%)

Limo Subsuperf.

(%)

Arcilla Subsuperf.

(%) No. Perfiles 2107 2107 2107 1522 1522 1522 Media 45,56 30,02 24,41 45,08 27,30 27,29 Mediana 45,64 29,62 21,12 45,41 25,94 24,74 Desviac. Estándar

20,57 14,49 14,62 20,32 14,35 15,24

Mínimo 0,64 0,00 0,56 0,28 0,00 1,20 Máximo 97,58 85,20 81,00 97,41 89,73 82,99 Asimetría 1,11 4,96 18,92 0,44 8,09 10,95 Curtosis -5,98 -1,98 6,08 -5,26 0,70 0,13 En la Fig. 4 se muestran los histogramas de los contenidos de arena, limo y arcilla para el horizonte superficial (Fig. 4a) y el horizonte subsuperficial (Fig. 4b). Se puede apreciar claramente en esta figura que, a excepción del contenido de arena, las variables se desvían significativamente de la distribución normal (Histogramas asimétricos).

Arena (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 10001

2

34

5

67

8

910

Limo (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 100

0

2

4

6

8

10

12

14

16

Arcilla (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 100

0

2

4

6

8

10

12

14

16

18

(a)

Figura 4.- Histogramas de los contenidos de arena, limo y arcilla en los perfiles recopilados. (a) Horizonte superficial. (b) Horizontes subsuperficial.


10

Arena (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 100

01

2

34

5

67

8

910

Limo (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 100

0

2

4

6

8

10

12

14

16

Arcilla (%)

Frecuencia (%)

0 10 20 30 40 50 60 70 80 90 100

0

2

4

6

8

10

12

14

16

(b)

Figura 4.- Continuación... Asimismo, la Tabla 2 contiene el resumen estadístico de la profundidad del suelo, la materia orgánica y el pH, mientras que en la Fig. 5 se muestran los histogramas de estas variables. Nótese que estas propiedades también se desvían significativamente de la distribución normal. Tabla 2.- Resumen estadístico de la profundidad del suelo, materia orgánica y pH en los perfiles recopilados. Estadístico Profundidad

Suelo (cm)

MO Superficial

(%)

pH (H2O) Superficial

MO Subsuperf.

(%)

pH (H2O) Subsuperf.

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. Estándar

62,85 1,54 0,86 0,66 0,94

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


11

Profundidad (cm)

Frecuencia (%)

0 25 50 75 100 125 150 175 200 225 2500

10

20

30

40

50

Materia Orgánica (%)

Frecuencia (%)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 150

5

10

15

20

25

30

35

Materia Orgánica (%)

Frecuencia (%)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 150

5

10

15

20

25

30

35

40

45

pH (H2O)

Frecuencia (%)

3 4 5 6 7 8 9 10 110

5

10

15

20

25

pH (H2O)

Frecuencia (%)

3 4 5 6 7 8 9 10 110

5

10

15

20

25

30

(a) (b)

Figura 5.- Histogramas de los valores de profundidad del suelo, materia orgánica y pH en los perfiles recopilados. (a) Horizonte superficial. (b) Horizonte subsuperficial..

Finalmente, la Tabla 3 y la Fig. 6 contienen el resumen estadístico de los horizontes edáficos con disponibilidad de datos de densidad aparente, capacidad de campo y punto de marchitez permanente. Tabla 3.- Resumen estadístico de la densidad aparente, la capacidad de campo y punto de marchitez permanenet en los horizontes edáficos. Estadístico DA

Superficial (gr/cm3)

DA Subsuperf. (gr/cm3)

Capacidad de Campo (cm3/cm3)

Punto Marchitez Permanente (cm3/cm3)

No.Horizontes 435 515 2032 2032 Media 1,28 1,39 0,29 0,14 Mediana 1,30 1,40 0,29 0,14 Desviac. Estándar 0,13 0,12 0,089 0,065 Mínimo 1,00 1,00 0,012 0,006 Máximo 1,70 1,80 0,53 0,42 Asimetría 4,82 0,32 -3,68 -12,96 Curtosis 3,64 -0,73 -0,74 2,71


12

Los datos de densidad aparente, capacidad de campo y punto de marchitez permanente se utilizaron en este trabajo para generar funciones locales de edafotransferencia. Por esta razón, para estas variables no fue necesario agregar la información de los horizontes edáficos originales en dos horizontes homogéneos. Obsérvese que los estadísticos contenidos en la Tabla 3 y en la Fig. 6 se refieren a los horizontes originales y no a los horizontes homogéneos agregados como en el resto de las variables del suelo analizadas.

Densidad Aparente (gr/cm3)

Frecuencia (%)

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

10

20

30

40

Densidad Aparente (gr/cm3)

Frecuencia (%)

1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

10

20

30

40

Capacidad de Campo (cm3/cm3)

Frecuencia (%)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.70

4

8

12

16

Punto Marchitez Permanente (cm3/cm3)

Frecuencia (%)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.70

4

8

12

16

20

24

Figura 6.- Histogramas de los valores de densidad aparente, capacidad de campo y punto de marchitez permanente en los horizontes edáficos.

Horizontes Superficiales

Horizontes Subsuperficiales


13

IV.- Resolución Espacial La primera decisión que se tomó para el desarrollo del Sistema de Inferencia Espacial de Propiedades del Suelo fue la elección de la resolución espacial (tamaño de píxel) de la cuadrícula de trabajo. De acuerdo con la extensión de la superficie de estudio, la disponibilidad de observaciones de suelo y el coste de cálculo, una resolución de 250 m parece razonable para garantizar un adecuado equilibrio entre la precisión de los resultados y la demanda de cálculo (McBratney et al., 2003; Hengl, 2006). Consecuentemente, se generó una cuadrícula vectorial de 250 m de resolución que cubre toda la región andaluza, más una franja de 2.500 m de extensión media fuera de sus fronteras para evitar el efecto borde en los análisis morfológicos (Fig. 7). Todos los mapas temáticos utilizados y generados en este trabajo se agregaron y reensamblaron en base a la referencia espacial definida por esta cuadrícula de trabajo.

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

±

Cuadrícula de TrabajoResolución: 250 m


14

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.


15

V.- Variables Auxiliares del Modelo de Formación Edáfica Partiendo del modelo de formación edáfica asumido en este trabajo (modelo SCORPAN), se identificaron cuatro de los factores más importantes que contribuyen a la formación del suelo, siendo: (i) el clima, (ii) la acción de organismos biológicos, (iii) los parámetros del relieve y (iv) el material parental (McBratney et al., 2003). En los siguientes epígrafes se describen los procedimientos de recopilación, depuración y adecuación de las variables auxiliares que se utilizaron en este estudio para describir los principales factores formadores del suelo. 5.1.- Parámetros Morfométricos del Terreno Un Modelo Digital de Elevaciones (MDE) permite derivar determinados parámetros cuantitativos asociados a los procesos formadores del suelo. Este procedimiento se conoce como análisis (geo)morfológico del terreno, y consiste en la obtención de una serie de parámetros morfométricos capaces de cuantificar las características ecológicas, hidrológicas y geomorfológicas del relive (Wood, 1996). Los parámetros morfométricos pueden clasificarse en primarios y secundarios. Los parámetros primarios son descriptores directos de las características del terreno tales como la pendiente, las curvaturas o el aspecto. Los parámetros secundarios representan características más complejas del paisaje asociadas a ciertos procesos reguladores del terreno como son la erosión, la sedimentación o la incidencia de la radiación solar. Para el desarrollo del Sistema de Inferencia Espacial se utilizó el Modelo Digital de Elevaciones de Andalucía con una resolución espacial de 20 m. El primer paso seguido en la parametrización del terreno fue la agregación del MDE a la resolución de trabajo (250 m). La agregación de un MDE es muy útil para reducir las variaciones del terreno a pequeña escala y conseguir una mejor representación regional de su estructura espacial. Sin embargo, este proceso puede deteriorar seriamente la precisión de los parámetros del terreno (Thompson et al., 2001). Para evitar el deterioro de los parámetros del terreno que supone el proceso de agregación, se aplicó el procedimiento que se describe en los siguientes párrafos. A cada celda original del MDE se asignó el valor medio de las elevaciones contenidas en una ventana local de 250 x 250 m mediante la herramienta FocalMean del Spatial Analyst Tool de ArcGIS. Posteriormente, el MDE atenuado resultante de la operación anterior se reensambló a la resolución de trabajo de 250 m con el método de interpolación bi-lineal implementado en ArcGIS. Asimismo, se calculó la desviación estándar de las elevaciones contenidas en cada ventana local de 250 m. Estos valores se utilizaron para cuantificar la incertidumbre que introdujo el proceso de agregación y generar múltiples realizaciones del MDE con simulaciones estocásticas. En la Fig. 8a se muestra el MDE de Andalucía agregado a la resolución de 250 m, mientras que en la Fig. 8b se aprecia el mapa de las desviaciones estándar de las elevaciones resultantes del proceso de agregación. La elevación media y la desviación estándar de cada celda de 250 m se utilizaron para generar múltiples realizaciones de la elevación. Para esto se usó el software DIGEMAN (Bishop et al., 2006), que es capaz de generar realizaciones estocásticas del MDE basado en la técnica de muestreo Hipercubo Latino, y considerando la correlación espacial entre las celdas vecinas contenidas en una ventana local de 5 x 5 celdas. El método de muestreo Hipercubo Latino es más eficiente en la identificación de la incertidumbre que otros métodos convencionales de muestreo aleatorio simple. Por esta razón, se generaron tan solo 60 realizaciones del MDE.


16

Elevación del Terreno

(m)

±

3424.58

0.0050 0 5025 Km

Desviación Estándar de las Elevaciones(m)

±

164.57

0.0050 0 5025 Km (a) (b)

Figura 8.- Incertidumbre y propagación de errores en el análisis morfológico del MDE agregado a la resolución de trabajo. (a) Modelo Digital de Elevaciones de Andalucía (b) Desviación estándar de las elevaciones resultantes de la agregación del MDE original.

Para cada realización estocástica del MDE se calcularon los parámetros morfométricos correspondientes. Los mapas resultantes se obtuvieron como la media aritmética de todas las realizaciones generadas. Los parámetros morfométricos generados son aquellos que mejor describen los procesos formadores del suelo según los criterios de diferentes autores (Wood, 1996; Burrough et al., 2000 y 2001; Deng, 2005). Así, los atributos elegidos fueron:

• Elevación. • Pendiente. • Aspecto (transformado como Seno y Coseno). • Curvaturas: Planta, Perfil, Longitudinal, Transversal, Media, Cóncava y Convexa. • Índice de Humedad. • Índice de Potencia de la Escorrentía.

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


17

Pendiente del Terreno

(Grados)

±

42.01

0.0050 0 5025 Km

Aspecto del Terreno(Seno)

±

1.0

-1.050 0 5025 Km

Aspecto del Terreno(Coseno)

±

1.0

-1.050 0 5025 Km

Curvatura Planta

±

9.959

-10.0050 0 5025 Km

Curvatura Perfil

±

2.93

-2.1350 0 5025 Km

Curvatura Longitudinal

±

3.37

-2.7950 0 5025 Km

Figura 9.- Parámetros morfométricos generados a partir de MDE de Andalucía (valores medios de 60 realizaciones estocásticas).


18

Curvatura Transversal

±

3.13

-2.6850 0 5025 Km

Curvatura Media

±

5.338

-3.9250 0 5025 Km

Curvatura Concava

±

3.18

-7.8050 0 5025 Km

Curvatura Convexa

±

9.73

-2.1750 0 5025 Km

Indice de Humedad

±

31.47

5.9450 0 5025 Km

Indice de Potencia de la Escorrentía

±

14.98

-7.6250 0 5025 Km

Figura 9.- Continuación...


19

5.2.- Clases Litológicas El objetivo de esta fase de trabajo consistió en obtener un mapa sintético de clases litológicas para caracterizar los materiales parentales predominantes en el territorio andaluz. Se eligió como información de partida el Mapa Geológico y Minero de Andalucía (SIGMA) (Junta de Andalucía, 1998) por ser el que más información aporta desde el punto de vista litológico. El Mapa SIGMA fue realizado sobre la base topográfica del Mapa Militar de España a escala 1:400.000, y tomó como documentación básica la elaborada y publicada por el Instituto Geológico Minero de España. Para la realización del Mapa SIGMA se utilizaron el Mapa Geológico Nacional a escala 1:50.000 (MAGNA), el Mapa Metalogenético de España a escala 1:200.000, el Mapa de Rocas Industriales de España a escala 1:200.000 y otras de investigaciones mineras de distintas épocas. El Mapa SIGMA divide al territorio andaluz en seis zonas geotéctónicas. Las zonas se dividen en 30 unidades geoestructurales y éstas a su vez, en 127 litologías diferentes (Fig. 10). Así, objetivo de esta fase ha sido agrupar las 127 litologías descritas originalmente en el Mapa SIGMA en 20 clases sintéticas (Fig. 11).

±

50 0 5025 Km

ACIDAS (RIOLITAS, DACITAS, RIODACITAS)

ALTERNANCIAS DE ARCILLAS Y DOLOMIAS ROJAS

ARCILLAS ABIGARRADAS, ARENIASCAS ROJAS, YESOS Y CALIZAS

ARCILLAS Y ARENAS ROJAS

ARCILLAS Y MARGAS

ARCILLAS, CALIZAS Y NIVELES DETRITICOS

ARCILLAS, MARGAS Y DOLOMIAS

ARCILLAS, MARGAS Y TURBIDITAS

ARENAS DE PLAYAS Y DUNAS

ARENAS TURBIDITICAS, CALIZAS, VULCANITAS ACIDAS Y BASICAS

ARENAS Y MARGAS

ARENISCAS DEL ALJIBE

ARENISCAS, LIMOS Y CONGLOMERADOS ROJOS

ARENITAS Y PIZARRAS

BASALTOS ESPILITICOS CON "PILLOW-LAVAS"

BASICAS (DOLERITAS, DIABASAS, BASALTO)

CALCARENITAS, MARGAS, YESOS Y CALIZAS

CALIZAS

CALIZAS OOLITICAS Y DOLOMIAS

CALIZAS Y DOLOMIAS

CALIZAS Y GRAUVACAS

CALIZAS Y MARGAS

CALIZAS Y MARGAS, ARENISCAS Y ARCILLAS. DORSAL EXTERNA

CALIZAS Y MARGAS, ARENISCAS Y ARCILLAS. DORSAL INTERNA

CALIZAS, CALCOESQUISTOS, PIZARRAS Y CUARCITAS

CALIZAS, CONGLOMERADOS

CALIZAS, DOLOMIAS

CALIZAS, MARGAS Y ARENISCAS

CALIZAS, MARGAS, CALIZAS CON SILEX Y MARGAS RADIOLARITICAS

CALIZAS, PIZARRAS, CUARCITAS, CONGLOMERADOS

CALIZAS, TURBIDITAS, CALCARENITAS Y MARGAS

CARBONATOS

COMPLEJO BENAJARAFE (PARALICAS)

COMPLEJO VALDEINFIERNO

COMPLEJO VULCANO-SEDIMENTARIO

CONGLOMERADOS

CONGLOMERADOS, ARENAS Y ARCILLAS

CONGLOMERADOS, ARENAS, LUTITAS Y CALIZAS (FLUVIALES Y LACUSTRES)

CONGLOMERADOS, LUTITAS, ARENISCAS, CALIZAS, ESPILITAS

CUARCITAS, GNEISES Y ANFIBOLITAS, ESQUISTOS CON SILL./AND.

CUARCITAS, MICAESQUISTOS, ANFIBOLITAS, MARMOLES, FILITAS

CUARCITAS, PIZARRAS, CALIZAS ARRECIFALES, CUARCITAS, ARENISC

DIORITAS

DOLOMIAS

DOLOMIAS Y CALIZAS

DOLOMIAS Y CALIZAS BLANCAS

DOLOMIAS, CALIZAS Y CALIZAS CON SILEX

EMBALSES, LAGUNAS, ZONAS DE AGUA

ESQUISTOS CARBONOSOS, MICAESQUISTOS BIOTITICOS

ESQUISTOS GRISES Y ANFIBOLITAS (SILL-ANDA). INTERCALACIONES MARMOLES

ESQUISTOS GRISES, CUARCITAS, ANFIBOLITAS (ESTAUROLITA,DISTENA,SILLIM

ESQUISTOS OSCUROS, BIOTITA, GRANATE Y ESTAUROLITA

ESQUISTOS OSCUROS, CON SILLIMANITA Y FELDESPATO POTASICO

ESQUISTOS Y CUARCITAS DE GRANO FINO CON BIOTITA

ESQUISTOS, PIZARRAS, GRAUVACAS, CUARCITAS

FACIES TURBIDITICAS

FILITAS Y CUARCITAS

FILITAS, GRAUVACAS, PIZARRAS, FILITAS, CUARCITAS

FILITAS, METAPELITAS Y ARENISCAS

FLYSCH ARENOSO MICACEO

FORMACION "PULO DE LOBO"

FORMACION AZUAGA

FORMACION BLASTOMILONITICA (GNEIS AZUAGA)

FORMACION CUBITO. ESQUISTOS, FILITAS, METAVULCANITAS

FORMACION CULM

FORMACION VIAR, LAVAS

FORMACION VIAR, SERIE ROJA, SERIE GRIS, SERIE ROJA

FORMACIONES DE NATURALEZA ESENCIALMENTE CARBONATADA

FORMACIONES ESENCIALMENTE DETRITICAS, CARACTERISTICAS DE MARISMAS

GABROS

GNEISES, MIGMATITAS Y ROCAS GRANULITICAS ACIDAS

GRANITOS BIOTITICOS

GRANITOS DE DOS MICAS

GRANODIORITAS

GRAUVACAS, PELITAS Y CONGLOMERADOS

INDIFERENCIADO

INDIFERENCIADOS

INTERCALACIONES DE ESQUISTOS CON GRANATE Y MICAESQUISTOS CON GLAUCOF

INTERMEDIAS (ANDESITAS, TRAQUITAS, LATITAS)

MARGAS Y CALIZAS MARGOSAS CON TURBIDITAS

MARGAS Y CALIZAS MARGOSAS PELAGICAS

MARGAS Y TURBIDITAS

MARGAS, ARENISCAS Y SILEXITAS

MARISMAS

MARMOLES

METABASITAS, ANFIBOLITAS Y SERPENTINITAS

METAPELITAS Y FILITAS

MICAESQUISTOS CON GRANATE, ESTAUROLITA, ANDALUCITA

MICAESQUISTOS FELDESPAT. (GRA.DIS.EST.) NIVELES GNEISICOS TURM. MARM

MICAESQUISTOS GRAFITOSOS ALBITICOS CON GRANATE, A VECES CLORITOIDE

MICAESQUISTOS INDIFERENCIADOS

MICAESQUISTOS OSCUROS CON SILLIMANITA Y DISTENA (+/- FELD.K)

MICAESQUITOS GRAFITOSOS CON GRANATE Y CLORITOIDES. LOCALMENTE ANDAL.

MIGMATITAS CON INTERCALACIONES ANFIBOLITICAS Y ENCLAVES

OLISTOSTROMAS CON MATERIAL DIVERSO EN EL SENO DE MARGAS

OLISTOSTROMAS CON MATRIZ MARGOSA

ORTOGNEIS DE SIERRA ALHAMILLA Y METAGRANITO DE LUBRIN

ORTOGNEIS DE TORROX

PELITAS Y METAARCOSAS (FORMACION AZUAGA)

PERIDOTITAS

PIZARRAS

PIZARRAS AMPELITICAS, ARENISCAS Y CUARCITAS

PIZARRAS Y CUARCITAS

PIZARRAS Y CUARCITAS, CUARCITA ARMORICANA

PIZARRAS, ARENITAS

PIZARRAS, ESQUISTOS GRISES

PIZARRAS, GRAUVACAS Y CALIZAS

ROCAS CARBONATADAS POCO METAMORFICAS

ROCAS PLUTONICAS ACIDAS INDIFERENCIADAS

ROCAS PLUTONICAS BASICAS INDIFERENCIADAS

ROCAS VOLCANICAS INDIFERENCIADAS

SERIE NEGRA

SERIE NEGRA. PIZARRAS, GRAUVACAS, LIDITAS Y CUARCITAS NEGRAS

TONALITAS Y CUARZODIORITAS

VULCANO-SEDIMENTARIOS

ZONA CENTRO.

ZONA NORTE. COMPLEJO PE¥ARROYA

ZONA SUR. COMPLEJO GUADIATO

Figura 10.- Clases litológicas definidas originalmente en el mapa SIGMA. La definición de las clases sintéticas de litologías se basó principalmente en los criterios geomorfológicos, litológicos y cronológicos recomendados por Finke et al. (1999). Los criterios geomorfológicos se utilizaron para diferenciar las formaciones Plio-Cuaternarias, puesto que en estas formaciones es donde se pueden apreciar mayores rasgos geomorfológicos distintivos. Así, se diferenciaron los depósitos de estuario de los eólicos y los fluviales, y dentro de estos últimos, se distinguió entre depósitos fluviales recientes y


20

depósitos fluviales más antiguos (terrazas fundamentalmente), quedando definidas las Clases 1 a 4. El resto de las clases se agregaron teniendo en cuenta criterios litológicos y cronológicos, siendo:

• Rocas Sedimentarias ordenadas cronológicamente: Clases 5 a 12. • Rocas Sedimentarias y Metamórficas: Clase 13. • Rocas Sedimentarias e Igneas: Clase 14. • Rocas Igneas diferenciadas entre ácidas y básicas: Clase 15 a 17. • Rocas Metamórficas diferenciándose únicamente los esquistos de las pizarras como

litologías dominantes: Clase 18 a 20.

0.- EMBALSES, LAGUNAS, ZONAS DE AGUA, ZONAS MARÍTIMAS Y BAHÍAS (ACTUAL)

1.- DEPÓSITOS DE ESTUARIO (CUATERNARIO)

2.- DEPÓSITOS EÓLICOS (CUATERNARIO)

3.- DEPÓSITOS FLUVIALES RECIENTES (CUATERNARIO)

4.- DEPÓSITOS FLUVIALES ANTIGUOS (PLIO-CUATERNARIO)

5.- ARENISCAS (PLIOCENO)

6.- CALIZAS (MIOCENO SUP- PLIOCENO)

7.- MARGAS Y ROCAS DE NATURALEZA EMINENTEMENTE MARGOSA (PALEÓGENO-MIOCENO)

8.- ARENISCAS, ARCILLAS Y MARGAS (F. FLYSCH/F. TURBIDÍTICAS) (CRETÁCICO-PALEÓGENO-MIOCENO)

9.- CALIZAS Y ROCAS DE NATURALEZA EMINENTEMENTE CARBONATADA (JURÁSICO-CRETÁCICO-PALEÓGENO)

10.- ARCILLAS ABIGARRADAS, MARGAS, ARENAS, LIMOS, CONGLOMERADOS, YESOS Y CALIZAS (TRIAS)

11.- ARCILLAS, MARGAS, ARENISCAS, TURBIDITAS, DOLOMIAS Y CALIZAS (TRIAS-JURAS-CRETACICO-PALEÓGENO)

12.- CALIZAS, DOLOMIAS, GRAUVACAS, LUTITAS, PELITAS, ARENISCAS Y CONGLO. (PRECÁMBRICO-PALEOZOICO)

13.- ROCAS SEDIMENTARIAS Y METAMÓRFICAS (PRECÁMBRICO-PALEOZOICO)

14.- ROCAS SEDIMENTARIAS E ÍGNEAS (PRECÁMBRICO-PALEOZOICO)

15.-ROCAS ÍGNEAS ÁCIDAS

16.- ROCAS ÍGNEAS BÁSICAS

17.-ROCAS ÍGNEAS INDIFERENCIADAS

18.- PIZARRAS, ARENITAS Y CUARCITAS (PALEOZOICO-TRIAS)

19.- ESQUISTOS (PRECÁMBRICO-PALEOZOICO-TRIAS)

20.-ROCAS METAMÓRFICAS INDIFERENCIADAS

±

50 0 5025 Km

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


21

5.3.- Indices de Vegetación Los principales organismos que alteran los suelos son la vegetación y los seres humanos. Usualmente la vegetación mantiene cierto equilibrio con el tipo de suelo, mientras que el impacto de la actividad humana puede apreciarse a través de los cambios en los usos del suelo. Por lo tanto, los usos y las coberturas de los suelos son indicadores útiles de sus propiedades y clases edáficas (McBratney et al., 2003). La teledetección es una herramienta poderosa para estimar el tipo de vegetación, las coberturas del suelo y el desarrollo de la biomasa. Los índices de vegetación derivados por teledetección son excelentes indicadores de la vegetación natural y la agrícola. Estos índices han mostrado una buena correlación con la distribución espacial de la materia orgánica, el espesor del horizonte superficial del suelo, el contenido de arcillas y el pH, entre otras propiedades del suelo (Dobos et al., 2006). En este trabajo se seleccionó una serie temporal del Índice de Vegetación Mejorado (EVI) derivado por teledetección para caracterizar las coberturas de los suelos de Andalucía. El EVI es una versión mejorada del conocido NDVI que aumenta la sensibilidad en regiones con alta densidad de biomasa, y reduce el impacto de las condiciones atmosféricas (Justice et al., 2002). La serie elegida es una composición temporal (16 días de frecuencia) del EVI derivado por el sensor MODIS (Moderate Resolution Imaging Spectroradiometer) correspondiente al período 2001-2005. Este producto de MODIS (MOD13Q1v4) está diseñado para suministrar imágenes de EVI libres de nubosidad y atmosféricamente corregidos con una resolución espacial de 250 m, e incluyen un campo de control de calidad (QA) con información estadística sobre la calidad y utilidad de los datos (Roy et al., 2002). Las series de EVI se distribuyen por la NASA a través del servicio Earth Observing System Data Gateway (EOS Gateway). Desde esta fuente se obtuvieron 115 imágenes de EVI para región andaluza correspondientes al período 2001 - 2005 (23 mapas por año). Se escogió este período de tiempo porque durante estos años no se produjeron modificaciones significativas de las políticas agrícolas y ambientales que indujeran cambios bruscos de las coberturas de suelos en la región. Por otro lado, 5 años de información es un período de tiempo suficiente para captar la variabilidad interanual inducida por el clima y las rotaciones de los cultivos en áreas agrícolas. Las imágenes de EVI que distribuye el servicio ESO Gateway están en un formato propio conocido como HDF/EOS (Hierarchical Data Format–Earth Observing System) que no es reconocido por ArcGIS. Por esta razón se utilizó el software MODIS Reprojection Tool (Release 3.3a, http://edcdaac.usgs.gov/landdaac/tools/modis/) para reproyectar las imágenes originales al sistema de coordenadas UTM 30N ED 1950 y exportarlas en formato GeoTIF. Finalizado este proceso, las imágenes se reensamblaron a la cuadrícula de trabajo con el método de interpolación “Vecino Más Cercano” implementado en ArcGIS. Pese a que todos los productos de la NASA son filtrados previamente a su distribución por EOS Gateway, Sakamoto et al. (2005) recomiendan que se sometan a un filtrado temporal adicional para reducir o eliminar el ruido remanente. Así, la serie temporal de imágenes de EVI se sometió a un filtrado con la ayuda del software TIMESAT (http://www.natgeo.lu.se/personal/Lars.Eklundh/TIMESAT/timesat.html), especialmente diseñado para estos fines (Jönsson y Eklundh, 2004). En TIMESAT están implementados diferentes tipos de filtros, pero en este trabajo se utilizó el filtro Savitzky–Golay por ser un


22

método sencillo para reconstruir series temporales de índices de vegetación con alta calidad (Chena et al., 2004).

Figura 12.- Zonas utilizadas (marcadas con un rectángulo ) para calibrar los parámetros de filtrado del software TIMESAT.

Para garantizar la calidad del filtrado con TIMESAT fue necesario calibrar ciertos parámetros del sistema. Con la ayuda del proyecto CORINE 2000 (Bossard et al., 2000) se identificaron algunas zonas con coberturas de suelos representativas de la región (Fig. 12). Después de realizar varias pruebas se definió el siguiente conjunto de parámetros óptimos de TIMESAT que permitió obtener resultados razonablemente buenos para todas las coberturas de suelos identificadas en CORINE: • Tamaños de las ventanas del filtro en cada paso de ajuste: 4, 5 y 6. • Pesos asignados a los valores de EVI contemplados en cada ventana de filtrado. El valor

de EVI que interviene en cada ventana de filtrado ejerce determinada influencia en función de su calidad. Siguiendo las recomendaciones de Knight et al. (2006), se asignó a cada valor de EVI un determinado peso (entre 0 y 1) en función del Indice de Utilidad obtenido a partir del campo de control de calidad QA (Tabla 4).

• Para el resto de los parámetros se utilizaron los valores estándares recomendados por los autores de TIMESAT (Jönsson y Eklundh, 2004).


23

Tabla 4.- Pesos asignados a los valores de EVI en el proceso de filtrado temporal. Índice de Utilidad Calidad del Valor de EVI Peso para el Filtrado

0 Calidad Perfecta 1,00 1 Alta Calidad 1,00 2 Buena Calidad 1,00 3 Calidad Aceptable 1,00 4 Calidad Justa 0,50 5 Calidad Intermedia 0,50 6 Por Debajo de Calidad Intermedia 0,50 7 Calidad Media 0,50 8 Por Debajo de Calidad Media 0,01 9 Calidad Cuestionable 0,01 10 Por Encima de Calidad Marginal 0,01 11 Calidad Marginal 0,01 12 Baja Calidad 0,01 13 Sin Corrección Atmosférica 0,01 14 Muy Baja Calidad 0,01 15 No Producido por Muy Baja Calidad 0,01

En la Fig. 13 puede apreciarse, a modo de ejemplo, la efectividad de TIMESAT en el proceso de filtrado de algunas series temporales de EVI correspondientes a las zonas elegidas para calibrar sus parámetros.

Figura 13.- Resultados del filtrado con TIMESAT de algunas series temporales de EVI (Tiempo expresado en unidades de 16 días).

Cultivos Permanentes Bosques

Tierra Arable Cultivos Hortícolas


24

Figura 13.- Continuación... Finalizado el proceso de filtrado temporal se procedió a obtener la serie definitiva de EVI compuesta por 23 imágenes con frecuencia de 16 días. Cada imagen que compone esta serie se obtuvo como la media aritmética de las 5 imágenes adquiridas en el período analizado (2001-2005). En la Fig. 14 se puede apreciar la composición temporal del EVI finalmente utilizada para caracterizar las coberturas de los suelos de la región.

Cuerpos Acuáticos Zonas Urbanas


25

Figura 14.- Serie temporal (16 días de frecuencia) del Índice de Vegetación Mejorado.

± 50 0 5025 Km

1

± 50 0 5025 Km

2

± 50 0 5025 Km

3

± 50 0 5025 Km

4

± 50 0 5025 Km

5

± 50 0 5025 Km

6

± 50 0 5025 Km

7

± 50 0 5025 Km

8

± 50 0 5025 Km

9

± 50 0 5025 Km

10

± 50 0 5025 Km

11

± 50 0 5025 Km

12


26

± 50 0 5025 Km

13

± 50 0 5025 Km

14

± 50 0 5025 Km

15

± 50 0 5025 Km

16

± 50 0 5025 Km

17

± 50 0 5025 Km

18

± 50 0 5025 Km

19

± 50 0 5025 Km

20

± 50 0 5025 Km

21

± 50 0 5025 Km

22

± 50 0 5025 Km

23

EVI

0.9

-0.1



27

5.4.- Variables Climáticas El clima es uno de los principales factores que condiciona los procesos edafogenéticos y, en consecuencia, las características y propiedades de los cuerpos edáficos. Asimismo, la gran variabilidad espacial de ciertos factores climáticos (temperaturas, precipitaciones, recurrencia de sequías, etc.), determina el potencial productivo de los suelos. El clima puede explicar determinados procesos modificadores del suelo como son la pérdida de partículas, la erosión y la fertilidad (Finke et al., 1999; Dobos et al., 2006). Los parámetros climáticos que más influencia ejercen sobre la evolución de los suelos son la temperatura y la humedad. La humedad en el suelo es función de la precipitación y de la energía disponible para la evaporación. En general, las series mensuales de precipitación y temperatura posibilitan la caracterización climática de una región. Así, para caracterizar el clima de Andalucía e inferir su efecto sobre las propiedades del suelo, se recopilaron estas variables climáticas registradas por la red de estaciones del Instituto Nacional de Meteorología ubicadas en el territorio andaluz. Los datos de precipitación y temperatura media mensual utilizados en este trabajo se obtuvieron de los resultados de la Tesis Doctoral de Moreno (2003). Los procedimientos de recopilación y depuración de la información climática que utilizó este autor se describen a continuación. Inicialmente se escogieron 860 estaciones para caracterizar la precipitación mensual y 173 estaciones para la temperatura. Todas las estaciones seleccionadas disponían de más de 15 años de registros continuos de estas variables. Los registros seleccionados cubren el período desde el año 1942 hasta el 1988, existiendo 279 estaciones con más de 25 años de registros pluviométricos y 48 estaciones con más de 25 años de registros termométricos. El período seleccionado garantizó que la gran mayoría de las estaciones dispongan de datos fiables y homogéneos. Una vez concluida la selección inicial de las estaciones climáticas se procedió a la depuración de sus datos con la finalidad de eliminar aquellas estaciones con errores de observación o de registro. Moreno (2003) utilizó diferentes procedimientos de control como son el método de medida de la discordancia (Hosking y Wallis, 1997) y el método de doble masa. Después de aplicar los métodos de control de calidad se rechazaron 43 estaciones pluviométricas y 10 estaciones termométricas, por lo que la elección final se redujo a 817 estaciones pluviométricas y 163 termométricas. En la Fig. 15 se puede apreciar la localización geográfica de las estaciones finalmente seleccionadas. La densidad de estaciones seleccionadas en este estudio está por encima de los límites recomendados por la Organización Meteorológica Mundial (OMM). Las estaciones pluviométricas alcanzaron una densidad de 101 Km2/estación y las estaciones termométricas de 504 Km2/estación. Los valores de densidad recomendados por la OMM son de 316 y 2828 Km2/estación respectivamente. Moreno (2003) no procesó datos de temperaturas máxima y mínima mensual en su trabajo. Estas variables climáticas son necesarias para caracterizar los regímenes de humedad a que están sometidos los suelos a través de la evapotranspiración de referencia. Por esta razón, los datos de temperaturas máxima y mínima utilizadas en este trabajo se obtuvieron, indirectamente, a partir del Atlas Climático Digital de la Península Ibérica (Ninyerola et al., 2005). El procedimiento empleado para obtener estos datos y asimismo, garantizar la consistencia con los datos de temperatura media mensual, fue el siguiente:


28

Localización de las Estaciones Climáticas

±Modelo de Estación

Pluviométrica

Termométrica

Mixta

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

Para cada mes y estación climática con disponibilidad de datos de temperatura media se obtuvo la amplitud térmica (diferencia entre la temperatura máxima y mínima media) desde el Atlas Climático Digital de la Península Ibérica. Las temperaturas máximas y mínimas se calcularon entonces, como el valor de la temperatura media mensual más o menos la mitad de la amplitud térmica respectivamente. En las Tablas 5, 6, 7 y 8 se muestran los resúmenes estadísticos de la precipitación media mensual y las temperaturas media, mínima y máxima respectivamente. Asimismo, las Fig. 16, 17, 18 y 19 muestran los histogramas de estas variables para cada mes del año. Puede apreciarse claramente que las distribuciones de frecuencia de la precitación media mensual se alejan significativamente de la normal, mientras que las temperaturas se ajustan razonablemente bien a esta función. Tabla 5.- Resumen estadístico de la precipitación media mensual. Estadístico ENE

(mm) FEB (mm)

MAR (mm)

ABR (mm)

MAY (mm)

JUN (mm)

JUL (mm)

AGO (mm)

SEP (mm)

OCT (mm)

NOV (mm)

DIC (mm)

No. Estaciones

817 817 817 817 817 817 817 817 817 817 817 817

Media 83,20 79,38 73,78 59,42 43,85 22,86 4,30 6,91 23,08 61,78 81,25 91,75 Mediana 78,41 74,24 68,93 56,54 41,06 21,68 3,50 6,19 22,24 58,59 77,20 86,65 Desviac. Estándar

36,94 35,07 29,38 18,52 16,42 8,52 3,51 3,84 8,21 18,52 32,36 38,65

Mínimo 14,65 12,54 17,38 21,07 14,94 3,86 0,00 0,00 3,11 23,35 17,28 12,88 Máximo 300,2 304,5 269,9 161,4 131,0 57,11 24,56 29,95 63,19 186,7 271,9 347,7 Asimetría 19,46 19,58 17,88 20,36 23,51 10,76 16,17 13,70 10,97 16,75 17,05 17,74 Curtosis 33,41 35,98 29,31 31,58 36,69 8,93 15,78 14,84 12,68 27,37 27,13 30,38


29

Precipitación Media Enero (mm)

Frecuencia (%)

0 50 100 150 200 250 300 350 4000

5

10

15

20

25

30

35

40

Precipitación Media Febrero (mm)

Frecuencia (%)

0 50 100 150 200 250 300 350 4000

5

10

15

20

25

30

35

40

Precipitación Media Marzo (mm)

Frecuencia (%)

0 30 60 90 120 150 180 210 240 270 300 3300

5

10

15

20

25

30

35

40

Precipitación Media Abril (mm)

Frecuencia (%)

0 20 40 60 80 100 120 140 160 1800

5

10

15

20

25

30

35

40

Precipitación Media Mayo (mm)

Frecuencia (%)

0 20 40 60 80 100 120 140 1600

5

10

15

20

25

30

35

40

Precipitación Media Junio (mm)

Frecuencia (%)

0 5 10 15 20 25 30 35 40 45 50 55 600

5

10

15

20

25

30

35

40

Precipitación Media Julio (mm)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 300

5

10

15

20

25

30

35

40

Precipitación Media Agosto (mm)

Frecuencia (%)

0 5 10 15 20 25 30 35 400

5

10

15

20

25

30

35

40

Precipitación Media Septiembre (mm)

Frecuencia (%)

0 10 20 30 40 50 60 70 800

5

10

15

20

25

30

35

40

Precipitación Media Octubre (mm)

Frecuencia (%)

0 20 40 60 80 100 120 140 160 180 2000

5

10

15

20

25

30

35

40

Precipitación Media Noviembre (mm)

Frecuencia (%)

0 40 80 120 160 200 240 280 3200

5

10

15

20

25

30

35

40

Precipitación Media Diciembre (mm)

Frecuencia (%)

0 50 100 150 200 250 300 350 4000

5

10

15

20

25

30

35

40

Figura 16.- Histogramas de la precipitación media mensual. Tabla 6.- Resumen estadístico de la temperatura media mensual. Estadístico ENE

(ºC) FEB (ºC)

MAR (ºC)

ABR (ºC)

MAY (ºC)

JUN (ºC)

JUL (ºC)

AGO (ºC)

SEP (ºC)

OCT (ºC)

NOV (ºC)

DIC (ºC)

No. Estaciones

163 163 163 163 163 163 163 163 163 163 163 163


2,04 1,98 1,94 1,96 1,93 1,92 1,92 1,84 1,88 1,97 2,11 2,14

Mínimo 3,48 3,69 5,67 6,95 10,93 14,81 19,31 19,20 15,53 10,59 6,50 3,90 Máximo 13,37 14,06 16,52 18,09 22,98 25,28 29,61 29,56 26,22 20,73 16,51 14,02 Asimetría -1,66 -2,52 -3,67 -4,60 -3,54 -3,93 -2,54 -3,19 -4,72 -4,64 -2,97 -1,28 Curtosis -0,34 0,32 1,38 2,28 2,42 1,75 0,53 1,46 3,34 1,94 0,035 -0,50


30

Temperatura Media Enero (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 160

5

10

15

20

25

30

Temperatura Media Febrero (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 160

5

10

15

20

25

30

Temperatura Media Marzo (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 200

5

10

15

20

25

30

Temperatura Media Abril (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 220

5

10

15

20

25

30

Temperatura Media Mayo (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 270

5

10

15

20

25

30

Temperatura Media Junio (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 270

5

10

15

20

25

30

Temperatura Media Julio (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 330

5

10

15

20

25

30

Temperatura Media Agosto (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 330

5

10

15

20

25

30

Temperatura Media Septiembre (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 300

5

10

15

20

25

30

Temperatura Media Octubre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 220

5

10

15

20

25

30

Temperatura Media Noviembre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 220

5

10

15

20

25

30

Temperatura Media Diciembre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 160

5

10

15

20

25

30

Figura 17.- Histogramas de la temperatura media mensual. Tabla 7.- Resumen estadístico de la temperatura mínima mensual. Estadístico ENE

(ºC) FEB (ºC)

MAR (ºC)

ABR (ºC)

MAY (ºC)

JUN (ºC)

JUL (ºC)

AGO (ºC)

SEP (ºC)

OCT (ºC)

NOV (ºC)

DIC (ºC)

No. Estaciones

163 163 163 163 163 163 163 163 163 163 163 163


2,25 2,21 2,17 2,14 2,01 1,91 1,97 1,99 2,05 2,15 2,29 2,31

Mínimo -2,39 -2,29 -0,53 1,46 4,97 8,80 11,77 11,53 8,61 4,74 0,83 -1,23 Máximo 10,30 10,26 12,53 14,23 16,36 20,50 24,43 25,10 21,29 16,19 13,22 10,94 Asimetría -0,11 -0,66 -0,88 -1,88 -2,80 -3,07 -1,66 -1,94 -2,89 -2,24 -0,68 0,52 Curtosis 0,44 1,10 1,26 1,01 0,88 1,59 1,99 2,87 1,60 0,58 -0,05 0,09


31

Temperatura Mínima Enero (ºC)

Frecuencia (%)

-4 -2 0 2 4 6 8 10 120

5

10

15

20

25

30

Temperatura Mínima Febrero (ºC)

Frecuencia (%)

-3 -1 1 3 5 7 9 11 130

5

10

15

20

25

30

Temperatura Mínima Marzo (ºC)

Frecuencia (%)

-2 0 2 4 6 8 10 12 140

5

10

15

20

25

30

Temperatura Mínima Abril (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 160

5

10

15

20

25

30

Temperatura Mínima Mayo (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 180

5

10

15

20

25

30

Temperatura Mínima Junio (ºC)

Frecuencia (%)

8 10 12 14 16 18 20 22 240

5

10

15

20

25

30

Temperatura Mínima Julio (ºC)

Frecuencia (%)

11 13 15 17 19 21 23 25 270

5

10

15

20

25

30

Temperatura Mínima Agosto (ºC)

Frecuencia (%)

10 12 14 16 18 20 22 24 260

5

10

15

20

25

30

Temperatura Mínima Septiembre (ºC)

Frecuencia (%)

7 9 11 13 15 17 19 21 230

5

10

15

20

25

30

Temperatura Mínima Octubre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 180

5

10

15

20

25

30

Temperatura Mínima Noviembre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 160

5

10

15

20

25

30

Temperatura Mínima Diciembre (ºC)

Frecuencia (%)

-2 0 2 4 6 8 10 12 140

5

10

15

20

25

30

Figura 18.- Histogramas de la temperatura mínima mensual. Tabla 8.- Resumen estadístico de la temperatura máxima mensual. Estadístico ENE

(ºC) FEB (ºC)

MAR (ºC)

ABR (ºC)

MAY (ºC)

JUN (ºC)

JUL (ºC)

AGO (ºC)

SEP (ºC)

OCT (ºC)

NOV (ºC)

DIC (ºC)

No. Estaciones

163 163 163 163 163 163 163 163 163 163 163 163


2,00 1,94 1,97 2,08 2,18 2,37 2,43 2,33 2,25 2,11 2,13 2,14

Mínimo 8,54 9,04 10,43 11,84 16,31 20,82 25,59 25,44 21,31 15,56 10,73 7,24 Máximo 17,56 18,18 21,87 24,73 31,01 33,71 37,53 37,34 34,16 27,17 21,05 17,90 Asimetría -3,31 -3,91 -4,82 -4,95 -2,20 -3,08 -3,40 -3,01 -3,16 -4,24 -4,27 -3,16 Curtosis -0,23 0,58 2,67 3,59 2,35 0,35 0,17 0,06 1,27 1,93 0,68 -0,29


32

Temperatura Máxima Enero (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 200

5

10

15

20

25

30

Temperatura Máxima Febrero (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 200

5

10

15

20

25

30

Temperatura Máxima Marzo (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 22 240

5

10

15

20

25

30

Temperatura Máxima Abril (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 22 24 26 280

5

10

15

20

25

30

Temperatura Máxima Mayo (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 330

5

10

15

20

25

30

Temperatura Máxima Junio (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 33 360

5

10

15

20

25

30

Temperatura Máxima Julio (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 33 36 390

5

10

15

20

25

30

Temperatura Máxima Agosto (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 33 36 390

5

10

15

20

25

30

Temperatura Máxima Septiembre (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 30 33 360

5

10

15

20

25

30

Temperatura Máxima Octubre (ºC)

Frecuencia (%)

0 3 6 9 12 15 18 21 24 27 300

5

10

15

20

25

30

Temperatura Máxima Noviembre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 220

5

10

15

20

25

30

Temperatura Máxima Diciembre (ºC)

Frecuencia (%)

0 2 4 6 8 10 12 14 16 18 20 220

5

10

15

20

25

30

Figura 19.- Histogramas de la temperatura máxima mensual.

5.4.1.- Regionalización de las Variables Climáticas Finalizado el proceso de recopilación y depuración de los datos climáticos se procedió a la generación de la cartografía continua a partir de los datos puntuales registrados en las estaciones meteorológicas. La técnica utilizada para la generación de los mapas se basó en el desarrollo de funciones de predicción espacial de las variables climáticas y la interpolación espacial de las fracciones no explicadas por las funciones (residuos), procedimiento conocido como regresión-kriging (Hengl et al., 2004). Para el desarrollo de las funciones de predicción se utilizaron técnicas de regresión lineal múltiple que explicaron las correlaciones entre las variables climáticas y determinadas variables geográficas. Las partes no explicadas por las funciones de predicción, es decir la diferencia entre los registros observados en las estaciones meteorológicas y los valores estimados con los modelos de regresión, se interpolaron espacialmente con el método de Kriging ordinario. La cartografía resultante se obtuvo como la suma de los mapas obtenidos por regresión y los mapas de los residuos. En numerosos estudios se ha demostrado las excelentes capacidades predictivas de los procedimientos de regresión-kriging en la generación de cartografía digital de las variables climáticas (Szalai et al., 2007). Conforme con los criterios de varios autores (Marquínez et al., 2003; Allen et al., 2006; McKenney et al., 2006), las variables geográficas que mejor pueden explicar la variabilidad espacial y temporal de la precitación y la temperatura son la altitud, la pendiente, el aspecto del terreno y las coordenadas geográficas. Por lo tanto, estos parámetros geográficos se


33

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.

( )( )

( ) ( )

N

CC

N

OO

N

OOCC

RN

i

i

N

i

i

N

i

ii

∑∑

∑

==

=

−⋅

−

−−

=

1

2

1

2

2

2

1

2 (1)

( )

N

CON

i

ii∑=

−= 1

2

RECM (2)

donde Oi y Ci representan los valores observados e inferidos respectivamente, N es el número total de casos evaluados, mientras que O y C son la media aritmética de los valores observados e inferidos. Tabla 9.- Funciones de predicción de la precipitación media mensual.

Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC Variables Independientes

X, Y, ELEVACIÓN, PENDIENTE, SENO(ASPECTO), COSENO(ASPECTO)

R2 0,501 0,446 0,414 0,418 0,428 0,611 0,621 0,406 0,417 0,419 0,528 0,471 RECM (mm) 20,70 18,46 15,42 10,34 8,50 4,98 2,43 2,26 5,81 10,34 16,56 21,76

Las funciones de predicción fueron capaces de explicar entre el 40 y el 60% de la variabilidad de la precipitación media mensual, valores más que suficientes sobre todo si se tiene en cuenta que la parte no explicada por estos modelos se corrigieron con técnicas geoestadísticas de interpolación espacial. Por otra parte, las funciones de predicción explicaron entre el 50 y 80% de la temperatura mensual (Tablas 10, 11 y 12). Las temperaturas se correlacionaron bien con las coordenadas geográficas, la elevación y el coseno del aspecto, mientras que la pendiente y el seno del aspecto no fueron significativos para explicar estas variables, por lo que no se incluyeron en los modelos finales de regresión. Tabla 10.- Funciones de predicción de la temperatura media mensual. Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

Variables Independientes

X, Y, ELEVACIÓN, COSENO(ASPECTO)

R2 0,797 0,828 0,788 0,757 0,613 0,618 0,528 0,552 0,643 0,782 0,823 0,786 RECM (ºC) 0,932 0,835 0,906 0,982 1,217 1,203 1,338 1,246 1,142 0,930 0,899 1,003


34

Tabla 11.- Funciones de predicción de la temperatura mínima mensual. Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC



R2 0,718 0,749 0,728 0,711 0,592 0,571 0,494 0,526 0,543 0,708 0,739 0,709 RECM (ºC) 1,21 1,12 1,14 1,16 1,29 1,263 1,55 1,50 1,39 1,17 1,186 1,263

Tabla 12.- Funciones de predicción de la temperatura máxima mensual. Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC



R2 0,763 0,784 0,715 0,692 0,581 0,599 0,556 0,571 0,633 0,706 0,785 0,755 RECM (ºC) 0,985 0,917 1,06 1,16 1,42 1,529 1,63 1,524 1,378 1,159 1,00 1,07

Los residuos de las variables climáticas (fracciones no explicadas por las ecuaciones de regresión) se obtuvieron como la diferencia entre los valores observados en las estaciones meteorológicas y los valores obtenidos por las funciones de predicción. Todos los residuos mostraron una marcada estructura espacial. En la Fig. 20 se muestra, a modo de ejemplo, los semivariogramas omnidireccionales de los residuos de la precipitación media mensual junto con los modelos ajustados. Los semivariogramas de los residuos se ajustaron al modelo exponencial y las interpolaciones se realizaron con el método de Block Kriging ordinario con un tamaño de bloque de 250 m, acorde con la cuadrícula de trabajo definida. El software utilizado para ejecutar las interpolaciones espaciales fue VESPER (Minasny et al., 2005).

0

100

200

300

400

500

600

700

800

900

1000

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

ENERO

0

200

400

600

800

1000

1200

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

FEBRERO

0

100

200

300

400

500

600

700

800

900

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

MARZO

0

50

100

150

200

250

300

350

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

ABRIL

0

50

100

150

200

250

300

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

MAYO

0

5

10

15

20

25

30

35

40

45

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

JUNIO

0

1

2

3

4

5

6

7

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

JULIO

0

2

4

6

8

10

12

14

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

AGOSTO

0

10

20

30

40

50

60

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

SEPTIEMBRE

Figura 20.- Semivariogramas de los residuos de la precipitación media mensual.


35

0

50

100

150

200

250

300

350

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

OCTUBRE

0

100

200

300

400

500

600

700

800

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

NOVIEMBRE

0

200

400

600

800

1000

1200

1400

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza (mm2)

DICIEMBRE

Figura 20.- Continuación... Finalmente, los mapas de los residuos de las variables climáticas se agregaron a los mapas obtenidos con las funciones de predicción (modelos de regresión). En la Fig. 21 se muestra la cartografía resultante para cada una de las variables climáticas analizadas. La precisión final de los mapas generados se evaluó con el procedimiento de validación cruzada. El procedimiento utilizado consistió en dividir la muestra original de datos en 20 subconjuntos de aproximadamente igual tamaño. Posteriormente se suprimieron las observaciones contenidas en un subconjunto determinado y estos valores se estimaron a partir de los registros contenidos en los 19 subconjuntos restantes. Este proceso se repitió para cada uno de los subconjuntos de datos definidos. Los índices utilizados para expresar la precisión de los mapas fueron el coeficiente de determinación y la raíz del error cuadrático medio (ecuaciones 1 y 2). En la Tabla 13 se muestra la precisión alcanzada por los mapas de las variables climáticas para cada mes del año. Los mapas generados fueron capaces de explicar entre el 87 y 95% de la variabilidad de la precipitación media mensual. Asimismo, la variación de la temperatura media quedó explicada entre el 87 y el 91%, mientras que para las temperaturas mínima y máxima mensuales se alcanzaron valores de R2 entre 0,82 y 0,89. En ningún caso, la RECM superó el valor de 1 grado en las predicciones de las temperaturas y los 10 mm en la precipitación media mensual. Tabla 13.- Precisión de los mapas de precipitación media mensual, temperaturas media, mínima y máxima mensuales.

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


36

±

50 0 5025 Km

Precipitación (mm)

349.3

0.0

ENERO

±

50 0 5025 Km

Precipitación (mm)

322.6

0.0

FEBRERO

±

50 0 5025 Km

Precipitación (mm)

273.7

0.0

MARZO

±

50 0 5025 Km

Precipitación (mm)

189.5

0.0

ABRIL

±

50 0 5025 Km

Precipitación (mm)

146.6

0.0

MAYO

±

50 0 5025 Km

Precipitación (mm)

62.9

0.0

JUNIO

±

50 0 5025 Km

Precipitación (mm)

20.3

0.0

JULIO

±

50 0 5025 Km

Precipitación (mm)

21.02

0.0

AGOSTO

±

50 0 5025 Km

Precipitación (mm)

59.6

0.0

SEPTIEMBRE

±

50 0 5025 Km

Precipitación (mm)

177.7

0

OCTUBRE

±

50 0 5025 Km

Precipitación (mm)

277.2

0.0

NOVIEMBRE

±

50 0 5025 Km

Precipitación (mm)

339.4

0.0

DICIEMBRE

(a)

Figura 21.- Mapas de las variables climáticas. (a) Precipitación media mensual. (b) Temperatura media mensual. (c) Temperatura mínima mensual. (d) Temperatura máxima mensual.


37

±

50 0 5025 Km

Temperatura Media (ºC)

13

-3

ENERO

±

50 0 5025 Km


14

-4

FEBRERO

±

50 0 5025 Km


15

-3

MARZO

±

50 0 5025 Km


17

-1

ABRIL

±

50 0 5025 Km


21

3

MAYO

±

50 0 5025 Km


25

7

JUNIO

±

50 0 5025 Km


29

13

JULIO

±

50 0 5025 Km


28

13

AGOSTO

±

50 0 5025 Km


25

8

SEPTIEMBRE

±

50 0 5025 Km


20

2

OCTUBRE

±

50 0 5025 Km


16

-2

NOVIEMBRE

±

50 0 5025 Km


14

-3

DICIEMBRE

(b)

Figura 21.-Continuación...


38

±

50 0 5025 Km

Temperatura Mínima (ºC)

9

-8

ENERO

±

50 0 5025 Km


10

-9

FEBRERO

±

50 0 5025 Km


11

-9

MARZO

±

50 0 5025 Km


13

-7

ABRIL

±

50 0 5025 Km


16

-3

MAYO

±

50 0 5025 Km


19

0

JUNIO

±

50 0 5025 Km


22

5

JULIO

±

50 0 5025 Km


23

4

AGOSTO

±

50 0 5025 Km


20

1

SEPTIEMBRE

±

50 0 5025 Km


16

-4

OCTUBRE

±

50 0 5025 Km


12

-7

NOVIEMBRE

±

50 0 5025 Km


10

-8

DICIEMBRE

(c)



39

±

50 0 5025 Km

Temperatura Máxima (ºC)

18

2

ENERO

±

50 0 5025 Km


18

2

FEBRERO

±

50 0 5025 Km


21

3

MARZO

±

50 0 5025 Km


23

5

ABRIL

±

50 0 5025 Km


28

10

MAYO

±

50 0 5025 Km


33

15

JUNIO

±

50 0 5025 Km


37

21

JULIO

±

50 0 5025 Km


37

21

AGOSTO

±

50 0 5025 Km


33

15

SEPTIEMBRE

±

50 0 5025 Km


26

8

OCTUBRE

±

50 0 5025 Km


21

3

NOVIEMBRE

±

50 0 5025 Km


18

2

DICIEMBRE

(d)



40

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:

( )jj

)j(n

1i

j,i

j

0 T8,17TRECET ∆+

= ∑

=

(3)

siendo jET0 la evapotranspiración de referencia del mes j (mm), REi,j la radiación

extraterrestre para el día i del mes j (mm/día), Tj la temperatura media del mes j (ºC) y ∆Tj la diferencia entre la temperatura máxima y mínima media del mes j (ºC). El coeficiente C, que es igual a 0,0023 en la ecuación original de Hargreaves (1994), se ajustó a través de la siguiente relación empírica propuesta por Vanderlinden et al. (2004):

00159,00005,0 +∆

=a

a

T

TC (4)

donde Ta es la temperatura media anual y ∆Ta es el intervalo medio anual de variación diaria de la temperatura. Los mapas de la evapotranspiración de referencia mensual calculados por el procedimiento antes reseñado se muestran en la Fig. 22, mientras que la Tabla 14 contiene los índices de precisión alcanzados por estos mapas. Obsérvese que los mapas de ET0 alcanzaron precisiones razonablemente buenas y similares a las logradas en el proceso de regionalización de las otras variables climáticas analizadas en este trabajo. Tabla 14.- Precisión de los mapas de evapotranspiración de referencia mensual.

Meses ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC R2 0,88 0,85 0,83 0,82 0,82 0,83 0,82 0,83 0,83 0,84 0,83 0,85 RECM (mm) 1,65 2,16 3,66 4,64 5,80 6,30 6,86 6,03 4,45 3,29 2,17 1,82


41

±

50 0 5025 Km

ETo (mm)

51.76

17.41

ENERO

±

50 0 5025 Km

ETo (mm)

62.26

20.62

FEBRERO

±

50 0 5025 Km

ETo (mm)

94.78

33.12

MARZO

±

50 0 5025 Km

ETo (mm)

121.26

43.55

ABRIL

±

50 0 5025 Km

ETo (mm)

169.15

67.09

MAYO

±

50 0 5025 Km

ETo (mm)

195.97

85.75

JUNIO

±

50 0 5025 Km

ETo (mm)

221.85

111.82

JULIO

±

50 0 5025 Km

ETo (mm)

202.42

100.30

AGOSTO

±

50 0 5025 Km

ETo (mm)

143.40

65.37

SEPTIEMBRE

±

50 0 5025 Km

ETo (mm)

91.68

37.37

OCTUBRE

±

50 0 5025 Km

ETo (mm)

60.12

19.68

NOVIEMBRE

±

50 0 5025 Km

ETo (mm)

49.71

15.49

DICIEMBRE

Figura 22.- Mapas de evapotranspiración de referencia mensual.


42

VI.- Inferencia de Propiedades Físico-Químicas del Suelo La cartografía final de las principales propiedades físico-químicas analizadas en este trabajo se obtuvo con el procedimiento de regresión-kriging. Para la implementación de este procedimiento se siguieron las recomendaciones de Hengl et al. (2004); Hengl (2007) y Hengl et al. (2007). Según estos autores, la predicción espacial de una variable del suelo en una determinada localización puede ser modelizada como la suma de dos componentes; una determinista y otra estocástica. Ambas componentes de la variación espacial pueden calcularse por separado, de modo que el valor que adquiere una variable (Z) en una posición geográfica (x,y) puede definirse como: ( ) ( ) ( )yxesoyxfyxZ ,,,, += (5)

donde f(x,y,so) es la parte determinista (función de predicción espacial), e(x,y) es la parte no explicada por la componente determinista (residuo interpolado) y so es el conjunto de variables ambientales. En la Fig. 23 se muestra el flujo general que siguieron los datos a través del sistema para estimar los parámetros del suelo según el procedimiento de regresión-kriging. Así, los pasos básicos para inferir las propiedades del suelo fueron:

1. Recopilación, homogeneización y depuración de las variables auxiliares y las observaciones del suelo (estos tópicos han sido tratados en los epígrafes 3 y 5).

2. Transformación y adecuación de las variables auxiliares y las propiedades del suelo a los requisitos básicos que exigen los análisis de regresión.

3. Obtención de los modelos de regresión o funciones de predicción espacial, que permiten correlacionar las variables ambientales auxiliares con las propiedades del suelo.

4. Interpolación espacial de los residuos de los modelos de regresión con técnicas geo-estadísticas.

5. Predicción espacial de las propiedades del suelo. 6. Producción de la cartografía digital y evaluación de la precisión de los resultados.

La relación funcional entre las propiedades del suelo y las variables ambientales es desconocida y, a menudo, muy ruidosa. Por esta razón, frecuentemente se intenta modelizar estas relaciones con simples funciones lineales, toda vez que utilizar modelos más complejos no mejora sensiblemente las predicciones. Sin embargo, también es reconocido que la relación general entre las propiedades del suelo y las variables auxiliares no es necesariamente lineal, sino que se aproxima más bien a una función sigmoidal (Hengl et al., 2004). Esto se debe a que los valores de muchas propiedades del suelo están acotados por determinados límites físicos, fuera de los cuales las variables ambientales no ejercen un impacto significativo sobre sus variaciones. Ante esta situación, es aconsejable aplicar transformaciones logísticas a las variables del suelo antes de correlacionarlas linealmente con las variables ambientales. Considerando los aspectos anteriores, todas las propiedades físico-químicas del suelo inferidas en este trabajo se sometieron a una transformación logística acorde con las sugerencias de Triantafilis et al. (2001) y Hengl et al. (2004), de modo que:


43

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

con el procedimiento de regresión-kriging.

Generación de Series Temporales de Variables

Climáticas

Modelo Digital de Elevaciones

Observaciones Climáticas

Indices de Vegetación

Clases Litológicas

Perfiles de Suelo

Cartografía Digital de Propiedades Físico-

Químicas del Suelo

Generación de Parámetros Morfométricos del Relieve

Generación de Serie Temporal de Indice de

Vegetación

Transformación de las Clases a Variables Binarias

Análisis de Componentes

Principales

Componentes Principales

Obtención de las Funciones de Predicción Espacial

(Modelos de Regresión)

Interpolación Espacial de los

Residuos

Residuos de los Modelos de Regresión

Relación entre las Propiedades del Suelo y las Variables Ambientales

Predicción Espacial: Suma de las Cartografías de los Modelos de Regresión y los Residuos

Comparación y Evaluación

Transformación Logística de las Propiedades del Suelo


44

−=

+

+++

Z

ZZ

1ln ; 0 < Z+ < 1 (6)

donde Z+ es la variable del suelo normalizada en el rango 0 y 1:

minmax

min

ZZ

ZZZ

−

−=+ (7)

siendo Zmin y Zmax los límites físicos de la variable del suelo Z. La transformación logística permite convertir los valores acotados por dos límites físicos (Zmin y Zmax) al rango (-∞, +∞) y usualmente mejora la normalidad de las variables del suelo (obsérvese en el epígrafe 3.1 que las propiedades físico-químicas del suelo no se ajustaron a una distribución normal), que es un requisito en los análisis de regresión. Los límites físicos asumidos para transformar las propiedades del suelo se muestran en la Tabla 15. Tabla 15.- Límites físicos asumidos en la transformación logística de las variables del suelo.

Propiedad del Suelo Zmin Zmax Arena (%) 0 100 Limo (%) 0 100 Arcilla (%) 0 100 pH (H2O) 1 14 Materia Orgánica (%) 0 100 Profundidad del Suelo (cm) 0 250

Por otro lado, en la Tabla 16 se resume las variables auxiliares originalmente recopiladas en este trabajo, alcanzando la cifra de 81 variables ambientales. Todas las variables son continuas excepto la litología que es categórica. Para incorporar esta variable en los análisis se aplicó cierta transformación que permitió representar cada clase litológica por un valor binario, dando lugar a 20 nuevas variables. Las nuevas variables binarias pueden asumir dos valores: 1 si la clase litológica está presente y 0 si la clase está ausente. Evidentemente, muchas de las variables auxiliares originales están altamente correlacionadas entre sí (datos no mostrados), por lo que si se usaran directamente como variables independientes en las funciones de predicción espacial se originarían serios problemas de multicolinealidad. Para evitar estos problemas se aplicó un análisis de Componentes Principales (CP) que permitió construir transformaciones lineales de las variables auxiliares originales. Así, las nuevas variables transformadas son ortogonales y, consecuentemente, carecen de correlación alguna. Asimismo, el análisis CP permitió reducir drásticamente la dimensionalidad de los datos originales sin pérdida significativa de información.


45

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 7 Curvatura Longitudinal 8 Curvatura Transversal 9 Curvatura Media 10 Curvatura Cóncava 11 Curvatura Convexa 12 Índice de Humedad

Relieve

13 Potencia de la Escorrentía Material Parental 14..33 20 Clases Litológicas

34..45 Serie Temporal de la Temperatura Media Mensual 46..57 Serie Temporal de la Precipitación Media Mensual

Clima

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.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81

Componente Principal

% Varianza Explicada

Figura 24.- Varianza explicada por las componentes principales de las variables auxiliares.


46

6.1.- Funciones de Predicción Espacial de las Propiedades del Suelo Completado el proceso de transformación de las variables se procedió a desarrollar las funciones de predicción espacial de las propiedades del suelo. Además de las CP de las variables ambientales, se utilizaron las coordenadas geográficas como variables independientes de las funciones de predicción. La inclusión de las coordenadas aseguró que no se perdiera el patrón espacial no explicado originalmente por las variables ambientales en el proceso de inferencia de las propiedades del suelo (McBratney et al., 2003). Tabla 17.- Funciones de predicción espacial de las propiedades físico-químicas del suelo.

El procedimiento utilizado para realizar los análisis se basó en la técnica de regresión no paramétrica conocida como árboles de regresión, implementada en el software GUIDE (Loh, 2007). GUIDE es capaz de construir una secuencia anidada de modelos con estructura jerárquica (en árbol) y utiliza la técnica de validación cruzada para seleccionar el árbol de estructura más sencilla con menor error de predicción (podado). Además, GUIDE aplica el procedimiento de selección por pasos hacia adelante (stepwise forward selection) para ajustar modelos lineales múltiples en los nodos terminales del árbol seleccionado y, asimismo, es

Propiedad Variables Independientes No. de Nodos

Terminales

R2

Profundidad del Suelo X, Y, CP1, CP2, CP6, CP7, CP8, CP9, CP11, CP22, CP25, CP28, CP30, CP32, CP33, CP38, CP42, CP43, CP44

1 0,701

Horizonte Superficial Arena X, Y, CP1, CP3, CP4, CP5, CP6, CP7, CP8, CP11, CP17,

CP19, CP22, CP24, CP27, CP28, CP32, CP38, CP39, CP40, CP41, CP42, CP43

1 0,417

Limo X, CP1, CP3, CP7, CP8, CP11, CP13, CP17, CP18, CP19, CP20, CP22, CP24, CP26, CP27, CP30, CP31, CP38, CP39

1 0,452

Arcilla X, Y, CP2, CP3, CP4, CP5, CP6, CP7, CP8, CP11, CP13, CP19, CP22, CP23, CP24, CP30, CP32, CP37, CP38, CP39, CP40, CP41, CP42, CP43

1 0,442

Materia Orgánica X, Y, CP1, CP2, CP5, CP6, CP9, CP15, CP16, CP21, CP22, CP24, CP27, CP36, CP38, CP40

1 0,330

pH Nodo Terminal 1: X, CP1, CP2, CP4, CP5, CP6, CP9, 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

3 0,696

Horizonte Subsuperficial Arena CP3, CP5, CP7,CP8, CP11, CP12, CP15, CP18, CP19,

CP22, CP23, CP24, CP26, CP27, CP31, CP38, CP39, CP43 1 0,332

Limo CP1, CP2, CP3, CP8, CP10, CP11, CP20, CP22, CP24, CP26, CP27, CP30, CP31, CP32, CP37, CP38, CP39, CP43

1 0,372

Arcilla CP1, CP2, CP5, CP6, CP7, CP8, CP13, CP19, CP21, CP24, CP26, CP31, CP32, CP33

1 0,383

Materia Orgánica CP1, CP3, CP5, CP6, CP7, CP9, CP11, CP14, CP16, CP19, CP24, CP25, CP27, CP33, CP36, CP38, CP39

1 0,284

pH X, Y, CP1, CP5, CP6, CP7, CP8, CP9, CP10, CP11, CP14, CP20, CP21, CP24, CP27, CP28, CP29, CP30, CP32, CP34, CP35, CP37, CP39, CP40, CP43

1 0,568


47

capaz de asimilar variables continuas y discretas. La efectividad de los árboles de regresión como técnica para generar funciones de predicción espacial de las propiedades del suelo ha sido demostrada por Henderson et al. (2005) en el desarrollo del Sistema de Información de Recursos de los Suelos australianos. La Tabla 17 contiene las variables independientes (componentes principales), el número de nodos terminales y los coeficientes de determinación (R2) de los árboles de regresión obtenidos por GUIDE para explicar las propiedades físico-químicas del suelo. Obsérvese que después de aplicar el proceso de podado, GUIDE solo identificó un verdadero árbol de regresión (con tres nodos terminales) para explicar la relación entre el pH superficial y las variables ambientales (Fig. 25). Para el resto de las propiedades se obtuvieron simples modelos lineales múltiples. La información ambiental más importante asociada a cada componente principal se muestra en la Fig. 26. Esta figura facilita la interpretación de las relaciones entre las propiedades del suelo y las variables ambientales identificadas por las funciones de predicción espacial (Tabla 17), de modo que cada componente principal utilizada como variable independiente puede asociarse a un factor formador del suelo. 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).

CP1

NT1

CP31

NT2

NT3

<= -3,66 > -3,66

<= -0,11 > -0,11


48

0

1

2

3

4

5

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

Factor Formador del Suelo

Factor Formador del Suelo 1.- Material Parental

2.- Relieve

3.- Clima

4.- Organismos Biológicos

Figura 26.- Relación entre las componentes principales de las variables ambientales y los principales factores formadores del suelos.

6.2.- Análisis Geo-estadístico de los Residuos de las Funciones de Predicción Espacial Los residuos de las propiedades del suelo se obtuvieron como la diferencia entre los valores observados (con transformación logística) y los valores estimados por las funciones de predicción espacial. Los histogramas de los residuos de las regresiones se muestran en la Fig. 27. En este figura se puede apreciar que todos los histogramas fueron simétricos y centrados en el valor de cero. La prueba de normalidad mostró que en todos los casos los residuos se ajustaron razonablemente bien a una distribución normal, condición necesaria para realizar las interpolaciones espaciales con el método de kriging ordinario. Las interpolaciones espaciales de los residuos se realizaron con el software VESPER (Minasny et al., 2005). Los residuos de las variables del suelo con más de 1000 observaciones se interpolaron con el procedimiento Block Kriging ordinario con variogramas locales. Este procedimiento ha sido diseñado para interpolar series de datos de alta densidad (más de 1000 valores) que permiten la estimación local de un variograma para cada punto de interés usando un número predefinido de datos vecinos. Los variogramas locales permiten modelizar la estructura espacial asociada a cada punto y usar esta información en el proceso de interpolación espacial (Haas, 1990).


49

Residuos de Profundidad

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de Arena Superficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de Limo Superficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de Arcilla Superficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de MO Superficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de pH Superficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

1520

25

3035

40

45

50

Residuos de Arena Subsuperficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de Limo Subsuperficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de Arcilla Subsuperficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de MO Subsuperficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

15

20

25

30

35

40

Residuos de pH Subsuperficial

Fre

cuen

cia

(%)

-5 -4 -3 -2 -1 0 1 2 3 4 50

5

10

1520

25

3035

40

45

50

Figura 27.- Histogramas de los residuos de las funciones de predicción espacial de las propiedades del suelo (residuos de las variables con transformación logística).

Todos los variogramas locales de los residuos se ajustaron al modelo exponencial usando 100 datos vecinos. Los residuos de la única variable del suelo con menos de 1000 observaciones (Profundidad del Suelo) se interpoló con el método Block Kriging ordinario convencional, que ajusta un solo variograma global con todos los datos disponibles. 6.3.- Predicción de la Densidad Aparente del Suelo A diferencia con el resto de las propiedades físico-químicas analizadas en este trabajo, la predicción de la densidad aparente del suelo no se efectuó con el procedimiento de regresión-kriging explicado en los epígrafes anteriores. La razón para esto es que las observaciones de DA recopiladas no presentaron una distribución y cobertura espacial suficientemente adecuada como para realizar análisis geo-estadísticos. Sin embargo, los datos disponibles abarcan una amplia gama de valores representativos de los suelos de Andalucía, por lo que pueden utilizarse para desarrollar funciones locales de edafotransferencia que permitan correlacionar la densidad aparente con otras propiedades físicas de los suelos de la región. De acuerdo con los resultados obtenidos en estudios previos, las propiedades físicas que mejor predicen la densidad aparente son la textura, la materia orgánica y la profundidad del suelo (Rawls, 1983; Bernoux et al., 1998; De Vos et al., 2005; Tranter et al., 2007). Así, para obtener las funciones de edafotransferencia se escogieron los contenidos de limo y arcilla, la materia orgánica y la profundidad del suelo (definida como horizonte superficial y


50

subsuperficial) como variables independientes; y los valores de densidad aparente (variable dependiente) se sometieron a la transformación logística con límites físicos definidos entre 0 y 2,65 gr/cm3. Los regresiones se realizaron con el procedimiento de árboles de regresión implementado en el software GUIDE. En la Fig. 28 se muestra la estructura del árbol de regresión obtenido por GUIDE para explicar la relación entre las propiedades físicas del suelo y la densidad aparente. Obsérvese que el árbol obtenido definió diferentes modelos de regresión en función del horizonte edáfico y el contenido de arcilla. Todas las variables independientes consideradas inicialmente fueron significativas en los nodos terminales del árbol.

Figura 28.- Árbol de regresión obtenido para explicar la relación entre la Densidad Aparente y las propiedades físicas del suelo (NT: Nodo Terminal).

El árbol de regresión obtenido fue capaz de explicar el 54,13% de la variación de la DA (R2=0,5413) con un RECM de tan solo 0,111 gr/cm3. En estudios previos se han conseguido indicadores de precisión comparables a los alcanzados en este trabajo (Manrique y Jones, 1991; Bernoux et al., 1998; Calhoun et al., 2001; Heuscher et al., 2005; Tranter et al., 2007). Asimismo, Calhoun et al. (2001) sugirieron que la textura, la materia orgánica y la profundidad del suelo son capaces de explicar entre el 50 y el 60% de la variación de la densidad aparente, que resulta suficiente para captar la variabilidad espacial de esta propiedad a escala regional.

Horizonte

NT3

%

Arcilla

NT1

NT2

Superficial Subsuperficial

<= 10,28 > 10,28


51

Textura Horizonte Superficial

Arena (%)

±

97.5

0.050 0 5025 Km

Textura Horizonte SuperficialLimo (%)

±

75.1

0.050 0 5025 Km

Textura Horizonte SuperficialArcilla (%)

±

82.9

0.050 0 5025 Km

Textura Horizonte Superficial

±

Arena

Limo

Arcilla50 0 5025 Km

pH (H2O) Horizonte Superficial

±

9.3

4.650 0 5025 Km

Materia Orgánica Horizonte Superficial(%)

±

14.7

0.050 0 5025 Km

(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.


52

Textura Horizonte Subsuperficial

Arena (%)

±

92.9

0.050 0 5025 Km

Textura Horizonte SubsuperficialLimo (%)

±

73.1

1.350 0 5025 Km

Textura Horizonte SubsuperficialArcilla (%)

±

76.4

0.750 0 5025 Km

Textura Horizonte Subsuperficial

±

Arena

Limo

Arcilla50 0 5025 Km

pH (H2O) Horizonte Subsuperficial

±

9.2

4.350 0 5025 Km

Materia Orgánica Horizonte Subsuperficial(%)

±

14.7

0.050 0 5025 Km

(b)



53

Densidad Aparente Horizonte Superficial(gr/cm3)

±

1.50

0.9550 0 5025 Km

Densidad Aparente Horizonte Subsuperficial(gr/cm3)

±

50 0 5025 Km

1.50

0.95

Clases de Profundidad del Suelo

±

1: 0-25 cm

2: 25-50 cm

3: 50-100 cm

4: 100-150 cm

5: >150 cm50 0 5025 Km

(c)



54

6.4.- Generación y Evaluación de la Cartografía Digital de las Propiedades Físico-Químicas del Suelo A excepción de la densidad aparente, la cartografía digital de las propiedades del suelo se obtuvo como la suma de los mapas derivados con las funciones de predicción espacial y los mapas de los residuos. Los mapas de densidad aparente se obtuvieron mediante la evaluación directa de la función de edafotransferencia desarrollada. En la Fig. 29 se muestran los mapas finales de las propiedades físico-químicas analizadas en este trabajo. La precisión de los mapas generados se evaluó con el procedimiento de validación cruzada (ver epígrafe 5.4.1 para detalles) y se expresó a través del coeficiente de determinación y la raíz del error cuadrático medio (ecuaciones 1 y 2). Debe señalarse, sin embargo, que el mejor método para evaluar la precisión de la cartografía digital de suelos se basa en la comparación con muestras independientes (Dobos et al., 2006). Dada las limitaciones en la disponibilidad de datos originales, en este estudio se prefirió optar por el procedimiento de validación cruzada, y de esta forma utilizar todos los datos disponibles en el desarrollo del sistema de inferencia espacial. Esto supone que los errores obtenidos pueden exceder los valores reales y deben valorarse con cierta precaución (Willmott et al., 2006). La Tabla 18 contiene la precisión alcanzada en la generación de los mapas de las propiedades del suelo con el procedimiento de regresión-kriging. Como regla general, la cartografía digital de suelos puede considerarse adecuada si es capaz de explicar entre el 50% y el 75% de la varianza total de las muestras de datos independientes (Hengl y Toomanian, 2006; Hengl, 2007). Los mapas obtenidos en este estudio fueron capaces de explicar entre el 70 y el 90% de la variabilidad de las propiedades analizadas, que son índices de precisión excelentes pero probablemente algo subvalorados. Si se considera la enorme variabilidad espacial y temporal que muestran las propiedades físico-químicas de los suelos, se puede concluir que la precisión lograda por el Sistema de Inferencia Espacial es satisfactoria y válida para realizar estudios agro-hidrológicos a escala regional. Tabla 18.- Precisión alcanzada en la generación de los mapas de propiedades físico-químicas del suelo. Propiedad Arena

(%) Limo (%)

Arcilla (%)

pH (H2O)

MO (%)

Profundidad (cm)

Horizonte Superficial R2 0,774 0,779 0,7918 0,894 0,786

0,905

RECM 8,075 6,574 6,309 0,276 0,669 Horizonte Subsuperficial

R2 0,717 0,767 0,721 0,905 0,701 RECM 8,939 6,908 7,889 0,286 0,371

18,561

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.


55

Error de Inferencia EspacialArena Horizonte Superficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 3.21

3.22 - 6.43

6.44 - 9.64

9.65 - 12.85

12.86 - 16.06

16.07 - 19.28

19.29 - 22.49

22.50 - 25.70Error Absoluto Medio = 5.41 %Desviación Estándar = 3.10 %

Error de Inferencia EspacialLimo Horizonte Superficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 2.66

2.67 - 5.33

5.34 - 7.99

8.00 - 10.65

10.66 - 13.31

13.32 - 15.98

15.99 - 18.64


Error de Inferencia EspacialArcilla Horizonte Superficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 2.80

2.81 - 5.59

5.60 - 8.39

8.40 - 11.19

11.20 - 13.98

13.99 - 16.78

16.79 - 19.58


Error de Inferencia EspacialpH (H2O) Horizonte Superficial

±

50 0 5025 Km

Error Absoluto

0.00 - 0.12

0.13 - 0.24

0.25 - 0.36

0.37 - 0.48

0.49 - 0.60

0.61 - 0.71

0.72 - 0.83

0.84 - 0.95Error Absoluto Medio = 0.16Desviación Estándar = 0.11

Error de Inferencia EspacialMateria Orgánica Horizonte Superficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 0.33

0.34 - 0.65

0.66 - 0.98

0.99 - 1.31

1.32 - 1.64

1.65 - 1.96

1.97 - 2.29


Error de Inferencia EspacialProfundidad del Suelo

±

50 0 5025 Km

Error Absoluto (cm)

0.00 - 6.27

6.28 - 12.54

12.55 - 18.80

18.81 - 25.07

25.08 - 31.34

31.35 - 37.61

37.62 - 43.87

43.88 - 50.14Error Absoluto Medio = 12.36 cmDesviación Estándar = 6.32 cm

(a)

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


56

Error de Inferencia Espacial

Arena Horizonte Subsuperficial

±

50 0 5025 Km

Error Absoluto (%)

0.01 - 3.79

3.80 - 7.57

7.58 - 11.34

11.35 - 15.12

15.13 - 18.90

18.91 - 22.68

22.69 - 26.46


Error de Inferencia EspacialLimo Horizonte Subsuperficial

±

50 0 5025 Km

Error Absoluto (%)

0.01 - 2.99

3.00 - 5.96

5.97 - 8.94

8.95 - 11.92

11.93 - 14.90

14.91 - 17.88

17.89 - 20.85


Error de Inferencia EspacialArcilla Horizonte Subsuperficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 3.09

3.10 - 6.19

6.20 - 9.28

9.29 - 12.37

12.38 - 15.46

15.47 - 18.55

18.56 - 21.64


Error de Inferencia Espacial

pH (H2O) Horizonte Subsuperficial

±

50 0 5025 Km

Error Absoluto

0.00 - 0.13

0.14 - 0.27

0.28 - 0.40

0.41 - 0.53

0.54 - 0.66

0.67 - 0.80

0.81 - 0.93

0.94 - 1.06Error Absoluto Medio = 0.16Desviación Estándar = 0.14

Error de Inferencia EspacialMateria Orgánica Horizonte Subsuperficial

±

50 0 5025 Km

Error Absoluto (%)

0.00 - 0.16

0.17 - 0.33

0.34 - 0.49

0.50 - 0.66

0.67 - 0.82

0.83 - 0.98

0.99 - 1.15


(b)



57

Después de corroborar que los valores absolutos de los errores presentaron estructura espacial en todas las propiedades del suelo analizadas, se procedió a su interpolación espacial con el procedimiento Block Kriging ordinario convencional. Todos los variogramas se ajustaron al modelo exponencial y los errores se sometieron a la transformación logarítmica para aproximarlos a la distribución normal. Los mapas de errores de inferencia espacial obtenidos se muestran en la Fig. 30. Estos mapas representan la medida más natural del error medio cometido por el sistema de inferencia espacial, permitiendo visualizar la distribución espacial de los errores y cuantificar su magnitud aproximada en cualquier punto del territorio (Willmott y Matsuura, 2005). Obsérvese en estos mapas que los errores extremos se localizaron puntualmente en la región, de modo que pueden ser parcialmente atribuidos a errores de observación en los perfiles de suelo correspondientes; y/o diferencias de escalas entre el valor interpolado en un celda de 250 m de lado y el valor observado en una pequeña superficie de algunos centímetros de diámetro (Dobos et al., 2006). No obstante, los errores absolutos medios obtenidos fueron realmente bajos y dentro de los límites de variación admisibles para las variables analizadas (Batjes, 2002). Otro uso muy importante de estos mapas es que permiten, mediante técnicas de simulación estocástica, analizar el impacto de la propagación de los errores sobre los resultados de otros procesos que utilizan estas propiedades del suelo como datos de entrada, por ejemplo, los mapas de propiedades hidráulicas del suelo derivados con funciones de edafotransferencia (Dobos et al., 2006). Estos tipos de análisis están fuera del alcance de este trabajo, no obstante, a continuación se explica a modo de ejemplo el proceso que puede seguirse para generar múltiples realizaciones estocásticas del mapa de una propiedad del suelo determinada. Las realizaciones son la base para cuantificar la incertidumbre que generan los errores de inferencia espacial de la propiedad del suelo sobre otros procesos dependientes de ella. La propiedad escogida para desarrollar el ejemplo de propagación de errores ha sido el contenido de arcilla en el horizonte superficial. El primer paso fue estimar la distribución espacial de los errores del mapa generado como la diferencia entre los valores de contenido de arcilla observados en los perfiles de suelo y los valores inferidos por validación cruzada. En la Fig. 31b se puede apreciar que el histograma de los errores se aproximó a una distribución normal con una media de -0,975% y una desviación estándar de 3,888. Asimismo, los errores mostraron una marcada correlación espacial, quedando reflejada en el semivariograma de la Fig. 31c. Finalmente, los errores puntuales se sometieron a una transformación logística y se interpolaron con el método de Block Kriging ordinario con un tamaño de bloque de 250 m, acorde con la cuadrícula de referencia definida en este trabajo. En la Fig. 31a se muestra el mapa de errores obtenido, revelándose que el sistema de inferencia espacial sobreestimó el contenido de arcilla en tan solo 0,975% como promedio, pero con errores extremos relativamente importantes (± 21%). Para generar múltiples realizaciones del mapa de errores se aplicó una técnica de simulación estocástica basada en el procedimiento de muestreo Hipercubo Latino (McKay et al. 1979) que toma en cuenta la correlación espacial de la incertidumbre (Iman y Conover, 1982). El procedimiento desarrollado se basó en los trabajos de Holmes et al. (2000) y Bishop et al. (2006). Así, los pasos seguidos en la simulación estocástica fueron:


58

Error del Mapa GeneradoArcilla Horizonte Superficial

±

50 0 5025 Km

Error (%)

-21.30 - -15.97

-15.96 - -10.65

-10.64 - -5.32

-5.31 - 0

0.01 - 5.32

5.33 - 10.65

10.66 - 15.97

15.98 - 21.30

Mapa Generado por el Sistema de Inferencia

0

2

4

6

8

10

12

14

16

18

20

-22.

0-2

0.0

-18.

0-1

6.0

-14.

0-1

2.0-1

0.0

-8.0

-6.0

-4.0

-2.0 0.

02.

04.

06.

08.

010

.012

.014

.016

.018

.020

.022

.0

Error (%)

Frecuencia (%)

Mínimo = -21.26 Máximo = 21.26 Media = -0.975

Mediana = -0.739 Desviación Estándar = 3.888

0

2

4

6

8

10

12

14

16

18

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza

Errores del Mapa Generado por el Sistema de Inferencia

Error Realización # 1

Arcilla Horizonte Superficial

±

50 0 5025 Km

Error (%)

-22.90 - -16.45

-16.44 - -10.00

-9.99 - -3.55

-3.54 - 2.90

2.91 - 9.35

9.36 - 15.80

15.81 - 22.25

22.26 - 28.70

Mapa Realización 1

0

2

4

6

8

10

12

14

16

18

20

-22.

0-2

0.0

-18.

0-1

6.0

-14.

0-1

2.0-1

0.0

-8.0

-6.0

-4.0

-2.0 0.

02.

04.

06.

08.

010

.012

.014

.016

.018

.020

.022

.0

Error (%)

Frecuencia (%)



0

2

4

6

8

10

12

14

16

18

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza

Errores de la Realización 1



±

50 0 5025 Km

Error (%)

-21.90 - -16.06

-16.05 - -10.22

-10.21 - -4.39

-4.38 - 1.45

1.46 - 7.29

7.30 - 13.12

13.13 - 18.96

18.97 - 24.80

Mapa Realización 2

0

2

4

6

8

10

12

14

16

18

20

-22.

0-2

0.0

-18.

0-1

6.0

-14.

0-1

2.0-1

0.0

-8.0

-6.0

-4.0

-2.0 0.

02.

04.

06.

08.

010

.012

.014

.016

.018

.020

.022

.0

Error (%)

Frecuencia (%)



0

2

4

6

8

10

12

14

16

18

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza




±

50 0 5025 Km

Error (%)

-24.70 - -18.99

-18.98 - -13.28

-13.27 - -7.57

-7.56 - -1.86

-1.85 - 3.85

3.86 - 9.56

9.57 - 15.27

15.28 - 20.98

Mapa Realización 3

0

2

4

6

8

10

12

14

16

18

20

-22.

0-2

0.0

-18.

0-1

6.0

-14.

0-1

2.0-1

0.0

-8.0

-6.0

-4.0

-2.0 0.

02.

04.

06.

08.

010

.012

.014

.016

.018

.020

.022

.0

Error (%)

Frecuencia (%)



0

2

4

6

8

10

12

14

16

18

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza




±

50 0 5025 Km

Error (%)

-22.40 - -16.77

-16.76 - -11.15

-11.14 - -5.52

-5.51 - 0.10

0.11 - 5.73

5.74 - 11.35

11.36 - 16.98

16.99 - 22.60

Mapa Realización 4

0

2

4

6

8

10

12

14

16

18

20

-22.

0-2

0.0

-18.

0-1

6.0

-14.

0-1

2.0-1

0.0

-8.0

-6.0

-4.0

-2.0 0.

02.

04.

06.

08.

010

.012

.014

.016

.018

.020

.022

.0

Error (%)

Frecuencia (%)



0

2

4

6

8

10

12

14

16

18

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Distancia (Km)

Semivarianza


(a) (b) (c)

Figura 31.- Errores de inferencia espacial de la arcilla en el horizonte superficial (Valores originales y realizaciones estocásticas). (a) Mapas de errores. (b) Histogramas y estadísticos

de los errores. (c) Variogramas de los errores.


59

1. Definir el número de realizaciones y el tamaño de una ventana local para realizar el análisis.

2. Para cada celda del mapa de errores: a. Obtener la desviación estándar de los errores estimados en los 50 puntos más

cercanos a la celda. b. Definir los parámetros de una función de distribución Gaussiana con el valor

del error interpolado en la celda y su desviación estándar. c. Identificar las celdas vecinas en la ventana local definida. d. Calcular el variograma de los errores en la ventana local. e. Ajustar el variograma local a un modelo teórico y obtener el correlograma

correspondiente. f. Aplicar el procedimiento Hipercubo Latino para muestrear los errores de la

ventana local considerando la correlación espacial identificada. 3. Sumar cada realización del mapa de errores al mapa de arcilla generado por el sistema

de inferencia espacial. Esto supone obtener múltiples versiones (tantas como el número de realizaciones definido) del mapa de contenido de arcilla en el horizonte superficial del suelo.

En este ejemplo se utilizó una ventana local de 7 x 7 celdas, los variogramas locales se ajustaron al modelo exponencial y se generaron 50 realizaciones de los mapas. En la Fig. 31 se muestran los mapas, histogramas y semivariogramas de 4 realizaciones de errores elegidas al azar. Puede apreciarse claramente que las realizaciones reprodujeron acertadamente los estadísticos del mapa de errores original. El próximo paso en un estudio de este tipo sería utilizar las realizaciones de las propiedades del suelo como datos de entrada en la simulación de otros procesos dependientes. De esta forma se podría cuantificar la incertidumbre que genera los errores de los datos al propagarse a través de los procesos dependientes. Por ejemplo, las realizaciones de los mapas de textura, densidad aparente y materia orgánica podrían utilizarse para cuantificar la incertidumbre que provocan sobre los mapas de propiedades hidráulicas derivados con funciones de edafotransferencia. En situaciones donde se carece de observaciones independientes, este procedimiento podría ser una vía muy efectiva para valorar la incertidumbre espacial involucrada en el proceso de generación de mapas de propiedades hidráulicas del suelo (McBratney et al., 2002). Estos aspectos, aunque muy importantes, no han sido tratados en este trabajo y se dejan para estudios futuros.


60

VII.- Inferencia de las Propiedades Hidráulicas del Suelo La producción de la cartografía digital de las propiedades hidráulicas del suelo se basó en el desarrollo y la aplicación de funciones de edafotransferencia. El principal motivo de esta decisión fue que la distribución y cobertura espacial de los perfiles con datos de CC y PMP no fue suficientemente adecuada para realizar análisis geo-estadísticos en la región. Por otro lado, la base de datos disponible no posee información de otras propiedades hidráulicas del suelo, por lo que necesariamente tuvo que acudirse a funciones de edafotransferencia para estimarlas. 7.1.- Capacidad de Campo y el Punto de Marchitez Permanente La predicción de la CC y el PMP se basó en el desarrollo y aplicación de funciones de edafotransferencia calibradas con los datos locales disponibles. Las funciones de edafotransferencia permiten inferir las propiedades hidráulicas del suelo a partir de ciertas propiedades físicas como son la textura, la densidad aparente y la materia orgánica (Pachepsky y Rawls, 2005). En este trabajo se utilizó la aplicación informática k-Nearest Neighbor, recientemente desarrollada por Nemes et al. (2008), para calibrar las funciones de edafotransferencia de CC y PMP con los datos disponibles en la región. k-Nearest Neighbor (KNN) es una herramienta que permite inferir los contenidos del agua en el suelo para los potenciales matriciales de –33 kPa (CC) y –1500 kPa (PMP), usando el procedimiento estadístico del mismo nombre. KNN es una técnica no parámetrica de exploración de datos que se basa en el reconocimiento de patrones similares. En el caso en particular de este estudio, KNN se utiliza para identificar los elementos de una base de datos de referencia que son más similares a la muestra de suelo presentada por el usuario, y asignar a dicha muestra los valores medios ponderados de CC y PMP de los elementos encontrados. La ponderación se realiza en función de una medida (distancia euclidiana) que cuantifica la similitud entre propiedades físicas de la muestra y los elementos de la base de datos (Nemes et al., 2006). KNN utiliza los contenidos de arena, limo y arcilla, la densidad aparente y el contenido de materia orgánica como datos de entrada. En la Tabla 19 se muestra el resumen estadístico de los datos recopilados en 2032 horizontes de suelos locales que conformaron la base de datos de referencia utilizada en este estudio. Puede apreciarse que los datos disponibles abarcan una amplia gama de valores de los atributos de suelo seleccionados, siendo representativos de la región de interés. Tabla 19.- Resumen estadístico de los datos recopilados en 2032 horizontes de suelos locales para conformar la base de datos de referencia de KNN. Propiedad Unidad Mínimo Máximo Medio Desviación

Estándar Mediana

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 PMP cm3/cm3 0,006 0,4166 0,137 0,065 0,127


61

Capacidad de Campo Horizonte Superficial(cm3/cm3)

±

0.43

0.06050 0 5025 Km

Punto Marchitez Permanente Horizonte Superficial(cm3/cm3)

±

0.31

0.02750 0 5025 Km

Retención de Agua Horizonte Superficial(mm)

±

59.62

8.4050 0 5025 Km

(a) Capacidad de Campo Horizonte Subsuperficial

(cm3/cm3)

±

0.43

0.07550 0 5025 Km

Punto Marchitez Permanente Horizonte Subsuperficial(cm3/cm3)

±

0.30

0.03250 0 5025 Km

Retención de Agua Horizonte Subsuperficial(mm)

±

50 0 5025 Km

417.55

0.00

(b)

Figura 32.- Mapas de Capacidad de Campo, Punto de Marchitez Permanente y Retención del Agua. (a) Horizonte Superficial. (b) Horizonte Subsuperficial.


62

En la Fig. 32 se muestran los mapas de CC y PMP obtenidos con KNN. Asimismo, se muestran los mapas de capacidad de retención del agua (CRA) en los horizontes del suelo, que se obtuvieron con la aplicación de la ecuación (8):

( ) EspesorPMPCCCRA ⋅−= (8) donde Espesor es el espesor en mm del horizonte analizado. Para calcular CRA en el horizonte superficial se utilizó un espesor de 250 mm, mientras que el espesor del horizonte subsuperficial se obtuvo del mapa de profundidad del suelo (Fig. 29c). En la ecuación (8) CRA se expresa en mm, y CC y PMP en cm3/cm3. Los errores de predicción de KNN se evaluaron con el procedimiento de validación cruzada. KNN fue capaz de explicar el 78,9% de las variaciones de la CC y el 75,2% del PMP, con RECM de 0,049 cm3/cm3 y 0,037 cm3/cm3 respectivamente. Estos índices de precisión pueden considerarse muy favorables y fueron similares a los reportados por Nemes et al. (2006). Debe señalarse, sin embargo, que no debe confundirse los errores de predicción de KNN con los errores de inferencia espacial. Estos últimos solo podrían valorarse con el procedimiento de validación cruzada espacial explicado en el epígrafe 6.4, o mediante la comparación de los mapas generados con muestras de datos independientes. Como los datos de CC y PMP disponibles no presentaron una cobertura espacial suficientemente adecuada en la región, no fue posible aplicar estos procedimientos. Otra vía para evaluar la incertidumbre espacial de la CC y el PMP sería aplicar la técnica de propagación de errores explicada en el epígrafe 6.4, pero este aspecto queda fuera del alcance de este trabajo. 7.2.- Parámetros de Retención del Agua en el Suelo y Conductividad Hidráulica Los modelo agro-hidrológicos pueden clasificarse, a groso modo, en conceptuales o mecanicistas. Los modelos conceptuales asumen una serie de simplificaciones para facilitar y agilizar los cálculos, por ejemplo, usualmente utilizan el método de cascada para ejecutar el balance del agua en el complejo suelo-planta-atmósfera (Ritchie, 1998). Estos modelos solo necesitan los datos de Retención del Agua para caracterizar el suelo, de modo que la información generada en el epígrafe anterior sería suficiente. Por su parte, los modelos mecanicistas se basan en la resolución de la ecuación de Richards para simular el movimiento del agua en el complejo suelo-planta-atmósfera. Estos modelos utilizan la función completa de retención del agua en el suelo, es decir, la relación funcional que explica la variación del potencial matricial con el contenido del agua en el suelo. Desafortunadamente la inferencia de la curva de retención requiere una importante inversión en muestreos de campo y análisis de laboratorio, por esta razón se ha intentado relacionar con otras propiedades del suelo que se pueden medir con más facilidad, como son la textura, la densidad aparente y el contenido de materia orgánica (Bouma, 1989). Estas funciones relacionales se denominan funciones de edafotransferencia (FET). Wösten et al. (2001), efectuaron una revisión exhaustiva de las técnicas usadas para desarrollar FET y comentaron su exactitud y fiabilidad. A falta de información local, en este trabajo se analizaron múltiples FET que fueron obtenidas a partir de un elevado número de observaciones de propiedades edáficas, cubriendo una amplia gama de suelos similares a los de la zona de estudio. De las FET analizadas, se decidió utilizar las desarrolladas por Schaap et al. (2001) y contenidas en el software Rosetta. El conjunto de datos usado para la calibración de Rosetta fue extraído de tres bases de datos


63

diferentes, conteniendo observaciones provenientes de América del Norte y Europa principalmente. Los autores recopilaron de un total de 20574 observaciones con datos de potencial matricial y contenido de agua para calibrar las FET de Rosetta. Rosetta utiliza un procedimiento jerárquico basado en redes neuronales artificiales calibradas para inferir los parámetros de la función de retención del agua en el suelo y la conductividad hidráulica. Rosetta ofrece la posibilidad de usar 5 diferentes FET según la disponibilidad de los datos de entrada. El modelo más simple requiere solamente la clase textural, mientras que el más sofisticado usa los contenidos de arena, limo y arcilla, la densidad aparente y dos puntos de la curva de retención a -33 y -1500 kPa como datos de entrada. La flexibilidad del modelo sofisticado resulta muy atractiva porque permite adaptar los resultados de Rosetta a las condiciones locales donde se midieron los valores de retención que utiliza el modelo como datos de entrada. Por estas razones, en este trabajo se utilizó el modelo sofisticado de Rosetta para inferir los parámetros de retención y la conductividad hidráulica en los suelos de la región andaluza. Rosetta es capaz de estimar los parámetros de retención de la función de van Genuchten (1980), la conductividad hidráulica saturada (Ks), así como los parámetros de la función de conductividad hidráulica no saturada inferidos por el modelo de Mualem (1976). La ecuación de van Genuchten (1980) es:

( )( )[ ]mn

rsr

hh

⋅+

−+=

α

θθθθ

1 (9)

donde ( )hθ es el contenido volumétrico de agua en el suelo (cm3/cm3) para el potencial

matricial h (cm), rθ y sθ son los contenidos de agua residual y de saturación respectivamente

(cm3/cm3), α es el inverso de la presión de entrada de aire en el suelo (cm-1), n es un parámetro que caracteriza la distribución de tamaños de poros y m es igual a 1-1/n. Combinado la ecuación (9) con el modelo de tamaños de poro de Mualem (1976), se obtiene la función de conductividad hidráulica no saturada (K(Se)):

( ) ( )[ ]{ }2/111/0 11

nnn

e

L

ee SSKSK−−−−⋅= (10)

donde la saturación efectiva (Se) se calcula como:

( )rs

re

hS

θθθθ

−−

= (11)

K0 representa la conductividad saturada aparente (cm/día), mientras que L es un parámetro empírico que caracteriza la tortuosidad y conectividad de los poros del suelo. Considerando las ecuaciones anteriores, Rosetta estima los valores de siete parámetros ( rθ ,

sθ , α , n, Ks, K0 y L) para caracterizar la retención del agua en el suelo y la conductividad

hidráulica saturada y no saturada.


64

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.

y = 0,9189x + 0,0152

R2 = 0,9617

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 0,5 0,55

Capacidad de Campo Base de Datos de Referencia

(cm3/cm

3)

Capacidad de Campo Rosetta

(cm3/cm3)

1:1

RECM = 0,0198 cm3/cm3

Error Medio = 0,0087 cm3/cm3

y = 0,6167x + 0,0209

R2 = 0,9162

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4

Marchitez Permanente Base de Datos de Referencia

(cm3/cm

3)

Marchitez Permanente Rosetta

(cm3/cm3)

1:1

RECM = 0,0421 cm3/cm3


(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 "

jP con la siguiente

ecuación:

( )jjjj PbaP ⋅+=" (12)

donde los coeficientes aj y bj se obtienen simultáneamente como resultado de un proceso de optimización que intentar minimizar la siguiente función objetivo:

( )[ ] ( )[ ]∑∑==

−+−=N

i

jiPMPiPMP

N

i

jiCCiCC PPFO1

2"",,

1

2"",, θθθθ (13)


65

siendo iCC ,θ y iPMP,θ la Capacidad de Campo y el Punto de Marchitez del elemento i de la

base de datos de referencia, ( )"", jiCC Pθ y ( )""

, jiPMP Pθ son la Capacidad de Campo y el Punto de

Marchites estimados con los parámetros de retención modificados "jP , y N es el número total

de elementos evaluados. El proceso de optimización estuvo sujeto a las siguientes restricciones para garantizar que los parámetros de retención modificados mantuvieran sus significados físicos convencionales (Schaap et al., 1998a):

• 0 ≤ rθ ≤ 0,3 cm3/cm3.

• 0,6φ ≤ sθ ≤ φ, donde φ es la porosidad total calculada como (1-DA/2,65).

• 0,0001 ≤ α ≤ 1 cm-1. • 1,0001 ≤ n ≤ 10.

Tabla 20.- Coeficientes correctores de los parámetros de retención originalmente estimados por Rosetta. Parámetro de Retención Coeficiente aj Coefiente bj

rθ -0,0141 1,4039

sθ -0,1393 1,2963

α 0,0000 1,1142 n 0,2857 0,7381

En la Tabla 20 se muestra los coeficientes correctores aj y bj obtenidos para cada uno de los parámetros de retención. Asimismo, en la Fig. 34 se comparan los valores de contenidos de agua observados y estimados tras aplicar el procedimiento de corrección. Puede apreciarse que el procedimiento de corrección redujo sustancialmente los errores sistemáticos, sobre todo en la estimación del PMP. El error medio de estimación del PMP pasó de 0,0315 cm3/cm3 a 0,0048 cm3/cm3, mientras que la RECM se redujo en más del 50% del valor originalmente obtenido. Los errores de estimación de la CC también se redujeron pero en menor cuantía.

y = 0,8963x + 0,0339

R2 = 0,9658

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 0,5 0,55

Capacidad de Campo Base de Datos de Referencia

(cm3/cm

3)

Capacidad de Campo Rosetta Corregido

(cm3/cm3)

1:1

RECM = 0,0179 cm3/cm3

Error Medio = -0,0033 cm3/cm3

y = 0,7679x + 0,0269

R2 = 0,937

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45

Marchitez Permanente Base de Datos de Referencia

(cm3/cm

3)

Marchitez Permanente Rosetta Corregido

(cm3/cm3)

1:1

RECM = 0,0206 cm3/cm3


(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.


66

En la Fig. 35 se muestra la regionalización de los parámetros de retención estimados por Rosetta tras aplicar el procedimiento de corrección explicado. Desafortunadamente, no se dispone de medidas independientes para verificar la precisión espacial de la cartografía obtenida, no obstante, al comparar los mapas de CC y PMP generados con la función de van Genuchten e inferidos por el procedimiento KNN se obtuvieron resultados muy similares. En la Tabla 21 se resume los índices que permiten valorar las diferencias entre estos mapas, concluyéndose que los parámetros de retención obtenidos por Rosetta fueron capaces de generar mapas de similar precisión a los logrados por el procedimiento de KNN, al menos para los valores de contenido de agua analizados. Tabla 21.- Diferencias entre los mapas de CC y PMP inferidos por el procedimiento KNN y generados con la función de van Genuchten con los parámetros de retención obtenidos por Rosetta.

Índice CC Horizonte Superficial

CC Horizonte

Subsuperficial

PMP Horizonte Superficial

PMP Horizonte

Subsuperficial R2 0,953 0,978 0,959 0,969 RECM (cm3/cm3)

0,0205 0,0099 0,0098 0,0124

Error Absoluto Medio (cm3/cm3)

0,0175 0,0084 0,0079 0,0108

En la Fig. 36 se muestran los mapas de conductividad hidráulica saturada y los parámetros de la función de conductividad hidráulica no saturada inferidos por Rosetta. Debe puntualizarse finalmente, que los parámetros de la función de conductividad fueron estimados a partir de los parámetros de retención corregidos, quedando así adaptados a las condiciones locales de la región.


67

Contenido de Agua Residual Horizonte Superficial(cm3/cm3)

±

0.139

0.01450 0 5025 Km

Contenido de Agua Saturación Horizonte Superficial(cm3/cm3)

±

0.574

0.33250 0 5025 Km

Inverso Presión Entrada de Aire Horizonte Superficial(1/cm)

±

0.0786

0.002550 0 5025 Km

Distribución Tamaños de Poros Horizonte Superficial

±

1.720

1.15650 0 5025 Km

(a)

Contenido de Agua Residual Horizonte Subsuperficial

(cm3/cm3)

±

0.139

0.01450 0 5025 Km

Contenido de Agua Saturación Horizonte Subsuperficial(cm3/cm3)

±

0.574

0.33350 0 5025 Km

Inverso Presión Entrada de Aire Horizonte Subsuperficial(1/cm)

±

0.0761

0.001750 0 5025 Km

Distribución Tamaños de Poros Horizonte Subsuperficial

±

1.771

1.16250 0 5025 Km

(b)

Figura 35.- Parámetros de retención estimados por Rosetta tras aplicar el procedimiento de corrección. (a) Horizonte superficial. (b) Horizonte

subsuperficial.


68

Conductividad Hidráulica Saturada Horizonte Superficial(cm/día)

±

816.845

12.46350 0 5025 Km

Conductividad Saturada Aparente Horizonte Superficial(cm/día)

±

108.170

0.51750 0 5025 Km

Parámetro de Tortuosidad/Conectividad de PorosHorizonte Superficial

±

0.747

-4.97850 0 5025 Km

(a)

Conductividad Hidráulica Saturada Horizonte Subsuperficial(cm/día)

±

614.978

7.26050 0 5025 Km

Conductividad Saturada Aparente Horizonte Subsuperficial(cm/día)

±

95.327

0.45550 0 5025 Km

Parámetro de Tortuosidad/Conectividad de PorosHorizonte Subsuperficial

±

0.735

-4.97850 0 5025 Km

(b)

Figura 36.- Conductividad hidráulica saturada y parámetros de la función de conductividad hidráulica no saturada. (a) Horizonte superficial. (b)

Horizonte subsuperficial.


69

VIII.- Referencias Bibliográficas Allen, R.; Trezza, R. y Tasumi, M. 2006. Analytical integrated functions for daily solar

radiation on slopes. Agricultural and Forest Meteorology, 139(1-2): 55-73. Batjes, N.H. 2002. Soil estimates for the soil types of the world for use in global and regional

modelling (Versión 2.1, July 2002). ISRIC Report 2002/02c. International Food Policy Research Institute (IFPRI) and International Soil Reference and Information Centre (ISRIC), Wageningen.

Bernoux, M.; Arrouays, D.; Cerri, C.; Valkoff, B. y Jolivet, C. 1998. Bulk densities of

Brazilian Amazon soils related to other soil properties. Soil Science Society of

America Journal, 62: 743–749. Bishop, T.F.A.; Minasny, B. y McBratney, A.B. 2006. Uncertainty analysis for soil-terrain

models. International Journal of Geographical Information Science, 20(2): 117–134.

Bossard, M.; Feranec, J. y Otahel, J. 2000. CORINE land cover technical guide- Addendum

2000. Technical Report 40, European Environment Agency, Denmark, 105 pp. Bouma, J. 1989. Using soil survey data for quantitative land evaluation. Advance in Soil

Science, 9: 177–213. Burrough, P.A.; van Gaans, P.F.M. y MacMillan, R.A. 2000. High-resolution landform

classification using fuzzy k-means. Fuzzy Sets and Systems, 113: 37-52. Burrough, P.A.; Wilson, J.P.; van Gaans, P.F.M, y Hensen, A.J. 2001. Fuzzy k-means

classification of topo-climatic data as an aid to forest mapping in the Greater Yellowstone Area, USA. Landscape Ecology, 16: 523-46.

Calhoun, F.G.; Smeck, N.E.; Slater, B.L.; Bigham, J.M. y Hall, G.F. 2001. Predicting bulk

density of Ohio soils from morphology, genetic principles and laboratory characterisation data. Soil Science Society of America Journal, 65: 811–819.

Chena, J.; Jönsson, P.; Tamurab, M.; Gua, Z.; Matsushitab, B. y Eklundhd, L. 2004. A simple

method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter. Remote Sensing of Environment, 91: 332–344.

COM. 2006. Propuesta de directiva del parlamento europeo y del consejo por la que se

establece un marco para la protección del suelo y se modifica la directiva 2004/35/CE. Comisión de las Comunidades Europeas. COM(2006) 232 Final. 31 pp.

CSIC-IARA. 1989. Consejo Superior de Investigaciones Científicas–Instituto Andaluz de la

Reforma Agraria. Mapa de suelos de Andalucía. Consejería de Medio Ambiente, Sevilla, España.

Deng, Y. 2005. Evaluating input data for Dem-based environmental analysis and

classification. A thesis Presented as Partial Fulfilment of the Requirements for the


70

Degree Doctor of Philosophy. Faculty of Graduate School University of Southern California, 194 pp.

De Vos, B.; Van Meirvenne, M.; Quataert, P.; Deckers, J. y Muys, B. 2005. Predictive quality

of pedotransfer functions for estimating bulk density of forest soils. Soil Science

Society of America Journal, 69: 500–510. Dobos, E.; Carré, F.; Hengl, T.; Reuter, H.I. y Tóth, G. 2006. Digital Soil Mapping as a

support to production of functional maps. EUR 22123 EN. Office for Official Publications of the European Communities, Luxemburg, 68 pp.

Durner, W.; Jansen, U. y Iden, S.C. 2008. Effective hydraulic properties of layered soils at the

lysimeter scale determined by inverse modelling. European Journal of Soil Science, 59: 114–124.

Evans, I. S. 1980. An integrated system of terrain analysis and slope mapping. Zeitschrift fur

Geomorphologie, Suppl-Bd, 36: 274-295. Finke, P.; Hartwich, R.; Dudal, R.; Ibañez, J.; Jamagne, M.; King, D.; Montanarella, L. y

Yassoglou, N. 1999. Una base de datos de suelos georeferenciada para Europa. Manual de procedimientos Versión 1.1. Editado por el Comité Científico del Buró Europeo de Suelos.

Haas, T.C. 1990. Kriging and automated variogram modeling within a moving window. Atmospheric Environment, 24A: 1759-1769.

Hargreaves, G. H. 1994. Defining and using reference evapotranspiration. ASCE J. Irrig.

Drain. Engng., 120: 1132-1139. Henderson, B.L.; Bui, B.N.; Moran, C.J. y Simon, D.A.P. 2005. Australia-wide predictions of

soil properties using decision trees. Geoderma, 124: 383–398. Hengl, T. 2006. Finding the right pixel size. Computers and Geosciences, 32(9): 1283-1298. Hengl, T. 2007. A Practical Guide to Geostatistical mapping of environmental variables. EUR

22904 Scientific and Technical Research series, Office for Official Publications of the European Communities, Luxemburg, 143 pp.

Hengl, T.; Heuvelink, G.B.M. y Stein, A. 2004. A generic framework for spatial prediction of

soil variables based on regression-kriging. Geoderma ,120: 75–93 Hengl, T.; Heuvelink, G.B.M. y Rossiter, D.G. 2007. About regression-kriging: from

equations to case studies. Computers and Geosciences, 33(10): 1301-1315. Hengl, T. y Toomanian, N. 2006. Maps are not what they seem: representing uncertainty in

soil-property maps. En: Caetano, M. y Painho, M. (eds). Proceedings of the 7th

International Symposium on Spatial Accuracy Assessment in Natural Resources and

Environmental Sciences (Accuracy 2006), July 2006, Lisboa, Portugal: 805-813.


71

Heuscher, S.A.; Brandt, C.C. y Jardine, P.M. 2005. Using soil physical and chemical properties to estimate bulk density. Soil Science Society of America Journal, 69: 51–56.

Holmes, K.W.; Chadwick, O.A. y Kyriakidis, P.C. 2000. Error in a USGS 30-meter digital

elevation model and its impact on terrain modelling. Journal of Hydrology, 233: 154-173.

Hosking, J.R. y Wallis, J.L. 1997. Regional frequency analysis. Cambridge University Press,

Cambridge. Iman, R.L. y Conover, W.J. 1982. A distribution-free approach to inducing rank correlation

among input variables. Communications in Statistics, B11: 311–334. Jenny, H. 1941. Factors of soil formation - a system of quantitative pedology. McGraw-Hill,

New York, 281 pp. Jhorar, R.K.; van Dam, J.C.; Bastiaanssen, W.G.M y Feddes, R.A. 2004. Calibration of

effective soil hydraulic parameters of heterogeneous soil profiles. Journal of

Hydrology, 285: 233–247. Jönsson, P. y Eklundh, L. 2004. TIMESAT - a program for analysing time-series of satellite

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

Versión). Sevilla. Justice, C.O.; Townshend, J.R.G.; Vermote, E.F.; Masuoka, E.; Wolfe, R.E.; Saleous, N.;

Roy, D.P. y Morisette, J.T. 2002. An overview of MODIS land data processing and product status. Remote Sensing of Environment, 83: 3 –15.

Knight, J.F.; Lunetta; R.L.; Ediriwickrema, J. y Khorram, S. 2006. Regional scale land-cover

characterization using MODIS-NDVI 250 m multi-temporal imagery: A phenology based approach. GIScience and Remote Sensing, 43(1): 1-23.

Lindsay, J.B. 2005. The Terrain analysis system: a tool for hydro-geomorphic applications.

Hydrol. Process,. 19: 1123–1130. Lindsay, J.B. y Creed, I.F. 2005. Removal of artifact depressions from digital elevation

models: towards a minimum impact approach. Hydrological Processes, 19: 3113–3126.

Loh, W.Y. 2007. GUIDE (version 6.0) User Manual. Department of Statistics, University of

Wisconsin–Madison. http://www.stat.wisc.edu/~loh/guide.html. Manrique, L.A. y Jones, C.A. 1991. Bulk density of soils in relation to soil physical and

chemical properties. Soil Science Society of America Journal, 55: 476–481.


72

Marquínez, J.; Lastra, J. y García, P. 2003. Estimation models for precipitation in mountainous regions: the use of GIS and multivariate analysis. Journal of

Hydrology, 270: 1–11. McBratney, A.B.; Mendonc-a-Santos, M.L. y Minasny, B. 2003. On digital soil mapping.

Geoderma, 117: 3–52. McBratney, A.B.; Minasny, B.; Cattle, S.R.; Vervoor, R.W. 2002. From pedotransfer

functions to soil inference systems. Geoderma, 109: 41-73. McKay, M.D.; Beckman, R.J. y Conover, W.J. 1979. A comparison of three methods for

selecting values of input variables in the analysis of output from a computer code. Technometrics, 21: 239–245.

McKenney, D.W.; Pedlar, J.H.; Papadopol, P. y Hutchinson, M.F. 2006. The development of

1901–2000 historical monthly climate models for Canada and the United States. Agricultural and Forest Meteorology, 138: 69–81.

Minasny, B.; McBratney, A.B. y Whelan, B.M. 2005. VESPER version 1.62. Australian

Centre for Precision Agriculture, McMillan Building A05, The University of Sydney, NSW 2006. http://www.usyd.edu.au/su/agric/acpa.

Moreno, J. A. 2003. Modelo informático de simulación e información hidrológica. Tesis

Doctoral. E.T.S.I. Agrónomos y Montes. Universidad de Córdoba. Mualem, Y. 1976. Anew model for predicting the hydraulic conductivity of unsaturated

porous media. Water Resource. Research, 12: 513–522. Nemes, A.; Rawls, W.J. y Pachepsky, Y.A. 2006. Use of the non-parametric nearest neighbor

approach to estimate soil hydraulic properties. Soil Science Society of America

Journal, 70: 327-336. Nemes, A.; Roberts, R.T.; Rawls, W.J.; Pachepsky, Y.A. y van Genuchten, M.T. 2008.

Software to estimate -33 and -1500 kPa soil water retention using the non-parametric k-Nearest Neighbor technique. Environmental Modelling & Software, 23: 254-255.

Ninyerola, M.; Pons, X. y Roure, J.M. 2005. Atlas climático digital de la península ibérica.

Metodología y aplicaciones en bioclimatología y geobotánica. Departamento de Biología Animal, Biología Vegetal y Ecología. Universidad Autónoma de Barcelona. http://opengis.uab.es/wms/iberia/index.htm.

Pachepsky, Y.A. y Rawls, W.J. [Eds.]. 2005. Development of pedotransfer functions in Soil

Hydrology. Developments in Soil Science 30. Elsevier, Amsterdam-New York. ISBN: 0 444 51705 7. ISSN: 0166-2481.

Quinn, T.; Xing Zhu, A. y Burt, J.E. 2005. Effects of detailed soil spatial information on

watershed modeling across different model scales. International Journal of Applied

Earth Observation and Geoinformation, 7: 324–338.


73

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.


74

Triantafilis, J.; Ward, W. y McBratney, A.. 2001. Land suitability assessment in the namoi

valley of Australia, using a continuous model. Australian Journal of Soil Research, 39: 273–290.

Trueba, C.; Millán, R; Schmid, T.; Roquero, C y Magíster, M. 1999. Base de datos de

propiedades edafológicas de los suelos españoles. Informes Técnicos (vol. 882 y

883). CIEMAT. Madrid. Vanderlinden, K. 2002. Análisis de procesos hidrológicos a diferentes escalas espacio-

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

evapotranspiration by the Hargreaves method in Southern Spain. J. Irrig. Drain.

Eng. ASCE, 129 (1): 53–63. van Genuchten, M.Th. 1980. A closed-form equation for predicting the hydraulic conductivity

of unsaturated soils. Soil Sci. Soc. Am. J., 44: 892–898. Willmott, C.J. y Matsuura, K. 2005. Advantages of the mean absolute error (MAE) over the

root mean square error (RMSE) in assessing average model performance. Climate

Research, 30: 79-82. Willmott, C.J. y Matsuura, K. 2006. On the use of dimensioned measures of error to evaluate

the performance of spatial interpolators. Journal of Geographical Information

Science, 20(1): 89–102. Wilson, J.P. y Gallant, J.C. (eds). 2000. Terrain analysis: Principles and applications. John

Wiley and Sons, New York. Wood, J. 1996. The geomorphological characterisation of digital elevation models. PhD

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

http://www.soi.city.ac.uk/~jwo/landserf/. Wösten, J.H.M.; Lilly, A.; Nemes, A. y Bas, C. L. 1999. Development and use of a database

of hydraulic properties of European soils. Geoderma, 90:169-185. Wösten, J.H.M.; Pachepsky, Y.A. y Rawls, W.J. 2001. Pedotransfer functions: bridging the

gap between available basic soil data and missing soil hydraulic characteristics. Journal of Hydrology, 251: 123-150.

Documents

Sistema de Inferencia Espacial de Propiedades de los Suelos de Andalucia