Sitio del estudio

El estudio se llevó a cabo en el Pacífico Central costarricense, en la finca experimental de la Corporación Arrocera Nacional en Parrita, Puntarenas (9° 30’ 55.02” N, 84° 22’ 22.56” O). El área clasificada como bosque tropical húmedo (sistema de zonas de vida de L. Holdridge) presenta una temperatura media anual de 27 °C (máx. 32.5 °C y mín. de 22.5 °C), con precipitación media anual de 2 000 a 3 000 mm año^-1 (^{Alvarado-Velas et al., 2021}).

El suelo se clasificó como Fluventic Haplustepts con una textura gruesa media. Se trata de un Inceptisol aluvial caracterizado por ser coluvial del río Pirris, con un régimen climático ústico, baja materia orgánica, fertilidad media a alta, granulometría superficial media a fina en profundidad y presencia de afloramientos rocosos, para uso agrícola ver otras propiedades del suelo en el material suplementario (Cuadro 1).

Diseño experimental

En 2019, se establecieron 45 puntos de muestreo en un área de 1 ha con un espaciamiento de aproximadamente 15 m para evaluar la variabilidad espacial de las propiedades del suelo. Se hizo una calicata de 1 x 0.8 x 1 m en cada punto. La calicata se dividió en cuatro estratos: 0 a 20 cm, 20 a 40 cm, 40 a 60 cm y 60 a 100 cm, con muestras tomadas en el centro de cada perfil (10, 30, 50 y 80 cm) para análisis químico y físico. Para el cálculo del SCS utilizamos los estratos 0-30, 30-60 y 60 a 100 cm según la ^{FAO (2020)} y para facilitar la comparación con otros esquemas que utilizan una profundidad de 0-30, se interpolaron los valores de las concentraciones originales de los estratos.

Propiedades físicas y químicas

El análisis de textura se realizó mediante el método del hidrómetro modificado. La densidad aparente se determinó con muestras no perturbadas, para lo cual se utilizaron cilindros de 8 x 5 cm. La conductividad hidráulica (CH) saturada se determinó mediante el método de columna de agua constante, en cilindros de 8 x 5 cm. Se midió el pH y la conductividad eléctrica (CE) (marca Mettler Toledo, modelo SevenGo Duo pro) en 1:1 H₂O.

El contenido total de C y N se determinó por combustión seca (método de Dumas) utilizando un analizador de CN cubo vario Macro (Elementar Analyse Systeme GmbH, Alemania). Dado que los datos no estaban distribuidos normalmente, se determinó la significancia de las diferencias entre las profundidades para todas las variables medidas mediante la prueba no paramétrica de H de Kruskall-Wallis y cuando se presentó una diferencia significativa (p-valor de 0.05), la prueba de Tukey-Kramer.

Se determinaron los niveles de significancia de las correlaciones de Pearson para encontrar la relación entre pares de variables. Todos los análisis estadísticos se realizaron en la interfaz del programa R Studio versión 1.1.463 (^{RStudio Team, 2020}). Para analizar el grado de autocorrelación espacial de las variables se utilizó el índice I de Moran con valores nominales de 10 cm, 30 cm, 50 cm y 80 cm. Este índice examina la ubicación de cada observación a partir de una comparación con sus observaciones vecinas (^{Wu et al., 2024}).

Reservorios de carbono del suelo y de nitrógeno total del suelo (STN)

Los reservorios se estimaron a partir de las concentraciones de C y N y del volumen y la densidad de cada capa de suelo según la ^{FAO (2022)}. Las diferencias en el efecto de la profundidad sobre el SCS y el STN se evaluaron a través de una separación del reservorio total (medido a 100 cm) en tres estratos de medición. Se examinaron las diferencias entre los estratos de medición utilizando un Anova de un factor y cuando hubo significancia (p-valor= 0.05), se realizó un análisis con la función de la diferencia significativa honesta de Tukey.

Optimización del muestreo del suelo mediante análisis geoestadístico y comparación de predicciones

La distribución espacial del reservorio de C y N del suelo se examinó mediante mapas de interpolación con ArcMap 10.5 y QGIS 3.12.3 con el software Grass 7.8.3, utilizando el Kriging ordinario de interpolación geoestadística. Se supone que los datos más cercanos a un punto de interés tienen mayor peso o influencia en la interpolación, este método es muy utilizado cuando la intensidad de muestreo es alta, y también es una buena opción cuando hay una distancia mínima en los datos (^{Bhunia et al., 2018}).

Se realizó un mapa de predicción de la distribución espacial del C en el suelo con diferencias en el número de puntos de muestreo: 45, 27, 15 y 7. La comparación de las predicciones se basó en medidas de precisión: el error absoluto medio (EAM), el error cuadrático medio (ECM) y la bondad de la predicción (G) (^{Schloeder et al., 2001}).

Variabilidad de las propiedades físicas y químicas

La variabilidad espacial en C, N, pH, densidad aparente, CH y CE fue más pronunciada en los 10 cm superiores (Figura 1). Los contenidos totales de C y N alcanzaron un máximo de 1.23% (±0.03) y 0.15% (±0.003) en los 10 cm superiores, respectivamente, y disminuyeron con la profundidad, alcanzando mínimos de 0.39% (±0.02) y 0.07% (±0.002) en el estrato más profundo. La distribución de C fue homogénea en todos los estratos, mientras que el contenido de N varió dentro de la parcela.

Figura 1 Distribución espacial a) contenido de carbono total (%C); b) contenido de nitrógeno total (%N); c) densidad aparente (g cm^-3); d) conductividad hidráulica (cm h^-1); e) pH y f) conductividad eléctrica (mS cm^-1) realizada por interpolación Kriging (n= 45) en la Finca Experimental en Parrita, Costa Rica. Los valores en la parte superior (10, 30, 50, 80 cm) son el punto medio en las categorías de suelo muestreadas como se describió previamente en la metodología. 

La densidad aparente mostró valores mayores a 1 g cm^-3, aumentando de 1.2 g cm^-3 (±0.01) en el estrato superior a 1.28 (±0.01) a 50 cm, el valor más alto registrado a través del perfil (Figura 1c). Este estrato presentó una alta variabilidad en la distribución horizontal. La CH disminuyó a través del perfil del suelo, de 0.14 cm h^-1 (±0.02) a 0.048 cm h^-1 (±0.01), manteniendo la homogeneidad horizontal en la parcela. A los 80 cm, la distribución fue uniforme con valores cercanos a cero (Figura 1d).

El pH del suelo aumentó con la profundidad, de 5.89 (±0.06) a 10 cm a 6.33 (±0.04) a 80 cm (Figura 1e), exhibiendo heterogeneidad horizontal con valores más altos hacia el oeste. La CE mostró uniformidad en toda la parcela, disminuyendo gradualmente con la profundidad, desde 0.16 mS cm^-1 (±0.01) en la capa superior del suelo hasta 0.13 mS cm^-1 (±0.01) (Figura 1f). El contenido de arcilla aumentó inicialmente de 30% (±1.5) a 32.2% (±1.8), pero disminuyó a un mínimo de 29.6% (±1.5) por debajo de 50 cm de profundidad. El contenido de arena exhibió un aumento casi lineal de 33% (±2.9) en la capa superior del suelo a 41.4% (±2.9) en el estrato más profundo.

El contenido de limo disminuyó con la profundidad (37.1 ±2.5% a 10 cm vs. 29.1 ±2.6% a 80 cm de profundidad). La CH presentó la mayor correlación con otras variables, material suplementario (Cuadro 2), mostrando correlaciones positivas con C, N, CE y arcilla. El contenido de arena se correlacionó positivamente con la densidad aparente (r=0.306, p< 0.01), el pH (r= 0.464, p< 0.01) y la CE (r= 0.053, p< 0.05). Como se anticipó, la correlación de Pearson más fuerte fue entre C y N (r= 0.957, p< 0.01).

En cuanto a la autocorrelación espacial del índice global de Moran, C, N, CH y pH presentaron asociación espacial débil en los primeros 10 cm (C: 0.34, N: 0.34, CH: -0.11 y pH: 0.29), alcanzaron la autocorrelación espacial más fuerte a los 30 cm (C: 0.64, N: 0.69, CH: 0.32, pH: 0.49), variables que disminuyen nuevamente a 50 cm y 80 cm de profundidad, como lo indica un valor Z bajo (Z-valor < 4.02).

La densidad aparente y la CE mostraron una autocorrelación espacial consistentemente baja en todos los estratos del suelo. Valores de autocorrelación de la densidad aparente que oscilan entre 0.26 y -0.18, alcanzando un máximo de 50 cm (0.26), pero que siguen siendo insuficientes para una alta asociación espacial. Del mismo modo, la CE mantuvo la tendencia de baja autocorrelación en todas las profundidades, con valores que oscilaron entre 0.37 y -0.03.

Reservorios de carbono y nitrógeno del suelo

En el perfil total (0-100 cm), el SCS fue de 85.8 (±2.6) Mg C ha^-1 (Figura 2a) con un valor máximo de C en los primeros 10 cm. El C del suelo disminuyó con la profundidad, con el mayor contenido de C (46.2%) en los 30 cm superiores (39.64 ±0.86 Mg C ha^-1), mientras que los 30 a 60 cm representaron el 24.3% (20.93 ±0.81 Mg C ha^-1) y los 60 a 100 cm el 23.1% restante (19.77 ±0.95 Mg C ha^-1) del SCS.

Figura 2 a) reservorio de carbono del suelo (Mg C ha^-1); b) densidad de carbono del suelo (g C cm^-3); c) reservorio de nitrógeno (Mg N ha^-1) y d) densidad de nitrógeno (g C cm^-3) a 30, 60 y 100 cm de profundidad en la Finca Experimental en Parrita, Costa Rica (n= 15). 

El STN fue de 11.54 (±0.36) Mg N ha^-1 (Figura 2c). Como era de esperar, el STN disminuye más linealmente con la profundidad que el C del suelo. El contenido de STN mostró una diferencia significativa entre los estratos, el de 0 a 30 cm representó el 44.2% (3.52 ± 0.12 Mg N ha^-1), el de 30 a 60 cm representó el 31.3% (5.1 ±0.09) Mg N ha^-1 y el de 60 a 100 cm representó el 24.9% (2.87 ±0.2 Mg N ha^-1).

Las densidades de C y N se estimaron para evitar el efecto del espesor de la capa de suelo en la evaluación del reservorio. Las densidades de C y N disminuyeron con la profundidad (Figura 2b; 2d) desde un máximo de 1.46 g C cm^-3 (±0.026) y 1.85 g N cm^-3 (±0.029) a 10 cm, respectivamente, a un valor mínimo de 0.49 g C cm^-3 (±0.02) y 0.69 g N cm^-3 (±0.06) a 80 cm de profundidad.

Optimización del esfuerzo de muestreo

El efecto del esfuerzo de muestreo en las predicciones de SCS mostró una reducción importante cuando las muestras se redujeron de 45 a 27, pero la predicción de la variabilidad no cambió con 15 o 7 muestras. La distribución del SCS se mantuvo constante entre 0 y 100 cm al reducir el número de muestras de 45 a 7 (Figura 3).

Figura 3 Distribución espacial de los reservorios de carbono en el suelo (Mg C ha^-1) por interpolación utilizando el método de Kriging (n= 45, n= 27, n= 15 y n= 7) en la Finca Experimental en Parrita, Costa Rica. 

Para SCS en perfiles de suelo de 0-30 cm y 0-100 cm, 20 m entre puntos de muestreo (es decir, 15) alcanzaron una efectividad de predicción de 99.38 y 99.98, respectivamente, dando una predicción casi perfecta. Para una distancia menor (15 m) entre puntos de muestreo (es decir, 45) los valores se vuelven negativos (-5.83 y 61.52 a 0-30 cm y 0-100 cm, respectivamente), lo que demuestra que habría sido mejor utilizar la media general que la predicción, material complementario (Cuadro 3).

Variabilidad de las propiedades físicas y químicas

La distribución a diferentes profundidades del suelo puede verse afectada diferencialmente por factores como la textura. Nuestro estudio, al igual que el de ^{Chatterjee et al. (2020}), sugiere que el contenido de limo y arcilla en el suelo tuvo una relación con el C del suelo, respaldada por una correlación positiva de Pearson del C con estos elementos texturales, particularmente con el limo (^{Augustin y Cihacek, 2016}; ^{Matus et al., 2021}).

Según ^{Zhong et al. (2018}), los cambios en el SCS y la dinámica de arcilla en una escala menor pueden estar relacionados con la vegetación y la dinámica de nutrientes del suelo. Las correlaciones observadas entre las variables, material suplementario (Cuadro 2), están de alguna manera enmascaradas por el efecto de las prácticas agrícolas. Como era de esperar, C y N tienen una correlación fuerte y positiva (0.957), pero las correlaciones entre las variables físicas y químicas son menos claras.

Las correlaciones entre CH, C, N y arcilla podrían tener que ver con el efecto que estos elementos tienen sobre la agregación de suelos y la formación de sus estructuras. Curiosamente, el N, el pH y la densidad aparente exhiben homogeneidad en la capa superior, pero una variabilidad significativa a mayor profundidad, lo que sugiere que la homogeneidad de la superficie probablemente esté influenciada por prácticas de manejo como la fertilización y la labranza (^{Lawrence et al., 2020}).

Reservorios de carbono y nitrógeno del suelo

Si bien el SCS se ha estudiado en varios usos del suelo en Costa Rica (^{Chacón et al., 2015}; ^{Sherman y Brye, 2019}; ^{Chatterjee et al., 2020}), la investigación sobre los sistemas de arroz de tierras altas es limitada. Nuestros resultados muestran que la mayor acumulación total de C y N ocurre en la capa superficial del suelo y disminuye rápidamente con la profundidad a una tasa de 0.01% C cm^-1. En particular, el reservorio de C a 0-30 cm (39.64 ±0.86 Mg C ha^-1) es menor que el observado por ^{Xu et al. (2013}) (59.7 Mg C ha^-1 0-20 cm), pero comparable con el de ^{Chen et al. (2021}) (13.7 Mg C ha^-1 0-15 cm) y ^{Anantha et al. (2018}) (20.7 Mg C ha^-1 0-15 cm) en sistemas arroceros de tierras altas.

Para las fincas de arroz de tierras altas, la profundidad de 0-30 cm, utilizada por Recsoil (^{FAO, 2019}), constituye el 46.2% de la población del reservorio de 1 m. Nuestros resultados confirman que, en campos manejados uniformemente, la mayor parte del SCS se encuentra dentro de la capa superior del suelo (0-30 cm), la zona principal para las raíces de los cultivos, el ciclo de nutrientes y la eficiencia en el uso del agua (^{Gregorio et al., 2016}).

Por lo tanto, es probable que trabajar a una profundidad de 30 cm sea suficiente para el arroz, dado que sus sistemas radiculares poco profundos se distribuyen principalmente dentro de la capa de 0-20 cm, especialmente en la capa de 0-10 cm, donde la biomasa de raíces constituye más del 80% de toda la biomasa (^{Li et al., 2020}), particularmente en presencia de una capa compactada, como se observa en este sistema productivo (Figura 1c).

A pesar del potencial del subsuelo para proteger el C de las pérdidas (^{Tautges et al., 2019}), las profundidades de medición de C del suelo por debajo de 30-40 cm son poco comunes (^{Tautges et al., 2019}). Si bien la estimación de SCS a 1 m en el subsuelo a menudo se presume estable, puede tener importancia en experimentos de manejo a largo plazo (^{Gregorio et al., 2016}). El reservorio de nitrógeno se pasa por alto debido a su fuerte correlación con el contenido de C (^{Averill y Waring, 2018}; ^{Li et al., 2023}).

Sin embargo, es notable que, en nuestro sitio, el reservorio de N de 0-30 cm es solo un 30% más alto que el de 30-60 cm y el de 60-100 cm. Esto podría atribuirse a la fertilización de N que impacta la capa superior, y la tendencia de N a moverse en el perfil, menos influenciada por el crecimiento de las raíces en comparación con el movimiento de C (^{Börjesson et al., 2018}; ^{Ojeda et al., 2018}), particularmente más allá de la capa compactada.

Optimización del esfuerzo de muestreo

Determinar el tamaño de muestra apropiado es crucial para un estudio de campo exacto y preciso (^{Nayak et al., 2019}; ^{Lawrence et al., 2020}). Los resultados de la interpolación mediante el método Kriging han demostrado ser efectivos en la interpolación del C del suelo, lo que lleva a una reducción del 66% en el muestreo con 15 muestras ha^-1. El Kriging interpoló efectivamente el C del suelo, lo que permitió una reducción del 66% en el muestreo, de 45 a 15 muestras ha^-1 en nuestra área pequeña y homogénea, particularmente cuando se considera el perfil de profundidad de 1 m. ^{Bogunovic et al. (2017}) proponen reducciones similares (50 a 70%) utilizando co-Kriging con variables auxiliares.

La baja autocorrelación observada para C, N, CH y pH en los 10 cm superiores refleja su alta variabilidad y susceptibilidad a las prácticas agrícolas (^{Usowicz y Lipiec, 2021}), lo curioso de este resultado es que esta autocorrelación disminuye a los 30 cm y vuelve a aumentar a los 50-60, esto podría sugerir un efecto de mecanización ya que estos suelos se caracterizan por una grave compactación alrededor de los 20 cm.

La intensidad del muestreo debe variar en función de la variable y los objetivos del estudio (^{Nayak et al., 2019}). La capa superior del suelo requiere un muestreo más denso debido a su sensibilidad a los insumos. No obstante, para parámetros menos variables espacialmente, como CH y CE, se puede reducir la intensidad del muestreo (^{Usowicz y Lipiec, 2021}).