texto en 
Inglés (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La sostenibilidad de la producción agrícola, forestal, de ganadería extensiva y del ambiente, en general, está ampliamente relacionada con el manejo y conservación del suelo. Dicha sostenibilidad solo puede alcanzarse a partir del conocimiento científico y técnico de este recurso (FAO, 2006). El suelo es de vital importancia para la vida, debido entre otras razones, al rol que juega en el ciclo de algunos elementos (Maestre et al., 2008). El conocimiento de sus características físicas, químicas y biológicas, se considera fundamental para la toma de mejores decisiones sobre el manejo del mismo.
Las propiedades del suelo, generalmente, son determinadas mediante métodos de laboratorio, por química húmeda o seca, los cuales en la mayoría de los casos son laboriosos, tardados y costosos (Ge et al., 2011); además de, generar residuos químicos que, de no manejarse en forma adecuada, pueden causar contaminación ambiental (Zornoza et al., 2008). Aunado a lo anterior, algunas características químicas del suelo tienen un ciclo muy dinámico y una gran variabilidad espacial. Esto dificulta y encarece la obtención de información confiable, lo cual hace indispensable el análisis de grandes cantidades de muestras para lograr un buen conocimiento del comportamiento de dichas propiedades (Plant, 2001).
Por lo anterior, existe una necesidad a nivel mundial de desarrollar métodos rápidos, económicos, precisos y confiables para analizar las propiedades edáficas (Shepherd y Walsh, 2007).
En las últimas décadas se han desarrollado muchas aplicaciones de la espectroscopia infrarroja, tanto en ciencias agrícolas como en las ambientales, debido a que son muy sensibles en la detección de constituyentes orgánicos e inorgánicos del suelo. Esto se basa en la relación existente entre vibraciones moleculares fundamentales intensas con los constituyentes del suelo en la región del infrarrojo medio (2 500 a 25 000 nm). Simultáneamente, en el infrarrojo cercano (700 a 2 500 nm) se generan sobretonos y combinaciones de esas vibraciones fundamentales, por el alargamiento y flexión de enlaces N-H, C-H y O-H, además de transiciones electrónicas en la región visible (400 a 700 nm) del espectro electromagnético (Viscarra et al., 2006).
En particular, la espectroscopia en el infrarrojo cercano (NIR, por sus siglas en inglés) es un método que permite cuantificar, de manera indirecta, algunas propiedades del suelo con base en la interacción de la materia con un haz de luz incidente, en el que una porción de fotones es absorbida (absorbancia) y el resto reflejada (reflectancia) (Pérez et al., 2014). También se ha registrado absorción de radiación en la región del infrarrojo por varios grupos funcionales, tales como C-H, N-H, S-H, C=O y O-H, presentes principalmente en moléculas orgánicas (Viscarra et al., 2006).
La tecnología VIS-NIR tiene numerosas ventajas frente a los análisis convencionales: es rápida, eficaz, no destructiva, de bajo costo, requiere tiempo mínimo de análisis por muestra, es sencilla y puede ser un complemento ideal, o incluso sustituir a los métodos clásicos, una vez que se desarrollan calibraciones robustas (Terhoeven et al., 2008; Xie et al., 2012), además posee la capacidad de predecir diversas propiedades a partir de un solo espectro.
En el campo de la agronomía, la espectroscopia NIR o VIS-NIR abarca diversos campos. Uno de ellos es la determinación de propiedades del suelo, como el contenido de nitrógeno (Jarquín et al., 2011), carbono y nitrógeno totales (Fuentes et al., 2012), materia orgánica (Rodríguez et al., 2015), porcentaje de arena, limo y arcilla, (Macías et al., 2015), respiración basal (Maestre et al., 2008), 13C (Fuentes et al., 2009) y clasificación de suelos (Bastidas y Carbonell, 2010). Esta tecnología también se usa para la detección indirecta de enfermedades en plantas (Pérez et al., 2014), así como para la evaluación de la calidad de algunos forrajes (Valenciaga y Oliveira, 2006).
En México, la técnica VIS-NIR ha sido poco aplicada en análisis de suelos forestales, debido, en gran parte, a la dificultad que se tiene para disponer de una cantidad considerable de muestras para realizar las calibraciones correspondientes. Lo anterior es, particularmente, difícil en un país como México, el cual se caracteriza por su gran diversidad natural de suelos, climas, tipos de vegetación, así como de las formas en que los ecosistemas se han manejado a través del tiempo. Por ejemplo, de acuerdo con INEGI (2007), en el país existen 26 de los 32 grupos de suelo reconocidos por el Sistema Internacional Base Referencial Mundial del Recurso Suelo (IUSS, 2007). Por ello, se requiere el desarrollo de métodos que permitan estimar con buena precisión la variabilidad espacial de las propiedades físicas y químicas de grandes cantidades de muestras en un tiempo reducido, a bajo costo y con el menor impacto ambiental posible.
El objetivo de este trabajo fue crear un modelo de predicción para el contenido de carbono orgánico y nitrógeno total en muestras de suelos forestales de México, mediante espectroscopia en la región espectral VIS-NIR.
Materiales y Métodos
La presente investigación se llevó a cabo entre 2015 y 2016 en el laboratorio de suelos del Campo Experimental La Laguna, dependiente del Centro de Investigación Regional Norte Centro del Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, ubicado en Matamoros, Coahuila, México.
Muestras
Se analizaron 599 muestras de suelos forestales del Inventario Nacional Forestal y de Suelos 2014 de la Comisión Nacional Forestal (Conafor), procedentes de diversas regiones de México (Figura 1). Las muestras fueron secadas a temperatura ambiente, posteriormente se molieron y tamizaron en mallas de 2 y 0.5 mm de abertura para obtener fracciones fina (utilizada en los análisis convencionales) y gruesa (para la captura de espectros en VIS-NIR), respectivamente. A continuación, se almacenaron, a temperatura ambiente, en botes de plástico cerrados herméticamente.
Análisis convencionales
Las muestras se analizaron por métodos convencionales a partir de la fracción fina del suelo. Los valores de carbono total (CT) y nitrógeno total (NT) se obtuvieron por el método Dumas en un Analizador Elemental Total Flash 2000 (Thermo Scientific). Se pesaron entre 20 y 50 mg de suelo con una balanza analítica OAHUS PA224C, previamente secado a temperatura ambiente y tamizado a 150 μm. Las muestras se calcinaron en el analizador elemental Thermo Scientific Flash 2000 a 950 °C usando oxígeno como agente oxidante (AOAC, 2005). El carbono inorgánico (CI) se calculó con base en la determinación de carbonatos totales, por el método del calcímetro de Bernard, el cual mide el volumen de CO2 que desprende la muestra al reaccionar en presencia de HCl (Gaucher, 1971). El contenido de carbono orgánico (CO) se determinó por diferencia del carbono total menos el carbono inorgánico del análisis de los carbonatos totales.
Desarrollo del modelo NIR
Consistió de cuatro etapas básicas: análisis de todas las muestras por los métodos convencionales, obtención del espectro de cada una, calibración de las ecuaciones de regresión y validación del modelo (Macías et al., 2015). Para la realización del modelo VIS-NIR se utilizó un equipo NIR Feed and Forage 6500 (FOSS). Previo a la captura de los espectros, se corrieron las pruebas de desempeño para asegurar que el equipo funcionara correctamente. La reflectancia medida fue un promedio de 32 escaneos por muestra en un intervalo de longitud de onda de 400 a 2 500 nm (región visible y región infrarrojo cercano) con 2 nm entre puntos de datos colectados, para un total de 1 050 puntos espectrales.
Calibración. Se utilizaron 448 muestras, seleccionadas mediante un análisis discriminante basado en distancias de Mahalanobis (H), que permite reducir el número de bandas espectrales por medio del análisis de componentes principales (PCA, por sus siglas en inglés). A partir de lo anterior, se determinan las variables que representan gran parte de la variabilidad de las bandas iniciales, y los valores extremos son aquellos con una distancia mayor de 3. Este procedimiento es útil para la identificación y eliminación de datos sesgados (outliers), los cuales, al incorporarlos al modelo reducen la confiabilidad del mismo (Pell, 2000). Los análisis antes mencionados han sido muy utilizados en el manejo de respuesta espectral de suelos (Guerrero et al., 2010; Gogé et al., 2012).
La ecuación de calibración se obtuvo con el software winISI v4.20 (Infrasoft International, 2010) mediante regresión de mínimos cuadrados modificados (MPLS, por sus siglas en inglés) entre los resultados de los métodos convencionales y los datos espectrales generados en la región comprendida entre 400 y 2 500 nm. Previamente, se aplicaron los siguientes tratamientos matemáticos: SNV (Standard Normal Variate) and Detrend para la corrección de problemas de dispersión y tamaño de partícula; así como ajustes de la línea base y de tendencia de los datos, respectivamente, y en arreglo 2,4,4,1; en el cual el primer número indica la derivada aplicada para mejorar la resolución espectral; el segundo el intervalo entre el cálculo de derivadas, el tercero es la longitud del segmento por ser suavizado con el propósito de minimizar el ruido espectral, y el cuarto número señala que el segundo suavizado no se utilizó.
Validación. La validación del modelo de predicción se llevó a cabo con 46 muestras del total recibidas, las cuales no se incluyeron en el proceso de calibración. Estas se usaron para determinar la exactitud y precisión del modelo desarrollado para predecir los diferentes parámetros de interés, mediante una comparación entre los valores predichos y los calculados con los métodos tradicionales. La captura de espectros se hizo con el software ISIscan v3.1 (Infrasoft International, 2010) con los mismos parámetros usados en el proceso de calibración, mientras que las operaciones quimiométricas se realizaron con el software winISI v4.20 (Infrasoft International, 2010).
La exactitud del modelo se evaluó con base en el coeficiente de determinación (R2) y la relación entre el error estándar de predicción y la desviación estándar de las muestras (RPD) (Minasny y McBratney, 2013). Un valor de R2 de 0.66 a 0.81 corresponde a un buen modelo, una R2 entre 0.82 y 0.90 revela buena predicción, mientras que una superior a 0.91 se considera excelente (Williams, 2003). En el caso de los valores de RPD, los criterios utilizados en este trabajo fueron los desarrollados por Chang et al. (2001), quienes definen tres categorías: A= RPD> 2.0: bueno; B= 1.4≤ RPD ≤ 2.0: aceptable; y C: RPD <1.4: no fiable.
Resultados
Los valores predichos por el modelo desarrollado VIS-NIR, para CO oscilaron de 0.02 % a 18.29 %, con una media de 5.45 % (Cuadro 1). Los de NT entre 0.002 % y 1.445 %, de muy bajo (<0.05 %) a muy alto (>0.25 %) de acuerdo a la NOM-021-SEMARNAT-2000 (Semarnat, 2002). Las muestras con muy alto contenido de NT representaron 73 % y solo 3 %, se clasificaron con muy bajo contenido.
Cuadro 1 Estadística descriptiva de los valores de análisis convencionales y predichos mediante VIS-NIR para CO y NT.
| Carbono Orgánico (%) | Nitrógeno Total (%) | |||||||
|---|---|---|---|---|---|---|---|---|
| Media | Min | Max | DS | Media | Min | Max | DS | |
| Referencia | 5.42 | 0.23 | 21.02 | 3.90 | 0.48 | 0.005 | 2.004 | 0.38 |
| VIS-NIR | 5.45 | 0.02 | 18.29 | 3.48 | 0.46 | 0.002 | 1.445 | 0.29 |
DS = Desviación estándar
Los espectros generados en la región VIS-NIR se presentan en la Figura 2. En la región VIS, se observan picos entre los 450 y 600 nm, los cuales se relacionan, en parte, con el contenido de CO del suelo (Viscarra et al., 2006). Para el intervalo NIR, los espectros presentaron picos de absorbancia más altos, aproximadamente 1 400, 1 900 y 2 200 nm. En la banda de 1 400 nm se localizan las moléculas O-H y C-H alifático, a 1 900 nm el N-H de la amida y el O-H, mientras que la banda a 2 200 nm se asocia generalmente con O-H fenólico, N-H amina, y el grupo alifático C-H (Cozzolino y Morón, 2003).
Los valores de R2, para los modelos de calibración fueron de 0.93 para CO y 0.88 para NT (Figura 3). En el caso del RPD, fueron de 2.69 para CO y 2.05 para NT, por lo cual los modelos se clasifican con buena capacidad de predicción, dentro de la categoría A, definida por Chang et al. (2001).
En la validación, los valores de R2 para CO y NT fueron de 0.92 y 0.91, respectivamente y los de RPD en ambos resultaron mayores a 2.
Discusión
Actualmente, en el mundo existen 3 999 millones de hectáreas de bosque (30.6 %) (MacDicken et al., 2016), cuyo carbono (C) se estima en 861 Pg (1 Pg=1 × 1 015 g), de los cuales, 383 Pg se encuentran en el suelo (44 %) (Pan et al., 2011). Por otra parte, el N edáfico provee de fertilidad al suelo, lo que permite el desarrollo de las áreas forestales que, a su vez, brindan diversos servicios ambientales a la sociedad (Ruiz et al., 2007).
Mientras que el desarrollo de modelos de predicción NIR para el CO se han enfocado en áreas forestales, debido a la importancia del proceso de secuestro de carbono, varios estudios sobre el contenido de NT se han llevado a cabo en áreas agrícolas (Wetterlind et al., 2008; Zhang et al., 2016), por la importancia de este elemento en el crecimiento y desarrollo de los cultivos, con el objetivo de desarrollar metodologías optimas de fertilización.
Los modelos generados en este estudio mostraron un alto nivel de correlación y una buena capacidad de predicción. En el caso del CO, el más robusto tuvo una R2 mayor 0.9 y un RPD superior a 2, que coinciden con lo citado previamente (McCarty et al., 2002; Sarkhot et al., 2011; Kodaira y Shibusawa, 2013). El promedio de R2 de varios modelos de CO mediante NIR, según un estudio realizado por Viscarra et al. (2006) fue de 0.81.
Los modelos para NT también han presentado buenos ajustes (Reeves y McCarty, 2001). Los intervalos de R2 para NT variaron entre 0.68 y 0.98 (Nduwamungu et al., 2009).
En la Figura 3, se observa como el CO, que expresó un mejor ajuste en comparación con el NT, presenta una menor dispersión de los datos. Lo anterior puede deberse a los bajos valores de NT en el suelo, ya que, si bien, en la región NIR la radiación es absorbida por enlaces químicos como C-H, N-H, S-H, C = O y O-H de cualquier compuesto químico existente en la muestra, dicha radiación se absorbe de acuerdo a la concentración de estos compuestos (Zornoza et al., 2008), y como se muestra en el Cuadro 1, los valores de NT son muy bajos en comparación con los de CO, con una relación de C:N de 10:1 en los valores de la media, valores máximos de referencia y los predichos por VIS-NIR.
Si bien, el modelo desarrollado para nitrógeno se considera con buena capacidad de predicción, se pueden mejorar las métricas estadísticas mediante la ampliación del número de muestras, así como con la verificación del supuesto de normalidad de los datos, que, a pesar de no ser un requisito indispensable, sí mejora la capacidad de predicción del modelo (Diggle y Ribeiro, 2000).
Las bandas espectrales coinciden con los datos registrados por otros autores (Fidencio et al., 2002; Zhang et al., 2016). Las regiones VIS-NIR mostraron absorción de enlaces O-H (1 400 y 1 900) y C-H (2 200 nm), ambos sobretonos relacionados con la materia orgánica (Salgó et al., 1998), la cual se asocia con los micro y macroelementos existentes en la fracción del suelo, en forma de diversos compuestos (Cozzolino y Morón, 2003).
El grupo de validación independiente presentó también una buena correlación con R2 superiores a 0.9 y RPD mayores a 2, tanto para CO como para NT. Lo anterior sugiere que los modelos desarrollados poseen buena capacidad de predicción (Chang et al., 2001) para las propiedades analizadas.
La concentración de CO y NT en el suelo son propiedades que poseen una amplia base teórica, respecto al desarrollo de modelos de predicción (Barthès et al., 2010; Macías et al., 2015; Terra et al., 2015; Sisouane et al., 2017). Sin embargo, cuando las ecuaciones de calibración han sido desarrolladas, estas deben ser validadas, constantemente, con muestras independientes, pero dentro del intervalo considerado en el modelo inicial. Posteriormente, las muestras validadas pueden agregarse a la base de datos inicial, lo cual permite el desarrollo de nuevos modelos con un intervalo más extenso, y por lo tanto, con mayor capacidad de predicción. Lo anterior merece especial atención en el caso de México, ya que, debido a su amplia variedad de suelos, se requiere de una gran cantidad de muestras para diseñar modelos que puedan aplicarse a nivel nacional.
Conclusiones
Los valores de R2 y RPD, tanto en los procesos de calibración como de validación muestran la alta capacidad de predicción de los modelos VIS-NIR para la concentración de CO y NT en suelos forestales.
La espectroscopia VIS-NIR ha demostrado ser una técnica alternativa a los métodos de análisis de suelo convencionales, posee potencial para obtener de modo rápido y preciso predicciones sobre las propiedades químicas del suelo.
