La CartografÃa digital de suelos puede ser definida como la generación de información georeferenciada de diferentes propiedades de los suelos a partir de unas pocas observaciones puntuales de estas propiedades y de modelos geoestadÃsticos que infieren sus variaciones espaciales y temporales, a partir de otras variables fÃsicas, medioambientales y geotemáticas, más fáciles de adquirir, y que denominamos covariables.
La cartografÃa digital de suelos se basa en tres pilares principales:
- La información de suelos disponible, también llamada informació heredada en DSM.
- Las covariables utilizables.
- Los modelos numéricos o geoestadÃsticos de predicción.
Es ampliamente reconocido en el mundo del DSM que un buen conjunto de información de suelos es el factor clave para poder construir un modelo matemático preciso que pueda evaluar con garantÃas la calidad de sus resultados obtenidos. Desgraciadamente, la disponibilidad de datos y su calidad han sido, y siguen siendo, el factor limitante que puede frenar la evolución de la cartografÃa digital de suelos.
El uso de datos heredados puede representar un obstáculo para la cartografÃa digital de suelos debido a diferentes problemáticas que pueden presentar, como son: la existencia de información sin datos numéricos, la falta de armonización de los datos, la presencia de descripciones poco precisas, la no localización o la incorrecta georreferenciación de los datos ...; esto hace que  la comunidad cientÃfica relacionada con la cartografÃa digital haya de adaptar sus modelos de predicción a la necesaria integración de este tipo de información, de forma que pueda trabajar teniendo en cuenta la intrÃnseca imprecisión de estos tipos de datos.
Por su parte, la selección de covariables es una de las fases más crÃticas en los procesos de DSM. Una gran variedad de propiedades georreferenciados, teóricamente relacionadas con la formación de los suelos, se suelen utilizar habitualmente.
- Un primer grupo viene representado por los modelos de elevación del terreno y toda una serie de variables, más o menos complejas y sofisticadas, que pueden ser derivadas a partir de los mismos (Ãndice topográficos, Ãndice hidromorfológicos...).
- Un segundo grupo de variables, también muy prometedor, viene dado por el uso de mapas de alta resolución de la superficie terrestre, obtenidas a partir de los datos y las imágenes adquiridos por diferentes sensores hÃper-espectrales (Ãndice de vegetación, Ãndice de minerales...).
- Un último grupo de variables viene dado por diferentes conjuntos de información básica adicional que se encuentran digitalizados (factores climáticos, usos del suelo...).
Los modelos estadÃsticos utilizados en cartografÃa de suelos suelen ser funciones que predicen las propiedades del suelo a partir de otras propiedades covariables. Estos modelos deben calibrarse a partir de muestreos en puntos en los que los inputs y los outputs de la función sean conocidos.
El Mapa de reservorio de carbono orgánico en los suelos agrÃcolas de Cataluña, fruto de la colaboración entre diferentes organismos de Cataluña como Investigación y TecnologÃa Agroalimentaria (IRTA), el Centre de Recerca Ecològica i Aplicacions Forestals (CREAF), el Centre Tecnològic Forestal de Catalunya (CTFC), el Departament d'Agricultura, Ramaderia, Pesca i Alimentació (DARP) e ICGC, constituye un primer ejemplo de lo que puede suponer la cartografÃa digital de suelos en Cataluña (Figura 1).
Figura 1. Mapa de reservorio de carbono orgánico en los 30 cm superficiales de los suelos agrÃcolas de Cataluña (IRTA-CREAF-CTFC-DARP-ICGC, 2018)
Los suelos representan el tercer reservorio de carbono más importante después de los océanos y de los estratos geológicos; y mucho más grandes que la atmósfera y la biosfera. La capacidad que presentan los suelos para incrementar sus contenidos en carbono orgánico con la implantación de ciertas prácticas de gestión agrÃcola, puede resultar de gran interés como medida de mitigación del cambio climático. Este mapa pretende ser un punto de partida para evaluar los efectos de la aplicación de posibles estrategias, polÃticas y acciones de mitigación del cambio climático en la lÃnea sugerida por la Convención Marco de las Naciones Unidas sobre el Cambio Climático celebrada en ParÃs, en consonancia con las marcadas por la Oficina de Cambio Climático de Cataluña.
El mapa final se ha obtenido a partir de la información descriptiva y analÃtica de más de 7.000 perfiles recopilada desde 1983 por el Departamento de Agricultura de la Generalidad de Cataluña y por el Instituto Cartográfico y Geológico de Cataluña.
Como covariables, se han utilizado una serie de variables ambientales (precipitación media anual y temperatura media anual), topográficas (altitud), de manejo (uso del suelo y gestión del agua: secano / regadÃo) y edáficas (profundidad efectiva del suelo, clase de drenaje, clase textural y contenido de arcilla).
Como enfoque estadÃstico se utilizó el método de MÃnimos Cuadrados Generalizados (Generalized Least Squares, GLS), mediante la función "gls" del paquete "nlme" del programa informático R1. Para la selección del mejor modelo se aplicó un procedimiento de eliminación de variables a partir de un modelo completo (backwards spetwise). El criterio para la selección del mejor modelo fue el error cuadrado medio (MSE).
Para representar espacialmente las existencias de carbono orgánico se aplicó la ecuación de regresión obtenida en las capas de las variables independientes (en formato ráster), mediante álgebra de mapas de un software GIS. La predicción a nivel de pÃxel fue corregida añadiendo una interpolación espacial de los residuos del modelo para corregir su correlación espacial. El mapa resultante presenta una resolución espacial de 180 m por pixel.
______________________
1. R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.r-project.org/.