Pedometría

1.1. ¿Por qué surgió la necesidad de la pedometría?

La edafología tradicional, a pesar de todos sus logros, se topó con una limitación fundamental: la cubierta del suelo, como cualquier sistema natural, presenta una enorme variabilidad espacial y temporal. Ya en 1941, el fundador de la edafología genética moderna, Hans Jenny, formuló su famosa ecuación (Jenny, 1941):

donde

• S – propiedades del suelo,
• cl – clima,
• o – organismos,
• r – relieve,
• p – material parental,
• t – tiempo.

Esta ecuación muestra que el suelo es una función de múltiples factores, cada uno de los cuales varía en el espacio. En consecuencia, el propio suelo no puede ser homogéneo.

Sin embargo, durante décadas, los estudios edafológicos – especialmente los aplicados – a menudo ignoraron esta heterogeneidad fundamental. Las razones fueron tanto prácticas (recursos limitados para el muestreo y el análisis) como conceptuales (la costumbre de pensar en términos de «tipos» y «clases» de suelos).

La situación empezó a cambiar en las décadas de 1960 y 1970, cuando irrumpieron tres avances:

1. La geoestadística – métodos desarrollados originalmente en la minería para estimar reservas minerales, que resultaron ser ideales para analizar la variabilidad espacial de los suelos (Matheron, 1963). Los trabajos clave de Burgess y Webster (1980) demostraron que las propiedades del suelo presentan autocorrelación espacial – es decir, los puntos cercanos son más parecidos entre sí que los distantes.

2. Las tecnologías de la información – la aparición de los Sistemas de Información Geográfica (SIG), el Sistema de Posicionamiento Global (GPS) y los métodos de teledetección creó la base técnica para recopilar y procesar grandes volúmenes de datos georreferenciados.

3. La agricultura de precisión – las necesidades prácticas de la agricultura para una gestión diferenciada de los recursos exigían información espacial detallada de los suelos a nivel de parcela (Wollenhaupt et al., 1994).

1.2. Rasgos definitorios de la pedometría

Así pues, la pedometría puede definirse mediante las siguientes características clave:

En primer lugar, es un enfoque cuantitativo. La pedometría opera con números, no con descripciones cualitativas. El contenido de carbono del suelo se expresa en porcentaje o gramos por kilogramo, no como «alto» o «bajo». Los límites entre clases de suelos se determinan estadísticamente, no intuitivamente.

En segundo lugar, es un enfoque orientado espacialmente. Cada medición tiene coordenadas precisas. Esto permite analizar no solo los valores de las propiedades, sino también su disposición relativa, lo que cambia radicalmente la lógica de interpretación de los datos.

En tercer lugar, es un enfoque probabilístico. La pedometría nunca da un valor «único y correcto» en un punto: da una estimación y una medida de su incertidumbre. Esto es fundamental para la toma de decisiones fundamentadas.

1.3. Lugar de la pedometría en el sistema de las ciencias del suelo

La pedometría no anula ni sustituye a la edafología clásica. Al contrario, es su prolongación instrumental y su desarrollo (McBratney et al., 2000). Dentro del sistema de las ciencias del suelo, la pedometría se sitúa en la intersección de varias disciplinas:

• Física del suelo – proporciona métodos para medir y modelar propiedades físicas.
• Química del suelo – aporta la comprensión de los procesos químicos que determinan las propiedades del suelo.
• Biología del suelo – revela el papel de los organismos vivos en la formación de las propiedades edáficas.
• Estadística matemática – proporciona herramientas para el análisis de datos y la evaluación de incertidumbres.
• Geoinformática – suministra herramientas para trabajar con datos espaciales.

La diferencia clave entre la pedometría y los enfoques tradicionales radica en el reconocimiento de que la cubierta del suelo constituye un proceso espacial continuo, y no un mosaico de objetos discretos (White, 2006). Esto significa que entre dos puntos cualesquiera de un campo existe un gradiente de propiedades que puede estudiarse y modelarse.

Es precisamente esta propiedad fundamental del suelo lo que hace absurdo intentar caracterizar todo un campo con una sola muestra – y es precisamente para trabajar con esta variabilidad continua que se creó la pedometría. En las siguientes secciones veremos cómo se manifiesta la heterogeneidad espacial de los suelos, cómo medirla y cómo utilizar la información obtenida para la toma de decisiones agronómicas.

2.1. El suelo como medio continuo

A diferencia de objetos discretos como árboles o piedras individuales, la cubierta del suelo forma un continuo – un medio continuo donde las propiedades cambian gradualmente de un punto a otro. Entre dos puntos adyacentes en un campo no hay un límite abrupto: el contenido de humus, la composición granulométrica y la acidez cambian de manera suave, aunque a velocidades diferentes.

Esta propiedad ya fue señalada por los fundadores de la edafología. Sin embargo, durante mucho tiempo los edafólogos intentaron simplificar esta continuidad creando clasificaciones y distinguiendo «tipos» de suelos – como si el suelo fuera similar a las especies de plantas o animales. En la práctica, los límites entre los tipos de suelo en el terreno son casi siempre difusos, y dentro de un mismo «tipo» las propiedades pueden variar varias veces (White, 2006).

La pedometría parte del principio de que el suelo es una variable regionalizada. El término, acuñado por Georges Matheron, significa que el valor de una propiedad en un punto dado depende de los valores en los puntos vecinos, pero esta dependencia se debilita con la distancia (Wendroth et al., 2012). Es precisamente esta propiedad – la autocorrelación espacial – la que hace posible la interpolación y el cartografiado de las propiedades edáficas, y su ausencia haría que cualquier predicción careciera de sentido.

2.2. Causas de la heterogeneidad espacial

¿Por qué es tan variable el suelo? La respuesta la da la misma ecuación de Jenny (Jenny, 1941):

Cada uno de los factores formadores del suelo es en sí mismo espacialmente heterogéneo:

• Clima (cl) – a macroescala determina los tipos zonales de suelos, pero incluso dentro de un mismo campo puede variar debido a efectos microclimáticos (por ejemplo, las laderas del norte son más frías que las del sur, y las depresiones acumulan aire frío) (Weil, 2017).

• Relieve (r) – quizás la principal fuente de variabilidad a nivel local. Un desnivel de apenas unos metros modifica el régimen de humedad, los procesos erosivos y la redistribución de partículas finas y materia orgánica. Por eso las catenas – secuencias de suelos a lo largo de una ladera – son tan típicas de muchos paisajes (Weil, 2017).

• Material parental (p) – puede cambiar incluso dentro de una misma parcela, especialmente en zonas con depósitos glaciares o en el contacto de diferentes formaciones geológicas. La figura 19.1 en Weil (2017) muestra cómo, incluso en 50 metros, los suelos sobre depósitos arenosos y arcillosos pueden diferir de manera radical.

• Organismos (o) – incluyendo la vegetación, la fauna edáfica y los microorganismos, así como el ser humano. Incluso un solo árbol puede crear un «halo microedáfico» único a su alrededor a través de la hojarasca, los exudados radiculares y la modificación del microclima. La actividad humana – fertilización, encalado, laboreo – crea una heterogeneidad que puede persistir durante décadas (Weil, 2017).

• Tiempo (t) – los suelos de diferentes edades en un mismo territorio tendrán distintos grados de desarrollo. Por ejemplo, los depósitos aluviales recientes en la llanura de inundación de un río son suelos jóvenes (Entisoles), mientras que en la terraza vecina pueden encontrarse suelos más desarrollados (Alfisoles o Ultisoles).

Así, la heterogeneidad del suelo no es un accidente o un artefacto de las mediciones, sino una consecuencia natural de la diversidad de los factores formadores (White, 2006).

2.3. Escalas de la heterogeneidad

La variabilidad espacial de los suelos se manifiesta en todos los niveles. Se suelen distinguir tres escalas principales (Weil, 2017; White, 2006):

Variabilidad micro y de pequeña escala (de milímetros a metros) – asociada a efectos locales: galerías de gusanos y raíces, unidades estructurales, agregados individuales, manchas de materia orgánica. Esta variabilidad a menudo constituye una parte importante de la varianza total, pero en la práctica es difícil de tener en cuenta en las decisiones agronómicas. Se manifiesta como el llamado «efecto pepita» (del que hablaremos en la sección sobre el variograma). Un ejemplo ilustrativo: las mediciones de infiltración con anillos pequeños (5–10 cm de diámetro) y grandes (30–50 cm) dan estimaciones de variabilidad completamente diferentes – porque los anillos pequeños pueden caer sobre un macroporo o evitarlo, mientras que los grandes siempre incluyen varios macroporos (véase la figura 19.2 en Weil, 2017).

Variabilidad a mesoescala (de metros a cientos de metros) – abarca una parcela, un grupo de parcelas o una pequeña cuenca. El factor principal aquí es el relieve. Es a este nivel donde trabajan agrónomos y agricultores. Aquí es donde se observan las catenas: en la cima de la colina – suelo bien drenado, más ácido, con un horizonte húmico delgado; en la ladera – erosionado, de color más claro; al pie – con signos de gleización, más oscuro, con mayor contenido de materia orgánica debido a la acumulación de material arrastrado desde arriba (Weil, 2017). Esta es la variabilidad que la agricultura de precisión intenta abordar.

Variabilidad a gran escala (de kilómetros a continentes) – asociada a zonas climáticas, grandes estructuras geológicas y formaciones vegetales. A este nivel se distinguen las zonas edáficas (árticas, de taiga, chernozem, desérticas, etc.). Para la agronomía, esto es importante para la elección de variedades adaptadas, riego y sistemas de cultivo, pero a nivel de parcela esta variabilidad ya no es tan crítica porque está «promediada» dentro de una misma explotación.

2.4. Variabilidad estructurada y no estructurada

Desde la perspectiva de la pedometría, es importante distinguir dos tipos de variabilidad (Wendroth et al., 2012):

• Estructurada (sistemática) – cuando las propiedades cambian de manera regular en el espacio, por ejemplo, desde la cima de una colina hasta el pie. Este cambio puede describirse mediante una función matemática (tendencia). Esta variabilidad es predecible y puede modelarse.

• No estructurada (aleatoria) – cuando puntos vecinos pueden diferir mucho sin una aparente regularidad. Esto puede deberse a microheterogeneidad, errores de medición o factores aleatorios. Esta variabilidad no puede predecirse a partir de puntos vecinos – aparece como «ruido».

Un campo real es siempre una mezcla de variabilidad estructurada y aleatoria. La tarea de la pedometría es separar una de otra y estimar la proporción de cada componente. Solo entonces se puede determinar si la interpolación tiene sentido y con qué frecuencia se deben tomar muestras.

2.5. ¿Por qué no funciona una sola muestra?

Ahora podemos responder claramente a la pregunta clave de esta lección. Una sola muestra compuesta de todo el campo da solo el valor medio aritmético de una propiedad. Pero esa media oculta la enorme variabilidad dentro del campo. Imagine que tomamos la media aritmética de los números 1 y 100 – obtenemos 50.5, pero este número no caracteriza ni al primero ni al segundo valor. Del mismo modo, una muestra promediada de un campo donde el pH es 5.0 en una parte y 7.5 en otra dará un pH de alrededor de 6.0–6.5, que no corresponde a la necesidad real de ninguna de las zonas.

Además, incluso si el campo parece visualmente homogéneo (color, relieve, vegetación), sus propiedades edáficas pueden diferir varias veces – y estas diferencias determinarán el rendimiento, la eficiencia de los fertilizantes y la necesidad de mejoras (Weil, 2017; White, 2006). Por lo tanto, las recomendaciones agronómicas basadas en una única muestra promediada serán subóptimas para la mayoría de los puntos del campo: en algunos lugares aplicaremos fertilizante en exceso (lo que conduce a pérdidas y contaminación) y en otros de forma insuficiente (pérdida de cosecha).

La pedometría propone un enfoque diferente: medir las propiedades en diferentes puntos, identificar patrones de distribución espacial y utilizar esos patrones para una gestión diferenciada. Pero para ello, primero debemos entender cómo se relaciona la distancia entre puntos con la similitud de sus propiedades. Este es el tema de la siguiente sección – sobre la autocorrelación espacial.

3.1. ¿Qué es la escala en la investigación edafológica?

En la cartografía tradicional, la escala se define como la relación entre la longitud en el mapa y la longitud correspondiente en el terreno. Sin embargo, en el cartografiado digital de suelos y en la pedometría, este término se sustituye cada vez más por los conceptos de «resolución» y «espaciado» (McBratney et al., 2003; White, 2006).

• Resolución – el tamaño del elemento más pequeño (píxel o celda) para el que se determina el valor de una propiedad. Por ejemplo, una resolución de 30 metros significa que una celda cubre un área de 30 × 30 m.
• Espaciado – la distancia entre puntos de observación adyacentes. En una cuadrícula regular, el espaciado es igual a la distancia entre los nodos de la cuadrícula.
• Extensión – el área total cubierta por el estudio.

Estos tres parámetros – resolución, espaciado y extensión – determinan qué escalas de variabilidad pueden detectarse en un estudio y cuáles quedarán «fuera de foco». Esto es fundamental: si muestreamos un campo con un espaciado de 50 metros, nunca sabremos cómo varían las propiedades en distancias de 5 metros. Y si estudiamos solo un campo, no podremos decir nada sobre los patrones regionales.

3.2. Niveles de escala en la investigación edafológica

En edafología se suelen distinguir cinco niveles principales de escala (McBratney et al., 2003; Weil, 2017) (véase también la tabla 37.1 en McBratney et al., 2003):

Nivel D1 – local (menos de 20 m)

• Resolución: menos de 5 × 5 m
• Extensión: hasta 50 × 50 km
• Corresponde a escalas 1:5.000 y mayores
• Ejemplos: agricultura de precisión, horticultura, viveros, parcelas experimentales. Aquí se estudian el microrelieve, las manchas locales y la influencia de plantas individuales.

Nivel D2 – detallado (20–200 m)

• Resolución: 5–20 m
• Extensión: 500 m – 200 km
• Corresponde a escalas 1:5.000 – 1:20.000
• Ejemplos: levantamientos edafológicos detallados de explotaciones, proyectos de riego, mejora de tierras. Aquí ya se aprecian las catenas y los cambios de suelo según los elementos del relieve.

Nivel D3 – medio (catastral) (200 m – 2 km)

• Resolución: 20–200 m
• Extensión: 2–2000 km
• Corresponde a escalas 1:20.000 – 1:200.000
• Es el nivel principal para levantamientos edafológicos a escalas 1:50.000 – 1:100.000. Aquí se distinguen asociaciones de suelos y grandes unidades de paisaje.

Nivel D4 – regional (2–20 km)

• Resolución: 200 m – 2 km
• Extensión: 20–20.000 km
• Corresponde a escalas 1:200.000 – 1:2.000.000
• Ejemplos: mapas edafológicos regionales, planificación territorial, evaluación de recursos.

Nivel D5 – continental / global (más de 20 km)

• Resolución: mayor de 2 km
• Extensión: más de 200 × 200 km
• Corresponde a escalas menores de 1:2.000.000
• Ejemplos: Mapa Mundial de Suelos de la FAO, modelos climáticos globales, evaluación de reservas de carbono a escala planetaria.

3.3. Cambio de los factores dominantes en diferentes escalas

Al pasar de un nivel de escala a otro, no solo cambian las características cuantitativas – también cambian los propios factores que determinan la variabilidad del suelo (McBratney et al., 2003; Weil, 2017):

A nivel local (D1–D2), el factor principal es el relieve (r) y la actividad de los organismos (o), especialmente los humanos. Microelevaciones y microdepresiones, surcos antiguos, lugares de almacenamiento de estiércol, copas de árboles individuales – todo ello crea el «mosaico» que el agrónomo ve dentro de una parcela. Aquí son importantes las mediciones detalladas y la estadística espacial.

A nivel medio (D3), al relieve se añaden las diferencias en los materiales parentales (p) y la edad del suelo (t). Por ejemplo, dentro de una misma explotación pueden encontrarse suelos sobre loess, till y aluviones – y cada uno de estos materiales dará su propio tipo de suelo. Aquí ya se necesitan no solo mediciones, sino también conocimientos de geología y geomorfología.

A nivel regional (D4), el clima (cl) se vuelve determinante. Es a este nivel donde se distinguen las zonas edáficas: suelos podzólicos de la taiga, chernozems de las estepas, sierozems de los desiertos. El clima también influye en la vegetación, que actúa como indicador de las condiciones edáficas.

A nivel global (D5), comienzan a operar combinaciones de grandes cinturones climáticos, estructuras tectónicas y regiones biogeográficas. Aquí hablamos de órdenes de suelos (Soil Taxonomy) o grupos de referencia de suelos (WRB) – es decir, las categorías más generales.

3.4. El problema de la transferencia de datos entre escalas

Una de las consecuencias más importantes de la dependencia de la escala es la no transferibilidad de los patrones de una escala a otra. Lo que funciona a nivel de parcela no necesariamente funciona a nivel regional, y viceversa (Wendroth et al., 2012).

Wendroth et al. (2012) presentan un ejemplo elocuente: se midieron el contenido de arcilla y la resistividad eléctrica del suelo a lo largo de una transecta de 440 metros. Cuando las mediciones se realizaron con un espaciado de 40 metros, la correlación entre ambas propiedades era débil (r = -0,505). Al reducir el espaciado a 5 metros, el coeficiente de correlación aumentó a -0,669. Pero – lo que es aún más importante – los parámetros de la regresión lineal cambiaron: la pendiente y la ordenada en el origen fueron diferentes para distintos espaciados (véase la tabla 10.1 en Wendroth et al., 2012).

Esto significa que si construimos un modelo de regresión con datos de espaciado de 40 m y luego lo aplicamos para predecir propiedades en una cuadrícula de 5 m, obtendremos resultados incorrectos. El modelo es «dependiente de la escala». Por eso no se pueden extrapolar simplemente los patrones empíricos de una escala a otra – es necesario tener en cuenta la estructura espacial en cada nivel.

3.5. Del campo al continente: importancia práctica

¿Por qué un agrónomo necesita entender la escala? Porque el tipo de decisiones que se toman depende de la escala:

• A nivel de campo (D1–D2) decidimos sobre la fertilización diferenciada, el encalado y la siembra. Aquí se necesitan mapas detallados de propiedades del suelo con resolución de 5–20 m. Aquí opera la agricultura de precisión y la pedometría en su versión «aplicada».

• A nivel de explotación o distrito (D3) planificamos rotaciones de cultivos, medidas de mejora y estimamos las necesidades globales de fertilizantes. Aquí basta una resolución de 20–200 m y el trabajo con asociaciones de suelos.

• A nivel regional (D4) se abordan cuestiones de ordenación territorial, monitoreo ambiental y evaluación de recursos. Aquí los mapas de suelos a escalas 1:200.000 – 1:1.000.000 son adecuados.

• A nivel global (D5) evaluamos flujos de carbono, cambio climático y seguridad alimentaria. Aquí una resolución de 1 km ya es un logro (la base de datos global SoilGrids trabaja a 1 km pero aspira a 100 m) (Weil, 2017).

En otras palabras: para cada escala – su propio conjunto de datos, sus propios métodos y sus propias preguntas. Intentar usar datos de un mapa global de suelos para gestionar una parcela concreta es tan absurdo como intentar hacer un mapa del mundo con datos de una sola parcela.

3.6. Escala y densidad de muestreo

La escala determina directamente la densidad de muestreo – el número de observaciones por unidad de superficie (White, 2006). Para levantamientos detallados (1:5.000–1:10.000) se recomiendan 4–5 observaciones por hectárea. Para levantamientos de reconocimiento (1:100.000 y menores) puede ser suficiente una observación por varios kilómetros cuadrados.

Pero la densidad de muestreo no es un número arbitrario. Debe ser suficiente para «ver» la estructura espacial de la propiedad. Si el espaciado de muestreo es mayor que el alcance de la autocorrelación espacial, no veremos estructura alguna – todas las mediciones parecerán aleatorias (Wendroth et al., 2012). De esto trata la siguiente sección – sobre la autocorrelación espacial.

4.1. ¿Qué es la autocorrelación espacial?

La autocorrelación espacial es una medida estadística de cuán similares son los valores de una determinada propiedad en puntos cercanos (Wendroth et al., 2012). En resumen: los puntos cercanos son más parecidos que los lejanos.

Imagine el contenido de carbono orgánico en el suelo a lo largo de una ladera. En la cima hay poco – la erosión elimina la capa superficial. Un poco más abajo en la ladera hay más, al pie aún más, en una depresión encharcada es máximo. Si medimos el carbono en puntos separados 2 metros, sus valores serán cercanos. Si comparamos un punto de la cima con uno del pie, la diferencia será enorme. Esta es una manifestación de la autocorrelación espacial: la similitud disminuye al aumentar la distancia.

Formalmente, la autocorrelación se describe mediante la autocovarianza – el valor esperado del producto de las desviaciones de dos observaciones respecto a la media, separadas por una distancia h (Wendroth et al., 2012):

Y la forma normalizada – la función de autocorrelación *r(h)* – muestra la fuerza de la relación entre los valores en función de la distancia h (Wendroth et al., 2012):

No se asuste con las fórmulas: la esencia es simple. En h = 0 (distancia cero – comparación de un punto consigo mismo), la autocorrelación es 1 – correlación perfecta. Al aumentar h, la autocorrelación generalmente disminuye y finalmente se acerca a cero – la relación desaparece. La distancia en la que la autocorrelación cae a cero se denomina alcance de la autocorrelación o simplemente alcance. Más allá de esta distancia, los valores son estadísticamente independientes.

4.2. Por qué es importante la autocorrelación en la investigación edafológica

El conocimiento de la existencia y naturaleza de la autocorrelación espacial es crucial para toda investigación edafológica. He aquí por qué:

En primer lugar, la autocorrelación determina si la interpolación tiene sentido. Si la autocorrelación está ausente (r(h) ≈ 0 para cualquier h > 0), entonces las propiedades cambian aleatoriamente y predecir valores en puntos entre mediciones es imposible. Esta es la situación clásica que asume el análisis estadístico tradicional, pero para los suelos es rara. En la práctica, las propiedades del suelo casi siempre tienen estructura espacial – solo hay que identificarla correctamente (Wendroth et al., 2012).

En segundo lugar, la autocorrelación determina la densidad y el esquema de muestreo. Si el alcance de la autocorrelación es, digamos, 20 metros, entonces un muestreo con espaciado de 50 metros no revelará la estructura – tendremos un conjunto de puntos prácticamente independientes, y cualquier mapa será solo una aproximación burda. Por el contrario, si conocemos el alcance, podemos elegir un espaciado que permita «ver» la estructura. Idealmente, el espaciado debe ser de 2 a 5 veces menor que el alcance.

En tercer lugar, la autocorrelación permite evaluar la incertidumbre de las predicciones. Si conocemos la estructura espacial, podemos decir no solo «en este punto el contenido de humus es aproximadamente del 3%», sino también «con un 90% de probabilidad se encuentra entre el 2.7% y el 3.3%». Sin conocer la estructura, cualquier estimación de incertidumbre sería arbitraria.

4.3. Cómo se manifiesta la autocorrelación: ejemplo con la humedad del suelo

Wendroth et al. (2012) presentan un ejemplo instructivo que demuestra cómo el espaciado de muestreo afecta a la detección de la autocorrelación. Se midió la humedad del suelo a 40–60 cm de profundidad a lo largo de una transecta de 440 metros en un paisaje agrícola del noreste de Alemania.

Cuando las muestras se tomaron con un espaciado de 40 metros, la función de autocorrelación r(h) caía prácticamente a cero ya para h > 0 (véase la figura 10.1a,b en Wendroth et al., 2012). Esto significaba que a ese espaciado no se detectaba estructura espacial – los cambios de humedad parecían aleatorios. Cualquier interpolación habría sido injustificada.

Cuando el espaciado se redujo a 20 metros, el panorama no cambió fundamentalmente – la autocorrelación seguía ausente (fig. 10.1c,d). Parecía que la humedad del suelo no tenía estructura espacial alguna.

Pero al reducir el espaciado a 10 metros, la situación cambió drásticamente (fig. 10.1e,f). Apareció una estructura clara: la autocorrelación era alta a 10 m y disminuía gradualmente con la distancia. Finalmente, con un espaciado de 5 metros, la estructura se reveló por completo (fig. 10.1g,h) – la autocorrelación disminuía claramente con la distancia, alcanzando cero a unos 30–40 metros.

Conclusión: la autocorrelación siempre estuvo presente en los datos. Simplemente no era «visible» con un espaciado demasiado grueso – quedaba oculta tras un ruido aparente. Este ejemplo muestra por qué no podemos elegir un espaciado de muestreo «a ojo» – necesitamos conocer o estimar la naturaleza de la estructura espacial.

4.4. Autocorrelación y correlación cruzada

Además de la autocorrelación de una variable única, en pedometría es importante la correlación cruzada – una medida de la relación entre dos propiedades diferentes medidas en puntos separados por una distancia h (Wendroth et al., 2012).

La fórmula de la correlación cruzada es análoga a la de la autocorrelación, pero en lugar de una variable A se toman dos – A y B:

La correlación cruzada responde a la pregunta: si conocemos el contenido de arcilla en el punto x, ¿en qué medida predice la resistividad eléctrica del suelo en un punto vecino x+h? Esto es importante cuando una propiedad es fácil y barata de medir (por ejemplo, la conductividad eléctrica) y otra es laboriosa (por ejemplo, la composición granulométrica). Si existe correlación cruzada entre ellas, podemos usar las mediciones «baratas» para predecir las «caras».

En el mismo estudio (Wendroth et al., 2012) se midió la correlación cruzada entre el contenido de arcilla y la resistividad eléctrica del suelo. Con un espaciado de 40 metros, no había correlación cruzada (fig. 10.2c) – las dos propiedades parecían independientes. Pero con un espaciado de 5 metros, la correlación cruzada se hizo claramente visible (fig. 10.2d): el contenido de arcilla en un punto se relacionaba con la resistividad en un punto vecino hasta 5–10 metros. Además, la propia relación de regresión entre las propiedades cambiaba con el espaciado (véase la tabla 10.1 en Wendroth et al., 2012) – la pendiente y la ordenada en el origen eran diferentes para distintas escalas.

Esto tiene una enorme importancia práctica. Por ejemplo, muchas funciones de pedotransferencia – ecuaciones empíricas que predicen propiedades complejas (retención de agua, conductividad hidráulica) a partir de otras simples (composición granulométrica, materia orgánica) – suelen construirse con datos recopilados a diferentes espaciados y escalas. Si no se tiene en cuenta la dependencia de escala de la correlación cruzada, tales funciones pueden dar errores sistemáticos al aplicarse en otra escala.

4.5. Autocorrelación y estadística tradicional

Es importante comprender la diferencia fundamental entre la estadística tradicional y un enfoque que tiene en cuenta la autocorrelación. Los métodos tradicionales (análisis de varianza, regresión, pruebas de significación) parten del supuesto de independencia de las observaciones. Esto significa que cada medición se considera completamente independiente de las demás – como si eligiéramos puntos al azar en todo el campo.

Pero, como hemos visto, las propiedades del suelo están autocorrelacionadas. Los puntos cercanos no son independientes – son similares. Esto viola el supuesto básico de la estadística tradicional. El resultado: podemos encontrar diferencias estadísticamente significativas donde no las hay (error de tipo I) o perder diferencias reales (error de tipo II). Además, las estimaciones de la varianza y los errores estándar estarán sesgadas (Wendroth et al., 2012; White, 2006).

Por eso se necesitan métodos especiales para analizar datos edáficos – la geoestadística, que tiene en cuenta la autocorrelación espacial. Y por eso el muestreo aleatorio, que funciona bien en muchos otros campos, suele ser subóptimo en edafología.

4.6. ¿Qué hacer si no hay autocorrelación?

Puede ocurrir que la autocorrelación espacial no se detecte – incluso con un espaciado suficientemente fino. Esto puede deberse a varias razones (Wendroth et al., 2012):

1. Aleatoriedad verdadera – la propiedad varía caóticamente a todas las escalas. Esto es raro, pero posible para algunas propiedades, especialmente las que dependen fuertemente de eventos aleatorios (por ejemplo, la distribución de piedras individuales o poros grandes).

2. Elección incorrecta de escala – la estructura existe pero a otra escala. Por ejemplo, a escala de 5 metros no hay estructura, pero aparece a 50 metros o viceversa. Esto requiere un análisis multiescala.

3. Errores de medición – el ruido de las mediciones puede enmascarar la estructura real. Esto ocurre especialmente con señales débiles (por ejemplo, concentraciones bajas de contaminantes).

4. «Efecto pepita» – variabilidad a escalas menores que el espaciado de muestreo. Esta es una situación muy común, y la trataremos en la siguiente sección sobre el variograma.

Si no hay autocorrelación, la interpolación (por ejemplo, el kriging) se vuelve injustificada. En ese caso, lo mejor que se puede hacer es usar el valor medio de todo el campo o pasar a una cuadrícula de medición más fina. Pero esto es una cuestión de compromiso práctico entre precisión y costo.

5.1. De la autocorrelación al variograma

La función de autocorrelación r(h), de la que hablamos en la sección anterior, muestra la fuerza de la relación entre los valores en función de la distancia h. Cuanto más cerca esté r(h) de 1, mayor es la similitud; cuanto más cerca de 0, más débil. Esto es intuitivo y es una buena forma de ver la estructura. Pero la autocorrelación tiene un inconveniente: está «normalizada», es decir, sus valores siempre están entre -1 y 1. Vemos la fuerza de la relación, pero no la magnitud de la variabilidad en las unidades originales de medida.

El variograma resuelve este problema. Muestra no la fuerza de la relación, sino la diferencia cuadrática media entre los valores en puntos separados por una distancia h (Wendroth et al., 2012). Si los valores son cercanos – la diferencia es pequeña; si son lejanos – la diferencia es grande. A diferencia de la autocorrelación, el variograma se expresa en las unidades al cuadrado de la propiedad medida.

La fórmula del semivariograma es la siguiente (Wendroth et al., 2012; White, 2006):

Aquí γ(h) es el semivariograma (a menudo se dice simplemente «variograma»); N(h) es el número de pares de puntos separados por una distancia h; la suma se extiende a todos esos pares. La división por 2 hace que el variograma sea comparable a la varianza ordinaria. Pero lo importante no es la fórmula, sino su significado: el variograma aumenta con la distancia h porque los puntos se vuelven menos similares y la diferencia entre ellos, en promedio, aumenta.

5.2. Aspecto de un variograma y lo que muestra

Un variograma típico tiene tres elementos clave (Wendroth et al., 2012; White, 2006) (véase también la figura B14.3.1 en White, 2006):

1. Efecto pepita (nugget) – es el valor del variograma en h = 0. Lógicamente, a distancia cero, la diferencia entre un punto y sí mismo debería ser cero. Pero en la práctica, si se extrapola el variograma a cero, a menudo se obtiene un valor positivo. Ese es el efecto pepita. Refleja la variabilidad a escalas menores que nuestro espaciado mínimo de muestreo, más los errores de medición. Si la pepita es grande, significa que una parte significativa de la variabilidad ocurre a distancias muy cortas – por ejemplo, a escala de unidades estructurales individuales o galerías de lombrices. Esa es la «microvariabilidad» que no podemos ver con nuestro espaciado de muestreo.

2. Meseta (sill) – es el valor al que el variograma se estabiliza a grandes distancias. Cuando la distancia es suficientemente grande, los puntos dejan de ser similares y la diferencia media entre ellos alcanza un valor máximo. Esta meseta suele ser cercana a la varianza total de la propiedad en toda la muestra.

3. Alcance (range) – es la distancia a la que el variograma alcanza la meseta. Más allá del alcance, los valores son estadísticamente independientes – la autocorrelación desaparece. Dentro del alcance, los valores son similares y la interpolación tiene sentido.

Así, el variograma nos da tres parámetros cruciales: la pepita (microvariabilidad), la meseta (varianza total) y el alcance (radio de autocorrelación). Estos determinan cómo debemos muestrear y si podemos construir mapas.

5.3. Ejemplo práctico: humedad del suelo

Volvamos al ejemplo ya conocido de Wendroth et al. (2012) sobre la humedad del suelo en una transecta de 440 metros. Para cada espaciado – 40 m, 20 m, 10 m, 5 m – se construyó un variograma.

Con un espaciado de 40 metros, el variograma parecía una «pepita pura» – sin aumento con la distancia, meseta inmediata. Esto significaba que toda la variabilidad ocurría a escalas menores de 40 metros. No «veíamos» estructura porque el espaciado era demasiado grueso.

Con un espaciado de 20 metros, la situación no cambió – el variograma volvió a mostrar solo pepita. La estructura seguía oculta.

Con un espaciado de 10 metros, apareció un ligero aumento, pero era incierto – había pocos puntos para el cálculo y el variograma era ruidoso.

Con un espaciado de 5 metros, la estructura se hizo claramente visible: el variograma aumentaba desde la pepita hasta la meseta, alcanzándola a unos 30–40 metros. El alcance era de unos 30–40 metros. Esto significaba que la humedad del suelo se correlacionaba a distancias de hasta 30–40 m, y luego la relación desaparecía.

Es importante señalar que el alcance no es un radio «correcto», sino una característica empírica que depende de la escala del estudio, el tipo de suelo, la época del año y otros factores. Será diferente en distintas condiciones.

5.4. El problema de la pepita y lo que se esconde detrás

La pepita no es solo un artefacto estadístico. Tiene un significado físico (Wendroth et al., 2012; White, 2006).

En primer lugar, es microvariabilidad – variabilidad de las propiedades a distancias menores que nuestro espaciado de muestreo. En el suelo, esto puede estar relacionado con:

• Unidades estructurales individuales (agregados)
• Galerías de lombrices y raíces
• Manchas de materia orgánica
• Acumulaciones locales de partículas minerales
• Microelevaciones y microdepresiones del relieve

Esta microvariabilidad puede representar una parte significativa de la varianza total – a veces hasta el 50% o más. No puede ser tenida en cuenta con un espaciado de muestreo normal, pero es necesario conocerla para evaluar la incertidumbre de las predicciones.

En segundo lugar, la pepita incluye los errores de medición – tanto de laboratorio como de campo. Si tomamos dos muestras en el mismo punto y obtenemos valores diferentes, eso también contribuye a la pepita.

¿Cómo distinguir una cosa de otra? Wendroth et al. (2012) describen un método sencillo pero eficaz: en algunos puntos se toman no una, sino dos o tres muestras adyacentes (los llamados «duplicados» o «nidos») a distancias de varios centímetros o metros entre sí. Luego se calcula la varianza entre esos duplicados – esta será una estimación de la «verdadera» microvariabilidad más el error de medición. Si es sustancialmente menor que la pepita del variograma, entonces la pepita se debe principalmente a la variabilidad a escalas entre los duplicados y el espaciado de muestreo. Si es comparable a la pepita – entonces la causa principal son los errores de medición.

En su ejemplo con la humedad del suelo en Kentucky (fig. 10.3c y 10.4c en Wendroth et al., 2012), los duplicados (muestras tomadas a pocos centímetros de distancia) mostraron una varianza muy baja – significativamente inferior a la pepita del variograma. Esto significaba que la mayor parte de la pepita no se debía a errores de medición, sino a la variabilidad real a escalas de varios centímetros a 5 metros. En otras palabras, el suelo es realmente muy variable en distancias cortas – y esto debe tenerse en cuenta al interpretar los datos.

5.5. Modelos de variogramas

Un variograma experimental es un conjunto de puntos calculados a partir de datos reales para diferentes distancias h. Pero para usarlo en cálculos (por ejemplo, para kriging), es necesario «alisar» esos puntos ajustando una función matemática – un modelo de variograma (Wendroth et al., 2012; White, 2006).

Los modelos más comunes:

• Esférico – el más popular. Crece desde la pepita hasta la meseta, alcanzándola en el alcance. Describe bien muchas propiedades del suelo.
• Exponencial – crece rápidamente al principio, luego se acerca lentamente a la meseta, pero teóricamente solo la alcanza en el infinito. En la práctica, el alcance se define como la distancia en la que se alcanza el 95% de la meseta.
• Gaussiano – tiene forma de S, crecimiento lento cerca de cero, luego aceleración y estabilización. Se usa para propiedades con estructura espacial muy suave.
• Modelos de potencia – no tienen meseta, crecen indefinidamente. Se usan para propiedades con tendencia (por ejemplo, contenido de humus que aumenta a lo largo de una transecta).

Elegir un modelo no es solo un ejercicio matemático. Debe reflejar la naturaleza física del proceso. Por ejemplo, el modelo esférico supone que el alcance es un límite físico real de la correlación. El exponencial supone que la correlación disminuye gradualmente y nunca desaparece por completo.

5.6. Variograma y anisotropía

Hasta ahora hemos hablado de variogramas suponiendo que la variabilidad es la misma en todas las direcciones. Esto se llama isotropía. Pero en la práctica, las propiedades del suelo suelen tener diferente variabilidad en diferentes direcciones – esto es la anisotropía (Wendroth et al., 2012).

Por ejemplo, en una ladera, el contenido de materia orgánica puede cambiar rápidamente en la dirección de la pendiente (de la cima al pie) y lentamente a lo largo de la pendiente (siguiendo las curvas de nivel). O en un campo donde el laboreo se ha realizado en una dirección, las propiedades pueden tener una estructura «rayada».

En tales casos, se construyen varios variogramas – para diferentes direcciones (por ejemplo, 0°, 45°, 90°, 135°). Si difieren, se habla de anisotropía geométrica – alcances diferentes en distintas direcciones. O de anisotropía zonal – pepita o meseta diferentes.

Tener en cuenta la anisotropía es importante para una interpolación correcta: si no consideramos que en una dirección la correlación es más fuerte que en otra, obtendremos mapas distorsionados.

5.7. Variograma y densidad de muestreo

De todo lo anterior se desprende una conclusión práctica clave: el variograma es una herramienta para elegir la densidad de muestreo óptima (Wendroth et al., 2012; White, 2006).

Si conocemos el alcance de la autocorrelación, podemos elegir un espaciado de muestreo tal que:

• El espaciado sea menor que el alcance – de lo contrario no veremos la estructura (como en el ejemplo del espaciado de 40 m con un alcance de 30–40 m).
• El espaciado sea suficientemente pequeño para estimar de forma fiable la pepita y el crecimiento inicial del variograma.
• El espaciado no sea excesivamente pequeño – esto aumenta los costes sin una ganancia proporcional en precisión.

Generalmente se recomienda que el espaciado sea de aproximadamente 1/3–1/5 del alcance. En el ejemplo anterior, con un alcance de 30–40 m, el espaciado óptimo sería de 6–10 m – lo que se confirmó en la práctica (la estructura apareció a 10 m y se hizo clara a 5 m).

Además, el variograma permite estimar el número necesario de muestras para alcanzar una precisión determinada. Cuanto mayor sea la pepita (microvariabilidad), más muestras se necesitan para «promediar» ese ruido. Cuanto mayor sea el alcance, con menos frecuencia se pueden tomar muestras.

Es importante entender: el variograma no es una propiedad del suelo en sí, sino una propiedad de la muestra (Wendroth et al., 2012). Si cambiamos la extensión (área de estudio) o el espaciado, los parámetros del variograma cambiarán. Por lo tanto, el variograma siempre se construye para un estudio específico y no puede transferirse mecánicamente a otro lugar o escala.

6.1. Por qué es importante la densidad de muestreo

Recordemos el ejemplo de la humedad del suelo de Wendroth et al. (2012). Con un espaciado de muestreo de 40 metros, los investigadores no encontraron estructura espacial alguna – los datos parecían ruido aleatorio. Con un espaciado de 5 metros, la estructura se hizo claramente visible. Los mismos datos, pero con diferente densidad de muestreo, dieron conclusiones fundamentalmente diferentes sobre la presencia o ausencia de patrón espacial.

Esto no es una curiosidad académica. Una densidad de muestreo mal elegida tiene consecuencias graves:

• Red demasiado dispersa – no vemos la estructura real; las propiedades parecen aleatorias. Cualquier interpolación es injustificada; todas las decisiones se basan en promedios que no reflejan la diversidad real del campo.
• Red demasiado densa – gastamos recursos en muestreo y análisis, obteniendo solo una mejora marginal en la precisión. La eficiencia económica disminuye.

La densidad óptima es aquella que permite estimar de forma fiable la estructura espacial (variograma) y luego usarla para la interpolación con una precisión aceptable.

6.2. Factores que determinan la densidad de muestreo necesaria

Varios factores influyen en la densidad de muestreo (Wendroth et al., 2012; White, 2006; Weil, 2017):

1. Naturaleza de la variabilidad espacial de la propiedad. Si el alcance de la autocorrelación es grande (por ejemplo, 100 m), el espaciado puede ser relativamente amplio (20–30 m). Si el alcance es pequeño (por ejemplo, 10 m), el espaciado debe ser fino (2–5 m). La varianza de la pepita también importa: cuanto mayor sea, más muestras se necesitan para «cubrir» la microvariabilidad.

2. Propósito del estudio. Para la gestión agronómica a nivel de campo (agricultura de precisión), se necesita alta densidad – hasta 4–5 muestras por hectárea para mapas detallados (White, 2006). Para la evaluación regional de recursos, 1 muestra por varios kilómetros cuadrados puede ser suficiente.

3. Presupuesto y recursos disponibles. Una red más densa requiere más tiempo, trabajo y análisis de laboratorio. A menudo, la densidad óptima viene determinada no solo por consideraciones científicas, sino también económicas.

4. Método de medición. Si la propiedad se puede medir rápida y económicamente (por ejemplo, conductividad eléctrica o reflectancia espectral), la densidad puede ser mayor que para análisis laboriosos (composición granulométrica, contenido de humus).

5. Tamaño del área de estudio. Cuanto mayor sea el área, menor será la densidad relativa (muestras por hectárea), pero la extensión (alcance total) debe ser suficiente para cubrir todos los tipos principales de paisaje.

6.3. Cómo determinar la densidad óptima: el papel del variograma

La herramienta clave para elegir la densidad es un estudio piloto preliminar con una cuadrícula más fina de la que se pretende usar. A partir de estos datos se construye un variograma y se estiman la pepita, la meseta y el alcance. Luego, conociendo el alcance, podemos elegir un espaciado que sea 3–5 veces menor que el alcance (Wendroth et al., 2012).

Por ejemplo, si en el estudio piloto el alcance resulta ser de 60 m, el espaciado óptimo para la red principal sería de 12–20 m. Si el alcance es de 20 m – espaciado de 4–7 m.

Pero un estudio piloto supone costes adicionales. También se pueden usar otros enfoques:

• Uso de datos bibliográficos – para condiciones edafoclimáticas similares, se pueden tomar valores orientativos del alcance de trabajos publicados. Sin embargo, pueden diferir mucho, por lo que este enfoque es menos fiable.
• Estimaciones de expertos – un edafólogo experimentado puede inferir la naturaleza de la variabilidad basándose en el relieve, mapas de suelos y observaciones visuales. Pero esto es solo una aproximación.

Idealmente, si los recursos lo permiten, primero se realiza un muestreo detallado (fino) en una pequeña zona (un sitio de «referencia»), se construye un variograma y luego, basándose en sus parámetros, se diseña la red principal para todo el territorio. Este enfoque minimiza los costes totales sin sacrificar la precisión.

6.4. Estrategias para ubicar los puntos de muestreo

Además de la densidad, la ubicación de los puntos de muestreo también es importante. Existen varias estrategias (White, 2006; Wendroth et al., 2012):

Cuadrícula sistemática (regular) – los puntos se colocan a igual distancia entre sí, formando una red rectangular o triangular. Es el enfoque más común para levantamientos detallados. Proporciona una cobertura uniforme y simplifica el análisis geoestadístico. Un inconveniente es que puede pasar por alto anomalías locales si no caen en los nodos de la cuadrícula.

Muestreo aleatorio – los puntos se eligen al azar. Este método es bueno para estimar medias y varianzas, pero malo para detectar estructura espacial y construir mapas. La estadística tradicional se basa en el muestreo aleatorio, pero para estudios edafológicos suele ser subóptimo (Wendroth et al., 2012).

Muestreo aleatorio estratificado – el área se divide en zonas homogéneas (estratos) y dentro de cada estrato los puntos se eligen al azar. Combina las ventajas del muestreo aleatorio con la consideración de la heterogeneidad espacial.

Muestreo dirigido (intencional) – los puntos se eligen en lugares donde se esperan cambios (por ejemplo, en los límites de los contornos edáficos, al pie de las laderas). Este método es eficaz para identificar límites, pero requiere un conocimiento previo del paisaje. En el levantamiento libre tradicional, los edafólogos trabajan exactamente así (White, 2006).

Muestreo adaptativo – se toma una cuadrícula inicial dispersa y luego se añaden puntos adicionales en zonas de alta variabilidad. Este enfoque ahorra recursos al concentrar los esfuerzos en las áreas más «informativas».

En los últimos años, el método de muestreo por hipercubo latino condicionado (cLHS) ha ganado popularidad, ya que permite seleccionar un número limitado de puntos que cubren al máximo el espacio de variación de todas las covariables disponibles (relieve, vegetación, datos de teledetección) (Minasny & McBratney, 2006, citado en Weil, 2017). Esto es especialmente útil para el cartografiado digital de suelos, donde queremos que el conjunto de entrenamiento represente toda la diversidad de condiciones del paisaje.

6.5. Relación entre densidad y escala del mapa

Existe una relación directa entre la densidad de muestreo y la escala del mapa final (White, 2006). Generalmente se acepta que para representar de forma fiable un límite edáfico en un mapa se necesitan al menos 4–5 observaciones por centímetro cuadrado de mapa. Con base en esto, se puede calcular la densidad requerida para una escala determinada.

Por ejemplo, a escala 1:10.000, 1 cm² de mapa corresponde a 1 hectárea en el terreno. Si se necesitan 4 observaciones por cm², la densidad debe ser de 4 muestras por hectárea. Para una escala 1:25.000, 1 cm² corresponde a 6,25 ha, y 4 muestras por cm² dan una densidad de aproximadamente 0,64 muestras por hectárea – es decir, una muestra cada 1,5 ha. Para una escala 1:50.000, la densidad será aún menor.

Así, cuanto menor es la escala (cuanto mayor es el área representada en una hoja), menos muestras por unidad de superficie se necesitan. Sin embargo, perdemos detalle – las pequeñas heterogeneidades no se mostrarán.

6.6. Errores debidos a una densidad insuficiente

Si la densidad de muestreo es insuficiente, se producen errores típicos (Wendroth et al., 2012):

1. Pérdida de la estructura espacial – el variograma muestra solo pepita, y concluimos erróneamente que la propiedad es aleatoria. En realidad, la estructura existe pero no es resoluble con el espaciado dado.

2. Sesgo en las estimaciones – la interpolación da valores incorrectos, especialmente en zonas con gradientes pronunciados. El mapa se «suaviza», perdiendo contrastes reales.

3. Estimación incorrecta de la incertidumbre – o subestimamos la variabilidad (si ignoramos la estructura) o la sobrestimamos (si intentamos interpolar sin estructura). En cualquier caso, las predicciones se vuelven poco fiables.

4. Decisiones agronómicas erróneas – si no vemos que el pH es 5,0 en una parte del campo y 7,5 en otra, podemos aplicar cal de manera uniforme, lo que provocará un exceso de cal en unas zonas y deficiencia en otras.

6.7. Densidad de muestreo en la agricultura de precisión

En la agricultura de precisión, la densidad de muestreo es especialmente crítica. El objetivo es crear mapas detallados de propiedades del suelo (pH, contenido de nutrientes, humus, composición granulométrica) con una resolución que permita una gestión diferenciada de las operaciones agronómicas (Wollenhaupt et al., 1994; Weil, 2017).

Las recomendaciones típicas para campos de tamaño moderado (10–100 ha) son una cuadrícula de 1–2 muestras por hectárea (espaciado de 50–100 m). Sin embargo, como hemos visto, la densidad real necesaria depende del alcance de la autocorrelación. En algunos casos, incluso 1 muestra por hectárea puede ser excesiva (si el alcance es grande) y en otros insuficiente.

Por eso la pedometría ofrece no normas rígidas, sino un enfoque flexible: primero estimar la estructura espacial (estudio piloto, datos bibliográficos), luego elegir el espaciado y el esquema de ubicación de puntos óptimos. Esto permite ahorrar recursos sin perder precisión.

Además, en la agricultura de precisión se utilizan cada vez más métodos de teledetección y sensores proximales (conductividad eléctrica, espectroscopia) – que proporcionan redes de medición muy densas, pero requieren calibración con un número limitado de análisis de laboratorio. La pedometría permite combinar estos datos heterogéneos (cokriging, kriging con regresión) para obtener mapas de alta calidad con un coste mínimo en análisis «caros».

6.8. Recomendaciones prácticas

Resumamos las recomendaciones prácticas para elegir la densidad de muestreo (Wendroth et al., 2012; White, 2006):

1. Comience siempre con un estudio piloto – al menos 30–50 puntos en una pequeña área para estimar el variograma y el alcance. Esto se amortizará muchas veces al diseñar la red principal.

2. Elija el espaciado de la red principal de no más de 1/3–1/5 del alcance. Si el alcance es 60 m – espaciado 12–20 m; si es 30 m – espaciado 6–10 m.

3. Use esquemas estratificados o adaptativos para asegurar la representatividad de todos los elementos del paisaje.

4. Para mapas detallados de agricultura de precisión – densidad de 1–4 muestras por hectárea, pero ajuste según el variograma.

5. Para levantamientos de reconocimiento – la densidad puede ser mucho menor, pero es importante que la cobertura sea suficiente para identificar las principales asociaciones edáficas.

6. Si los recursos son limitados, es mejor reducir el número de muestras pero colocarlas de manera óptima (por ejemplo, usando hipercubo latino) que tomar muchas muestras sin considerar la estructura.

7. Documente siempre el espaciado, el esquema y la justificación de la densidad elegida – esto permitirá una interpretación futura y la comparación con otros estudios.

7.1. ¿Qué es la agricultura de precisión y cuál es su problema?

La agricultura de precisión (agricultura por sitio específico) es un sistema de gestión de las operaciones agronómicas que tiene en cuenta la heterogeneidad espacial de la cubierta del suelo y de los cultivos dentro de una misma parcela (Weil, 2017). Su objetivo es aplicar los recursos (fertilizantes, productos fitosanitarios, semillas, agua) no de manera uniforme en todo el campo, sino de forma diferenciada, según las necesidades reales de cada zona.

La idea parece sencilla y obvia. Sin embargo, en la práctica se topa con un obstáculo fundamental: no sabemos cómo varían las propiedades del suelo en el campo hasta que las medimos en un número suficiente de puntos. Sin ese conocimiento, cualquier gestión diferenciada se convierte en una suposición.

El enfoque tradicional – una muestra compuesta de todo el campo – supone que el campo es uniforme. Pero ya sabemos que no es así. En la práctica, incluso dentro de un mismo campo pueden coexistir zonas con pH de 5,0 a 7,5, contenido de humus del 1% al 4%, y diferente disponibilidad de fósforo y potasio (Weil, 2017). Una recomendación de fertilización promediada será subóptima para la mayoría de los puntos: en algunos lugares aplicaremos en exceso (pérdidas, contaminación) y en otros de forma insuficiente (pérdida de cosecha).

7.2. Cómo la pedometría apoya la agricultura de precisión

La pedometría proporciona a la agricultura de precisión una base científica para la toma de decisiones. Examinemos las etapas clave de este proceso.

7.3. Ejemplo práctico: fertilización diferenciada

Consideremos un ejemplo concreto. Un campo de 100 ha donde los fertilizantes se han aplicado de manera desigual (más en unos sitios, menos en otros). Enfoque tradicional: tomar una muestra compuesta, obtener un contenido «medio» de fósforo y recomendar una dosis uniforme de fertilizante para todo el campo.

Enfoque pedométrico (Wollenhaupt et al., 1994; Weil, 2017):

1. Realizar un muestreo piloto (por ejemplo, 30 puntos).

2. Construir un variograma para el fósforo asimilable.

3. Estimar el alcance (digamos, 40 m).

4. Elegir una red con un espaciado de 10–15 m para el muestreo principal (total 50–70 puntos).

5. Construir un mapa de fósforo mediante kriging.

6. Con base en el mapa, crear recomendaciones: zonas con alto contenido – sin fósforo; medio – 30 kg/ha; bajo – 60 kg/ha.

7. Aplicar los fertilizantes de forma diferenciada, utilizando equipos con GPS y dosis variable.

Resultado: ahorro de fertilizantes en zonas de alto contenido, aumento del rendimiento en zonas bajas, reducción de pérdidas de fósforo al medio ambiente y mejora de la eficiencia general.

Sin pedometría (sin conocimiento de la estructura espacial y sin mapas), esa diferenciación sería imposible – no sabríamos dónde el contenido es alto y dónde bajo.

7.4. Aspectos económicos y ambientales

La pedometría en la agricultura de precisión tiene no solo importancia agronómica, sino también económica y ambiental.

Beneficios económicos:

• Reducción de costes de fertilizantes y fitosanitarios al aplicarlos solo donde realmente se necesitan (el ahorro puede ser del 10–30%).
• Aumento del rendimiento en zonas problemáticas mediante la eliminación específica de factores limitantes.
• Mejora de la calidad del producto (maduración más uniforme, menos encamado).
• Posibilidad de tomar decisiones fundamentadas sobre la compra o el arrendamiento de tierras basándose en el conocimiento de su heterogeneidad espacial.

Beneficios ambientales:

• Reducción del riesgo de lixiviación de nutrientes (especialmente nitratos) a las aguas subterráneas al evitar la aplicación excesiva.
• Disminución de las emisiones de gases de efecto invernadero (N₂O) por el exceso de fertilizantes nitrogenados.
• Conservación de la biodiversidad de la biota edáfica al reducir la carga química.
• Uso más eficiente de los recursos hídricos en el riego diferenciado.

Así, la pedometría no es solo una disciplina académica. Es una herramienta para el desarrollo sostenible de la agricultura, que combina la eficiencia económica con la responsabilidad ambiental (Weil, 2017).

7.5. Limitaciones y perspectivas

Es importante comprender que la pedometría y la agricultura de precisión no son una panacea. Tienen limitaciones:

• Coste de implementación – equipos, software, formación, análisis requieren inversiones significativas. Para pequeñas explotaciones pueden ser prohibitivos.
• Complejidad de interpretación – los modelos espaciales dan estimaciones probabilísticas, no verdades absolutas. Se necesita personal cualificado para su uso.
• Variabilidad temporal – las propiedades del suelo cambian no solo en el espacio sino también en el tiempo. Los mapas deben actualizarse.
• No todas las propiedades son igualmente «interpolables» – algunas tienen una autocorrelación débil y son difíciles de cartografiar.

Sin embargo, las perspectivas de desarrollo son enormes. Los avances en teledetección, UAV, sensores «en marcha» (on‑the‑go), inteligencia artificial y aprendizaje automático están haciendo la pedometría cada vez más accesible y eficaz (Weil, 2017). Ya están surgiendo sistemas que permiten crear mapas de propiedades del suelo en tiempo real, durante el propio trabajo de campo. Y en el corazón de todos estos sistemas están los mismos principios que hemos analizado en esta lección: consideración de la variabilidad espacial, autocorrelación, variograma, densidad óptima de muestreo.

Conclusión

Hemos recorrido todo el camino: desde comprender que el suelo es heterogéneo y no puede caracterizarse con una sola muestra, pasando por la descripción cuantitativa de esa heterogeneidad (autocorrelación, variograma), hasta las recomendaciones prácticas sobre el muestreo y, finalmente, la aplicación de estos conocimientos en la agricultura de precisión.

Conclusiones clave de la lección:

1. La cubierta del suelo es continua y variable a todas las escalas – desde milímetros hasta continentes. Esto es consecuencia de la diversidad de los factores formadores del suelo.

2. Una única muestra compuesta da solo un valor promediado que no refleja la diversidad real del campo y no puede servir de base para decisiones agronómicas óptimas.

3. La autocorrelación espacial es una propiedad fundamental de los datos edáficos. Los puntos cercanos son similares, los lejanos no. Esto permite interpolar entre puntos de medición.

4. El variograma es la herramienta principal de la pedometría. Muestra la rapidez con que disminuye la similitud con la distancia y permite estimar el alcance, la pepita (microvariabilidad) y la meseta (varianza total).

5. La densidad de muestreo debe determinarse a partir del variograma. El espaciado óptimo es de 1/3–1/5 del alcance. Sin esto, o no vemos la estructura o desperdiciamos recursos.

6. La agricultura de precisión es imposible sin la pedometría. Esta proporciona la base científica para la gestión diferenciada de los recursos, permitiendo la creación de mapas de propiedades, la consideración de la incertidumbre, la integración de datos heterogéneos y la optimización de costes.

La pedometría no es solo un conjunto de métodos estadísticos. Es una nueva forma de pensar sobre el suelo como un sistema continuo, variable pero cognoscible. Y esta forma de pensar es cada vez más relevante en la era de la agricultura digital, donde los datos son el principal recurso y la ciencia es la clave para el desarrollo sostenible.