Presentación de Maria de Lourdes Mendonça de EMBRAPA-SOLOS sobre las actividades de capacitación en cartografía de suelos y sistemas de información, como parte del SISLAC, en el marco del Taller de la Alianza Sudamericana por el Suelo, realizado en Santiago de Chile los días 2 al 5 de marzo de 2015.

1. SISLAC II – INTRODUCCIÓN AL SISTEMA DE
INFORMACIÓN DE SUELOS DE
LATINOAMÉRICA (parte II) - CARTOGRAFÍA
DIGITAL DE SUELOS, el caso del Carbono
Maria de Lourdes Mendonça-Santos
Ph.D. em Suelos y Geomática
Miembro del GTIS, GSP/FAO
EMBRAPA – CNPS- Centro Nacional de
Investigación en Suelos, Brazil

2. • Contacto de personas y instituciones de LAC
• Créación de la Red LAC de “Sueleros” – La Carta de Rio
• 19 paises, 59 participantes (puntos focales)
• Inventario de Suelos de los paises
• Datos de Suelos con diferentes formatos, métodologias, etc.
• Dados sensillos para los países 1
Specifications
Version 1 GlobalSoilMap.net
products
Release 2.1
These specifications are expected to remain
valid for a period of 2 years from the date of
endorsement
Date of Endorsement: July xx, 2011

3. Set/2011
Open to all governments, relevant
stakeholders and organizations.
Secretariat will implement the GSP
through Regional Partnerships (hosted at
FAO; part of its funding from FAO’s
ITPS- 27 high level scientists
providing scientific & technical advice
to GSP & FAO. (selected and
appointed through country
representatives to FAO).
Alianza Mundial para el Suelo

4. Cooperación entre la
Organización de las
Naciones Unidas para la
Agricultura y la
Alimentación (FAO) y la
Empresa Brasileña de
Investigación Agropecuaria
(Embrapa /Embrapa
Suelos), con la
colaboración del Instituto
Nacional de Tecnología
Agropecuaria (INTA) de
Argentina

5. Hacia El Sistema de Información de Suelos deHacia El Sistema de Información de Suelos de
Latinoamerica FASE IILatinoamerica FASE II
 Carta de Acuerdo entre FAO e EMBRAPA. Financiamiento de la FAO
para contribuir al desarrollo del Sistema de Información de Suelos de
ALC (actividades dentro del proceso a largo plazo).
 Objetivo: desarrollo de capacidades en cartografía digital de suelos en
20 países de ALC, a través de ‘‘capacitación en el trabajo’’.
 Desarrollo de un toolbox de capacitación en cartografía digital de
suelos
 Implementación de la capacitación presencial y no
presencialGeneración de mapas de propiedades de suelos usando
MDS (de acuerdo con la disponibilidad de datos)

6. Capacitar investigadores de los países de
Latinoamérica y Caribe en Cartografía Digital
de Suelos, utilizando softwares libres: R (para
las análises estadísticas) y SAGA GIS (para las
análises de GIS)
Objectivo

8. Los Instructores:
• Maria de Lourdes Mendonça-Santos – Embrapa
Solos, Brasil
•Gustavo Vasques – Embrapa Solos, Brasil
•Jesus Mansilla Bacca – Embrapa Solos, Brasil
•Ricardo Dart – Embrapa Solos, Brasil
•Guillermo Olmedo – INTA, Argentina

9. y los “alumnos, colegas de 20
países de América Latina y el
Caribe

10. Primer Curso Presencial – Septiembre 2012
Fue usada la modalidad de confección de “presentaciones expositivas” de cada módulo con scripts para los
ejercicios prácticos y datos correspondientes.
Para el Curso a Distancia fueron elaborados videos, que acompañaban dados y scripts, para cada módulo y fue
mantenido el mismo contenido del Primer Curso Presencial. Los módulos fueron los siguientes:
a.Introducción a la Cartografía Digital de Suelos – Teoría (2 h)
b. Introducción al R – Teoría y Práctica (2 h)
c. Introducción al SAGA-GIS - Práctica (1 h)
d. Preparación de covariables ambientales – Práctica (1.5 h)
e. Integración de los datos de suelos con las covariables ambientales – Práctica (2 h)
f. Organización, calidad y análisis exploratorio de datos – Teoría (1.5 h)
g. Análisis exploratorio de datos – Práctica (2.5 h)
h. Modelado paramétrico – Teoría (1.5 h)
i.Modelado paramétrico: regresión lineal – Práctica (2.25 h)
j. Modelado no paramétrico: redes neuronales artificiales – Teoría y Práctica (2 h)
k. Modelado no paramétrico: árbol de regresión – Teoría y Práctica (1.75 h)
l. Introducción a la geoestadística – Teoría (1.5 h)
m. Kriging de los residuos del modelo lineal – Práctica (2.25 h)
n. Producción de mapas del C del suelo utilizando los modelos generados – Práctica (1 h)
o. Análisis de la incertidumbre de los modelos y mapas – Teoría (1.25 h)
p. Análisis de la incertidumbre de los modelos y mapas – Práctica (1.75 h)
Para el Segundo Curso Presencial – Noviembre 2013 - fue empleada la modalidad “exposiciones mínimas
necesarias” y asistencia (tutoría) por parte de los instructores teniendo el siguiente contenido:
a. “Función de profundidad” - Teoría y Práctica (2 h) b. Flujo de los siguientes procesos (30 h)
- Preparación de los atributos usando la “Función de profundidad” - Preparación de las covariables y su integración
con los datos de suelos - Modelado con regresión lineal de atributo del suelo y covariables - Determinación de los
residuos y aplicación del modelado geoestadístico - Predicción del atributo empleando las covariables y los
parámetros determinados - Producción del mapa del atributo.
El Contenido

11. Mapeo Digital de Suelos:
Introduccion y presupuestos

12. En 1886 - Dokuchaev hypothesis : S = f ((naturaleza del material del origen (contenido y
estructura), clima, vegetación, edad, topografía))
Vasily Docuchaev y Sergey ZakharovVasily Docuchaev y Sergey Zakharov

13. La difusión: H. Jenny, 1941, El modelo Cl.O.R.P.T.La difusión: H. Jenny, 1941, El modelo Cl.O.R.P.T.

14. El modelo cuantitativo digitalEl modelo cuantitativo digital
S.C.O.R.P.A.NS.C.O.R.P.A.N..
(McBratney, Mendonça-Santos y Minasny, Geoderma,2003)(McBratney, Mendonça-Santos y Minasny, Geoderma,2003)
Sc,p = f (s.c.o.r.p.a.n) + ɛ

15. Year Event
1883 The Dokuchaev postulate
1899 The Dokuchaev equation
1886 The Dokuchaev hypothesis
1927 The Zakharov equation
Translation of the Dokuchaev hypothesis into English
The First International Congress of Soil Science
1930 The Shaw equation
1941 The Wilde equation
The Jenny equation - ClORPT
2003 SCORPAN model
La cronología de los acontecimientosLa cronología de los acontecimientos
relacionados con la hipótesis de Dokuchaevrelacionados con la hipótesis de Dokuchaev
I.V. Florinsky. The Docuchaev Hypothesis as a basis for predictive Digital Soil Mapping .
Eurasian Soil Science, 2012, Vol.45, No. 4, pp. 445-451

16. Como hacer MDS (Mapeo Digital de Suelos)?Como hacer MDS (Mapeo Digital de Suelos)?
- Presupuestos:- Presupuestos:
Prediciendo valores en lugares no
medidos, a través del uso de datos
medidos, covariantes ambientales
y funciones matemáticas.
Valores
conocidos
Valores no
conocidos

17. Técnicas de Predicción Espacial en PEDOMETRIATécnicas de Predicción Espacial en PEDOMETRIA
1. Métodos Clásicos
(Cl.o.r.p.t)
2. Métodos Geoestadísticos
3. Métodos Híbridos
Combinación de 1 y 2
(S.c.o.r.p.a.n+kriging)
ClORPT Híbrido Geoestatístico
Mapa Digital de clase
y/o de propiedades de
suelos
ModelosEmpíricos,
Determinístico
ModelosEstocástico
+Determinísticos
ModelosEmpíricos,
Estocásticos
McBratney et al., (2000) - Geoderma, 97 : 293-327

18. DSM - PresupuestosDSM - Presupuestos
Datos de Suelos
(Descr. Perfiles,
Laboratorio, sensores)
Datos Auxiliares
(Imágenes, Uso Actual,
MNT e Derivadas,
Litologia, Geomorfologia,
Suelos...)
Sistema Espacial
de Inferência
de Solo (modelagem e
predição espacial de
variáveis de solo)
DSM de Propiedads de
Suelo (pH, textura,
Carbono, N,P,K,...)
DSM de Clases
de Suelo (tipos
de suelo, clase de
textura, color...
Aplicaciones del Modelo
Mendonça-Santos et al., (2007) – Boletim de Pesquisa – Embrapa Solos
Mendonça-Santos et al., (2008) In:Digital Soil Mapping with limited data, 2008
Sc,p = f (s.c.o.r.p.a.n) + e
PTFs

19. DSM - PresupuestosDSM - Presupuestos
S – Suelo (mapas, perfiles)
C – Clima (temperatura...)
Img. satélite
O – Mapas de Uso del Suelo,
NDVI, Biomasa
R – MNT + Derivadas
Altitud
Aspecto
Pendiente
Perfil de Curvatura
Curvatura de la Superfície
Índice de humedad (CTI)
P – Litología
A – Edad (pedogénesis)
N – Localización espacial (X,Y)
 Modelos de regresión
lineal
 Modelos lineales
generalizados
 Modelos aditivos
generalizados
 Modelos de Árboles –
clasificación y regresión
 Redes Neurales
Artificiales Sistemas de
Lógica Fuzzy
 Sistemas (conocimiento)
Expert
(f)

20. 1
Specifications
Version 1 GlobalSoilMap.net
products
Release 2.1
These specifications are expected to remain
valid for a period of 2 years from the date of
endorsement
Date of Endorsement: July xx, 2011

21. RESULTADOS DE LOS PAISES

22. Brasil
Covariables ambientales:
Altitud (Elevacao)
 Declividad de la pendiente(Slope)
 Orientación de la
pendiente(Aspecto)
 Curvatura dela
pendiente(Curvatura)
 Curvatura plana (Curvatura_plana)
 Curvatura del perfil
(Curvatura_perfil)
 Índice Topográfico de Humedad
(CTI)
 Media anual de precipitación
(Precipit_media_ano)
 Media anual de temperatura
(Temp_media_ano)
 Valores de las bandas 1, 2, 3, 4, 5,
6 y 7 de la imagen Modis
(MODIS_Band1…7)
 Índice de Vegetación por
Diferencia Normalizada de la imagen
Modis(NDVI)
- 9 mil perfiles de suelos
Equipo da Embrapa Solos:
M.L. Mendonça Santos (coord.)
Jesus Mansilla Baca
Gustavo Vasques
Ricardo dart
Método de Regresión Lineal Múltiple para
cada profundidad:
lm(formula = log(Carb_0_5) ~ sqrt(Elevacao) +
Curvatura_perfil + Precipit_media_ano +
Temp_media_ano^2 + log10(MODIS_Band1) +
MODIS_Band2 + log(MODIS_Band4) -1, data =
da[which(da$TV == "T"), ])

23. lm(formula = log(Carb_5_15) ~ sqrt(Elevacao) + Curvatura_perfil +
Precipit_media_ano +Temp_media_ano^2 + log10(Banda1_Modis) +
Banda2_Modis + log(Banda4_Modis) -1, data = da[which(da$TV ==
"T"), ])
lm(formula = log(Carb_15_30) ~ Temp_media_ano^2 +
Precipit_media_ano +
Banda1_Modis + Banda2_Modis + Banda5_Modis +
Banda6_Modis +
NDVI + Aspecto + log(Elevacao) -1, data = da[which(da$TV =
"T"), ])

24. ARGENTINA

25. CHILE
Carbono Orgánico
Profundidad 0-5 cm
Unidad: g/kg

26. COSTA RICA

27. ECUADOR

28. ECUADOR

29. Flujograma general del proceso de generación de mapas.
1) Generar
covariables
ambientales
SAGA
2) Cruzar
covariables con
perfiles de suelos
SAGA
4) Hacer join entre
horizontes artificiales de
propiedades del suelo y
covariables ambientales
EXCEL
3) Generar horizontes
artificiales de
propiedades del suelo a
3 profundidades
R Studio
Datos
•Modelo
Digital de
Elevación
•Imagen
Landsat
•Perfiles de
suelos
•Covariables
ambientales
•Horizontes
de suelos
con
profundidad
mínimay
máxima
•Horizontes
artificiales
•Perfiles con
covariables
1
Procesos, software
Mapas de covariables:
Aspect, normalizad
vegetación index,
Banda1, Banda2, etc
Salidas
Perfiles de suelos con
atributos de las
covariables
ambientales
Grid en formato texto
Horizontes artificiales
de propiedades del
suelo a profundidades
requeridas
Horizontes de
propiedades del suelo
a 3 profundidades, con
datos de covariables
De aquí en adelante el proceso habrá
de repetirse las veces que resulten
de: propiedades x 3 profundidades
1) Generar
covariables
ambientales
SAGA
2) Cruzar
covariables con
perfiles de suelos
SAGA
4) Hacer join entre
horizontes artificiales de
propiedades del suelo y
covariables ambientales
EXCEL
3) Generar horizontes
artificiales de
propiedades del suelo a
3 profundidades
R Studio
Datos
•Modelo
Digital de
Elevación
•Imagen
Landsat
•Perfiles de
suelos
•Covariables
ambientales
•Horizontes
de suelos
con
profundidad
mínimay
máxima
•Horizontes
artificiales
•Perfiles con
covariables
1
Procesos, software
Mapas de covariables:
Aspect, normalizad
vegetación index,
Banda1, Banda2, etc
Salidas
Perfiles de suelos con
atributos de las
covariables
ambientales
Grid en formato texto
Horizontes artificiales
de propiedades del
suelo a profundidades
requeridas
Horizontes de
propiedades del suelo
a 3 profundidades, con
datos de covariables
De aquí en adelante el proceso habrá
de repetirse las veces que resulten
de: propiedades x 3 profundidades
5) Hacer análisis exploratorio y
depurar datos
R Studio
6) Generar modelo de la
tendencia global por
propiedad y profundidad
R Studio
8) Generar mapas por
propiedad y profundidad
SAGA
7) Aplicar kriging de los
residuos por propiedad y
profundidad
R Studio
Horizontes de
propiedades del
suelo a 3
profundidades,
con datos de
covariables
•Variables del modelo
•Horizontes de
propiedades del suelo
clasificados en de
validación (20%) y
Calibración (80%)
•Tabla datos de
calibración del modelo
(horizontes que se
utilizarán)
•Grid en formato texto,
creado en paso 2
•Fórmula del modelo
de RLM (paso 6)
•Mapas de covariables
(Paso 1)
•Mapa grid de resíduos
krigeados
•Tabla datos de
validación del modelo
•Gráficos de propiedades del
suelo
•Selección preliminar de
variables del modelo de RLM
•Horizontes de propiedades
del suelo depurados de datos
nulos o incompletos
•Fórmula del modelo de
RLM
•Tabla datos de calibración
del modelo (horizontes que
se utilizarán)
•Tabla datos de validación
del modelo (datos testigo)
•Mapa grid de resíduos
krigeados
•Tabla de residuos
Mapas de propiedades
del suelo a 3
profundidades
Mapa vectorial de
puntos para análisis
incetidumbre
1
5) Hacer análisis exploratorio y
depurar datos
R Studio
6) Generar modelo de la
tendencia global por
propiedad y profundidad
R Studio
8) Generar mapas por
propiedad y profundidad
SAGA
7) Aplicar kriging de los
residuos por propiedad y
profundidad
R Studio
Horizontes de
propiedades del
suelo a 3
profundidades,
con datos de
covariables
•Variables del modelo
•Horizontes de
propiedades del suelo
clasificados en de
validación (20%) y
Calibración (80%)
•Tabla datos de
calibración del modelo
(horizontes que se
utilizarán)
•Grid en formato texto,
creado en paso 2
•Fórmula del modelo
de RLM (paso 6)
•Mapas de covariables
(Paso 1)
•Mapa grid de resíduos
krigeados
•Tabla datos de
validación del modelo
•Gráficos de propiedades del
suelo
•Selección preliminar de
variables del modelo de RLM
•Horizontes de propiedades
del suelo depurados de datos
nulos o incompletos
•Fórmula del modelo de
RLM
•Tabla datos de calibración
del modelo (horizontes que
se utilizarán)
•Tabla datos de validación
del modelo (datos testigo)
•Mapa grid de resíduos
krigeados
•Tabla de residuos
Mapas de propiedades
del suelo a 3
profundidades
Mapa vectorial de
puntos para análisis
incetidumbre
1
El SALVADOR
Sol María Muñoz Aguillón (MARN)
René Vicente Arévalo (CENTA)
8 Atributos del suelo x 3
profundidads

30. El SALVADOR

31. El SALVADOR

32. PARAGUAY
Y (g/kg) = 18.727 + (0.016*band4) + (183.232*catchment area) + (4204.920*profile curvature) – (2214.144*plan
curvature) + (0.031*srtm) – (154.086*slope)
Los materiales utilizados:
 Armonización de los perfiles en profundidad
a través de la función de profundidad (depth
function R), para obtener el valor de C.org en
las profundidads (0-5), (5-15), (15-30)…
 Modelo digital de elevación MDE: (SRTM
de la NASA, resol. espacial 90mts)
 Mosaico de imágenes Landsat ETM+
(Landsat Geocover Mosaic, NASA), bandas 2,
4, 7. (resol. espacial original 14,25 mts).
 Información de suelos de la RENARE: 294
calicatas georeferenciadas con información
descriptiva y analítica.

33. Modelo digital de elevación (MDE), desarrollado por la NASA, Imágenes LandSat ETM+;
Capa geoespacial de la frontera del país, Perfiles de suelos descritos (310 puntos.)
VENEZUELA

34. VENEZUELA

35. PERU

37. Compromisos de SISLAC II
a. Preparación de un Paquete y Programa de Capacitación
(Toolbox) en Cartografía Digital de Suelos – LISTO!
b. Capacitación en Cartografía Digital de Suelos – LISTO!
c. Generación de mapas de atributos de suelos (utilizando
técnicas de cartografía digital) en areas piloto conforme a la
disponibilidad de datos – Carbono (algunos países)
d. Envío de los mapas generados al CIAT para incorporación
en el Sistema de Información de Suelos de Latinoamérica,
SISLAC I – LISTO!

38. Los principales resultados del Acuerdo fueron alcanzados y
más de 70 científicos tuvieron la oportunidad de capacitarse en
Cartografía Digital de Suelos a través de los cursos presenciales
y a distancia;
Mapas de propiedades del suelo (principalmente carbono)
fueron producidos en áreas de estudio de diferentes países, lo
que muestra el resultado positivo de la capacitación de los
técnicos;
Sin embargo, algunas dificultades se presentaron relacionadas
al entendimiento de conceptos básicos de (geo)estadística,
lenguaje de programación y sistemas de información geográfica.
En el Segundo Curso Presencial tuve también impedimentos
debido a la organización de los datos de los países.
CONCLUSIONES

40. Participantes del Primer Curso Presencial en
Cartografía Digital de Suelos
Verónica Isabel Sapino -Argentina
Hernán Figueredo Ticona - Bolivia
Priscila Andrea Carrasco Molina - Chile
Ricardo Fabián Siachoque Bernal - Colombia
Albn Rosales Ibarra - Costa Rica
René Ricardo Montero Casa - Cuba
Sol María Muñoz Aguillón - El Salvador
Augusto Rafael Gonzalez Artieda - Ecuador
Rovoham Mardoqueo Monzón Miranda -
Guatemala
Glória Elizabeth Arevalo Valderrama -
Honduras
Efrain Lucrecio Acuña Espinal - Nicaragua
Lwonel Agudo Martínez - Panamá
Arnulfo Encina Rojas – Paraguay
Julio Cesar Nazario Rios – Perú
Amadeo Petilu Escarramán Rodriguez -
Republica Dominicana
Martin Dell'Acqua Pelufo – Uruguay
Participantes del Segundo Curso Presencial en
Cartografía Digital de Suelos
Dario Martin Rodriguez – Argentina
Hernán Figueredo Ticona - Bolívia
Priscila Andrea Carrasco Molina - Chile
Carlos Enrique Castro Mendez - Colombia
Maryory Rodríguez Atehortúa – Colombia - CIAT
Araceli Castro – Colombia - CIAT
Albán Rosales Ibarra - Costa Rica
René Ricardo Montero Casas - Cuba
Sol María Muñoz Aguillón – El Salvador
Augusto Rafael Gonzalez Artieda - Ecuador
Rovoham Mardoqueo Monzón Miranda - Guatemala
Glória Elizabeth Arevalo Valderrama - Honduras
Gilberto Xix Ake - Mejico
Efrain Lucrecio Acuña Espinal - Nicaragua
Lwonel Agudo Martínez - Panamá
Arnulfo Encina Rojas - Paraguay
Julio Cesar Nazario Rios - Peru
Amadeo Petilu Escarramán Rodriguez – R.Dominicana
Sebastian Varela Quintela - Uruguay
Victor Alirio Sevilla Linares - Venezuela
Ronald Vargas - FAO

41. Maria de Lourdes Mendonça-Santos
Ph.D. Ciencia del Suelo y Geomatica
Embrapa Solos
Lourdes.mendonca@embrapa.br

42. El Carbono en Brasil: Metodología
Se utilizaron tres bases de datos y compilados de suelos disponibles: Embrapa Solos, SIPAM y
ESALQ, que fueron analizados inicialmente para detectar errores manifiestos, tales como datos
repetidos, inconsistencias de valores de profundidas de los horizontes, datos fuera del dominio de
valores de cada atributo, la falta de ubicación geográfica de los puntos de muestreo, etc.
Después de las correcciones, los solos de la hoja de datos llegaron unos 9.000 perfiles de suelo,
cada uno compuesto por 3-5 horizontes, sendo que el número de horizontes utilizados en el
modelado variou para cada profundidad, dependiendo de la disponibilidad de datos. Esses datos
fueron separados por bioma, en conjunto de treinamiento (80%0 y de validación (20%).
Para la estimativa de COS en las profundidas de COS 0-5, 5-15 y 15-30 cm, se utilizaron
covariables ambientales relacionados con COS : datos climáticos (precipitación y temperatura),
biomas, imágenes de satélite (MODIS), el índice de vegetación por diferencia normalizada (NDVI) y
el modelo de elevación digital de la Shuttle Radar Topography Mission (SRTM) con suyas
derivadas.
Los softwars utilizados fueran el SAGA GIS, ArcGIS, Access, Excel, Python y R.
Se utilizó el método de modelo de regresión lineal múltiple en el que COS es una función de las
covariables ambientales. COS fue modelado por separado en cada profundidad utilizando los
respectivos conjuntos de información. Mapas COS se generaron a tres profundidades a través de
píxel por píxel de COS de los modelos de regresión ajustados, siendo adoptados píxels de 1 km de
resolución en función de la esclaa de algunas covariables utilizadas.
Los modelos fueron validados utilizando el 20% de los datos separados al azar y índices de
incertitumbre utilizados ampliamente en MDS, como el coeficiente de determinación (R2) y el error
cuadrático medio (RMSE).