Desarrollo de funciones de edafotransferencia para suelos andinos neotropicales

• Autores: Jaime Izquierdo Bautista
• Directores de la Tesis: Miguel Ignacio Barrios Peña (dir. tes.), Edgar Alvaro Avila (codir. tes.)
• Lectura: En la Universidad del Tolima ( Colombia ) en 2020
• Idioma: español
• Enlaces
  • Tesis en acceso abierto en: repository.ut.edu.co
• Resumen
  • español

    El contenido de agua en el suelo relaciona la capacidad de campo y el punto de marchitez permanente, fundamental para el riego en la agricultura, la disponibilidad del agua potable, la generación de energía, la industria y el comportamiento de los ecosistemas, entre otros. Para su determinación exacta hacen falta recursos humanos, técnicos y económicos. Por lo anterior, se han desarrollado funciones que pueden calcular los valores de retención de agua en el suelo, lo cual los hace mucho más económicos y permiten ahorrar tiempo. Sin embargo, no todas las funciones propuestas por diferentes investigadores son precisas para aplicar en todos los lugares.

    En esta investigación se escogieron 80 lugares entre los departamentos del Tolima y Quindío para la toma de muestras, a las cuales se les tomaron datos de campo como la ubicación y cobertura. Estas se llevaron al laboratorio donde se realizaron análisis de textura, densidad aparente, y puntos de retención de humedad a 0,3, 1, 5, 10 y 15 bar; también se les halló el contenido de materia orgánica.

    En cuanto a la evaluación de redes neuronales artificiales, árboles altamente aleatorizados (ET) e investigadores de funciones de edafotransferencia, estos se usaron para predecir el contenido de agua disponible para las plantas en el suelo (AW), el punto de marchitez permanente (WP), la capacidad de campo (FC) y la densidad aparente (BD) en suelos del Tolima y Quindío en Colombia. Para ello, se tomaron 175 muestras de suelo a diferentes profundidades en 80 puntos y, de este modo, generar funciones de edafotransferencia con las redes neuronales y la clasificación de las variables de mayor influencia con los árboles altamente aleatorizados.

    Con respecto a las funciones de edafotransferencia propuestas por Baumer, Rawls, Brakiensek, Hutson, British Soils, Manrique, Tomasella, Saxton, RETC y Rosetta, estas no arrojaron buenos resultados de predicción. Así, los R2 máximos alcanzados fueron de 0,18 —obtenidos por Baumer— al predecir BD. En la predicción de AW, FC y WP los R2 oscilaron entre 0,06 y 0,01. A su vez, el RMSE alcanzó valores de 0,40 y 0,04, donde se observó claramente que estos no reflejan bien la predicción para este tipo de suelos; además, utilizan la textura y la densidad aparente como variables para calcular el agua disponible en el suelo.

    En lo que concierne a las variables de entrada procedentes de los datos tomados en campo, laboratorio, como del modelo de elevación digital, se utilizaron las siguientes 12: latitud, elevación, pendiente, curvatura del terreno, drenaje acumulado, espesor del horizonte, profundidad al centroide, % de arenas, % de arcillas, carbono orgánico, cobertura y densidad aparente.

    En relación con las redes neuronales se seleccionaron las variables más relevantes por el método paso a paso. De esta forma, se escogieron aquellas de entrada de la red para la predicción de BD: latitud, carbono orgánico, altura, % de arenas, pendiente, % de arcillas y la cobertura. Para la predicción AW se eligieron las variables: elevación, latitud, densidad aparente, espesor del horizonte, carbono orgánico, cobertura y % de arenas. Para la predicción de la FC se seleccionaron la densidad aparente, la latitud, la pendiente, la altura y la cobertura. Para WP se eligieron la densidad aparente, la latitud, la elevación, la pendiente y el % de arcillas.

    En lo que respecta a las redes neuronales, los datos se dividieron en tres grupos: el 70 % para el entrenamiento, el 15 % para la validación y 15 % para la prueba final. Con relación a WP, el coeficiente de determinación (R2) varió entre 0,64 y 0,79, y la raíz del error cuadrático medio (RMSE) entre 0,17 y 0,23. En cuanto a FC el R2 estuvo entre 0,74 y 0,75, mientras que RMSE varió entre 0,18 y 0,20. En lo concerniente a AW el R2 osciló entre 0,75 y 0,84, y el RMSE se encontró entre 0,06 y 0,10. Por último, en BD el R2 estuvo entre 0,76 y 0,78, y el RMSE entre 0,11 y 0,19.

    En lo que respecta a los ET se utilizaron las mismas 12 variables seleccionadas previamente, se generaron 100 modelos y se escogió el de mejor rendimiento en R2 —tanto en validación como en calibración— al utilizarse la validación cruzada. En AW el R2 alcanzó los 0,94 en calibración y 0,56 en validación, al seleccionarse tres variables relevantes (la altura, la densidad aparente y la curvatura del terreno). Para FC el R2 fue de 0,94 en calibración y 0,60 en validación, donde dos variables (la densidad aparente y la latitud) fueron las más destacadas. En cuanto a WP, el R2 en calibración alcanzó el valor de 0,96 y en validación el 0,59 con tres variables principales (latitud, densidad aparente y altura). Finalmente, para BD en calibración el R2 fue de 0,98 y en validación 0,54, donde cuatro variables (carbono orgánico, % de arcillas, latitud y drenaje acumulado) fueron seleccionadas.

    Con relación a las redes neuronales, estas presentaron gran capacidad de predicción de las variables. Si bien, los ET no alcanzaron el mismo rendimiento que las redes neuronales, estos representan una alternativa para la predicción de AW, FC, WP y BD en los suelos del Tolima y el Quindío sobre la cordillera central. A su vez, las ecuaciones propuestas por investigadores de otras latitudes no ofrecen confiablidad en sus predicciones en cuanto al contenido de agua en el suelo y densidad aparente.

  • English

    Soil moisture relates field capacity and permanent wilting point, crucial for many hydrological applications, including irrigation, drinking water supply, hydropower generation, industrial applications, and ecosystem dynamics, among others. Estimating soil moisture is expensive and requires substantial human, technological and economic resources. Therefore, pedotransfer functions that determine water retention parameters are less costly and labor-intensive methodologies. However, not all the pedotransfer functions proposed by different researchers are accurate to apply in all locations.

    In this research, 80 sampling locations were chosen between the departments of Tolima and Quindío, from which field data such as location and coverage were recorded. Once in the laboratory, the following analyses were carried out: texture, bulk density, and moisture retention points at 0.3, 1, 5, 10, and 15 bar; furthermore, organic matter content was also established.

    Artificial neural network, extremely-(randomized)-trees or extra trees (ET), and pedotransfer function assessments were used to predict soil moisture content (AW), permanent wilting point (WP), field capacity (FC), and apparent or bulk density (BD) in the soils of Tolima and Quindío in Colombia. One hundred seventy-five soil samples were taken at different depths and in 80 points to generate pedotransfer functions with artificial neural networks and the classification of the highest influencing variables employing extremely randomized trees.

    The pedotransfer functions proposed by Baumer, Rawls, Brakiensek, Hutson, British Soils, Manrique, Tomasella, Saxton, RETC, and Rosetta did not provide good prediction results. The maximum R2 reached was 0.18 achieved though Baumer when predicting BD. In the prediction of AW, FC, and WP, the R2 oscillated between 0.06 and 0.01. The RMSE reached values of 0.40 and 0.04, clearly observing that they do not reflect well the prediction for this type of soil; besides, they use texture and bulk density as variables to calculate the soil moisture.

    Regarding the input variables derived from the data taken in the field, laboratory and from the digital elevation model, the following 12 variables were used: latitude, elevation, slope, terrain curvature, accumulated drainage, horizon thickness, depth to the centroid, % of sands,% of clays, organic carbon, coverage, and bulk density.

    For the artificial neural networks, the most relevant variables were selected by the step-by-step method. Hence, the input variables of the network for the prediction of BD were selected: Latitude, organic carbon, height, % of sands, slope, % of clays, and coverage. For the AW prediction, the following variables were chosen: elevation, latitude, bulk density, horizon thickness, organic carbon, coverage, and % of sands. For the prediction of FC, bulk density, latitude, slope, height, and coverage were selected. For WP, bulk density, latitude, elevation, slope, and % of clays were chosen.

    Concerning artificial neural networks, the data were divided into three groups, 70 % for training, 15 % for validation, and 15 % for the final test. For WP, the coefficient of determination (R2) varied between 0.64 and 0.79, and the root mean square error (RMSE) ranged between 0.17 and 0.23; for FC, R2 varied between 0.74 and 0.75, while RMSE ranged between 0.18 and 0.20; in AW the R2 ranged between 0.75 and 0.84, and the RMSE varied between 0.06 and 0.10; in BD, the R2 varied between 0.76 and 0.78, and the RMSE between 0.11 and 0.19.

    In the extra trees method, the same 12 previously selected variables were used, generating 100 models, and the one with the best performance in R2 was chosen –both under validation as well as under calibration– using cross-validation. In AW, the R2 reached 0.94 under calibration and 0.56 under validation, selecting three relevant variables (height, bulk density, and terrain curvature). For FC, R2 was 0.94 under calibration and 0.60 under validation with two variables (bulk density and latitude). In WP, the R2 under calibration reached 0.96 and under validation 0.59 with three main variables (latitude, bulk density, and height). Finally, for BD, under calibration, the R2 was 0.98, and under validation, it was 0.54, where four main variables were selected (organic carbon, % clays, latitude, and accumulated drainage).

    The artificial neural networks showed a high predictive capacity for the variables considered. Although the extra trees method did not achieve the same performance as the artificial neural networks, they represent an alternative for the prediction of AW, FC, WP, and BD in the Tolima and Quindío soils on the central mountain range. Moreover, the equations proposed by researchers from other latitudes are not reliable in their soil moisture content and bulk density predictions.