Printer Friendly

EVALUACION DE TEXTURA DEL SUELO CON ESPECTROSCOPIA DE INFRARROJO CERCANO EN UN OXISOL DE COLOMBIA.

Near-infrared spectroscopic assessment of soil texture in an oxisol of the eastern plains of Colombia

INTRODUCCION

La textura del suelo es una propiedad de gran interes que se relaciona directamente con los procesos de degradacion y potencial de produccion (White, 2005). La caracterizacion de un suelo es esencial para determinar su apropiado manejo y realizar planificacion agricola. La textura indica el contenido de particulas de arena, limo y arcilla en el suelo. Asi mismo, influye en otras propiedades como la densidad aparente, la porosidad y, por lo tanto, el movimiento y el almacenamiento de fluidos (agua y aire) en el suelo (Lacasta et al., 2005).

La region que comprende los Llanos Orientales de Colombia presenta un crecimiento cercano al 54 % del area sembrada durante el periodo 2004-2014 (MinAgricultura, 2016). El estudio de los suelos de la region es importante y asi mismo la implementacion de nuevas tecnicas de muestreo, laboratorio y analisis se hace necesaria. Los suelos de la zona de Carimagua estructuralmente van desde arcillosos hasta arenosos, pasando por los francos. Todos ellos se caracterizan por importantes contenidos de hierro, lo cual se advierte por el color rojo de su perfil, pues se trata de oxisoles. Otra caracteristica de estos suelos son los altos niveles de aluminio, elemento que en altos contenidos puede ser toxico para las plantas e inhibir el crecimiento de raices (Garcia, 2009).

Actualmente, la tecnica de espectroscopia de reflectancia se ha propuesto como una alternativa para reemplazar los metodos convencionales en la determinacion de las propiedades del suelo. Esta tecnica presenta un gran potencial por ser de menor costo y mucho mas rapida que las tecnicas convencionales. Los metodos analiticos utilizados demanda largas horas de recoleccion de datos para obtener los resultados y requiere insumos quimicos que pueden generar impactos ambientales (Nanni & Dematte, 2006; Sousa Junior et al., 2011) observaron que la determinacion de la distribucion del tamano de particula de una muestra de suelo seco y tamizado por el metodo de Bouyoucos puede demorar hasta 48 horas, mientras que la misma determinacion hecha con informacion espectral del suelo VIS-NIR-SWIR (visible e infrarrojo cercano de onda corta infrarroja, 400-2500 nm) toma algunos minutos.

La espectroscopia de reflectancia estudia la energia que refleja un material en funcion de la longitud de onda, como parte del fraccionamiento de la energia incidente debido a los procesos electronicos y vibratorios relacionados con minerales que contienen hierro (por ejemplo, hematita y goethita). Si bien las bandas fundamentales de vibracion se encuentran principalmente en regiones del infrarrojo medio y lejano, los procesos vibratorios producen caracteristicas en la region del infrarrojo cercano (NIR, intervalo entre 780 nm y 2500 nm) debido a la excitacion de armonicos y la combinacion de los tonos de los periodos fundamentales de grupos anionicos (Ramirez et al., 2005). En resumen, la energia reflejada por un cuerpo solido es una combinacion de dos clases de reflexion (especular o difusa) y su magnitud depende tanto del tamano de particulas, estructura, mineralogia, contenido de agua del suelo, micro relieve, como otras caracteristicas (Camacho-Tamayo et al., 2014).

Para el caso especifico de la determinacion de textura del suelo, la influencia en el VIS-NIR se produce como la intensidad de la reflectancia sobre la firma espectral (albedo), pues la mayoria de los suelos con contenido de arcilla presentan una menor reflexion de la energia electromagnetica incidente (Bellinaso et al., 2010). Ademas, los minerales de arcilla tales como filosilicatos y oxidos, hidroxidos y oxi-hidroxidos de hierro y aluminio presentes en el suelo son los responsables de las caracteristicas de absorcion del espectro de reflectancia por VIS-NIR (Stenberg et al., 2010). La respuesta espectral de cuarzo, mineral abundante en la fraccion arena en el VIS-NIR, se caracteriza por un albedo mayor y ausencia de caracteristicas de absorcion, que se observa por lo general en el espectro de los suelos arenosos (Bellinaso et al., 2010). Con base en lo expuesto, el objetivo del presente estudio fue calibrar y validar modelos para predecir el contenido de arcilla, limo y arena de un Typic Hapludox por medio de espectroscopia NIR, como una alternativa a los estudios de textura tradicionales.

MATERIALES Y METODOS

Area de estudio

El estudio se realizo en la Estacion Experimental de Carimagua, situada en el municipio de Puerto Gaitan, Meta, Colombia, con coordenadas geograficas de 4[grados]37'N y 71[grados]19' W (figura 1) y una altitud media de 175 m. El uso dominante del lugar es ganaderia extensiva con sabana nativa. La zona presenta un relieve ligeramente ondulado con pendientes entre 2 % y 5 %, con clima tropical subhumedo Awf (clasificacion Koppen). La temperatura media es de 27.8[grados]C y la precipitacion media anual de 2240 mm, concentrada entre los meses de abril y diciembre. Predominan los suelos oxisoles altamente agregados, caracterizados por ser fuertemente acidos (pH < 5).

Muestreo y analisis de laboratorio

Se establecio un sistema de malla rigida con puntos ubicados perpendicularmente cada 320 m, donde se elaboraron 470 cajuelas para la toma de muestras en un area de 5100 ha aproximadamente. Con el fin de garantizar observaciones cada 2.5 ha se tomaron adicionalmente 150 muestras con barrenos en un area piloto (correspondiente al 10 % del area de estudio). En cada punto se realizo el muestreo para los horizontes superficial (A) y subsuperficial (B), para un total de 1240 muestras. Todos los puntos fueron georreferenciados con GPS (exactitud de [+ o -] 1 m).

Posteriormente, las muestras fueron secadas a 35[grados]C y tamizadas en malla de 2mm. A partir de esta condicion se realizo la adquisicion de las curvas espectrales NIR y la determinacion de los contenidos de arena, limo y arcilla por el metodo de Bouyoucos. Las respuestas espectrales se obtuvieron a partir del sensor NIRS 6500 (FOSS NIR Systems, Inc.), que arroja lecturas de la respuesta espectral cada 2 nm, a partir de una media de 64 lecturas (scans) por longitud de onda.

Analisis de datos

Para la calibracion de los modelos se formaron 20 grupos de 50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650, 700, 750, 800, 850, 900, 950 y 1000 muestras para el grupo numero 20, dejando 200 muestras para validar el modelo. La formacion de cada grupo se realizo mediante el uso del metodo de seleccion de muestras del Hipercubo Latino (cLHS). Este es un procedimiento de muestreo aleatorio estratificado que consiste en seleccionar valores iniciales para la construccion del modelo y estratificar el rango de cada uno de los datos de entrada de este, con el fin de garantizar de esta manera que se seleccionan los valores iniciales de cada rango de los datos de entrada. En esta tecnica se necesitan menos muestras para obtener una distribucion mas representativa de las caracteristicas de la zona estudiada (Carvalho Junior et al., 2014).

Las respuestas espectrales fueron previamente procesadas, con el objetivo de corregir posibles ruidos o interferencias. Esto se logro a traves de tecnicas como Detrend, para corregir la tendencia de los datos, SNV (Standard Normal Variation), tratamiento que corrige alteraciones opticas, y MSC (Multiplicative Signal Correction), para corregir la dispersion multiple principalmente cuando se definen diversos grupos de muestras. Tambien se utilizaron filtros como Median Filter, Wavelet y Savitzky-Golay, los cuales buscan eliminar parte del ruido a traves del suavizado de los puntos

En la calibracion de los modelos se utilizo el metodo "leave one out", que provee informacion sobre la incertidumbre generada con diferentes factores PLS (minimos cuadrados parciales), basado en el remuestreo, realizado en la validacion cruzada. Se definio el numero de factores PLS con base en los resultados de la validacion de los modelos, considerando parametros como el coeficiente de determinacion ([R.sup.2]), la desviacion residual de la prediccion (RPD), la raiz del error cuadratico medio(RMSE), el error medio (ME) y la desviacion estandar del error (SDE). Este analisis se realizo con el programa de uso libre ParLeS v. 1.0, desarrollado por Viscarra Rossel (2008).

Las correlaciones entre las propiedades del suelo y las longitudes de onda se determinaron empleando la prueba de correlacion de Pearson (r) y se clasificaron de acuerdo a la propuesta realizada por Bisquerra (2004). Este autor indica que una correlacion cercana a uno (1.0) es una correlacion perfecta; un valor entre 0.8 y 1.0 corresponde a correlacion muy alta; entre 0.6 y 0.8 corresponde a una correlacion alta; entre 0.4 y 0.6 seria una correlacion moderada; entre 0.2 y 0.4 representa una correlacion baja; entre 0 y 0.2 se trata de una correlacion muy baja y un valor de cero (0.0) se define como una correlacion nula.

Se considero que el [R.sup.2] y RMSE deben presentar por lo menos un valor del 95 % de la meseta y el RPD debe estar alrededor de 1.5 o 2.0, con el fin de determinar el numero minimo de muestras necesario para la calibracion de los modelos. Los parametros de la calibracion de los modelos ([R.sup.2], RMSE y RPD) obtenidos por cada grupo de muestras se ajustaron a funciones de tipo exponencial, sigmoide y sigmoidal Chapman.

Analisis geoestadistico

Para el caso especifico del contenido de arcilla, se calcularon los semivariogramas experimentales, tanto para los datos medidos como para los estimados a partir de los modelos NIR, con los grupos de muestras establecidos. Webster & Oliver (2007) presentan las caracteristicas y condiciones que deben cumplir varios modelos teoricos de semivarianza que pueden ajustarse al semivariograma experimental. Estos modelos se pueden dividir en no acotados (lineal, logaritmico y potencial) y acotados (esferico, exponencial y gaussiano), con tres parametros comunes, el efecto pepita ([C.sub.0]), la meseta ([C.sub.0]+[C.sub.1]) y el rango o alcance (a).

El grado de dependencia espacial (GDE) se verifico con la relacion entre el efecto pepita y la meseta. Segun Cambardella et al. (1994), el GDE se clasifica como fuerte si es mayor que 75 %, moderado si esta entre 25 % y 75 % y debil por debajo de 25 %. Para que el modelo de correlacion espacial describa de manera adecuada la realidad es importante que el efecto pepita no supere el 50 % del valor de la meseta. En casos diferentes, el ruido en las mediciones se explicaria en mayor proporcion debido a la variabilidad espacial que a la correlacion del fenomeno. Para estos casos el modelo ajustado al semivariograma experimental se denomina como efecto pepita puro (Goovaerts, 1998).

Se seleccionaron modelos teoricos de semivariogramas con base en los indicadores mas apropiados segun Johann et al. (2010), que son el coeficiente de determinacion ([R.sup.2]) de la ecuacion de ajuste, el menor valor de la suma de los cuadrados residuales y en las semejanzas observadas en la validacion cruzada entre el valor real y el valor estimado. Para el analisis geoestadistico se empleo el software GS+ v.9 (Gamma Design Software, LLC, Plainwell, MI).

Se realizo la prediccion con el metodo de kriging ordinario a partir de los modelos de los semivariogramas de las propiedades que expresaron dependencia espacial: De acuerdo con Diggle et al. (2000), este metodo se considera como el mejor estimador lineal insesgado de minima varianza, util en la prediccion de sitios no muestreados. Los resultados se presentan en mapas digitales, a partir de los datos medidos y mapas espectro-digitales, con base en los datos obtenidos de los modelos calibrados y validados. Teniendo en cuenta que algunas propiedades no mostraban estacionariedad, pues no habian cambios respecto a la media dentro de la zona de estudio, para kriging ordinario se especifico un vecindario de busqueda local, esto con ayuda del programa Surfer v.9 (Golden Software Inc., Golden, CO).

RESULTADOS

En la zona de estudio se verifica una textura mas fina para el segundo horizonte, el horizonte A presento una textura franco arcillosa y el horizonte B una textura franco arcillo limosa (Tabla 1).

Para los parametros de calibracion de los modelos de los contenidos de arena, limo y arcilla se obtuvo los siguientes resultados.

A continuacion, se presentan los resultados de las validaciones cruzadas para los grupos de calibracion y validacion de los contenidos de limo, arena y arcilla.

Para el contenido de arcilla la ecuacion de tipo sigmoide fue la que represento mejor el comportamiento de los parametros [R.sup.2] y RPD, en el caso del RMSE la ecuacion de mejor ajuste fue de tipo sigmoidal de Chapman, dicho esto, se presentan las graficas para cada uno de los parametros en funcion del numero de muestras.

La importancia de la variable para la proyeccion (VIP) se considero para identificar las regiones de la curva espectral o las longitudes de onda de mayor representatividad en el modelo de contenido de arcilla Wold et al. (2001). La siguiente grafica corresponde al VIP para el contenido de arcilla.

Para el analisis espacial, los resultados obtenidos por metodo convencional y los estimados a partir del modelo NIR (para 200, 500 y 1000 muestras) se consideraron para la elaboracion de mapas digitales. Para los dos horizontes se obtuvo que el modelo esferico fue el predominante.

A continuacion, se presentan los mapas digitales, mapas espectro digitales y semivariogramas obtenidos para el contenido de arcilla en los dos horizontes de la zona de estudio.

Para los mapas digitales, se considero la variacion del [RMSE.sub.NIR], [RMSE.sub.ES_NIR], [RMSE.sub.ME] y RMSD en funcion del numero de muestras para determinar la propagacion del error.

DISCUSION

El limo, fraccion que prevalece en el suelo, presento baja variabilidad para los dos horizontes. En general, las fracciones del suelo presentan baja o media variabilidad, donde la menor variabilidad se manifiesta en la particula que predomina (Rodriguez-Vasquez et al., 2008; Pena et al., 2009) (tabla 1). Resultados similares de textura fueron reportados para oxisoles por Orjuela-Matta et al., (2010), donde la textura varia de franca a arcillosa, debido a la intensa meteorizacion fisica (tabla 1), donde el arrastre superficial de las particulas finas del suelo favorece la prevalencia del limo.

Para los contenidos de arena y limo se obtuvieron modelos con baja representatividad ([R.sup.2] de 0.41 y 0.34, respectivamente, tabla 2). Curcio et al., (2013) reportan valores mayores, para arena [R.sup.2] de 0.80 y para limo [R.sup.2] de 0.60. Igualmente Casa et al., (2013) reportan valores [R.sup.2] para limo y arcilla de 0.63 y 0.79 respectivamente. En cuanto al RMSE se registraron valores para arena de 4.75 % y limo de 4.04 %, menores a los reportados por Curcio et al., (2013) de 7.7 % para arena y 7.2 % para limo.

Los valores de RPD fueron inferiores a 1.5 tanto para la calibracion y validacion del modelo (tabla 2), por lo que el uso de estos modelos no es apropiado. Sin embargo, Casa et al., (2013) obtiene modelos con buena capacidad de prediccion con valores de RPD de 1.6 para limo y 2.1 para arena. Para estos dos contenidos se observo que las validaciones cruzadas son dispersas, con presencia de valores atipicos y baja correlacion entre los datos observados y los valores predichos por el modelo (figura 2 a y b), lo que corrobora el bajo poder de prediccion de los modelos obtenidos para estos dos contenidos de particulas. En los grupos de validacion se obtienen valores menores de [R.sup.2] en comparacion con los grupos de calibracion, en los ajustes para la validacion cruzada.

Es posible que algunas de las diferencias mencionadas anteriormente entre los modelos obtenidos y los reportados por otros autores, asi como los comportamientos observados en las validaciones cruzadas para los contenidos de arena y limo, sean consecuencia de una superposicion de algun efecto diferente que perturba las caracteristicas de absorcion en algunas regiones del espectro. Ademas, la presencia de minerales como el cuarzo resultan insensibles a la espectroscopia VIS-NIR, pues sus caracteristicas de absorcion pueden ser observadas como vibraciones intensas, fundamentales en la gama del infrarrojo medio (Viscarra-Rossel et al, 2009). Para los suelos de Carimagua la fraccion arena tiene un dominio de cuarzo en todos los horizontes.

Cabe mencionar que algunos de los estudios senalados utilizaron diferentes tipos de suelo, algoritmos de muestreo y diferentes tratamientos de las respuestas espectrales (Camargo et al, 2015). De igual modo, los bajos contenidos de los atributos analizados inciden tambien en un mayor error analitico a nivel de laboratorio. Segun Mouazen et al., (2010) factores ambientales, como la luz, la humedad relativa y la temperatura tambien inciden en la obtencion de las respuestas espectrales, afectando regiones del espectro que estan estrechamente relacionadas con algunas propiedades en particular. Es importante considerar que el uso de diferentes tecnicas estadisticas (empleadas de manera individual o grupal) pueden mejorar el desempeno predictivo de los modelos propuestos. Asi mismo, explorar otras regiones espectrales, como el visible o la region del infrarrojo medio-MIR puede permitir la elaboracion de mejores modelos para varias propiedades del suelo (Viscarra Rossel et al., 2006).

El modelo para el contenido de arcilla mostro un [R.sup.2] alto (0.76), indicando un buen desempeno predictivo cuando se utilizan 1000 muestras para la calibracion del modelo. El coeficiente de determinacion resulta aceptable y concuerda con los valores encontrados por Curcio et al. (2013), Casa et al. (2013), Terra et al. (2015) y Camargo et al. (2015) que oscila entre 0.58 y 0.87 para el contenido de arcilla. Es importante resaltar que en algunos de los estudios mencionados se trabajo con la region VIS-NIR del espectro y tipos de suelo distintos. Tambien se trato con muestras de suelo que presentan contenidos de humedad diferentes, por lo tanto la presencia de agua en el suelo puede ayudar a las predicciones de contenido de arcilla, ya que son propiedades que estan relacionadas (por ejemplo, hay presencia de agua y minerales propios de la arcilla entre los 1800 y 2000 nm), asi como algunas de las caracteristicas de absorcion (por ejemplo, los relacionados con oxidos de hierro) en el rango del infrarrojo visible (Viscarra-Rossel et al., 2009).

Al aumentar el numero de muestras usadas para calibrar los modelos se evidencia que los valores de [R.sup.2] y RPD aumentan mientras que el valor de RMSE disminuye. Es decir, a mayor numero de muestras se obtienen modelos mas robustos (figura 3).

Buscando el menor numero de muestras que represente el 95 % de la meseta, para [R.sup.2] se obtuvo que el numero de muestras para calibrar el modelo fue de 455 y para RMSE fue de 517. En el caso del RPD se buscaron dos criterios en los cuales se presentan valores aceptables de prediccion, dando como resultado que para obtener un RPD > 1.5 se requiere de 50 muestras y para un RPD > 2.0 se requiere de 588 muestras para la calibracion de los modelos. Por lo tanto, se obtuvo que para el contenido de arcilla el numero de muestras con el que es posible obtener un modelo optimo con una capacidad de prediccion aceptable es de 517 muestras para calibracion. Sin embargo, para esta propiedad Ramirez-Lopez et al. (2014) reportan que al menos con 100 muestras es posible la calibracion optima de modelos, utilizando metodos diferentes para la determinacion de este atributo.

La validacion cruzada entre los datos medidos y los estimados para el contenido de arcilla evidencia el buen ajuste que presenta esta variable (figura 2c), se muestra una menor dispersion con valores altos de [R.sup.2], tanto para la calibracion como para la validacion de los modelos, donde se verifica que los grupos de calibracion y validacion presentan comportamientos similares.

El mayor pico presente en la arcilla se observa a 1900 nm, seguido de picos presentes de los 2200 nm a los 2400 nm (figura 4). Franceschini et al. (2013) senalan que para arcilla y arena se presentan picos en la region de 1200 nm, 1900 nm y 2200 nm debido a la presencia de filosilicatos (como caolinita) y gibsita para oxisoles y ultisoles en la region de Mato Grosso, Brasil. Para esta investigacion, en esta region del espectro se manifiesta la caolinita. Segun Genu & Dematte (2012), la caolinita se manifiesta en los picos ubicados a 1900 y 2200 nm para diferentes clases de suelo. Para los suelos de Carimagua, este es el mineral predominante en la fraccion arcilla.

Como se encontro que el modelo de arcilla obtuvo buen comportamiento predictivo, se realizo el analisis geoestadistico para este tipo de particula. Para los semivariogramas del contenido de arcilla se obtuvieron modelos teoricos apropiados con [R.sup.2] mayores de 0.85 y CVC proximos a 1(tabla 3). Para los datos estimados de los modelos NIR a partir de diferente numero de muestras, la estructura espacial de los datos se mantiene. Se evidencia que con un bajo numero de muestras en los modelos de calibracion el alcance varia significativamente del resto. En general, este comportamiento es reportado por Cobo et al. (2010) y Ramirez-Lopez et al. (2014), donde se exponen las ventajas del uso de los modelos espectrales en la elaboracion de mapas digitales.

Para los horizontes A y B se observaron menores valores de pepita ([C.sub.0]) y meseta ([C.sub.0]+[C.sub.1]) para los semivariogramas obtenidos con los modelos NIR (tabla 3). Por lo tanto, se pueda afirmar que en los datos estimados la varianza es menor. Los resultados para el contenido de arcilla indican que a partir de los datos estimados de los modelos NIR el error de medicion puede ser menor, dado que el valor de C0 se relaciona directamente con el error propio del proceso de muestreo, asi como con la medicion de la propiedad de interes.

Para el contenido de arcilla se obtuvieron alcances de 1600 m a 8600 m, estos resultados indican que no es posible disminuir la densidad de muestreo al menos para el horizonte B que presenta los alcances mayores (tabla 3). Sin embargo, para el horizonte A si es posible y las distancias entre puntos pueden variar de 1000 m a 5000 m para identificar los patrones de variabilidad. Los datos estimados a partir del modelo con 500 muestras presentan valores similares de alcance al obtenido con los datos medidos para ambos horizontes. Por lo tanto, se verifica la relacion entre el numero de muestras usadas para calibrar el modelo y la distancia en la que es posible que una propiedad tenga relacion espacial.

De acuerdo al grado de dependencia espacial (GDE), definido por la relacion [C.sub.1]/([C.sub.0]+[C.sub.1]), el contenido de arcilla presento un grado de dependencia espacial moderado tanto para los semivariogramas obtenidos a partir de los datos medidos como de los estimados a partir de los modelos. Cabe resaltar que para el horizonte B, el GDE para datos estimados es mayor que para los datos medidos. Se verifica que el GDE resultante de los semivariogramas obtenidos a partir de los modelos, es consistente con el obtenido a partir de los datos medidos (tabla 3).

Al comparar los mapas digitales (elaborados a partir de datos medidos) y los mapas espectro digitales, se observo un comportamiento similar al de los semivariogramas, pues hay influencia del numero de muestras de calibracion. Cobo et al. (2010) y Ramirez-Lopez et al. (2014) reportan comportamientos similares, donde un bajo numero afecta el analisis espacial, ya que la densidad de muestreo cambia y la correspondencia entre mapas tambien. En la figura 5 se evidencia que los mapas elaborados con los grupos de 200 y 500 muestras presentan mayor semejanza al mapa de datos medidos para el contenido de arcilla en ambos horizontes. Cantarella et al. (2006) afirman que la diferencia entre mapas para la determinacion de una misma propiedad puede estar asociada a errores de muestreo, que son generalmente mayores que los errores derivados del analisis de suelos.

Es claro que la distancia de muestreo depende de la propiedad que se analice. Sin embargo, Dematte et al. (2006) exponen mas criterios a considerar. Estos autores verificaron para un oxisol de Sao Paulo (Brasil), que la densidad de muestreo minima requerida en la practica es de una muestra por hectarea, lo cual inviabiliza la elaboracion del mapa debido al alto costo de los analisis de suelos. Para que sea economicamente viable la densidad de muestreo debe ser de una muestra por cada 4 ha. Debido a la alta correspondencia entre mapas digitales y mapas espectro digitales, es posible decir que tecnicas como la espectroscopia de reflectancia difusa pueden minimizar limitantes de este tipo y ser de gran utilidad en campos como la agricultura de precision, planes de ordenamiento territorial, levantamiento de suelos, unidades geomorfologicas e identificacion de unidades de manejo agronomico.

Es evidente que los parametros considerados para precisar la propagacion del error resultan ser mayores cuando se emplea un bajo numero de muestras para la calibracion del modelo de contenido de arcilla y que decrecen a medida que el numero de muestras aumenta, afectando de manera directa la correspondencia entre mapas interpolados a partir de kriging ordinario (figura 6).

Se observo que el [RMSE.sub.ES_NIR] presenta un comportamiento similar al [RMSE.sub.ME]. Ademas, los errores entre los valores medidos comparados con los valores obtenidos por kriging a partir de los resultados de los modelos espectrales son bajos (RMSD < RMSE). Por esto, es posible afirmar que a partir de un numero de muestras especifico se pueden obtener mapas digitales y espectro digitales altamente correlacionados con bajos errores (figura 6). Segun Kuang & Mouazen (2013), es recomendable verificar este comportamiento para definir la calidad de los mapas espectro-digitales.

Sin embargo, es necesario tener en cuenta otros aspectos, como la finalidad del estudio de suelos para definir el numero minimo de muestras en la calibracion de modelos del contenido de arcilla y en general de la propiedad de interes, pues es posible determinar este numero minimo en base a los parametros de los modelos de calibracion. Aunque, si tambien se busca la elaboracion de mapas espectro digitales mediante kriging, se hace necesario considerar las distancias de muestreo adecuadas obtenidas a partir de los semivariogramas y analizar los resultados de los errores y la propagacion de estos (Cobo et al., 2010).

CONCLUSIONES

La tecnica de espectroscopia NIR resulta util para determinar el contenido de arcilla de un oxisol, los resultados encontrados indican que los analisis de laboratorio se pueden sustituir en gran parte por los modelos espectrales. Los resultados mostraron que los datos obtenidos a partir de los modelos NIR pueden integrarse directamente en evaluaciones geoestadisticas para el contenido de arcilla en un oxisol.

En el caso de los contenidos de arena y limo no se obtuvieron modelos aceptables. Por lo tanto, seria conveniente mejorar el modelo para que en el futuro los analisis de laboratorio puedan ser remplazados para esta clase de suelo. Se recomienda el estudio de textura para un oxisol en otras regiones del espectro como VIS y MIR, elaboracion de modelos a diferentes contenidos de humedad del suelo, asi como el uso de diferentes tecnicas estadisticas para el tratamiento de las curvas espectrales.

http://dx.doi.org/10.14483/udistrital.jour.colomb.for.2017.1.a01

Recepcion: 17 de noviembre de 2015

Aceptacion: 24 de octubre de 2016

REFERENCIAS BIBLIOGRAFICAS

Bellinaso, H., Dematte, J.A.M. & Romeiro, S.A. (2010). Soil spectral library and its use in soil. Revista Brasileira de Ciencia do Solo, 34, 861-870.

Bisquerra, R. (2004). Metodologia de la investigacion educativa. Madrid: La Muralla.

Camacho-Tamayo, J. H., Rubiano S., Y., & Hurtado S., M. (2014). Near-infrared (NIR) diffuse reflectance spectroscopy for the prediction of carbon and nitrogen in an Oxisol. Agronomia Colombiana, 32(1), 86-94.

Camargo, L. A., Marques Junior, J., Barron, Vidal, Ferracciu, L. R., Barbosa, R. S., & Pereira, G. T. (2015). Mapping of clay, iron oxide and absorbed phosphate in Oxisols using diffuse reflectance spectroscopy. Geoderma, 251-252, 124-132.

Cambardella, C.A., Moorman, T.B., Novak, J.M., Parkin, T.B., Karlen, D.L., Turco, R.F., & Konopka, A.E. (1994). Field-scale variability of soil properties in Central Iowa Soils. Soil Science Society of American Journal, 5, 1501-1511.

Cantarella, H., Quaggio, J. A., Raij, B. Van., & Abreu, M.F. (2006). Variability of soil analysis in commercial laboratories: implications for lime and fertilizer recommendations. Communications in Soil Science and Plant Analysis, 37, 2213-2225.

Carvalho Junior, W. de, Chagas, C. Da S., Muselli, A., Pinheiro, H. S. K., Pereira, N. R., & Bhering, S. B. (2014). Metodo do hipercubo latino condicionado para a amostragem de solos na presenta de

covariaveis ambientais visando o mapeamento digital de solos. Revista Brasileira de Ciencia do Solo, 38(2), 386-396.

Casa, R., Castaldi, F., Pascucci, S., Palombo, A., & Pignatti, S. (2013). A comparison of sensor resolution a calibration strategy for soil texture estimation from hyperespectral remote sensing. Geoderma, 197-198, 17-26.

Cobo, J.G., Dercon, G., Yekeye, T., Chapungu, L., Kadzere, C., Murwira, A., Delve, R., & Cadisch, G. (2010). Integration of mid-infrared spectroscopy and geostatistics in the assessment of soil spatial variability at landscape level. Geoderma, 158, 398-411.

Curcio, D., Ciraolo, G., D' Asaro, F., & Minacapilli, M. (2013). Prediction of soil texture distributions using VNIR-SWIR reflectance spectroscopy. Procedia Environmental Sciences, 19, 494-503.

Dematte, J.A.M., Morelli, J., & Dematte, J.L.I. (2006). Nem tanta precisao. Idea News, 70, 52-60.

Diggle, P., & Ribeiro, J. (2000). Model Based Geostatistics. 1ed. Sao Paulo: Associagao Brasileira de Estatistica. 129 p.

Franceschini, M. H. D., Dematte, J. A. M., Sato, M. V., Vicente, L. E., & Grego, C. R. (2013). Abordagens semiquantitativa e quantitativa na avaliagao da textura do solo por espectroscopia de reflectancia bidirecional no VIS-NIR-SWIR. Pesquisa Agropecuaria Brasileira, 48(12), 1569-1582.

Garcia Duran, Obed. (2009). Carimagua: La investigacion y el desarrollo en ecosistemas de baja fertilidad. Revista Colombiana de Ciencias Pecuarias, 22(1), 74-78.

Genu, A.M., & Dematte, J.A.M. (2012). Espectror-radiometria de solos e comparagao com sensores orbitais. Bragantia, 71, 82-89.

Goovaerts, P. (1998). Geostatistical tools for characterizing the spatial variability of microbiological and physico-chemical soil properties. Biology and Fertility of Soils, 27(4), 315-334.

Johann, J.A., Silva, M.C.A., Uribe-Opazo, M.A., & Dal posso, G.H. (2010). Variabilidade Espacial da rentabilidade, perdas na colheita e produtividade do Feijoeiro. Engenharia Agricola, 30, 700-714.

Kuang, B., & Mouazen, A.M. (2013). Effect of spiking strategy and ratio on calibration of on-line visible near infrared soil sensor for measurement in European farms. Soil and Tillage Research, 128,125-136.

Lacasta, C., Meco, R., & Maire, N. (2005). Evolucion de las producciones y de los parametros quimicos y bioquimicos del suelo, en un agrosistema de cereales sometido a diferentes manejos de suelo durante 21 anos. El reto de la Agricultura y Medio Ambiente, la Energia y la Nueva Politica Agraria Comun. Congreso Internacional sobre Agricultura de Conservacion, 429-436.

Ministerio de Agricultura. (2016). Evaluaciones Agropecuarias del Ministerio de Agricultura y Desarrollo Rural. Recuperado de: http://www.agronet.gov. co/estadistica/Paginas/default.aspx

Mouazen, A.M., Kuang, B., De Baerdemaeker, J., & Ramon, H. (2010). Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy. Geoderma, 158, 23-31.

Nanni, M.R., & Dematte, J.A.M. (2006). Spectral reflectance methodology in comparison to tradicional soil analysis. Soil Science Society of America Journal, 70, 393-407.

Orjuela-Matta, H. M., Rubiano Sanabria, Y., & Camacho-Tamayo, J. H. (2010). Comportamiento de la Infiltracion en un Oxisol. Revista U.D.C.A Actualidad & Divulgacion Cientifica, 13(2), 31-39.

Pena, R., Rubiano, Y., Pena, A., & Chaves, B. (2009). Variabilidad especial de los atributos de la capa arable de un Inceptisol del piedemonte de la Cordillera Oriental (Casanare, Colombia). Agronomia Colombiana, 27, 1 11-120.

Ramirez, E., Anaya, A. M., & Mariscal, G. (2005). Prediccion de la composicion quimica del grano de sorgo mediante espectroscopia de reflectancia en el infrarrojo cercano (NIRS). Revista Mexicana de Ciencias Pecuarias, 43, 1-11.

Ramirez-Lopez, L., Schmidt, K., Behrens, T., Wesemael, B., Dematte, J.A.M., & Scholten T. (2014).

Sampling optimal calibration sets in soil infrared. Geoderma, 226-227, 140-150.

Rodriguez-Vasquez, A.F., Aristizabal-Castillo, A.M., & Camacho-Tamayo, J.H. (2008). Variabilidad espacial de los modelos de infiltracion de Philip y Kostiakov en un suelo andico. Engenharia. Agricola, 28, 64-75.

Sousa Junior, J.G., Dematte, J.A.M., & Araujo, S.R. (2011). Modelos espectrais terrestres e orbitais na determinado de teores de atributos dos solos: potencial e custos. Bragantia, 70, 610-621.

Stenberg, B., Viscarra Rossel, R.A., Mouazen, A.M., & Wetterlindd, J. (2010). Visible and near infrared spectroscopy in soil science. Advances in Agronomy, 107, 163-215.

Terra, F. S., Dematte, J. A., & Viscarra Rossel, R. A. (2015). Spectral libraries for quantitative analyses of tropical Brazilian soils: Comparing VIS -NIR and mid- IR reflectance data. Geoderma, 255-256, 81-93.

Viscarra Rossel, R., Walvoort, D., McBratney, A., Janik, L., & Skjemstad, J. (2006). Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131,59-75.

Viscarra Rossel, R.A. (2008). ParLeS: Software for chemometric analysis of spectroscopic data. Chemometrics and Intelligent Laboratory Systems, 90, 72-83.

Viscarra Rossel, R.A., Catttle, S.R., Orteaga, A., & Fouad, Y. (2009). In situ measurements of soil solour, mineral composition and clay content by VIS --NIR spectroscopy. Geoderma, 150, 253-266.

Webster, R., & Oliver, M.A. (2007). Geostatistics for environmental scientists. Hoboken, NJ: Editorial John Wiley & Sons Inc. 109p.

White, R.E. (2005). Principles and practice of soil science: the soil as a natural resource. Cuarta edicion. Oxford: Blackwell. 384 p.

Wold, S., Sjostrom, M., & Eriksson, L. (2001). PLS-regression: la basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58,109-130.

Jesus H. Camacho-Tamayo (1), Nathalia M. Forero-Cabrera (2), Leonardo Ramirez-Lopez (3) & Yolanda Rubiano (4)

(1) Universidad Nacional de Colombia. Bogota, Colombia. jhcamachot@unal.edu.co.

(2) Universidad Nacional de Colombia. Bogota, Colombia. nmforeroc@unal.edu.co. Autor para correspondencia.

(3) Institute of Terrestrial Ecosystems, Swiss Federal Institute of Technology (ETH); Swiss Federal Institute for Forest, Snow and Landscape Research. Zurich and Birmensdorf, Switzerland. leonardo.ramirez@usys.ethz.ch

(4) Universidad Nacional de Colombia. Bogota, Colombia. yrubianos@unal.edu.co

Leyenda: Figura 1. Localizacion del area de estudio (Coordenadas planas, Sistema de referencia: MAGNA_Colombia_Este).

Leyenda: Figura 2. Validacion cruzada. a) Resultados para arena, b) Resultados para limo y c) Resultados para arcilla. ** Datos de validacion; * Datos de calibracion.

Leyenda: Figura 3. Variacion de los parametros estadisticos en funcion del numero de muestras de calibracion para el contenido de arcilla. A variacion [R.sup.2], B variacion RMSE y C variacion RPD.

Leyenda: Figura 4. Importancia de la variable para la proyeccion (VIP) en la respuesta espectral del contenido de arcilla.

Leyenda: Figura 5. Mapas digitales obtenidos para el contenido de arcilla en los horizontes A (superior) y B (inferior), a y g a partir de los datos de laboratorio y b, c, d, h, i, j a partir de los modelos espectrales obtenidos con diferentes numeros de muestras de calibracion; e y f corresponden a los semivariogramas para la obtencion de cada mapa digital para los dos horizontes.

Leyenda: Figura 6. Variacion de los parametros [RMSE.sub.NIR], [RMSE.sub.ES_NIR], [RMSE.sub.ME] y RMSD segun el numero de muestras usado en la calibracion de los modelos.
Tabla 1. Estadistica descriptiva para textura en el horizonte
A y en el horizonte B de los contenidos de arena, limo y
arcilla.

Propiedad             Horizonte A                Horizonte B

              Media   Mediana   CV (%)   Media   Mediana   CV (%)

Arena (%)     25.86    24.96    19.93    22.46    22.48    17.97
Limo (%)      45.68    46.00    10.71    42.00    42.00    12.07
Arcilla (%)   28.38    28.50    16.88    35.25    35.04    13.17

CV: Coeficiente de variacion.

Tabla 2. Resultados de parametros obtenidos para los
modelos de arena, limo y arcilla.

Propiedad   [R.sup.2]   RMSE   RPD

Arena         0.34      4.75   1.22
Limo          0.41      4.04   1.30
Arcilla       0.76      2.86   2.05

[R.sup.2]: coeficiente de determinacion, RMSE: raiz del error
cuadratico medio, RPD: desviacion residual de la prediccion.

Tabla 3. Parametros de los semivariogramas teoricos obtenidos para
Arcilla a partir de los datos de laboratorio (medidos) y estimados
a partir del modelo (NIR).

Datos             Modelo    [C.sub.0]   [C.sub.0] + [C.sub.1]   a (m)

Horizonte A

Medidos          Esferico     14.32             28.68           5000
[NIR.sub.200]    Esferico     5.79              11.59           1660
[NIR.sub.500]    Esferico     6.97              16.27           4700
[NIR.sub.1000]   Esferico     8.22              17.01           5060

Horizonte B

Medidos          Esferico     13.5              27.01           5520
[NIR.sub.200]    Esferico     5.68              16.76           8350
[NIR.sub.500]    Esferico     8.25              20.65           7410
[NIR.sub.1000]   Esferico     7.64              20.54           6100

Datos            [R.sup.2]   CVC    C/([C.sub.0] + [C.sub.1])

Horizonte A

Medidos            0.85      0.98             0.50
[NIR.sub.200]      0.85      0.94             0.50
[NIR.sub.500]      0.96      0.99             0.57
[NIR.sub.1000]     0.90      1.03             0.52

Horizonte B

Medidos            0.94      1.01             0.50
[NIR.sub.200]      0.97      1.05             0.66
[NIR.sub.500]      0.94      1.05             0.60
[NIR.sub.1000]     0.97      1.05             0.63

[C.sub.0]: efecto pepita, [C.sub.0]+[C.sub.1]: meseta, a: rango
o alcance, [R.sup.2]: coeficiente de determinacion.
COPYRIGHT 2017 Universidad Distrital Francisco Jose de Caldas
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2017 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Title Annotation:Articulo de investigacion
Author:Camacho-Tamayo, Jesus H.; Forero-Cabrera, Nathalia M.; Ramirez-Lopez, Leonardo; Rubiano, Yolanda
Publication:Colombia Forestal
Article Type:Ensayo
Date:Jan 1, 2017
Words:6600
Previous Article:HABITAT LUMINICO, ESTRUCTURA, DIVERSIDAD Y DINAMICA DE LOS BOSQUES SECOS TROPICALES DEL ALTO MAGDALENA.
Next Article:FRUTOS, SEMILLAS, GERMINACION Y DESARROLLO DE PLANTULAS DE Amphilophium paniculatum (L) Kunth. (BIGNONIACEAE).

Terms of use | Privacy policy | Copyright © 2020 Farlex, Inc. | Feedback | For webmasters