Grupos de suelos

En México, debido a la complejidad de los factores fisiográficos, climáticos, biológicos, y geológicos se presenta una diversidad amplia de grupos de suelo. En este estudio se incluyeron 19 grupos de suelos, Acrisol (AC), Andosol (AN), Arenosol (AR), Cambisol (CM), Chernozem (CH), Durisol (DU), Fluvisol (FL), Gipsisol (GY), Gleysol (GL), Kastañozem (KS), Leptosol (LP), Luvisol (LV), Phaeozem (PH), Planosol (PL), Regosol (RG), Solonchak (SC), Umbrisol (UM), Vertisol (VR), Calcisol (CL), que se encuentran distribuidos en todo el país (Figura 1) y comprenden el 99.2% del territorio nacional (^{INEGI, 2007}).

La base de datos de los grupos de suelos se obtuvo del conjunto de datos de perfiles de suelo, escala 1:250 000 Serie II (Continuo Nacional) del Instituto Nacional de Estadística y Geografía (^{INEGI, 2013}), clasificado con base a la WRB (^{FAO, 1999}).

Figura 1: Distribución de los perfiles de suelo para los grupos estudiados (^{INEGI, 2013}). 

Figure 1: Distribution of soil profiles for the studied groups (^{INEGI, 2013}). 

Obtención de las covariables por factor formador

En esta investigación se consideraron los factores de formación, clima, relieve, material parental y organismo.

Clima

El clima es uno de los factores que influyen directamente en la formación del suelo a escala planetaria (^{Blanco-Sepúlveda y Sensiales, 2001}), porque condiciona la velocidad de meteorización de la roca madre. Los parámetros que se consideraron en este factor son, temperatura, precipitación, índice de aridez y radiación solar. Los datos de temperatura media y precipitación anual se reportan en la base de datos del conjunto de perfiles de suelo ^{(INEGI, 2013}) y la radiación solar se obtuvo utilizando el software ArcGIS versión 10.5 (^{Esri, 2016}) así como la herramienta Spatial Analysts Tools, utilizando el comando Solar Radiation- Area Solar Radiation para realizar este análisis.

La temperatura y la radiación solar son factores que influyen en los procesos de meteorización y descomposición de la roca madre. La temperatura afecta la velocidad de las reacciones químicas y los procesos biológicos, mientras que, la radiación solar proporciona energía para la actividad biológica e influye vía la evapotranspiración (ET) en la disponibilidad de agua en el suelo. Las variables consideradas capturan aspectos relevantes de la influencia del clima en la formación de los suelos; además, varían significativamente en diferentes regiones y a lo largo de gradientes espaciales. Al incluir estas variables, es posible capturar patrones espaciales y diferencias regionales en la clasificación de suelos, que tome en cuenta la variabilidad climática y su influencia en la formación de los suelos en diferentes áreas del país.

El índice de aridez se obtuvo con la fórmula:

La precipitación media anual (Pma) y la evaporación (Ev) provienen de 1941 estaciones climatológicas del periodo 1981-2010 del Servicio Meteorológico Nacional (SMN) de la Comisión Nacional del Agua (^{CONAGUA, 2023}). La evapotranspiración potencial (Evt) se calculó mediante la expresión:

(^{Díaz-Padilla et al., 2011}). Los datos del índice de aridez resultantes se interpolaron mediante el método de Kriging para obtener la cobertura nacional (Figura 2) del cual se obtuvo el índice de aridez correspondiente a cada perfil de suelo.

Figura 2: Índice de aridez de los Estados Unidos Mexicanos. 

Figure 2: Aridity index of the Mexican United States. 

El índice de aridez se utilizó para evaluar la relación entre la precipitación y la evaporación, lo que proporciona información sobre la disponibilidad de agua en un área determinada. El uso de este índica radica en su capacidad para caracterizar la humedad relativa de un área, lo cual es relevante para comprender la formación y distribución de los suelos de diversos sitios, especialmente aquellos suelos donde domina la ET sobre la precipitación y viceversa.

Organismos

Los aspectos más importantes que tienen los organismos en la formación del suelo radican en las relaciones de intercambio de sustancias y energía entre los seres vivos y los minerales presentes en el material parental (^{IMT, 1998}). En este estudio se consideró como covariable, para este factor, el índice normalizado de vegetación (NDVI), obtenido del sensor MODIS (^{Copernicus, 2020}) cuya resolución es de 333 m y el periodo de datos fue del 1 al 10 de enero de 2014. Esta fecha se considera cercana a la publicación del vectorial de perfiles de suelos, permitiendo una coincidencia temporal mayor entre los datos de vegetación y los datos del suelo (^{INEGI, 2013}).

Relieve

La forma de la superficie de la tierra tiene un rol importante en la formación del suelo (^{Montgomery, 2007}). Las covariables para este factor se calcularon a partir del modelo de elevación digital (^{INEGI, 2011}) con resolución del píxel de 30 × 30 m. La función Fill, se utilizó con el objetivo de rellenar vacíos en la superficie del ráster y eliminar imperfecciones del modelo de elevación digital. Las covariables que se obtuvieron con la extensión ArcSIE 10^®, utilizando un tamaño de vecindad de 100 m y el método de Shi para el cálculo (^{Shi et al., 2007}) fueron las siguientes:

1. Gradiente. Inclinación del terreno, midiendo la inclinación en un lugar. Los valores se expresan en porcentaje (45 grados = 100%).

2. Curvatura general. Mide la forma general de un sitio, los valores positivos indican formas convexas y los valores negativos indican formas cóncavas.

3. Rugosidad. Esta se definió a través del Índice de Rugosidad Topográfica (TRI) desarrollado por ^{Riley, DeGloria y Elliot (1999)} utilizando la diferencia en valores de elevación de una celda central respecto a las ocho celdas que lo rodean.

4. Índice de humedad. Este índice también se denomina índice topográfico compuesto (CTI) y se calcula de la siguiente forma:

5. Índice de posición topográfica (IPT). Esta covariable identifica la porción geográfica de una región que maximiza la continuidad y la diversidad de las unidades de paisaje definidas por rasgos topográficos (^{Jenness, Brost y Beier, 2013}). Para la obtención del IPT se utilizó la extensión Land Facet Corridor Designer, de ArcGIS, para radios de acción de 100 metros.

6. Densidad de drenaje. Es la longitud de los cauces presentes en un área específica a una escala determinada, sus unidades son km km^-2. La densidad se calculó utilizando la red hidrográfica escala 1:50 000 (^{INEGI, 2010}).

7. Distancia al cauce más cercano. Es la longitud que existe entre un perfil del suelo al cauce más cercano. Para obtenerlo, se utilizó la red hidrográfica escala 1:50 000 (^{INEGI, 2010}) y la distancia en kilómetros.

Estas covariables se seleccionaron porque capturan características topográficas clave que influyen en la formación del suelo, incluyendo la pendiente, la curvatura, la rugosidad, la acumulación de agua y los patrones espaciales del relieve. Al considerar estas covariables, se obtiene una comprensión mejor de cómo el relieve afecta la formación y las características de los suelos en el área de estudio.

Material parental

El material parental es el punto de partida para la formación de un suelo. La composición química, mineralógica, textural y estructural de la roca, tiene correlación con propiedades físicas y química del suelo como permeabilidad, textura, fertilidad (^{Jenny, 1961}). La información del tipo de roca se encontró adjunta en la base de datos del conjunto de perfiles de suelo (^{INEGI, 2013}).

Balanceo de datos

Una de las complicaciones más comunes al trabajar con bases de datos, es que no se cuenta con el mismo número de observaciones por clases y tratamiento. Para evitar el desbalance de datos, se utilizó la técnica sintética de sobre muestreo con reemplazo Smote, el cual es un algoritmo que sobre muestra la clase minoritaria generando instancias sintéticas con el objetivo de equilibrarla con la mayoritaria. Las instancias sintéticas nuevas se generan a través de la interpolación entre varias instancias de clases minoritarias basándose en la regla del vecino más cercano (^{Chawla, Bowyer, Hall y Kegelmeyer, 2002}).

División de datos

La base de datos de los grupos de suelos se dividió en la porción 70-30; el 70% de los datos para entrenamiento y el 30% restante para realizar la calibración, con el propósito de evaluar el desempeño del modelo.

Modelado con random forest

El análisis de la información de las covariables de los perfiles de suelo para entrenamiento se realizó con el procedimiento de bosque aleatorio a través del algoritmo random forest en el programa “R” (^{Liaw y Wiener, 2002}) con el propósito de entrenar los modelos correspondientes a cada grupo de suelos y posteriormente aplicar estos modelos al conjunto de datos para validación. Los parámetros usados en random forest fueron 100 árboles y 4 covariables predictoras elegidas al azar por cada árbol generado, el cual se calculó considerando que los valores predeterminados para la clasificación es la raíz cuadrada de las covariables. El proceso del algoritmo es el siguiente:

a) Se seleccionaron individuos al azar (usando muestreo con reemplazo) para crear diferentes muestras de datos; b) Se crearon los árboles, eligiendo las variables al azar en cada nodo del árbol, dejando crecer el árbol hasta la máxima profundidad, con cada muestra de datos, obteniendo diferentes árboles, porque cada muestra contiene diferentes individuos y diferentes variables y, c) Se predicen los nuevos datos usando el voto mayoritario, donde clasificará como positivo si la mayoría de los árboles predicen la observación como positiva.

Los dos indicadores de importancia de las covariables que vienen con el algoritmo random forest son, la reducción media de exactitud (Mean Decrease Accuracy), la cual muestra el impacto o pérdida que tiene sobre el rendimiento de la predicción la modificación de una covariable en la base de datos de entrenamiento, que permite encontrar las covariables que tienen mayor poder predictivo en el modelo y la reducción media del índice Gini, o reducción de impureza (Mean Decrease Gini) mide la contribución de cada covariable a la homogeneidad de los nodos y las hojas en el bosque aleatorio resultante.

Importancia de las covariables

Las covariables de mayor importancia según la reducción media de exactitud son, índice de posición topográfica, índice de aridez, curvatura, radiación y densidad de drenaje. Estas covariables tienen un valor predictivo alto para caracterizar los 19 grupos de suelo (Figura 4).

Figura 4: Reducción media de la exactitud de las once covariables del modelo. 

Figure 4: Mean reduction in the accuracy of the eleven covariates of the model. 

En la Figura 5 se muestran las cinco covariables más importantes según la reducción media del índice Gini, las cuales son, índice de posición topográfica, índice de aridez, radiación, temperatura y NDVI. Estas covariables son fundamentales para crear categorías diferenciadas, porque miden la homogeneidad en los nodos y hojas del árbol de decisión; además, estas covariables están directamente relacionadas con la forma en que se construyen los árboles de decisión.

Figura 5: Reducción media de Gini de las once covariables del modelo. 

Figure 5: Mean Gini reduction of the eleven covariates of the model. 

Evaluación del modelo

La evaluación del modelo se realizó mediante la generación de una matriz de confusión utilizando la base de datos de prueba. En el Cuadro 1 se presenta la matriz, la cual analiza el rendimiento del modelo en la clasificación de los grupos de suelo. En la matriz de confusión, se observa que, algunos grupos de suelo presentan una precisión menor en la clasificación, específicamente los grupos Leptosol y Phaeozem con una precisión de 62.1 y 62.5%, respectivamente. Esto indica que el modelo puede presentar incidencias para distinguir adecuadamente entre estas clases de suelo. El grupo de suelo Durisol destaca por su precisión alta, con un valor de 94.8%, indicando que, el modelo es capaz de clasificar de manera muy precisa las muestras relacionadas a este grupo.

Los resultados son importantes para comprender las fortalezas y limitaciones del modelo de clasificación utilizado. La precisión menor en ciertos grupos de suelo se atribuye a factores diversos como la variabilidad intrínseca de las muestras o la presencia de características similares entre los grupos. Por su parte, la precisión alta en el grupo Durisol indica que, este grupo presenta características distintivas y bien definidas en relación con los demás grupos.

En general, estos resultados permiten tener una visión más completa del desempeño del modelo y proporcionan información para futuras investigaciones y mejoras en la clasificación de suelos. Las limitaciones del modelo se deben tomar en cuenta y buscar formas de optimizar el modelo para mejorar la precisión en la clasificación de todos los grupos de suelo.

La precisión global del modelo alcanzó un valor de 81.83% (Cuadro 2), indicando que el modelo es capaz de clasificar correctamente aproximadamente el 81.83% de las muestras de suelo en la base de datos de prueba. Este resultado es satisfactorio y sugiere que el modelo tiene un desempeño correcto en la clasificación de suelos.

El índice de Kappa también se calculó y es un parámetro utilizado para medir la concordancia entre la clasificación realizada por el modelo y la clasificación real de las muestras. El valor del índice de Kappa obtenido en este estudio es superior a 0.80 (Cuadro 2) y, de acuerdo con la interpretación propuesta por ^{Landis y Koch (1977)}, indica una concordancia muy buena entre el modelo y la clasificación real de las muestras.

Los resultados respaldan la eficacia y la robustez del modelo de clasificación utilizado en este estudio. La precisión global alta y el valor de Kappa superior a 0.80 sugieren que, el modelo es capaz de capturar y utilizar de manera efectiva las relaciones y patrones que se encuentran en los datos para realizar una clasificación precisa de los grupos de suelo. Sin embargo, se debe considerar que, la precisión del modelo difiere en función de las características específicas de los conjuntos de datos utilizados y de las condiciones particulares del estudio. Por lo anterior, se recomienda realizar análisis adicionales y validar el modelo en diferentes contextos antes de generalizar los resultados. Los resultados indican que, el modelo muestra un nivel alto de precisión y concordancia en la clasificación de los grupos de suelo y respaldan la utilidad y aplicabilidad del modelo en la caracterización de los suelos.

En el Cuadro 3 se muestran las estadísticas por grupo de suelo, donde se destaca la sensibilidad que varía entre 0.21 y 1.0. La sensibilidad representa la tasa de valores que se clasifican correctamente dentro de cada grupo de suelo. Un valor más alto de sensibilidad indica una clasificación mejor de los grupos de suelo. Los grupos de suelo Acrisol, Gleysol y Gipsisol presentan una sensibilidad de 1.0, que significa que, todos los valores de estos grupos se clasifican correctamente por el modelo. Lo anterior indica que, el modelo tiene una capacidad alta para identificar y clasificar adecuadamente las muestras correspondientes a estos grupos de suelo.

El valor de 1.0 de sensibilidad no necesariamente implica una clasificación perfecta para todos los grupos de suelo, pues cada grupo de suelo tiene características específicas y distintivas, y algunos grupos pueden ser más fácilmente distinguibles y clasificables que otros. El modelo tiene un desempeño satisfactorio en la clasificación de los grupos de suelo, especialmente para los grupos Acrisol, Gleysol y Gipsisol, donde la sensibilidad es máxima (Cuadro 3).

Los datos clasificados por grupo de suelo muestran que, los grupos de suelo que están más cohesionados en la clasificación presentan una precisión mayor, indicando que, las muestras de estos grupos se clasificaron de manera acertada y consistente. Por otro lado, los grupos de suelo con precisión menor muestran una dispersión mayor, sugiriendo que, algunas muestras de estos grupos se clasificaron en otros grupos edáficos (Figura 6). Los resultados destacan la importancia de la coherencia y la homogeneidad dentro de cada grupo de suelo en la clasificación. Las muestras de un grupo de suelo que comparten características similares y forman un conjunto más compacto, es más probable que sean clasificadas correctamente; en contraste, cuando las muestras de un grupo de suelo presentan variabilidad mayor y se dispersan en el espacio de clasificación, es más difícil asignarlas de manera precisa a un único grupo edáfico, lo que conlleva a una precisión menor en la clasificación.

Figura 6: Clasificación de los grupos de suelo. 

Figure 6: Classification of soil units. 

En un estudio realizado en Haití a través del modelo random forest con una precisión global de 52%, ^{Jeune, Francelino, Souza, Fernandes y Rocha (2018)} concluyen que, las covariables nivel de base de la red de canales (CNW), elevación, textura de la superficie del terreno, precipitación, NDVI, distancia vertical a la red de canales (VDCN), pendiente, litología y curvatura fueron las más importantes en la clasificación de los ocho grupos de suelos, Cambisoles, Chernozems, Fluvisoles, Gleysoles, Leptosoles, Luvisoles, Nitisoles y Vertisoles clasificados mediante la World Reference Base.

En una cuenca hidrográfica Guapi-Macacu en Brasil, ^{Pinheiro, Owens, Anjos, Carvalho y Chagas (2017)} utilizaron los métodos de árbol de decisión y random forest para predecir los grupos de suelo en la cuenca. La clasificación de los suelos se basó en la clasificación de la World Reference Base y los órdenes taxonómicos de suelos predominantes identificados fueron Ferrasoles, Acrisoles, Gleysoles, Cambisoles, Fluvisoles y Regosoles. El algoritmo random forest demostró ser un modelo de rendimiento mayor, pues los índices estadísticos resultantes se consideran excelentes, con una precisión global de 0.966 y un índice Kappa de 0.962. Estos valores indican una concordancia alta entre las clasificaciones realizadas por el modelo y las clasificaciones de referencia. En cuanto a las covariables utilizadas en el modelo, se incluyeron varios atributos relacionados con la topografía, la geomorfología y la composición del suelo. Estos atributos incluyeron la elevación, la pendiente, la curvatura, el índice topográfico compuesto, la distancia euclidiana de las redes de arroyos, el mapa de formas del terreno, el índice de minerales de arcilla, el índice de óxido de hierro y el índice de vegetación de diferencia normalizada, así como información sobre la geología de la zona de estudio. La inclusión de estas covariables permitió capturar la variabilidad espacial de los suelos en la cuenca hidrográfica Guapi-Macacu y contribuyó a la precisión y robustez del modelo de clasificación. Los resultados reportados en la cuenta Guapi-Macacu respaldan la importancia de considerar atributos múltiples relacionados con la topografía, la composición del suelo y las características del paisaje para mejorar la predicción de los grupos de suelo en México.

En una cuenca árida al oste de Utha, USA, ^{Stum et al. (2010)} identificaron 24 clases de suelo utilizando el método de random forest y de las covariables NDVI, aspecto, pendiente y curvatura, obteniendo una precisión general de 44.8% y definiendo 19 grupos de suelo con las covariables, índice de posición topográfica, índice de aridez, curvatura, radiación solar, temperatura, densidad de drenaje, geología, distancia al cauce más cercano, índice de humedad topográfico, NDVI, y rugosidad, obteniendo una precisión de 0.96 por ciento.