Metodología para evaluación de la calidad del suelo en la creciente contaminación ambiental mediante teledetección en la búsqueda de un desarrollo sustentable (Investigación Doctoral)

Introducción

Los ambientes andinos son ecosistemas que se caracterizan por la diversidad de las plantas que han servido como fuente de alimento, medicina, combustibles, materiales de construcción que permitió la sedentarización y evolución cultural en la región a través del desarrollo de la agricultura (de la Torre, 2006). Dentro de los ecosistemas, la relación entre el hombre y las plantas se encuentra en la base de la cadena alimentaria, por lo que se debe considerar su influencia en el ambiente natural imprescindible para alcanzar el manejo sostenible.

La producción de alimentos se basa en el conocimiento de la capacidad de los suelos para sostener un nivel adecuado de producción (Miller, 1959). El suelo controla el movimiento del agua en el paisaje y funciona como un filtro biológico para la posible filtración de contaminantes a las esferas ambientales (Stenberg, B. et al, 2010). Sin embargo, el suelo puede degradarse por procesos químicos y físicos, lo que reduce su capacidad de funcionar como base para el desarrollo de una capa saludable para la vegetación. Por lo que es necesario métodos que permitan generar información sobre la calidad del suelo, que garantice un aprovechamiento adecuado del suelo y así promover su conservación.

Existen estudios de los ecosistemas mediante métodos convencionales de evaluación de la salud del suelo, como la medición de las propiedades físicas y químicas in situ, proporcionando datos en escala espacial y temporal dentro de unos límites focalizados a una localidad, presentando grandes limitaciones a los altos costos del trabajo de campo y equipos de medición, así como, a los tiempos de ejecución, con resultados de estimaciones puntuales (Gholizadeh & Kopaÿková, 2019). Alternativamente, varios estudios han mostrado la posibilidad de la caracterización de suelos contaminados mediante espectroscopia de reflectancias asociada a la teledetección en el ámbito de la exploración petrolífera  (Correa, R. et al., 2013). También, existen varios estudios que aplican espectrometría de laboratorio con espectrometría in situ utilizando varias muestras de suelos locales para predicción de algunas propiedades del suelo  (Baldock, J. et al., 2013) (Soriano-Disla, J.M. et al., 2014).

Por lo tanto, el avance tecnológico de la teledetección, ofrece cada vez mayores alternativas para el uso de productos de espectrometría satelital en estudios de evaluación ambiental, como una alternativa complementaria a los procedimientos de monitoreo in situ para ayudar en investigación, control y seguimiento del componente suelo. El campo de aplicación de estas herramientas en el componente suelo es extenso (Pérez González & García Rodríguez, 2013) mediante el estudio de las características del suelo tales como como reflectancia, degradación y posibles agentes contaminantes con el procesamiento de imágenes satelitales que permiten la inspección y monitoreo de grandes áreas en un tiempo y lugar fijo (Arciniegas, S. et al., 2022).

Existen varios estudios basados en modelos nacionales capaces de predecir espectros limitados en un laboratorio infrarrojo con análisis de algoritmos estadísticos (Baldock, J. et al., 2013) (Stevens, A. et al., 2013). En esta investigación, con el uso de estos métodos espectroscópicos para la evaluación de la calidad del suelo, se desarrollaron modelos para la estimación de indicadores basados en la combinación de orden del suelo, uso del suelo y características fisicoquímicas, utilizando análisis de regresión logística, análisis discriminante lineal y análisis de regresión. árboles. El enfoque ofrece un método que deriva las estimaciones utilizando la proporción de espectros de laboratorio/satélite cuando el suelo está bien representado por las muestras de calibración utilizadas para construir los modelos predictivos (Baldock, J. et al., 2013).

Por lo tanto, el rendimiento de estos modelos locales se puede utilizar en otros espacios geográficos al incorporar los espectros en un conjunto de datos para esa área (Bayat, B. et al., 2016).

Metodología

En la parte de metodología para colecta de muestras de suelo, en primer lugar, se explica el diseño de la colecta de las muestras de campo, posteriormente se describe el proceso a seguir para el muestreo de suelos. Luego de ello, se describe las normas empleadas para realizar los análisis de laboratorio de las propiedades fisicoquímicas de cada muestra de suelo de campo. El siguiente apartado describe el análisis espectral que consta de dos secciones, la primera sección explica el proceso aplicado a la imagen satelital S2, esta sección se denomina pre-procesamiento de imagen satelital Sentinel-2. La siguiente sección describe las mediciones espectrales en laboratorio de las muestras de campo, así como el proceso aplicado para obtener los valores de reflectancia por ZH en la imagen S2. Un siguiente apartado se indica la metodología propuesta para la construcción de la base de datos por orden de suelo, uso de suelo por ZH. Finalmente, llegar al proceso metodológico propuesto para el análisis estadístico que comprende dos partes, la primera parte describe el diseño de los modelos y su validación, mientras que la segunda parte describe la metodología para la obtención de los índices.

Resultados

En este capítulo se muestran los resultados del análisis de laboratorio de los parámetros fisicoquímicos de acuerdo a los métodos aplicados de acuerdo a las normas a cada una de las muestras de campo. El segundo apartado muestra el resultado obtenido luego de la aplicación de la corrección atmosférica superficial a la imagen S2. En el tercer apartado se presenta los resultados de las firmas espectrales de las muestras de campo en laboratorio por ZH, y se compara con los espectros por ZH de la imagen S2. Esto se realiza a través de los datos de la base de datos clasificada por ZH, por orden de suelo y uso de suelo.

En el último apartado se presenta los resultados del análisis estadístico planteado en la metodología, que consta de dos partes. La primera parte presenta el resultado del modelo 1 producto de la aplicación del algoritmo de regresión logística, obteniendo el índice 1 de orden de suelo, con este resultado se obtiene las estimaciones de los parámetros fisicoquímicos por ZH y orden de suelo, luego de aplicar el algoritmo de árbol de regresión.

Posteriormente, con los datos de la base de datos de acuerdo a la metodología explicada en el capítulo 3, se obtiene como resultado los modelos 2, 3 y 4, luego de ello se obtiene los índices 2 por orden de suelo Andisol y uso de suelo, el índice 3 por orden de suelo Mollisol 1 y uso de suelo, índice 4 por orden de suelo Mollisol 2 y uso de suelo. El cálculo de los índices permite obtener como resultado las estimaciones de los parámetros fisicoquímicos correspondientes a cada índice.

Finalmente, se llega al propósito de la presente investigación, como se lo argumenta en el apartado de discusiones.

Discusiones

Los resultados de este estudio permiten describir la correlación entre los parámetros fisicoquímicos con índice.2 (Andisol) (Ecuación 9), índice.3 (Mollisol 1) (Ecuación 10), índice.4 (Mollisol 2) (Ecuación 11), según el orden de suelo-uso de suelo en zonas homogéneas definidas en la Sección 2.7 y basadas en los criterios de Zebrowski (Zebrowski, 1997). Como ejemplo, en el caso del suelo de orden Mollisol, los valores de predicción de MO para Páramo fueron ≥8,6 % (Tabla 33), que es el comportamiento característico de la zona andina ecuatoriana, citado por Podwojewski (Podwojewski, 1999). Por el contrario, para Forestal y Pasto, los modelos de predicción presentaron un comportamiento con un menor valor MO < 8,6% (Tabla 33), un pH menos ácido y menor porcentaje de humedad del suelo, y una mayor conductividad (Instituto Espacial Ecuatoriano, 2013). Este comportamiento indica los efectos del impacto de la actividad humana, con un menor valor de MO en el uso de suelo Agricultura (<6,1%) (Tabla 34).

Los resultados presentados en este estudio difieren de otros estudios que compararon diferentes técnicas de clasificación usando imágenes Sentinel-2 (Borras, J. et al., 2017) (Peng, Y. et al., 2016), o consideraron la capacidad de las observaciones satelitales para monitorear y determinar el estado de la vegetación debido a factores de estrés ambiental evaluando índices de vegetación y clorofila (Gholizadeh & Kopaÿková, 2019).

A diferencia de otros enfoques metodológicos (Soriano-Disla, J.M. et al., 2014)(Hill, Udelhoven, & Vohland, 2011)(Yufeng, Thomasson, & Ruixiu, 2011)(Rosero-Vlasova, Pérez-Cabello, Montorio, & Vlassova, 2016), este estudio demuestra que la combinación de espectroscopía de laboratorio e imágenes multiespectrales con covariables ambientales es una alternativa adecuada para establecer modelos de análisis espacial para predecir la calidad de los suelos andinos en términos de variables fisicoquímicas. como CE, MO, pH y HU. Para este propósito, se mostró que realizar asociaciones entre el orden del suelo y el uso del suelo se presenta como una herramienta posible para evaluar los modelos predictivos logrados.

Predicciones de parámetros fisico-químicos

Estos modelos de árboles de regresión fueron más flexibles que los presentados por Hill (2011), porque no consideraron el incumplimiento de supuestos estadísticos como la normalidad o problemas de colinealidad entre variables predictoras. Los modelos de árboles de regresión permitieron realizar estimaciones aproximadas sustentadas en intervalos de confianza del 95% como medida del rango de variación de cada parámetro fisicoquímico, permitiendo una lectura desde el nodo superior hasta los nodos finales y viceversa, lo que no era posible en otros modelos aplicados (Figuras 39-40,42-43,45-46; Tablas 29-34) (Ali Aldabaa, A. et al., 2014) (Hill, Udelhoven, & Vohland, 2011) (Yufeng, Thomasson, & Ruixiu, 2011).

La calidad y la degradación del suelo son cruciales para desarrollar actividades agrícolas sostenibles (Baroudy, A., et al, 2020). Los métodos usuales para el monitoreo ambiental del suelo requieren mucha mano de obra y son costosos para cubrir grandes áreas de tierra (Gholizadeh & Kopaÿková, 2019) (Baldock, J. et al., 2013). Los datos satelitales en este campo abren nuevas oportunidades de investigación con grandes aplicaciones, ya que se pueden analizar grandes áreas de tierra y se puede evaluar la calidad del suelo en áreas de difícil acceso (Pérez González & García Rodríguez, 2013) (Chuvieco, 2008). Sin embargo, la investigación de la calidad del suelo se enfrenta a importantes desafíos tecnológicos por la gran cantidad de propiedades involucradas, de ahí la necesidad del continuo desarrollo de mayores análisis como alternativas a los procesos de evaluación (Cécillon, L. et al., 2009).

En este contexto, este estudio es muy valioso para la región andina ecuatoriana para la sustentabilidad del suelo. Adicionalmente, los resultados obtenidos en este estudio podrían ser adaptados en futuras investigaciones a otras regiones geográficas tras revisar el orden del suelo y el uso del suelo que permitan confirmar las relaciones observadas en los índices del modelo propuesto.

Conclusiones

Ante la situación planteada, en esta investigación se ha aplicado el método de pretratamiento de las imágenes multiespectrales S2 propuesto en la literatura para la obtención de reflectancias ortorectificadas en el fondo de la atmósfera, a partir de la imagen de reflectancia ortorectificada de la parte superior de la atmósfera, adquirida. Su aplicación se ajusta a los requisitos requeridos para su posterior aplicación en la metodología propuesta.

Posteriormente, este estudio ha evaluado la capacidad predictiva de los modelos de regresión logística, análisis discriminante lineal y árboles de regresión para estimar el contenido y composición de los componentes del suelo, como CE, MO, pH y HU, para suelos orden Andisol y Mollisol en suelos de uso Páramo, Arbustiva, Pasto, Agricultura, Forestal, utilizando el espectro VIS-NIR-SWIR de la imagen Sentinel-2 del flanco oeste del volcán Cayambe, cantón Cayambe, Ecuador. Los resultados obtenidos por métodos combinados RL+AR y DL+AR, indicaron que proporcionan una estimación confiable de CE, MO, pH y HU en la microcuenca del Río Blanco a partir del modelo discriminante lineal, espectro VIS_NIR-SWIR o espectro completo, para Mollisol (Arbustiva, Páramo, Pasto, Forestal, Agricultura), mientras que para Andisol (Arbustiva, Páramo, Pasto) presentó mayor robustez considerando el SWIR, al igual con el modelo regresión logística, para orden de suelo Andisol y Mollisol, espectro R-NIR.

La función de regresión logística permitió predecir los valores en función del orden de suelo. La función discrimante lineal permitió tratar los datos a partir de una combinación lineal de las variables orden de suelo Andisol por uso de suelo (Arbustiva, Páramo, Pasto) y orden de suelo Mollisol por uso de suelo (Grupo1: Forestal, Páramo, Pastos. Grupo 2: Agricultura y Arbustiva).

Los modelos no paramétricos tuvieron la ventaja de predecir los valores de las variables independientes CE, MO, pH y HU (propiedades del suelo).

Por lo tanto, la teledetección con imágenes Sentinel-2 se presenta como una oportunidad para desarrollar investigaciones a escala regional sobre parámetros de calidad del suelo en microcuencas para monitoreo constante a bajo costo y en una escala espacial media, presentando un buen potencial como impulso para futuros estudios de suelo.

Los modelos aplicados en el área de estudio sugieren que en orden de suelo presentan una correlación fuerte en el espectro R-NIR de laboratorio y satélite, mostrando Andisol una mayor reflectancia que Mollisol, debido a mayores contenidos de materia orgánica y presencia de ceniza volcánica.

En las firmas espectrales en la imagen de satélite la mayor reflectancia se dio en la banda NIR seguida de SWIR1, esto se debe a que la vegetación es la que más se refleja, en la zona del NIR existe un incremento de la reflectancia, debiendo considerar que puede tener interferencia por parte del suelo, debido a que la respuesta espectral del suelo, en este rango se asemeja a la respuesta espectral de la vegetación, y porque la composición del suelo influye en la cobertura vegetal, razón por la cual en la combinación DL+AR se considera el espectro completo. De ahí que, los modelos aplicados en el área de estudio sugieren que el uso de suelo Páramo, tanto en Andisol como Mollisol, presentan una correlación fuerte en el espectro VNIR-R-NIR, de laboratorio y satélite.

Debido a la complejidad para interpretar directamente la señal producida por los espectros, el análisis cuantitativo de la relación espectro laboratorio-espectro satelital-propiedades FQ hace uso de técnicas estadísticas de regresión, con un nivel de error (incertidumbre). La predicción de las propiedades se da a la correlación que existe entre espectro laboratorio-espectro satelital-propiedades FQ.

Este trabajo representa uno de los primeros esfuerzos para utilizar combinación de modelos RL+Ar y DL+AR resultado de la combinación de espectroscopía de laboratorio e imágenes multiespectrales con covariables ambientales para crear modelos de distribución espacial de la calidad de suelos andinos en términos de variables fisicoquímicas, como CE, MO, pH y HU.

Con base en el principio de replicabilidad de la investigación y según los resultados obtenidos, la metodología propuesta podría aplicarse a otras regiones y adaptarse para predecir las propiedades del suelo en función del orden del suelo específico del sitio y las propiedades del uso de la tierra. La investigación futura debería explorar la variabilidad de los parámetros de calidad del suelo geográficamente con el objetivo de construir modelos regionales.

En el aspecto científico el presente trabajo contribuye a generar nuevos modelos estadísticos predictivos, basados en el análisis de imágenes y datos para determinar la calidad del suelo, orientados a su aplicabilidad en la seguridad alimentaria, que se pueden aplicar en actividades agrícolas.

Este nuevo esquema de evaluación de la calidad del suelo aporta con una metodología accesible y económica para las estrategias de ordenamiento territorial y gestión sostenible del suelo, aspecto débil en la gestión administrativa de los GADs de Ecuador y poder establecer mapas de calidad del suelo a nivel regional.