Documento sin título

Una revisión sobre las funciones de pedotransferencias en la determinación de las propiedades hidráulicas de suelo
A review about pedotransfer functions on the determination of the soil hydraulics properties

1 MSc., Lic., Universidad Agraria de La Habana (UNAH), miembro del Grupo de Investigaciones Agrofísicas (GIAF), Apdo. 18, San José de las Lajas, La Habana, Cuba. 32700,E-Mail: jgarcia@isch.edu.cu

2 Dr., Lic., Universidad Agraria de La Habana (UNAH), miembro del Grupo de Investigaciones Agrofísicas (GIAF).

___________________________________________________________________________________________________________________________

RESUMEN. La revisión bibliográfica esta dirigida en la temática de la predicción de las propiedades hidráulicas de suelo con el empelo de funciones de pedotransferencia. Muchos de los trabajos revisados apunta a que: Los más eficientes y baratos medios de proveer modelos hidrológicos, son procedimientos basados en funciones de pedotransferencia (PTFs), que estiman parámetros hidráulicos a partir de datos básicos de suelos disponibles, y de más fácil medición. Los métodos más comunes usados para desarrollar PTFs para estimaciones paramétricas y de punto, son los métodos de regresión lineal múltiple y redes neuronales (ANN). Una de las ventajas de las ANN es que ellas no requieren a priori un modelo de regresión, que relacione los datos de entrada y salida, lo cual en general es difícil, pues estos modelos son desconocidos. Muchas PTFs han sido desarrolladas para la determinación de propiedades hidráulicas, pero ninguna de ellas tiene un buen comportamiento en todo el rango de circunstancias y para todo tipo de suelo.

___________________________________________________________________________________________________________________________

ABSTRACT. This literature review has been addressed in the topic of prediction of the soil hydraulics properties using the pedotransfer functions. Many papers reviewed pointed out that: Efficient and cheap means of providing hydrological models with such information are procedures based on pedotransfer functions (PTFs) that estimate soil hydraulic parameters from easily measurable or already available basic soil data. The most common methods used to develop PTFs for point and/or parametric estimations are multiple-linear regression method and artificial neuronal network (ANN)One of the advantages of neural networks is that they do not require a priori regression model, which relates input and output data and in general is difficult because these models are not known. Many PTFs have been developed to determine the soil hydraulic properties, but none of them perform well in a wide range of circumstances and for all soil types.

____________________________________________________________________________________________________________________________

Función de pedotransferencia (PTFs) es un término usado en la literatura de la ciencia del suelo, el cual puede ser definido como una función predictiva de cierta propiedad de suelo a partir de otras propiedades rutinariamente medidas, más baratas y de fácil medición. Estas relaciones matemáticas, funciones de pedotransferencia (PTFs), permiten transferir datos que tenemos en datos que necesitamos (Baker y Ellison, 2007).En los años de la década de los 70 se desarrollaron investigaciones más comprensivas con el empleo de grandes bases de datos. Con el auge en el desarrollo de modelos para la descripción de las propiedades hidráulica y la modelación computacional del movimiento de agua y el transporte de solutos, la necesidad del conocimiento de estas propiedades como variables de entrada de estos modelos se hizo mas que evidente.Desde entonces, el desarrollo de funciones de pedotransferencia hidráulicas ha constituido el boom en temas de investigación, primero en lo Estados Unidos y Europa, América del Sur, Sudáfrica y otras partes del mundo. Aunque la mayoría de las funciones de pedotransferencia han sido desarrolladas para predecir propiedades hidráulicas de suelo, ellas no están restringidas a este campo. Funciones de pedotransferencia para estimar propiedades físicas, químicas y biológicas de suelo igualmente han sido desarrolladas.El objetivo de este trabajo es realizar una revisión bibliográfica en lo concerniente a clasificación, métodos de desarrollo, aplicabilidad e incertidumbres de las funciones de pedotransferencia hidráulicas.

El término funciones hidráulicas de suelo contiene la curva de retención de humedad (θ(h)) junto con la conductivita hidráulica (K(θ)) saturada y no saturada. La curva de retención de humedad, es la más importante de todas las propiedades hidráulicas. El conocimiento de la curva es necesario en estudios de disponibilidad de agua para las plantas, infiltración, drenaje, conductividad de agua, movimiento de solutos así como su distribución espacial es también un importante factor en investigaciones acerca de las consecuencias del cambio climático. Mientras que la predicción de la curva retención de humedad con el empelo de PTFs es un procedimiento bien establecido, la evaluación de la conductividad hidráulica no saturada es aún incierta (Sobieraj et al., 2001).

Muchos métodos de campo y laboratorio han sido desarrollados para la determinación de propiedades hidráulicas de suelo, pero ninguno de ellos tiene un buen comportamiento en todo el rango de circunstancias para todo tipo de suelo (Romano y Palladino, 2002). En una categoría podemos incluir los métodos directos e inversos, o indirectos como suele llamarse a estos últimos. Los métodos directos son notoriamente arduos y costosos. Los métodos inversos representan una evolución natural y extensión de los métodos directos, aunque su uso aún requiere algún tiempo y especialización. La mayor extensión que ellos proveen, al menos en principio, es la de mayor grado de libertad en la selección de apropiadas condiciones experimentales y permite la simultánea estimación de las funciones de retención de humedad y conductividad hidráulica mediante el procesamiento de datos tomados durante un simple experimento. Ambas de estas aproximaciones proveen precisas descripciones de las funciones
θ(h) y K(θ) y son muy efectivas a escala de punto (por ejemplo a escala de muestra de suelo inalteradas). Aunque pocas de estas investigaciones han sido enfocadas en el uso de estos métodos para estudio de variabilidad espacial, por ejemplo en conjunción con la Geoestadística (Ciollaro y Romano, 1995), de aquí la percepción de que aún los más flexibles métodos inversos sobrevienen ineficientes cuando las propiedades hidráulicas de la zona no saturada de suelo ha sido determinadas a grandes escalas. Se distinguen tres categorías de métodos indirectos para estimar las propiedades hidráulicas (Sobieraj et al., 2001): 1) modelos de distribución de tamaño de poros, 2) métodos inversos, y 3) funciones de Pedotransferencia. Todos estos métodos estiman las propiedades hidráulicas a partir de otras propiedades de suelo. Los modelos de distribución de tamaño de poros típicamente estiman la conductividad hidráulica no saturada basados en la distribución, conectividad y tortuosidad de poros. Los métodos inversos combinan un modelo numérico de la ecuación de Richards con un algoritmo de optimización para estimar parámetros desconocidos a partir de series temporales observadas de infiltración, humedad y/o presión. Métodos predictivos han sido propuestos para identificar parámetros claves que afectan el flujo de agua en la zona no saturada a partir de variables de suelo accesibles y de mas fácil determinación.. Como una alternativa, procedimientos desarrollados recientemente, tales como las funciones de pedotransfereancia (PTFs), relacionan ambos la retención de humedad y la conductividad hidráulica para algunas más fácil propiedades física y químicas de suelo medidas, tales como textura, densidad aparente, porosidad, contenido de carbón orgánico (Minasny y McBratney, 2002). Ruiz et al. (2006), por su parte, llevaron a cabo un estudio de los antecedentes más importantes en lo que respecta a los métodos directos de determinación de las propiedades hidráulicas de los suelos en Cuba. Se reportan la determinación de un total de 176 curvas de retención inalteradas en disímiles tipos de suelos.

Muchas agencias de las Ciencias del Suelo han elaborado su propia regla para estimar propiedades de suelo de difícil determinación. Probablemente de su dificultad particular, costos de medición, y disponibilidad de grandes bases de datos, la más comprensiva investigación en el desarrollo de funciones de pedotransferencia ha sido para la estimación de la retención de humedad.

La mayoría de las PTFs son completamente empíricas, aunque modelos físicos–empíricos y modelos basados en la teoría fractal han sido desarrollados.

Schaap (1998) clasificó las PTFs en tres grupos principales: 1) PTFs de clases, 2) PTFs continuas, y 3) derivadas del análisis de redes neuronales. Las PTFs de clases se caracterizan por asumir que suelos similares exhiben similares propiedades hidráulicas. Las PTFs continuas proveen continuamente estimados de propiedades hidráulicas por medio del triángulo textural a través de un modelo de regresión lineal o no lineal. El comportamiento del modelo puede ser mejorado adicionando información tales como densidad aparente, materia orgánica y puntos de la curva de retención (Vereecken et al., 1989). Las redes neuronales han sido recientemente desarrolladas para mejorar las predicciones de PTFs empíricas.

Tietje and Tapkenhinrichs (1993) sugirieron dividir las PTFs existentes en dos grupos principales: Métodos de regresión de puntos y método de regresión de parámetros funcionales. El método de regresión de puntos comprende aquellas PTFs que predicen selectos puntos de la curva de retención. Estos métodos usualmente proveen mayores errores que el de regresión de parámetros funcionales y puede también generar valores irreales, PTFs de este grupo encontraban que el contenido de humedad se incrementa cuando el potencial matricial decrecía. En contraste, el método de regresión de parámetros funcionales inherentemente asume que la característica de retención de humedad es descrita por una relación paramétrica. Además, las PTFs para este método aparecen como un conjunto de ecuaciones de regresión empíricas relacionando los parámetros desconocidos de un específico punto de la curva con las propiedades físicas y químicas de suelo.

Los métodos mas comunes de desarrollar PTFs para puntos y/o estimaciones son los métodos de regresión lineal múltiple (Hodnett y Tomasella, 2002; Baker y Ellison, 2007) y redes neuronales (Minasny y McBratney, 2002). Una de las ventajas de las redes neuronales comparada con PTFs tradicionales de regresión es que ellas no requieren un modelo de regresión a priori, el cual relaciona los datos de entrada y de salida y que en general es difícil, porque estos modelos son desconocidos.

Estudios recientes en el desarrollo de PTFs están enfocados en el desarrollo de mejores funciones para estimar las propiedades hidráulicas para diferentes áreas geográficas o tipos de suelos y en la determinación de las más importantes propiedades de suelo básicas como entradas. Muchas comparaciones en PTFs han sido hechas con respecto a distintos conjunto de datos usados, diferentes procedimientos matemáticos (regresión contra ANN) y diferentes parámetros de entrada. Aunque en muy pocos estudios se compara el comportamiento de ambos métodos simultáneamente en el desarrollo de PTFs.

Sin embargo la mayor parte de estas aproximaciones han sido desarrolladas en suelos de clima templado, por lo que carecen de valor práctico en el trópico. Solo unas pocas funciones involucran suelos de nuestra región (Hodnett y Tomasella, 2002).

Medina et al., (2002) después de evaluar varias funciones de pedotransferencia, demostraron que, efectivamente, la mayoría de ellos no eran capaces de estimar adecuadamente las propiedades de retención de los suelos empleados, en este caso, una base de datos de 15 perfiles de suelos Ferralíticos Rojos de la llanura Habana-Matanzas. Los mejores ajustes se alcanzaron con la PTF de Tomasella et al., (2000), con un error medio de -0,022 cm³·cm^-3 y una raíz de error cuadrático medio de 0,059 cm³·cm^-3, siendo esta la única PTFs que se desarrolló con una base de datos de suelos tropicales.

Dichos autores comprobaron también que la distribución del tamaño de partículas, la densidad aparente y la materia orgánica, variables tradicionales empleadas en las PTFs eran, por sí solas, insuficientes para describir el comportamiento de las curvas de retención de humedad de estos suelos. Ellos a su vez sugirieron la necesidad de emplear otras variables que evidenciaran las complejidades intrínsecas de estos suelos, como la distribución del tamaño de agregados.

Quizás este hecho ha influido en otra problemática de gran importancia relacionada con la estimación por vía indirecta de las propiedades hidráulicas, y es lo relacionado a las variables que participan en las estimaciones. La mayor parte de las PTFs más difundidas a nivel mundial para estimar las curvas tensión-humedad y la conductividad hidráulica se basan en el empleo de la textura (partiendo casi siempre del esquema del Departamento de Agricultura de los Estados Unidos (USDA, siglas en inglés), la densidad aparente, y la materia orgánica como variables independientes de estos modelos. Por un lado es cierto que el ánimo mismo de la PTFs es emplear un número no elevado de variables, y al mismo tiempo que, las que estén incorporadas, sean variables accesibles o fácilmente medibles.

Sin embargo, al tratar de imponer que solo aquellas tres propiedades de suelo caractericen adecuadamente el comportamiento de las curvas de retención de humedad de los suelos se desconoce la complejidad intrínseca de nuestros tropicales con relación al comportamiento hidráulico. Medina et al., (2002) Cornellis et al.(2005), hacen evidente que es imprescindible la incorporación de nuevas variables para que pueda haber una descripción adecuada del funcionamiento hidráulico.

Medina et al. (2002) abogaron por incluir otras variables que son fundamentales en explicar el comportamiento hidráulico de los suelos de Cuba. Como un antecedente, práctico, está el trabajo de van den Berg et al. (1997), que a partir de suelos tropicales de África, desarrolló unas PTF que usaban como variables el contenido de óxidos de hierro y óxidos de aluminio. Este es el otro extremo del problema; físicamente la intención es muy buena, pero en la práctica es irrealizable y que la determinación química de esos elementos en el suelo resulta tan o más compleja y costosa que la determinación mismo de las propiedades hidráulicas. Los autores de este trabajo se inclinan por la composición de agregados, relacionada indirectamente a los contenidos de hierro y aluminio, sobre todo en los suelos Ferralsols, la propia capacidad de intercambio catiónico (CIC), u otras variables que sí pueden ser fácilmente obtenidas.

Las estimaciones con el uso de PTFs pueden ser mejoradas con la inclusión de más variables de entrada como la porosidad efectiva. Algunos autores reportaron que el uso de pequeñas bases de datos relevantes, si se encuentran disponibles, es mejor que usar extensas y generales bases de datos.

Romano y Palladino (2002) estudiaron el comportamiento predictivo de algunas funciones de pedotransferencia publicadas y mejoraron su capacidad predictiva contabilizando ciertas variables del terreno tales como pendiente, aspecto, perfil de curvatura, entre otras. Esta información adicional puede ser fácilmente extraída a partir de un modelo digital de elevación del área bajo estudio.

En otra dirección, Chirico et al., (2006) evaluaron el error asociado, no solo a la incertidumbre de las PTFs propiamente, sino a la incertidumbre de las variables de entrada empleadas en los modelos más reconocidos. Basados en simulaciones estocásticas de patrones de variables de suelo y, mediante el empleo de novedosas técnicas geoestadísticas. La mayoría de las PTFs son ecuaciones de regresión que han sido derivadas a partir de datos colectados durante campañas de campos en sitios específicos y que han demostrado su capacidad de predecir datos hidráulicos de suelo para muchas posiciones en una región con aceptable precisión comparado con su costo de investigación. El concepto de una regla de pedotransferencia general parece promisorio, aunque los mayores esfuerzos han sido llevados a cabo en desarrollar relaciones empíricas para un particular conjunto de datos (Vereecken et al., 1989). Es un hecho que las PTFs pueden ser empleadas con confidencia solo dentro de restringidos rangos de tipos de suelos y condiciones ambientes. En un intento para evitar este inconveniente, nuevos conjuntos de PTFs han sido establecidas a partir de información almacenada en comprensivas bases de datos, tales como aquellas desarrolladas para escala de Europa (Wo¨sten et al., 1999) o en Australia (Minasny y McBratney, 2002). Discrepancia entre parámetros hidráulicos de suelo real y predicho deben ser vistas como el precio que debe ser pagado cuando se emplean aproximaciones simplificadas contra mayor precisión pero con muchos menos costosos y pesados métodos. Aunque, el asunto de la validación de PTFs existentes es fundamental pero insuficiente, especialmente cuando sus predicciones son entendidas como datos de entrada para modelos de simulación. Por otra parte se requiere una caracterización detallada del sitio, en una confiable modelación hidrológica es altamente necesaria tratar con problemas de variabilidad espacial, variaciones horizontales en propiedades hidráulicas que ejercen una influencia significativa en el cambio de flujo de agua entre las partes integrantes del sistema (por ejemplo, flujo de evapotranspiración hacia la atmósfera, o el flujo de recarga hacia el manto). La geoestadística o más recientemente las técnicas de simulación estocásticas pueden ser empleadas para analizar la estructura espacial de las propiedades hidráulicas y para calcular los valores de nodos no muestreados en una superpuesta numérica rejilla. Un serio problema es en si, la perdida de preciosa información con el empleo de metodologías simplificadas y que los vuelve incapaces de representar correctamente el comportamiento real del suelo en locaciones particulares del área. Como resultado, las discrepancias observadas entre propiedades hidráulicas real y predicha puede obscurecer cualquier dependencia espacial real, además resultando en cuestionables mapas. Idealmente, las fluctuaciones espaciales de los valores predichos deben imitar aquellos exhibidos por los valores reales y preservar propiedades de los datos tales como histograma de la muestra o modelo de variograma. Por otro lado, una metodología simplificada debe proveer al menos un valor realístico del comportamiento hidráulico promedio sobre otras áreas de interés. Las contribuciones de estas cuestiones son escasas en la literatura, y la poca atención ha sido pagada para aplicaciones prácticas de predicciones de PTFs tan bien como consecuencias de incertidumbre de predicción en modelaciones hidrológicas.

Las funciones de pedotransferencia traducen aquellos datos de suelos, los cuales disponemos y que resultan fácil y comúnmente medidos dentro de una función de predicción, que es por demás de carácter empírico, en aquellos datos que necesitamos, que no están disponibles y que resultan difícil de medir, con el auxilio de técnicas estadísticas (análisis exploratorio de datos, análisis de regresión simple y lineal múltiple, redes neuronales, etc.). Además nos permite estimar el valor de la variable de suelo en puntos no necesariamente muestreados. Aunque dichas PTFs deben emplearse con precaución, pues ellas son validas dentro de determinado rango de suelos y clima a partir de los cuales han sido derivadas.

BAKER, L and D. ELLISON: Optimization of pedotransfer functions using an artificial neural network ensemble method, Geoderma, 108: 277– 285, 2007.

CIOLLARO, G. and N. ROMANO: Spatial variability of the hydraulic properties of a volcanic soil, Geoderma 65: 263–282, 1995.

CORNELIS, W.M., J. CORLUY; H. MEDINA; J. DÍAZ; R. HARTMANN; M. VAN MEIRVENNE y M:E: RUIZ:. Measuring and modeling de soil shrinkage characteristic curve, Geoderma. 137: 179–191, 2005.

CHIRICO G.B., H. MEDINA and N. ROMANO: Uncertainty in predicting soil hydraulic properties at the hill slope scale with indirect methods, Journal of Hydrology, doi:10,1016/j.jhydrol, 2006,10,024. 2006.

HODNETT, M.G. and J. TOMASELLA: Marked differences between van Genuchten soil water-retention parameters for temperate and tropical soils: a new water-retention pedo-transfer functions developed for tropical soils, Geoderma 108: 155–180, 2002.

MEDINA, H., T. MOHAMED T., A. DEL VALLE, ALICIA and M.E. RUIZ: Estimating soil water retention curve in Rhodic Ferralsols from basic soil data, Geoderma, 108: 2002.

MINASNY, B. and A.B. MCBRATNEY: The Neuro-m method for fitting neural network parametric pedotransfer functions, Soil Sci. Soc. Am. J., 66: 352–361, 2002.

ROMANO, N and M. PALLADINO: Prediction of soil water retention using soil physical data and terrain attributes, J. Hydrol., 265: 56-75, 2002.

RUIZ, M.E. and H. MEDINA: Soil Hydraulic properties of Cuban Soi, Lecture given at the College on Soil Physics Trieste, Italy, 2003.

SCHAAP, M.G., F.J. LEIJ and M.TH. VAN GENUCHTEN: Neural network analysis for hierarchical prediction of soil hydraulic properties, Soil Sci. Soc. Am. J., 62: 847–855, 1998.

SOBIERAJ, J.A.; H. ELSENBEER and R.A. VERTÉIS: Pedotransfer functions for estimating saturated hydraulics conductivity: implications for modeling storm flow generation, Journal of Hydrology, 251: 202-220, 2001.

TIETJE, O. and M. TAPKENHINRICHS: Evaluation of pedo-transfer functions, Soil Sci. Soc. Am. J., 57: 1088–1095, 1993.

VAN DEN BERG, M., E. KLA¨MT; L.P. VAN REEUWIJK and W.G.SOMBROEK: Pedotransfer functions for the estimation of moisture retention characteristics of Ferrasols and related soils, Geoderma, 78: 161–180, 1997.

VEREECKEN, H., J. MAES, J. FEYEN, and P. DARIUS: Estimating the soil moisture retention characteristics from texture, bulk density and carbon content,. Soil Sci. 148: 389–403, 1989.

WO¨STEN, J.H.M., A. LILLY; A. NEMES and C. LE BAS: Development and use of a database of hydraulic properties of European soils, Geoderma, 90: 169–185, 1999.