Treffer: Mapeo digital de suelos: ciencia e innovación para el monitoreo, recomendación y planificación de sistemas agrícolas sostenibles.

Digital Soil Mapping (DSM) has emerged as a powerful and strategic scientific tool to advance toward more sustainable and resilient agricultural systems. In response to the challenges posed by the spatial variability of soils and their interaction with climatic, biological, and topographic factors, DSM offers a modern alternative to traditional soil surveys by integrating geospatial technologies, statistical modeling, and big data analysis. Its theoretical foundation is based on models such as CLORPT (Jenny, 1941) and its extension SCORPAN (McBratney et al., 2003), which model soil properties as a function of multiple environmental factors: climate, organisms, relief, parent material, time, spatial position, and previous observations. This framework enables the complexity of the soil-landscape system to be captured and translated into high-resolution maps that are continuous across space. The DSM process involves the combination of field data (soil samples analyzed in the laboratory) with environmental covariates obtained through remote sensing, soil maps, geology, digital elevation models, and climatic and hydrological data, among others. From this integration, statistical or machine learning models such as Random Forest are applied to predict physical and chemical soil properties continuously across space. These models are evaluated and validated using metrics such as RMSE (Root Mean Square Error) and MAE (Mean Absolute Error), as well as cross-validation and independent validation techniques, and variable importance analysis (%IncMSE). The objective is to produce quantitative maps that accurately represent spatial variability and allow for multi-scale analyses tailored to the needs of the territory. Among the main advantages of DSM are the reduction in the number of samples required through optimized sampling strategies, such as the Conditioned Latin Hypercube Sampling method, better use of soil-landscape relationships, the ability to estimate prediction uncertainty, and the possibility of updating models over time as new data become available. In addition, DSM allows work at various scales (from farm to national level) and supports site-specific recommendations for agronomic management, resource conservation, and environmental monitoring. DSM has proven its applicability in various agroecological contexts. In the Eastern Plains of Colombia, for example, a spatial modeling of soil organic carbon (SOC) distribution was carried out in the floodplain savannas of Casanare. Using a robust sampling strategy, laboratory analysis, and modeling through Random Forest and expert knowledge, total carbon stocks (55.07 Mt) were estimated in a region representing only 0.6% of the national territory. The results indicated that vegetation cover, soil texture, and topography were the most important factors in explaining SOC variability. Moreover, it was estimated that intensive agricultural development in this area could release approximately 2.42 Mt of CO2, equivalent to 2.83% of Colombia's net AFOLU (Agriculture, Forestry and Other Land Use) emissions in 2012. This scientific evidence is key to informing land use policies and climate change mitigation strategies. Another notable example is the study of soils in cacao systems in the municipalities of Tierralta and Valencia (Córdoba). Through DSM, soil maps were generated for cacao-producing areas based on over 300 soil samples. These maps allowed for the identification of areas with higher cadmium concentrations and enabled site-specific recommendations, thus promoting low-cadmium, more sustainable agricultural innovations as part of regional strategies to improve the resilience and inclusivity of the cacao value chain in Colombia, Ecuador, and Peru. The integration of these maps into online GIS (Geographic Information System) platforms also supports decision-making by local stakeholders and technical teams. While DSM presents numerous benefits, it also entails challenges. The quality of the models critically depends on the quality and quantity of input data, both from field measurements and environmental covariates. It also requires advanced technical knowledge in programming, spatial statistics, soil science, and specialized software (such as SAGA GIS, Google Earth Engine, R, Python, among others). In some geographical contexts, the soil-landscape relationship may be difficult to model due to geomorphological complexity or limited data availability. Finally, the implementation of DSM may involve high computational costs, necessitating investments in technological infrastructure and human capacity. Despite these challenges, DSM represents a necessary evolution toward smarter agriculture, where technical and policy decisions are grounded in detailed knowledge of soil resources. It enables the prediction of dynamic soil properties such as organic matter content, pH, available phosphorus, bulk density, and cation exchange capacity--essential for designing fertilization, restoration, or land use plans. Moreover, its reproducible and updatable nature makes it especially useful for ongoing monitoring of natural resources, contributing to early warning systems, sustainability reporting, and territorial planning. In conclusion, digital soil mapping constitutes a key scientific tool for strengthening agricultural and environmental sustainability in Latin America and the Caribbean. It overcomes the limitations of conventional soil survey methods by offering precise, dynamic, and multi-scale representations of soil properties, integrating local knowledge, data science, and geospatial technologies. Its implementation can accelerate the transition toward evidence-based, climate-resilient, environmentally responsible agriculture focused on the efficient and equitable use of soil resources. [ABSTRACT FROM AUTHOR]

El mapeo digital de suelos (MDS) ha emergido como una herramienta científica poderosa y estratégica para avanzar hacia sistemas agrícolas más sostenibles y resilientes. Frente a los desafíos que representa la variabilidad espacial de los suelos y su interacción con factores climáticos, biológicos y topográficos, el MDS ofrece una alternativa moderna al levantamiento tradicional de suelos al integrar tecnologías geoespaciales, modelación estadística y análisis de datos masivos. Su fundamento teórico se basa en modelos como CLORPT (Jenny, 1941) y su extensión SCORPAN (McBratney et al., 2003), que modelan las propiedades del suelo como función de múltiples factores ambientales: clima, organismos, relieve, material parental, tiempo, posición espacial y observaciones previas. Esta base permite capturar la complejidad del sistema suelo-paisaje y trasladarla a representaciones cartográficas digitales de alta resolución y continuos en el espacio. El proceso del MDS implica la combinación de datos de campo (muestras de suelo analizadas en laboratorio) con covariables ambientales obtenidas por sensores remotos, mapas de suelos, geología, modelos digitales de elevación, datos climáticos, hidrológicos, entre otros. A partir de esta integración, se aplican modelos estadísticos o de aprendizaje automático como Random Forest que predicen propiedades físicas y químicas del suelo a escala continua en el espacio. Estos modelos son evaluados y validados mediante métricas como el RMSE (Root Mean Square Error) y el MAE (Mean Absolute Error), así como mediante técnicas de validación cruzada e independente, y análisis de importancia de variables (%IncMSE). El objetivo es obtener mapas cuantitativos que representen fielmente la variabilidad espacial y permitan análisis multiescalares, ajustados a las necesidades del territorio. Entre las principales ventajas del MDS se encuentran la reducción en el número de muestras necesarias mediante estrategias de muestreo optimizadas, como el método de hipercubo latino condicionado (Conditioned Latin Hypercube Sampling), el mejor aprovechamiento de las relaciones suelo-paisaje, la capacidad de estimar la incertidumbre asociada a las predicciones, y la posibilidad de actualizar los modelos en el tiempo conforme se incorporan nuevos datos. Asimismo, permite trabajar en distintas escalas (desde finca hasta nivel nacional) y hacer recomendaciones sitioespecíficas para manejo agronómico, conservación de recursos y monitoreo ambiental. El MDS ha demostrado su aplicabilidad en distintos contextos agroecológicos. En los Llanos Orientales de Colombia, por ejemplo, se realizó una modelación de la distribución espacial del carbono orgánico del suelo (COS) en sabanas inundables de Casanare. A partir de una estrategia robusta de muestreo, análisis de laboratorio y modelación mediante Random Forest y conocimiento experto, se estimaron las reservas totales de carbono (55.07 Mt) en una región que representa apenas el 0.6 % del territorio nacional. Los resultados indicaron que la cobertura vegetal, la textura del suelo y la topografía fueron los factores más determinantes en la variabilidad del COS. Además, se estimó que el desarrollo agrícola intensivo en esta zona podría liberar aproximadamente 2.42 Mt de CO2, lo que equivale al 2.83 % de las emisiones netas del sector AFOLU (Agricultura, Silvicultura y Otros Usos del Suelo) en Colombia en el año de 2012). Esta evidencia científica resulta clave para orientar políticas de uso del suelo y mitigación del cambio climático. Otro ejemplo destacado es el estudio sobre suelos en sistemas de cacao en los municipios de Tierralta y Valencia (Córdoba). A través del MDS se generaron mapas de suelos en áreas productivas de cacao, con base en más de 300 muestras de suelos. Estos mapas permiten identificar zonas con mayores niveles de cadmio, así como realizar recomendaciones diferenciadas por sitio, fomentando así innovaciones agrícolas bajas en cadmio y mas sostenibles en el marco de estrategias regionales para mejorar la resiliencia e inclusividad de la cadena de valor del cacao en Colombia, Ecuador y Perú. La integración de estos mapas en plataformas SIG (Sistemas de Información Geográfica) en línea también favorece la toma de decisiones por parte de actores locales y técnicos. Si bien el MDS presenta múltiples beneficios, también implica desafíos. La calidad de los modelos depende críticamente de la calidad y cantidad de los datos de entrada, tanto de campo como de covariables. Asimismo, requiere conocimientos técnicos avanzados en programación, estadística espacial, edafología y manejo de software especializado (SAGA GIS, Google Earth Engine, R, Python, entre otros). En algunos contextos geográficos, la relación entre el suelo y el paisaje puede ser difícil de modelar debido a la complejidad geomorfológica o la escasa disponibilidad de datos. Finalmente, la implementación del MDS puede implicar altos costos computacionales, por lo que se requieren inversiones en infraestructura tecnológica y capacidades humanas. Pese a estos retos, el MDS representa una evolución necesaria hacia una agricultura más inteligente, donde las decisiones técnicas y políticas se fundamentan en el conocimiento detallado del recurso suelo. Permite predecir propiedades dinámicas como el contenido de materia orgánica, pH, fósforo disponible, densidad aparente o capacidad de intercambio catiónico, esenciales para el diseño de planes de fertilización, restauración o uso del suelo. Además, su carácter reproducible y actualizable lo hace especialmente útil para el monitoreo continuo de los recursos naturales, contribuyendo a sistemas de alerta temprana, reportes de sostenibilidad y planificación territorial. En conclusión, el mapeo digital de suelos constituye una herramienta científica clave para fortalecer la sostenibilidad agrícola y ambiental en América Latina y el Caribe. Permite superar las limitaciones del enfoque convencional de levantamiento de suelos al ofrecer representaciones precisas, dinámicas y multiescalares de las propiedades edáficas, integrando conocimiento local, ciencia de datos y tecnologías geoespaciales. Su implementación puede acelerar la transición hacia una agricultura basada en evidencia, resiliente al clima, ambientalmente responsable y centrada en el uso eficiente y justo de los recursos del suelo. [ABSTRACT FROM AUTHOR]

Copyright of Temas Agrarios is the property of Universidad de Cordoba and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)