Prediciendo de la variabilidad espacial de las propiedades del suelo seleccionadas mediante el mapeo digital de suelo en un viñedo del secano de Chile Central

Abstract

Las propiedades físico-hidráulicas del suelo influyen en el comportamiento del viñedo, por lo tanto, el conocimiento de su variabilidad espacial es esencial para tomar decisiones de manejo. El estudio tuvo como objetivo modelar y mapear las propiedades físicas del suelo mediante un enfoque basado en conocimiento de mapeo digital del suelo. Este estudio tuvo como objetivo predecir la variabilidad espacial de las propiedades físicas del suelo para un viñedo de secano utilizando datos de detección remota y el modelo de Random Forest (RFM). El sitio de estudio es un viñedo de 29 ha, ubicado cerca de la ciudad de Cauquenes en la Región del Maule de Chile. Se dividió en cuadrículas regulares (60 x 60 m2), recogiendo y georreferenciando muestras de suelo perturbadas y no perturbadas a tres profundidades (0-20 cm, 20-40 cm y 40-60 cm). En 62 ubicaciones se analizaron los perfiles del suelo a 60 cm de profundidad para: distribución del tamaño de partícula, materia orgánica, densidad aparente, porosidad total, densidad de partículas, índice de estabilidad estructural, índice de repelencia, estabilidad de microagregados, resistencia a la penetración, resistencia al corte, conductividad hidráulica saturada, características de retención de agua del suelo, distribución de poros por tamaño y estabilidad de macroagregados. La estadística descriptiva mostró baja a muy alta variabilidad en las propiedades. Utilizamos un algoritmo de RF para vincular las covariables ambientales que describen los factores de formación del suelo y once propiedades del suelo seleccionadas en los intervalos de profundidad. La precisión del modelo se midió por R2, nRMSE, RMSE y sesgo. El modelo RF para arcilla, arena, relación de dispersión, y punto de marchitez permanente (PWP) funcionó adecuadamente, aunque los modelos no pudieron predecir de manera confiable el AWC, la porosidad total y el contenido de materia orgánica. Los mapas de predicción mostraron que los valores más altos de arcilla, capacidad de campo (FC), y PWP se encontraban en el lado occidental del campo donde hay una elevación más baja en el paisaje. Hubo un mejor desempeño de predicción en el contenido de arcilla de la superficie que en el subsuperficial (por ejemplo, R2 de 0,66; RMSE de 4,3% para 0-20 cm y R2 de 0,51; RMSE 5,6% a 40-60 cm). En general, la distribución del tamaño de partícula muestra variaciones marcadas en el viñedo con un mayor contenido de arena en comparación con el contenido de limo y arcilla. Hubo un menor rendimiento de predicción en de la relación de dispersión de superficie que la subsuperficial (por ejemplo, R2 de 0,49; RMSE de 10,1% para los 0-20 cm y R2 de 0,81; RMSE de 8,7% a 40-60 cm). El modelo de RF sobreestimó las áreas con valores bajos y Sobreestimó las áreas con valores altos. El análisis de importancia variable mostró que el Índice de Posición Topográfica, el Índice de Humedad Topográfica, el aspecto, el Factor de longitud de pendiente, el área de captación modificada, el gradiente de pendiente del área de captación y la curvatura longitudinal se encontraban entre las covariables que más influían en la predicción.

Soil physico-hydraulic properties influence vineyard behavior, therefore the knowledge of their spatial variability is essential for making vineyard management decisions. The study aimed to model and map soil physical properties by means of knowledge-based digital soil mapping approach. The study site, a vineyard of 29 ha located near Cauquenes city in Maule Region, Chile, was divided in a regular square grid (60 x 60 m2), collecting and georeferencing disturbed and undisturbed samples from three different soil depths (0-20 cm, 20-40 cm and 40-60 cm). At 62 locations soil profiles to 60 cm were analysed for particle size distribution, soil organic matter, bulk density, total porosity, particle density, structural stability index, repellency index, microaggregate stability, penetration resistance, shear strength, saturated hydraulic conductivity, soil water retention characteristics, pore size distribution and macroaggregate stability. The descriptive statistics showed low to very high variability within the field. We used a RF algorithm to link environmental covariates describing soil forming factors and eleven selected soil properties at three depth intervals. The model accuracy was measure by R2, nRMSE, RMSE and bias. RF model of clay, sand, dispersion ratio, and permanent wilting point (PWP), performed well, although the models could not reliably predict the available water content (AWC), total porosity and organic matter. Prediction maps showed that the highest amounts of clay, FC, and PWP were on the western side of the field where there is lower elevation in landscape. There was a better performance in the upper depth intervals than the lower depth intervals (e.g., R2 of 0.66; RMSE of 4.3 % for clay content at 0–20 cm and R2 of 0.51; RMSE of 5.6 % at 40-60 cm). Overall, the particle size distribution show marked variations across the vineyard with a higher sand content compared with silt and clay contents. There was a better performance in the lower depth intervals than the upper depth intervals (e.g., R2 of 0.49; RMSE of 10.1 % for dispersion ratio at 0–20 cm and R2 of 0.81; RMSE of 8.7 % at 40-60 cm). RF model overestimated areas with low values and underestimated areas with high values. Analysis of variable importance showed that Topographic Position Index, Topographic Wetness Index, aspect, Length Slope Factor, modified catchment area, catchment slope, and longitudinal curvature were the covariates with the highest influence on the prediction.