Sitio de muestreo

El estudio se realizó con un diseño descriptivo, retrospectivo, prospectivo, transversal y no experimental (^{Méndez-Ramirez, Namihira, Moreno y Sosa, 2014}), en la RR en Tabasco, México, que está integrada por los municipios de Balancán, Emiliano Zapata y Tenosique, con un área de 6 234.2 km² (24.7% del estado de Tabasco); colinda al norte y oeste con los estados de Campeche y Chiapas, y al este y sur con la República de Guatemala (Figura 1). Prevalecen los climas cálido húmedo con lluvias abundantes todo el año (Af), al sur, cálido húmedo con lluvias abundantes en verano (Am), al centro y noroeste, y cálido subhúmedo con lluvias en verano (Aw), al noreste. De noreste a sur, la precipitación media anual varía de 1600 mm a 2000 mm, y la temperatura media anual oscila entre 26 a 28 °C (^{Aceves-Navarro y Rivera-Hernández, 2019}). Los edafopaisajes corresponden a terrazas costeras con Luvisoles, Lixisoles y Cambisoles; terrazas y montañas Kársticas con Leptosoles, Cambisoles y Vertisoles; y planicies fluviales con Gleysoles y Fluvisoles (^{Salgado-García et al., 2017}).

Figura 1: Ubicación geográfica del área de estudio y la distribución de los puntos de muestreo de los suelos de la Región de Los Ríos, Tabasco, México.  

Figure 1: Geographic location of the study area and soil sampling points of the Los Rios Region, Tabasco, Mexico. 

Muestreo de suelos

Se seleccionó el tipo de suelo Cambisol por ocupar la mayor superficie con usos agropecuarios en la RR de acuerdo con el mapa de suelo publicado por ^{Salgado-García et al. (2017)} (Figura 1). Posteriormente mediante superposición con un mapa de cambio de uso de suelo (^{Ramírez-García et al., 2022}), se seleccionaron 48 sitios de muestreo, de 2 ha cada uno de ellos, en cuatro tipos de usos: agricultura temporal (maíz, frijol, calabaza, etc.), agricultura anual (caña de azúcar), pastizal (ganadería extensiva) y vegetación secundaria, cada tipo de uso con tres tiempos de establecimiento: 1984, 2000, 2019.

En cada sitio, el muestreo se realizó mediante un recorrido con un diseño probabilístico sistemático en dos direcciones semi-alineado en zigzag. Para la toma de muestras de suelo se utilizó una barrena tipo holandesa, a una profundidad de muestreo de 30 cm y los puntos de muestreo se registraron con el sistema de posicionamiento global (navegador portátil) GPSMAP 64s^® con su antena de cuatro hélices y su receptor GPS y GLONASS de alta sensibilidad, con una precisión ± 1 m. Para la obtención de las muestras, se tomaron 15 sub muestras, para formar con ellas una muestra compuesta, por sitio de muestreo, y se redujo el tamaño de muestra mediante cuarteo, para obtener un 1 kg, aproximadamente (^{Rodríguez y Burguete, 1987}). Las muestras de suelo se conservaron en bolsas de plástico (calibre 200 micras, de 26.8 × 27.3 cm, resellable) para su traslado inmediato al laboratorio, para su posterior análisis.

Análisis de los suelos y obtención de espectros VIS-NIR-SWIR

Las muestras de suelo recolectadas se secaron al aire y a temperatura ambiente. Se molieron y se tamizaron a través de una malla número 10 (2 mm) para la determinación de la granulometría con el método AS-09 (Bouyoucos), de la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}); y con una malla 35 (0.5 mm) para el análisis de materia orgánica (MO) o carbono oxidable (COX) con el método AS-07 de Walkley - Black (^{SEMARNAT, 2002}).

Los espectros NIR se obtuvieron con un espectrofotómetro marca Foss (modelo Versatile Agri Analyzer 6500 System II Vertical Type 461008). El equipo tiene detectores de silicio (400 a 1100 nm) y PbS (1100 a 2500 nm), que registran la cantidad de luz reflejada o trasmitida, para transformarla en una señal que se registra mediante el programa ^{ISIScan (2008)}. Cuenta a una computadora (Acer AMD Sempron™ Processor 3200+ 1.81 GHz, 448 MB de RAM). El espectrofotómetro está acoplado a una computadora Acer AMD Sempron™ con Procesador 3200+ 1.81GHz, con 448 MB de RAM). Se colocaron 50 g de suelo en una celda porta muestra de cuarzo de 24 cm³. El espectrofotómetro se programó en el rango espectral de 400 a 2498 nanómetros (nm), con intervalos de muestreo de 2 nm, lo que produce un espectro de 1050 datos.

Clasificación del contenido de materia orgánica en los suelos

La MO de los suelos de la RR, fue cuantificada y clasificada con el método AS-07 (Walkley-Black) establecido en la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}). Así mismo, la granulometría de los suelos fue cuantificada con el método AS-09 establecido en la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}).

Los resultados de los análisis de suelos se utilizaron para generar el índice de calidad de los suelos en la RR aplicando la fórmula indicada en ^{Fernández (2014)}:

Donde: ICS = Índice de calidad del suelo, COX= carbono oxidable, R+L= suma del porcentaje de arcilla y limo, respectivamente.

Para la interpretación del índice de calidad de suelo se utilizó la clasificación indicada en ^{Fernández (2014)}, la cual se basa en cuatro categorías: 1) suelo degradado, 2) suelo con alto riesgo de degradación física, 3) moderado riesgo a la degradación y 4) estructuralmente estable.

Modelo de clasificación del índice de calidad de suelo mediante la tecnología NIR

Con los espectros VIS-NIR-SWIR y los datos del ICS se realizó la modelación de análisis discriminante por mínimos cuadrados parciales (PLS-DA, por sus siglas en inglés). La técnica se propone por su capacidad para generar patrones de reconocimiento basado en el método de regresión. Donde, las clases del ICS funcionan como vectores para desarrollar el modelo de predicción de una propiedad de interés, y es lo que permite generar grupos de individuos por clases (^{Brereton y Lloyd, 2014}).

La validación del modelo de clasificación del suelo se realizó en dos etapas. En la primera, con un grupo de entrenamiento constituido por el 90% de las muestras de suelo, y en la segunda con un grupo de validación externa formado por el 10% restante de muestras de suelo. Las muestras de cada grupo fueron asignadas aleatoriamente (^{Lopo, Dos Santos, Páscoa, Graça y Lopes, 2018}; ^{Gozukara et al., 2022}).

En la construcción del modelo se utilizaron técnicas de preprocesado y transformaciones, como lo propone ^{Perret et al. (2020)}, integradas en el programa de quimiometría Pirouette (^{Infometrix, 2014}), como lo indican ^{Castro, Babos y Pereira-Filho (2020)}. Para la evaluación (interna y externa) del modelo, se utilizaron el coeficiente de determinación en la calibración (R²), suma de cuadrado del error residual de predicción (PRESS), el error estándar de calibración (SEC) y el porcentaje del error promedio (PERCENT).

El resultado del modelo de clasificación PLS-DA es un diagrama de dispersión en el que cada muestra se clasifica en una de las clases predeterminadas (ICS) y una evaluación estadística de diferencias significativas entre clases (^{Brereton y Lloyd, 2014}; ^{Levi, Karnieli y Paz, 2020}).

Materia orgánica e índice de calidad de los suelos de la RR de Tabasco

El contenido de MO muy alto y alto se encuentra en suelos con uso continuo, desde 1984, de vegetación secundaria y pastizales. Contrastando con los suelos utilizados con cultivos de temporal y anual que muestran un nivel de bajo a medio. Con base en las clases de MO establecidas en la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}), el 10% de los suelos de RR pertenecen a la clase muy alta, un 54% a la clase alto, el 21% a la clase media y el 2% a la clase baja (Cuadro 1). ^{Dorji, Odeh y Field (2015)} mencionan que las diferencias en el contenido de carbono orgánico del suelo, son atribuidas al tipo de cubierta vegetal, así como al tipo de textura (^{Imbellone, Giménez y Panigatti, 2010}). De acuerdo con ^{Imbellone et al. (2010)}, al aumentar el material fino (arcilla+limo), el COX queda protegido por la formación de complejos órgano-minerales y el efecto de la textura sobre el COX se relaciona con la cantidad, distribución de fracciones y calidad. Por lo que se, deduce que la estructura del suelo influye en el almacenamiento del COX (^{Ramírez, Alvarado, Pujol, McHugh y Brenes, 2008}).

Con base en el índice de calidad de suelo (ICS) y la calificación de ^{Fernández, González y Sáez (2016)}, el 58% de los suelos de la RR presentan degradación, donde el 29% de los suelos pertenecen a la clase 1, calificado como degradado; otro 29% corresponde a la clase 2, que presenta alto riesgo de degradación física; el 21% de las muestras analizadas corresponde a la clase 3, considerada con moderado riesgo a la degradación y el 21% de los suelos restantes corresponden a la clase 4, que significa que son suelos estables estructuralmente.

De acuerdo con ^{Gozukara et al. (2022)} el COX es el indicador más utilizado en la evaluación de la calidad del suelo. Pero con los resultados obtenidos se deduce que el ICS es más sensible para identificar suelos con problemas de degradación, cuando se compara con los resultados obtenidos contra clases definidas en la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}). Con el ICS se identifican un número mayor de suelos degradados y con alto riesgo de degradación física (Cuadro 1).

En el suelo Cambisol, para las clases 1 y 2 del ICS, se recomienda un programa de manejo sostenible del suelo y prácticas edafológicas adaptadas a las condiciones locales, ambientales, sociales y económicas, para incrementar el COX y mejorar el ICS como se recomiendan a nivel mundial (^{Bünemann et al., 2018}). Los suelos que corresponden a la clase 3, deben ser atendidos para detener o disminuir el proceso de degradación física con prácticas de restauración ecológica basada en la mejora de las propiedades del suelo y el aumento de la cubierta vegetal para la recuperación de la productividad y la sostenibilidad (^{Bai, Zha y Chen, 2020}). Finalmente, los suelos que corresponden a la clase 4, se mantienen estables estructuralmente (^{Fernández, 2014}) pero se requiere conservar la cubierta vegetal para evitar su degradación.

Modelo de clasificación del índice de calidad de suelo mediante la tecnología NIRS y la quimiometría

Para generar estos índices es necesario realizar el análisis de la granulometría y el COX con métodos convencionales establecidos en la NOM-021-SEMARNAT-2000 (^{SEMARNAT, 2002}); estos análisis requieren horas para su ejecución, reactivos, personal y generan residuos de laboratorio (^{Levi et al., 2020}); además de que destruyen la muestra.

La tecnología NIRS es una alternativa a los métodos convencionales en el análisis de suelos. Por lo cual, se planteó esta investigación como una alternativa para predecir el ICS en minutos, sin destruir la muestra y sin generar residuos de laboratorio.

En la Figura 3 se muestran los 48 espectros NIRS de los suelos, uno por cada muestra. Los resultados se presentan en unidades de absorbancia (A = log 10 (1/ Reflectancia), de acuerdo con ^{Liu et al. (2020)}, es una alternativa para mejorar la linealidad de los espectros.

Figura 3: Espectros VIS-NIR-SWIR de las muestras de suelos de la Región de los Ríos Tabasco, México.  

Figure 3: VIS-NIRS-SWIR spectra of the samples from the Los Rios Region Tabasco, Mexico. 

Con los valores del índice de calidad (Cuadro 1) y los espectros VIS-NIR-SWIR (Figura 3) se obtuvo un modelo clasificatorio-discriminante de mínimos cuadrados parciales (PLS-DA).

Para establecer el modelo PLS-DA se utilizaron transformaciones de segunda y primera derivada, y logaritmo base 10, transformaciones similares a las utilizadas por ^{Nespeca, Piassalonga y De Oliveira (2018)}. Las transformaciones aumentan la covarianza de los datos espectrales con las clases del ICS por lo que es un modelo de clasificación confiable para predicciones (^{Levi et al., 2020}).

Con el modelo de clasificación PLS-DA se obtuvo un 100% de las variables correlacionadas, para los suelos Cambisoles incluidos de este estudio, similar a lo obtenido por ^{Soares, Alves, Linhares, Filho y Fontes (2017)}. Para la extrapolación del modelo, a otras regiones, deben incluirse espectros que integren la variabilidad de los suelos, para una mejor predicción. Las 48 muestras fueron debidamente clasificadas conforme al ICS obteniendo mejores resultados estadísticos que los reportados por ^{Levi et al. (2020)}; y resultados del R² mayores a 0.90; que es similar a los obtenidos por ^{Lopo et al. (2018)}. En el grupo de entrenamiento se obtuvieron valores de RMSE bajos y coeficientes de determinación altos (cercanos a 1) (Cuadro 2). Mientras que, en la validación externa con el 10% de las muestras seleccionadas se obtuvo el 100% de las predicciones de las clases, lo que confirma la robustez y confiabilidad del modelo como lo recomiendan ^{Javadi, Munnaf y Mouazen (2021)}. La sensibilidad y la selectividad indican que el modelo clasificó correctamente todas las muestras (clases contra predicción Cuadro 2). Por tanto, el modelo PLS-DA clasificó correctamente el 100% de las muestras de calibración y de validación. Con este tipo de modelo es posible predecir los valores tanto para los datos originales (autopredicción) como para muestras futuras de orígenes desconocidos, o muestras de pruebas de orígenes conocidos (^{Brereton y Lloyd, 2014}).

El grupo de entrenamiento y el de validación externa presentaron coeficientes de determinación altos (Cuadro 2), los cuales son buenos, de acuerdo con ^{Soares et al. (2017)}. Las predicciones de las muestras obtuvieron valores de SEC bajos y coeficientes de determinación en la calibración altos, por lo que la discriminación entre las muestras y clases presentan buen ajuste y, por lo tanto, mayor confiabilidad analítica (^{Demattê et al., 2019}). Resultados similares (alta correlación) fueron obtenidos por ^{Nespeca et al. (2018)} cuando utilizaron PLS-DA para clasificar muestras de suelo contaminados por hidrocarburos.

Las predicciones del modelo PLS-DA, son iguales a los generados con el ICS del método convencional (COX / (arcilla+limo)). Con la ventaja de ser más rápido y económico, sin consumo de reactivos, sin emisión de residuos de laboratorio y no destructivo. Solo se realizó un proceso de secado y molido de la muestra de suelo (^{Levi et al., 2020}).

Con los espectros del NIR, los datos de ICS y la quimiometría, es posible generar modelos PLS-DA para identificar suelos que se encuentren degradados (clase 1), con alto riesgo de degradación física (clase 2), moderado riesgo a la degradación (clase 3) o estructuralmente estable (clase 4) (Figura 4). Los resultados del modelo PLS-DA corroboran que con los espectros VIS-NIR-SWIR es posible clasificar satisfactoriamente los tipos de suelo dentro de una región geográfica conocida (^{Lopo et al., 2018}). Esto demuestra que la calidad del suelo se puede diagnosticar con la espectroscopía de infrarrojo cercano. Al respecto, ^{Levi et al. (2020)} indican que un método integral con modelos matemáticos puede tener resultados aplicables, tal como sucede con las muestras de suelos de la RR. Siempre que presenten características similares en cuanto a granulometría y porcentajes de carbono orgánico para predecir los índices de calidad de suelo (^{Gozukara et al., 2022}). Con el análisis espectral de muestras de suelo es posible generar modelos de clasificación PLS-DA como un método confiable, rápido y accesible para evaluar la calidad del recurso. Lo anterior es posible debido a las diferencias espectrales de las muestras de suelo (^{Perret et al., 2020}).

Figura 4: Grupos por clases del ICS para las muestras tomadas en la región de Los Ríos, Tabasco, México.  

Figure 4: Groups by SQI classes for the samples collected in the Los Rios region, Tabasco, Mexico.