MicroLEIS DSS: Sistema de apoyo a la decisión sobre evaluación

Versión en castellano del trabajo original “A land evaluation decision support
system (MicroLEIS DSS) for agricultural soil protection. With special reference
to the Mediterranean region” publicado en:
Environmental Modelling & Software xx (2004) xxx-xxx.
Artículo en prensa, disponible en www.sciencedirect.com
_________________________________________________
MicroLEIS DSS: Sistema de apoyo a la decisión sobre
evaluación de tierras para la protección de suelos agrícolas.
Con especial referencia a la región Mediterránea
www.microleis.com
D. de la Rosa, F. Mayol, E. Díaz-Pereira, M. Fernández, D. de la Rosa Jr.
Consejo Superior de Investigaciones Científicas (CSIC), Instituto de Recursos Naturales y Agrobiología de
Sevilla (IRNAS), Avda. Reina Mercedes 10, 41012 Sevilla, España
Contenido
1. Introducción
2. Almacenamiento de datos básicos
2.1 .
Base de datos de suelos
2.2 .
Base de datos climáticos
2.3 .
Base de datos agrícolas
3. Modelización en evaluación de tierras
3.1.
Metodologías cualitativas
3.2.
Sistemas expertos
3.3.
Modelos paramétricos
3.4.
Métodos estadísticos
3.5.
Redes neuronales
3.6.
Modelos híbridos
3.7.
Herramientas de optimización
4. Software de aplicación de los modelos
3.8.
Versión PC
3.9.
Desarrollo Web
3.10.
Espacialización GIS
5. Uso y difusión
6. Conclusiones
Agradecimientos
Bibliografía
Abstract
La protección del suelo, para garantizar un desarrollo sostenible, requiere mejorar el
uso agrícola de la tierra, tanto en su planificación como en su manejo. Los estudios de
evaluación de tierras se consideran una interfase entre el reconocimiento de los recursos y la
planificación y manejo del uso de la tierra. La aplicación de las tecnologías de la información
y las comunicaciones han ejercido un impacto importante en la toma de decisiones para un
uso sostenible de los recursos naturales. Desde principios de los años 90 y siguiendo esta
tendencia, MicroLEIS (Sistema Informatizado de Evaluación de Tierras) ha evolucionado
hacia un sistema agro-ecológico de apoyo a la decisión. El proyecto original representaba un
conjunto de métodos cualitativos de evaluación de tierras, que se convirtieron en programas
de ordenador para PC para automatizar su aplicación. Hoy en día, MicroLEIS DSS constituye
un amplio conjunto de herramientas informáticas de utilidad en la toma de decisiones para la
sostenibilidad de múltiples esquemas agro-ecológicos. Su diseño sigue un esquema de caja de
herramientas integradas de diferentes tipos de software: bases de datos, aplicaciones
estadística, sistemas expertos, redes neuronales, desarrollos Web, aplicaciones GIS y otras
tecnologías de la información. MicroLEIS DSS funciona tanto en inglés como en castellano,
estando todo ello disponible libre de costo en la siguiente dirección de Internet:
www.microleis.com.
MicroLEIS DSS con su nuevo diseño ofrece considerables
oportunidades para una mayor cooperación en la investigación interdisciplinaria y en la
aplicación de la información y el conocimiento para resolver problemas sobre protección del
suelo.
Palabras clave: Sistemas expertos, espacialización basada en GIS, bases de datos, aptitud de
tierras, vulnerabilidad de tierras, redes neuronales, herramientas de optimización.
2
1. Introducción
En términos generales se puede decir que cualquier suelo puede soportar cualquier tipo
de uso agrícola siempre que se le suministren los inputs necesarios. La aplicación de estos
inputs puede ser de tal magnitud que determine las condiciones básicas de explotación, como
por ejemplo en el caso de los cultivos de invernadero. Sin embargo, cada unidad de tierra
cuenta con sus propias potencialidades y limitaciones, y cada tipo de uso con sus propios
requerimientos biofísicos. Los inputs externos o mejoras de la explotación se suelen expresar
en términos de costes económicos, energéticos o medioambientales. Un objetivo fundamental
en la protección del suelo es minimizar estos costes socio-económicos y ambientales mediante
la predicción de la capacidad inherente de cada unidad de tierra para soportar un uso y manejo
específicos durante un largo plazo de tiempo sin causar deterioro. La protección del suelo
requiere mejorar el uso agrícola del suelo a través de su planificación y manejo sostenible.
El uso y manejo sostenibles del suelo deben mantener la potencialidad biofísica del suelo,
y al mismo tiempo permitir la diversificación del sistema agrícola de explotación,
considerando todas las opciones posibles para incrementar la producción de cosecha: (i)
expansión de la superficie agrícola, (ii) introducción de variedades mejoradas de cultivos, (iii)
uso de técnicas de riego, (iv) aplicación de fertilizantes y pesticidas, y (v) racionalización de
las prácticas de laboreo (Robert et al., 1993). En síntesis, en el diseño de los sistemas agroecológicos para la protección del suelo, el desafío futuro será incrementar la producción de
cosecha utilizando menos tierra, menos labores, y menos agua, fertilizantes y pesticidas.
Los estudios agro-ecológicos de evaluación de tierras, mediante la predicción de la
potencialidad y vulnerabilidad de las tierras utilizadas con fines específicos, proporciona una
base racional para el uso y manejo sostenibles del suelo (Dent y Young, 1981). De acuerdo
con el nuevo concepto de calidad del suelo, la evaluación de tierras no es igual que la
estimación de la calidad del suelo (Karlen et al., 1997), básicamente, porque los parámetros
biológicos del suelo no se consideran en la evaluación de tierras. Los parámetros o
indicadores biológicos, tales como biomasa microbiana y /o respiración, asociación
micorrícica, comunidades de nemátodos, enzimas y fracciones detalladas de la materia
orgánica, son muy dinámicos y excepcionalmente sensibles a los cambios en las condiciones
del suelo. Ellos son muy receptivos a las diferentes prácticas de manejo y conservación del
suelo, tales como el no-laboreo, las enmiendas orgánicas y la rotación de cultivos.
Para la estimación de la calidad del suelo, el análisis de las relaciones entre todos
los indicadores de calidad del suelo y las funciones que desarrolla el propio suelo puede ser
una tarea monumental. Por lo tanto, los estudios de evaluación de tierras pueden servir como
3
un primer paso en el desarrollo de procedimientos de estimación a largo plazo de la calidad
físico-química del suelo. Y a su vez, la evaluación a corto plazo o el procedimiento de
monitorización puede ser considerado exclusivamente para la calidad biológica del suelo.
La tecnología emergente en ingeniería de datos y de conocimientos suministra
excelentes posibilidades en el proceso de desarrollo y aplicación de la evaluación de tierras.
La fase de aplicación de los sistemas de evaluación de tierras es un proceso de extrapolación
desde áreas representativas utilizadas en la fase de desarrollo a la de implementación en
escenarios desconocidos más extensos. La fase de aplicación – realizada anteriormente de
forma manual- se puede ejecutar actualmente mediante procedimientos informáticos. Esto
conlleva básicamente el desarrollo e integración de bases de datos, programas informáticos y
herramientas de espacialización que constituyen verdaderos sistemas de apoyo a la toma de
decisiones (De la Rosa y Van Diepen, 2002).
Los sistemas de apoyo a la decisión constituyen herramientas avanzadas de tecnología
de la información que se pueden usar como potencial de ayuda en la toma de decisiones y en
la resolución de problemas complejos (Shim et al., 2002). Existen diversas opiniones en
cuanto a lo que representa un sistema de apoyo a la decisión. Un sistema de manejo de base
de datos se podría considerar como un sistema de apoyo a la decisión para ciertas
aplicaciones. Otros consideran también
los sistemas de información geográfica como
verdaderos sistemas de apoyo a la decisión (Booty et al., 2001). Sin embargo, el diseño
global de un sistema de apoyo a la decisión constaría de los siguientes componentes básicos
(i) bases de datos sofisticadas con facilidad de acceso a datos internos y externos, información
y conocimiento, (ii) funciones poderosas de modelización accesibles mediante un sistema de
manejo de los modelos, y (iii) interfase de usuario de fácil manejo diseñada para permitir
consultas interactivas, elaboración de informes y funciones gráficas (Shim et al., 2002).
La evolución de MicroLEIS (Sistema Informatizado de Evaluación de Tierras) ha
seguido paralela a las tres etapas de desarrollo en la industria de los ordenadores: (i) la era del
procesamiento de datos, (ii) la era de los micro-ordenadores, y (iii) la era de Internet. Durante
la primera etapa, se desarrollaron algunos modelos cualitativos y estadísticos de evaluación de
tierras relacionados con la productividad. A principios de los años 90, se llevaron a cabo para
DOS los primeros desarrollos basados en micro-ordenadores (De la Rosa et al., 1992),
modificándose a finales de los 90 para entornos WINDOWS.
Desde 1998, el sistema
MicroLEIS ha tratado de aprovechar las facilidades que ofrece Internet, especialmente la
rápida difusión de información y conocimiento, permitiendo un uso del sistema más eficiente
y por un mayor número de personas. Todos los componentes principales del software de este
4
sistema de apoyo a la decisión: versión para PC, desarrollo Web y espacialización GIS; la
documentación explicativa: unas 1000 páginas en formatos HTML y PDF; gran parte de la
información básica utilizada: datos/fotos de la región de Andalucía; así como, otras
aplicaciones sobre Internet, tales como buscador, módulo de registro y directorio de usuarios;
se encuentran libres de cargo a través de la dirección URL www.microleis.com. Todas los
componentes de MicroLEIS funcionan o se encuentran simultáneamente en ambos idiomas:
Inglés y Castellano.
En este artículo, se discuten los procedimientos seguidos y las experiencias
ganadas en el desarrollo del proyecto MicroLEIS DSS. Se enfatizan los logros conseguidos al
evolucionar desde un primer sistema de evaluación de tierras, a un sistema informatizado de
evaluación de recursos rurales, y hasta el comienzo de un sistema de apoyo a la decisión para
protección de suelos. Es de resaltar, sin embargo, que MicroLEIS DSS es un proyecto abierto
en el tiempo que continúa en desarrollo.
5
2. Almacenamiento de datos básicos
El sistema MicroLEIS DSS se diseñó para soportar la toma de decisiones específicas
en la resolución de problemas agro-ecológicos determinados. Se ha desarrollado como una
herramienta basada en el conocimiento, incorporando un conjunto de aplicaciones
informáticas, tal y como se muestra en la Figura 1. Cada uno de estos componentes están
unidos directamente entre sí, facilitando la resolución de un amplio rango de problemas
relativos a la productividad y degradación de los suelos. Se agrupan en los siguientes
módulos principales: (i) almacenamiento de datos básicos, (ii) modelos de evaluación de
tierras, y (iii) software de aplicación de los modelos. La arquitectura es de diseño abierto.
El almacenamiento de datos se facilita grandemente si a partir de la lista casi infinita
de datos básicos se sistematiza la ordenación y almacenamiento en un formato que permite
una fácil captura y recuperación. Los sistemas de manejo de bases de datos llevan a cabo
estas tareas mediante bases de datos de atributos geo-referenciados, y bases de datos de
componentes geométricos haciendo uso de sistemas de información geográfica (GIS).
Los atributos de tierra utilizados en MicroLEIS DSS corresponden a los tres factores
principales: (i) suelo/sitio, (ii) clima, y (iii) manejo agrícola. Los reconocimientos de suelos
facilitan los elementos básicos del conjunto de datos necesarios para llevar a cabo una
evaluación de tierra. La evaluación de tierras se basa, normalmente, en datos morfológicos,
físicos, y químicos derivados de los reconocimientos de suelos; tales como, profundidad del
suelo, textura, capacidad de retención de agua, clase de drenaje, reacción del suelo, y
contenido en materia orgánica. Otros factores biofísicos, principalmente referidos a
parámetros climáticos mensuales, son también considerados como características de la tierra.
Dado que las características climáticas varían de año en año, se usan datos de largos períodos
de tiempo para reflejar la realidad histórica y predecir acontecimientos futuros con algún
grado de confianza. Tradicionalmente, los aspectos de manejo agrícola solo se han
considerado un requisito previo en evaluación de tierras. Hoy en día, los factores de manejo se
están incorporando como variables de entrada en respuesta a una necesidad creciente de
facilitar información a nivel de finca. En este sentido, los datos de cultivo y de manejo
provienen de la monitorización u observación de campo así como de la experimentación; tales
como periodo de desarrollo vegetativo, profundidad de enraizamiento, intensidad y tipo de
operaciones de labranza, y tratamiento de residuos.
6
Para cada uno de estos factores principales, se ha desarrollado una base de datos
relacionada:
SDBm Plus,
CDBm
y
MDBm, con interconectividad entre ellas.
La
elaboración de este sistema de manejo de bases de datos relacionadas para facilitar el uso
integrado de los atributos de la tierra ha sido decisiva en el desarrollo del sistema de apoyo a
la decisión.
Como ejemplos de los datos básicos usados en el desarrollo del sistema
MicroLEIS DSS, se incluyen las descripciones detalladas de perfiles de suelos, la información
climática de seleccionadas estaciones meteorológicas, y los sistemas agronómicos de fincas
típicas que pertenecen a una colección de 64 sitios representativos de la región de Andalucía.
Todos ellos se encuentran disponibles en la opción “Datos/Fotos” de la Web de MicroLEIS.
2.1 Base de datos de suelos
La base multilingüe de datos de suelos SDBm Plus (De la Rosa et al., 2002) es una
base de datos de atributos geo-referenciados capaz de almacenar una cantidad excepcional de
datos morfológicos, físicos y químicos del perfil del suelo (Tabla 1). Esta base de datos que
representa el “motor” del sistema MicroLEIS DSS, tiene un software diseñado para facilitar su
uso y recupera de forma eficiente y sistemática los atributos geo-referenciados del suelo, tanto
procedente del reconocimiento de campo como del laboratorio. Esta base de datos tiene las
siguientes características principales: (i) se ejecuta bajo plataforma WINDOWS, (ii) la
entrada de datos se facilita mediante “menús de ayuda”, (iii) traducción automática desde
Inglés a Castellano, Francés y Alemán, (iv) metadatos característicos para describir los
métodos usados en los análisis de laboratorio, (v) modo temporal de registrar las propiedades
del suelo tanto analíticas, como físicas, e hidráulicas, (vi) procedimiento de selección
estructurado que permite búsquedas detalladas, (vii) análisis gráficos y generación de
informes, y (viii) un generador de archivo de datos para la transferencia automática de datos
almacenados sobre propiedades del suelo que sean variables de entrada de aplicaciones GIS o
de modelos computerizados de evaluación de tierras.
La base de datos SDBm Plus se considera una parte esencial del sistema MicroLEIS
DSS para la exploración en la toma de decisiones en cuanto al desarrollo de una agricultura
sostenible. Sin embargo, esta sofisticada base de datos puede ser útil, de forma independiente,
en el almacenamiento de información de perfiles de suelos, tanto a nivel regional como
nacional, o también en el almacenamiento temporal de datos elaborados durante un
reconocimiento de suelos o estudio de monitorización a nivel local.
7
2.2 Base de datos climáticos
La base de datos de clima CDBm Plus desarrollada para MicroLEIS DSS es una
herramienta informática que permite la organización, almacenamiento y manipulación de
datos agro-climáticos utilizados en la evaluación de la tierra. Estas observaciones climáticas
geo-referenciadas, para una estación meteorológica particular, corresponden a valores medios
de tales registros durante un determinado periodo de años. Los datos básicos de CDBm son
valores medios del conjunto de datos diarios para un mes determinado. Estos valores
mensuales medios almacenados se refieren a un conjunto de variables de temperatura y
precipitación
(temperatura
máxima,
temperatura
mínima,
precipitación
acumulada,
precipitación máxima por día, y días de precipitación).
La base de datos CDBm responde a las siguientes características principales: (i) una
interfase de usuario interactiva basada en menús, (ii) facilidades de búsqueda detallada y
extensiva, (iii) opciones para importar/exportar datos básicos, (iv) un conjunto de subrutinas
para calcular otras variables climáticas que se usan en evaluación de tierra (varios tipos de
evapotranspiración potencial, índice de humedad, índice de aridez, periodo de desarrollo
vegetativo, índice de concentración de precipitación, índice de erosividad y grado de
lixiviación), (v) un generador de datos de temperatura diaria a partir de los datos mensuales, y
(vi) una opción para realizar un resumen climático con representación gráfica para cada una
de las estaciones meteorológicas almacenadas y un periodo de años o un año particular.
La última opción permite que CDBm pueda usarse directamente como fuente de datos
climáticos en modelos de evaluación de tierra, lo que resulta la aplicación climática de mayor
utilidad en el sistema de apoyo a la decisión MicroLEIS.
2.3. Base de datos agrícolas
La base de datos de manejo agrícola MDBm es un software basado en el conocimiento,
que captura, almacena, procesa y transfiere información sobre manejo y cultivos agrícolas,
obtenida a través de entrevistas con agricultores. Cada conjunto de datos de MDBm consta de
información agrícola geo-referenciada sobre un sistema determinado de uso de tierras. Este
conjunto estructurado de información se almacena como archivo de base de datos. Un sistema
de menús dirige al usuario mediante una secuencia de opciones para capturar las diferentes
operaciones de manejo seguidas en una finca específica y para un cultivo determinado. Los
parámetros de entrada corresponden a las descripciones de la finca y la parcela, características
del cultivo, secuencia de operaciones, y observaciones sobre comportamiento del sistema.
Estos parámetros constituyen un total de 59 variables, que hacen especial referencia a fincas
8
típicas de la región mediterránea. Estas variables se pueden modificar o sustituir en función de
lo que considere el usuario. Todos los niveles de generalización por defecto de las variables
de entrada se pueden traducir automáticamente a Inglés, Castellano, Francés y Alemán.
La base de datos MDBm presenta las siguientes características principales: (i) una
interfase interactiva basada en menús, (ii) facilidades de búsqueda detalladas o extensivas,
(iii) un sistema glosario codificado que soporta la clasificación y los códigos de las variables
de entrada, (iv) opciones de importación/exportación de los datos básicos, (v) un generador
de archivo de datos para vincularlos con los modelos de evaluación, y (vi) una opción que
facilita un resumen del manejo agrícola correspondiente a cada finca.
Las posibilidades de aplicación de MDBm incluyen la descripción estándar de las
prácticas de manejo, la traducción automática a los diferentes idiomas de trabajo, y la
selección de prácticas de manejo específicas de cada lugar.
9
3. Modelización en evaluación de tierras
En el sistema MicroLEIS DSS, los estudios de evaluación de tierras están enfocados al
uso agrícola, su planificación y manejo, de cara a la protección del suelo. Otros estudios de
evaluación de tierras se preocupan de la productividad, a través de la modelización del
sistema de desarrollo de los cultivos (por ejemplo Jones et al., 2003). En la Tabla 2 se
muestra una lista de los modelos de evaluación de MicroLEIS DSS en dos conjuntos
relacionados con: (i) la aptitud relativa de las tierras, y (ii) la vulnerabilidad de las tierras. De
acuerdo con Rossiter (1996), todos ellos son modelos de área simple y no espaciales – al
considera un área simple, pequeña y homogénea en la cual se determina la aptitud o
vulnerabilidad, sin influencias de otras áreas de alrededor, y sin referencias explícitas a su
localización geográfica. La modelización o fase de clasificación se desarrolla con información
básica de áreas representativas, mientras que la fase de aplicación o generalización se lleva a
cabo en escenarios más amplios y desconocidos (Fig. 1). Se sigue el esquema tradicional en
los análisis de evaluación de tierras (FAO, 1976; Rossiter, 1996), así como la terminología
propia (por ejemplo aptitud de tierras, característica de tierras, cualidad de tierras, tipo de
utilización, requerimientos del uso de la tierra, nivel de severidad, etc.).
La fase de modelización incluye los siguientes pasos principales:
-
selección de los atributos de la tierra: características de tierras y cualidades asociadas;
-
definición de requerimientos relevantes del uso de la tierra o limitaciones: respuesta al
uso de la tierra o nivel de degradación;
-
comparación entre los atributos de la tierra y los requerimientos de uso: identificando
las relaciones causa-efecto a través de descripciones cualitativas, tablas de
correspondencia, árboles de decisión, curvas de respuesta, índices de clasificación,
factores de peso, o modelos descriptivos; y
-
validación de los algoritmos desarrollados en otras áreas representativas.
La selección de los atributos de tierras (sitio/suelo, clima, y cultivo/manejo) como
variables de entrada o indicadores diagnóstico para modelos predictivos es una parte esencial
de los estudios de evaluación de tierras. La Tabla 3 muestra una lista de las principales
características de tierras utilizadas en los modelos de evaluación. Este conjunto amplio de
indicadores del sitio/suelo, clima, y factor manejo se agrupan de acuerdo a los tipos de aptitud
10
y vulnerabilidad de la tierra. En la Tabla 2, los modelos de evaluación de suelos consideran
sólo parámetros propios del suelo como variables de entrada, mientras que los modelos de
evaluación de tierras consideran variables de suelo y clima, y los modelos de evaluación de
campos consideran parámetros de suelo, clima y características de manejo.
Con la finalidad de facilitar la correspondencia entre las características de tierras y los
requerimientos de uso o limitaciones se utilizan las cualidades de tierras. En la Tabla 4 se
presentan las principales cualidades de tierras o funciones consideradas en los modelos de
MicroLEIS DSS. En los modelos relacionados con la vulnerabilidad de la tierra se consideran
también los impactos medioambientales derivados, tales como sedimentación de arroyos, ríos,
lagos y diques, lavado de pesticidas, e incremento de las concentraciones de N y P en los
recursos hídricos, pérdida de hábitat de fauna y flora, y efectos sobre el desarrollo de los
cultivos.
La comparación o fase de correspondencia constituye la base para la evaluación de la
aptitud de la tierra para un uso determinado. Este proceso de interpretación es con frecuencia
difícil y subjetivo, a causa de la falta de conocimiento sobre el comportamiento de la tierra.
El estado actual de la tecnología de la información hace posible la aplicación de diversas
técnicas de modelización a los sistemas más complejos. Los métodos más complicados
facilitan la tendencia cuantitativa de los estudios actuales de evaluación de tierras. Los
modelos se consideran como una representación simplificada del mundo real, la cual se puede
expresar con una amplia variedad de formas, tales como diagramas conceptuales, sistemas de
clasificación y modelos matemáticos, estadísticos o determinísticos. En evaluación de tierras,
la modelización con base empírica ha ido cambiado desde las aproximaciones cualitativas
más simples a otras mucho más sofisticadas y basadas en técnicas de inteligencia artificial.
Además, la modelización basada en procesos, que suele ser determinista y tratando de
explicar los mecanismos funcionales, se ha incorporado más recientemente a la evaluación
de tierras (Van Lanen, 1991).
La clasificación de los modelos de evaluación de tierras propuesta por Bouma (1999) y
adaptada por Rossiter (2003) considera el grado de computación, desde el cualitativo al
cuantitativo, y el grado de complejidad descriptiva, desde el empírico al mecanicista. En
base a estas dos dimensiones, se distinguen varios tipos de modelos:
K1 (expresiones
empíricas y cualitativas de la experiencia de los usuarios de la tierra), K2 (expresiones
cualitativas de conocimiento experto), K3 (expresiones empíricas y cuantitativas), k4 y k5
(expresiones mecanicistas). Siguiendo esta clasificación de modelos, la metodología de
11
evaluación de tierras desarrollada en MicroLEIS DSS se describe a continuación, desde menor
a mayor complicación (Tabla2).
3.1 Metodologías cualitativas
La comparación entre las características de tierras y los requerimientos del uso de la tierra
o sus limitaciones puede ser tan simple como la descripción somera de la aptitud de la tierra
para un uso particular, o puede agrupar subjetivamente a los tipos de tierras en un pequeño
número de clases o grados de aptitud. En muchas aproximaciones cualitativas, una
clasificación formal se consigue mediante la aplicación del factor más limitante,
especificando el grado de aptitud o vulnerabilidad de la tierra. Ello conlleva un conocimiento
de las condiciones óptimas del uso de la tierra y de las consecuencias de las desviaciones de
este óptimo (Verheye, 1988). Estos sistemas relativamente simples de evaluación de tierras
dependen pues en buena medida de la experiencia y del conocimiento intuitivo: ellos
representan verdaderos modelos empíricos. El sistema de “Capacidad de Uso del Suelo”
(USDA, 1961) y sus diversas adaptaciones, como típicas metodologías cualitativas de
evaluación de tierras, se han utilizado ampliamente en las más diversas partes del mundo.
Durante el desarrollo inicial de MicroLEIS DSS, los métodos cualitativos basados en la
experiencia del usuario de la tierra se utilizaron frecuentemente para predecir la aptitud
general para la mayoría de los cultivos, así como para estimar la aptitud relativa agrícola o la
aptitud relativa forestal (por ejemplo modelos Cervatana, Almagra, y Sierra, respectivamente;
De la Rosa et al., 1992). En el modelo Almagra, las tablas de correspondencia se utilizan para
expresar cualitativamente clases de aptitud para 12 cultivos tradicionales: trigo, maíz, melón,
patata, soja, algodón, girasol, remolacha, alfalfa, albaricoque, cítricos y olivo, siguiendo el
principio del máximo factor limitante. El modelo Marisma también usa una metodología
cualitativa para establecer los límites de aptitud de un suelo seleccionado, de acuerdo con los
principales atributos indicadores de la fertilidad natural.
3.2. Sistemas expertos
Los sistemas expertos, como herramientas basadas en inteligencia artificial, son
programas de ordenador que simulan los procedimientos para solucionar problemas en un
campo determinado, tal y como lo harían expertos humanos. Estos sistemas desarrollan
conocimiento inferido mediante árboles de decisión. En evaluación de tierras, los árboles de
decisión dan una clara expresión de los procesos comparativos entre requerimientos de uso y
características de tierras. Los árboles de decisión se basan en los antecedentes científicos
12
(descripción teórica) y en los resultados de experiencias y de discusiones con expertos
humanos (experiencia práctica), y por lo tanto reflejan el conocimiento experto disponible.
Los árboles de decisión son esquemas jerárquicos de múltiples opciones, en los cuales las
hojas representan opciones (clases/rangos), tales como los niveles de generalización de las
características de tierras, y las ramas del árbol representan criterios de decisión, tales como
niveles de severidad o clases de aptitud de la tierra. Los árboles de decisión dan una imagen
más clara de la secuencia de las decisiones que se toman, que las tablas tradicionales de
evaluación. Cuando se dispone de datos acumulados a través de la experiencia práctica, la
aplicación del análisis estadístico a los árboles de decisión puede generar modelos de
evaluación con muy buenos índices de predicción. Estas clasificaciones mediante árboles de
regresión están diseñadas para ser utilizados cuando la relación entre número de
observaciones a número de variables es muy baja como suele ocurrir en los reconocimientos
de suelos. Este análisis constituye un proceso interactivo de identificación de atributos que
son fundamentales en la descripción de la variable respuesta.
Generalmente , ambos procedimientos de sistemas expertos: árboles teóricos de decisión
y árboles estadístico de decisión, se utilizan conjuntamente para optimizar los resultados. El
sistema automático de evaluación de tierra ALES (Rossiter, 1990) es un programa de
ordenador que permite a los evaluadores de tierras construir sus propios sistemas expertos de
evaluación, de acuerdo con el esquema de evaluación de tierras de FAO (FAO, 1976). ALES
no es un sistema experto en sí mismo, y no incluye ningún conocimiento específico acerca de
la tierra y de su comportamiento. Es una estructura dentro de la cual los evaluadores pueden
desarrollar y organizar su propio conocimiento local. La selección de las características de
tierras y las cualidades asociadas para un determinado tipo de uso, que representa una fase
crucial en evaluación de tierras, no se facilita mediante dicho sistema.
Siguiendo la configuración del sistema ALES, los modelos Arenal, Pantanal y Raizal de
MicroLEIS DSS incorporan técnicas de sistemas expertos para generar conocimiento de
utilidad en el proceso de toma de decisiones. ALES sólo se utilizó para formular los
algoritmos de los modelos. Estos tres modelos de conocimiento experto desarrollan una
estructura simple para predecir los riesgos de vulnerabilidad de la tierra a la contaminación
general y específica, y a la erosión hídrica, respectivamente (De la Rosa et al., 1993).
3.3. Modelos paramétricos
Entre los métodos cualitativos y los cuantitativos, los procedimientos de evaluación de
tierras semi-cuantitativos representan el efecto inferido numéricamente a partir de varias
13
características de tierras sobre el comportamiento potencial de un sistema de uso de la tierra.
Los métodos paramétricos se pueden considerar como una fase transicional entre los métodos
cualitativos, basados enteramente en juicio experto, y los modelos matemáticos. Ellos
formulan las interacciones entre las características de tierras más significativas mediante
simple multiplicación o adición de índices de factor simple (Riquier, 1974).
Los sistemas multiplicativos asignan clases separadas a cada una de las características de
tierras o factores, realizando el producto de todos las clases de factores para obtener el índice
de clase final. Estos sistemas tienen la ventaja de que cualquier factor determinante controla la
clase final. El primero y más conocido esfuerzo realizado entre los métodos multiplicativos
fue desarrollado por Storie (1933) para evaluar la clase de productividad de la tierra. Los
sistemas de evaluación de la degradación de la tierra tipo USLE, básicamente la ecuación
universal de pérdida de suelo (USLE, Wischmeir y Smith, 1965) y sus múltiples adaptaciones,
tienen una forma muy similar al índice de Storie operando mediante la multiplicación de los
factores. En los sistemas aditivos, a las seleccionadas características de tierras se les asignan
valores numéricos de acuerdo con su impacto inferido sobre el uso de la tierra. A
continuación, estos números son sumados o sustraídos hasta un rango máximo de 100 y se
deriva un índice de clase final. Los sistemas aditivos tienen la ventaja de ser capaces de
incorporar información desde un mayor número de características de tierras que los sistemas
multiplicativos.
Los modelos paramétricos pueden también suministrar información cuantitativa,
especialmente sobre el régimen de agua en el suelo y cómo ello afecta al desarrollo de los
cultivos. El proyecto de zonificación agro-ecológica (AEZ; FAO 1978) significó un hito en la
historia de la evaluación de tierras, introduciendo una nueva forma de estimar la aptitud de la
tierra y propiciando el desarrollo de otros muchos métodos cuantitativos en el análisis de los
sistemas de uso de la tierra (Driessen y Konijn, 1992).
En el sistema MicroLEIS DSS, como una continuación del modelo Almagra y previo al
desarrollo del modelo Albero, se desarrollaron varias aproximaciones siguiendo la
metodología multiplicativa y aditiva, con particular referencia a la aptitud del suelo para el
cultivo del olivo (De la Rosa et al., 1992). El modelo Terraza utiliza un procedimiento
sencillo para simular la influencia de la deficiencia bioclimática sobre varios cultivos
tradicionales, desarrollando una adaptación del esquema agro-ecológico AEZ de FAO.
14
3.4. Métodos estadísticos
En la evaluación de tierras, los sistemas estadísticos constituyen poderosos métodos
empíricos para predecir la aptitud o vulnerabilidad de los suelos a partir de seleccionadas
características de tierras. Los análisis de correlación y regresión múltiple se utilizan para
investigar las contribuciones relativas de las características de tierras sobre su aptitud o
vulnerabilidad. Cuando la información de partida es suficiente y apropiada, los modelos
estadísticos resultan muy útiles en evaluación de tierras (Graaff, 1988).
La aptitud/vulnerabilidad de la tierra o variable respuesta Y se expresa como una función
del tipo
Y=∅ (X1, X2,..., Xn) + e
en donde Xn corresponde a las características de tierras o variables independientes
seleccionadas (por ejemplo profundidad del suelo, contenido de arcilla, materia orgánica,
capacidad de intercambio catiónico, pH, saturación en sodio, etc.), y e corresponde a los
errores residuales. Aunque la expresión matemática de ∅ no sea conocida, esta función
puede resolverse de forma satisfactoria, dentro de un contexto experimental, mediante una
ecuación polinómica. La calibración de este modelo polinómico se puede tratar
estadísticamente como un caso particular de regresión múltiple. El coeficiente de regresión
(R2) ajustado para el modelo representa un índice de validación inductiva, correspondiendo al
porcentaje de explicación de la variación observada.
Esta metodología se ha usado especialmente para predecir la productividad del suelo para
determinados cultivos (Olson y Olson, 1986). Estadísticos, agronomistas y edafólogos deben
trabajar de forma conjunta para obtener ventaja en el desarrollo de este tipo de ecuaciones
polinómicas de regresión. También, las expresiones estadísticas se usan con frecuencia para
estimar ciertas propiedades de ingeniería o geotécnicas de los suelos (por ejemplo,
plasticidad, manejabilidad y compactación) a partir de las características edafológicas (por
ejemplo, contenido de arcilla, contenido de materia orgánica y densidad aparente; De la
Rosa, 1979).
El modelo Albero de MicroLEIS DSS utiliza ecuaciones polinómicas para predecir la
producción de trigo, maíz y algodón a partir de seleccionadas propiedades del suelo. Los
modelos Alcor y Aljarafe son buenos ejemplos de métodos de evaluación de suelos usando
15
análisis de regresión para predecir las propiedades de ingeniería del suelo (compactación,
plasticidad y manejabilidad óptima, respectivamente; De la Rosa et al., 1992; Horn et al.,
2002).
3.5. Redes neuronales
Las tecnologías basadas en inteligencia artificial, que se han desarrollado rápidamente en
los últimos años, muestran muy elevadas posibilidades de utilización en los sistemas
multivariantes no lineales. Por otra parte, ellas pueden procesar esquemas iniciales
previamente desconocidos, al igual que hace el cerebro humano. Recientemente, es frecuente
las aplicaciones de redes neuronales en estudios de ingeniería, agricultura y ciencias
ambientales.
Una red neuronal artificial constituye un desarrollo informático capaz de adquirir,
representar y calcular el peso o trazar el diseño de un espacio multivariante de información,
dado un conjunto de datos representativos de dicho espacio. Puede identificar diseños sutiles
que se suelen perder en los análisis estadísticos convencionales. En contraste a los modelos
de regresión, las redes neuronales no requieren un conocimiento de las relaciones funcionales
entre las variables de entrada y de salida. Además, estas técnicas no son lineales, y por lo
tanto pueden utilizarse en diseños de datos muy complejos los cuales serían inabordables
mediante los modelos de simulación. También, ofrecen posibilidades en la modelación de
fenómenos con salidas múltiples, así como a partir de datos
continuos, casi-continuos,
categóricos o binarios. Una vez que los análisis de formulación y entrenamiento de las redes
neuronales son satisfactorios, el algoritmo generado se puede mecanizar con facilidad en
aplicaciones prácticas (Baughman y Liu, 1995).
Dentro del marco MicroLEIS DSS, el modelo ImpelERO utiliza un tipo de red neuronal –
de propagación hacia atrás- para predecir la pérdida de suelo por erosión hídrica, su impacto
sobre la productividad de los cultivos, y la selección de prácticas para optimizar el manejo
agrícola. En este modelo de red, los datos desde la capa de entrada alimentan varias capas
ocultas, y el conjunto de pesos de conexión se ajustan continuamente mediante un modo
supervisado de entrenamiento (De la Rosa et al., 1999).
3.6. Modelos híbridos
La combinación de los modelos de simulación dinámica y las técnicas empíricas de
evaluación de tierras está produciendo una fertilización cruzada de excelentes resultados
científicos y prácticos; mejorando la precisión y, a su vez, la aplicabilidad de los modelos
16
resultantes. Así, por ejemplo, la simulación referida a suelo-desarrollo de la planta-procesos
de contaminación ha sido muy desarrollada a escala local (lugares de muestreo, estaciones
experimentales, micro-cuencas; Jones et al., 2003),
pero la extrapolación a una escala
regional suele ser todavía un objetivo pendiente. Esta extrapolación se puede hacer (i)
mediante técnicas de ampliación de escala, desarrollando enlaces entre las variables de
entrada de los modelos de simulación y la información contenida en las bases de datos,
mediante la formulación de funciones de transferencia edafológica; o (ii) mediante técnicas
de evaluación de tierras, relacionando los resultados de aplicaciones representativas de los
modelos de simulación y la información de las bases de datos, a través del desarrollo de metamodelos (Simota y Mayr, 1996).
Una expresión híbrida de Bouma et al. (1993) pone de manifiesto que los resultados de
simulación dinámica se integran muy bien en sistemas expertos para evaluar la producción de
cosecha. Este modelo mixto fue obtenido mediante árboles de decisión para las variables
cualitativas combinados con árboles de variables cuantitativas previamente estimadas por
simulación dinámica.
Así la simulación del régimen hídrico del suelo facilita datos
cuantitativos para varias de las cualidades de tierras que distingue el modelo híbrido. Esta
combinación, simulación dinámica-sistema experto, se considera preferible a las simples
estimaciones cualitativas, aunque no todas las cualidades de tierras se puedan estimar
mediante simulación.
En el sistema MicroLEIS DSS, se desarrolló el modelo híbrido ImpelERO usando árboles
de decisión y redes neuronales artificiales para la evaluación del riesgo de erosión del suelo.
Esta metodología facilitó un excelente análisis e interpretación del complejo problema de la
erosión del suelo, así como una buena cuantificación y capacidad de predicción (De la Rosa
et al., 1999, 2000).
3.7 Herramientas de optimización
Los sistemas de apoyo a la decisión en evaluación de tierras facilitan a los
administradores, técnicos y usuarios de la tierra una elección óptima de las decisiones sobre
uso y manejo. En este sentido, las herramientas de optimización basadas en modelos de
evaluación de tierras son muy adecuadas en la formulación de las alternativas de decisión; por
ejemplo, la selección de prácticas de manejo para minimizar las amenazas a la sostenibilidad
de los sistemas agrícolas. Las operaciones de manejo agrícola que dependen de la variabilidad
espacial de las características de tierras, tratan de satisfacer objetivos múltiples y, a veces,
17
contradictorios. Así, las mejores condiciones del suelo para el crecimiento de las plantas
pueden no ser las mejores para evitar la erosión o contaminación.
En MicroLEIS DSS, las herramientas de optimización se utilizan conjuntamente con la
ejecución de varios modelos. Así, en base a la expresión cuadrática del modelo Albero, se
siguió un procedimiento matemático en el cálculo de los valores de una serie de variables de
entrada para maximizar la producción de cosecha pronosticada. Este procedimiento se llevó a
cabo mediante la primera derivada matemática para cada variable independiente, igualándolas
a cero, y resolviendo el sistema de ecuaciones simultáneas (De la Rosa et al., 1992). En base a
la estructura sistema experto-red neuronal del modelo ImpelERO, también se llevó a cabo un
procedimiento informático para encontrar una combinación apropiada de prácticas de manejo
para minimizar la pérdida de suelo de un sitio determinado (clima y características del suelo).
Esta posibilidad de formular el manejo específico para la protección del suelo de cada lugar es
una de las opciones más interesantes del modelo ImpelERO (De la Rosa et al., 2000).
18
4. Software de aplicación de los modelos
Las posibilidades de uso de los modelos de evaluación de tierras en la toma de
decisiones son enormes siempre que se desarrolle el correspondiente software de aplicación o
de generalización. Esta fase hace posible el uso práctico de la información y el conocimiento
elaborados durante la fase previa de construcción de los modelos de evaluación (Antoine,
1994).
Desde el principio del proyecto MicroLEIS, se ha puesto especial énfasis en el
desarrollo del software de aplicación. Se han obtenido tres versiones para cada uno de los
modelos de MicroLEIS DSS:
(i) aplicación para PC, (ii) desarrollo Web
y
(iii)
espacialización GIS (Fig.1). De acuerdo con la clasificación de Rossiter (1996) de los
modelos de evaluación tierras, las versiones para PC y Web de MicroLEIS DSS corresponden
a la categoría de “modelos no-espaciales de área simple: nivel estático de recursos, nivel
estático de aptitud”, y la versión GIS a la de “modelos espaciales de área simple: sin efectos
entre celdas”.
4.1. Versión PC
Cuando los modelos de evaluación de tierras se expresan en forma de órdenes que puede
entender un ordenador, los algoritmos que integran estos modelos se convierten en programas
de ordenador. Con la finalidad de usar los modelos en aplicaciones prácticas, es decir
automatizar la aplicación de los modelos de evaluación de tierras, se desarrollan verdaderas
bibliotecas de software para su ejecución sobre ordenadores PC.
Para ello se diseñan
interfases gráficas para facilitar la aplicación de los modelos. Estas interfases de usuario se
consideran un componente muy importante en la fase de aplicación, ya que para el usuario
éstas constituyen el verdadero sistema de evaluación.
Dentro del marco de MicroLEIS DSS el software desarrollado para PC se ha escrito en
varios lenguajes de programación, particularmente Basic y C++. Este tiene las siguientes
características principales (Fig. 2): (i) entrada de datos a través de un teclado y conexión con
las bases de datos de atributos; (ii) “ventanas de ayuda” mostrando códigos, tipos, y clases de
las variables de entrada; (iii) ejecución de los modelos en modo individual y en lotes; (iv)
salida de los resultados de evaluación en formato de pantalla, impreso y archivo informático;
y (v) conexión de los archivos de salida con bases de datos y GIS. Estos programas de
ordenador son, en gran medida, autoexplicativos.
19
4.2. Desarrollo Web
Los programas de ordenador de los modelos se pueden transformar y colocar en
Internet a través de un servidor WWW, facilitando a los usuarios la aplicación directa de los
modelos vía navegador Web. De esta forma no es necesario descargar e instalar el software
para PC en los ordenadores de los usuarios. Estas aplicaciones WWW de libre acceso
ofrecen diversas ventajas, tales como el acceso a un mayor número de usuarios, o la
posibilidad de una actualización continua e inmediata del software. Estos desarrollos Web se
están convirtiendo en el centro de actividad de los modernos sistemas de apoyo a la decisión.
Todos los modelos de MicroLEIS DSS se han traducido a lenguaje PHP para su
aplicación en la Web (Fig. 3). Sin embargo, esta versión de los modelos permite sólo la
aplicación individual punto a punto de las unidades de suelo, tierra o campo a evaluar.
4.3. Espacialización GIS
El análisis de espacialización o regionalización incluye el uso de técnicas espaciales
para extrapolar los resultados de evaluación de tierras desde un punto a áreas geográficas,
utilizando los reconocimientos de suelos y otros mapas relacionados. El uso de tecnología
GIS permite la generación rápida de mapas temáticos y áreas estimadas, y posibilita muchas
de las operaciones analíticas y de visualización que se llevan a cabo en un formato espacial,
mediante la combinación de diferentes conjuntos de información de varias fuentes para
generar capas y mapas de interpretación. También, las imágenes digitales de satélite se suelen
incorporar directamente en muchas aplicaciones GIS. Esta tecnología representa ya un prerequisito para el manejo masivo de datos requeridos en la aplicación espacial de evaluación de
tierras. Al menos un subsistema de mapas simples (por ejemplo ArcView; ESRI, 1996)
resulta imprescindible para visualizar datos básicos, mostrar resultados de aplicación de un
modelo sobre un mapa, o para extraer información de mapas que se utilizan en los modelos de
evaluación de tierras. De esta forma se pueden recuperar las características básicas desde
bases de datos de atributos (por ejemplo SDBm Plus, CDBm o MDBm), elaborar capas de
proyección y visualización de mapas, creación/edición/eliminación de objetos espaciales,
llevar a cabo operaciones de consulta, conversión de unas coordenadas a otras, construcción
de mapas desde las capas elaboradas, etc. A esta escala regional de aplicación de los
modelos, todas las evaluaciones se hacen desde una perspectiva menos detallada y
generalizada que la aplicación puntual. Sin embargo, a este nivel de generalización es donde
se suelen llevar a cabo las decisiones políticas (Davidson et al., 1994).
20
La opción “espacialización” de MicroLEIS DSS se ha desarrollado recientemente
como etapa para una mayor profundización en el proceso de aplicación de los modelos de
evaluación. La tecnología GIS se utilizó para extraer información de mapas básicos que sería
usada en los modelos predictivos, y luego mostrar los resultados sobre un mapa. La Fig. 4
muestra el esquema general del procedimiento ArcView desarrollado en el análisis de
espacialización, en donde los resultados de evaluación se estiman a través de celdas que se
agregan a nivel regional.
En la primera etapa del esquema general, los mapas de
reconocimiento de suelos, los cuales son usualmente mapas poligonales de factores múltiples
(por ejemplo, Base Geográfica de Datos de Suelos de Europa; ESB, 2000), constituyen las
principales fuentes de información. Otra información básica adicional se suele extraer desde
otros mapas de factores relacionados, tales como mapas de uso del suelo (por ejemplo,
Corine Uso de la Tierra en Europa; EEA, 1995). También, parte de la información básica
para la aplicación de los métodos de evaluación de tierras se puede extraer de mapas grid de
factor simple, tales como modelos digitales del terreno o imágenes de satélite.
En la segunda etapa, para extraer información desde los mapas originales que se usan
en cada aplicación, se elabora un conjunto de coberturas grid derivadas. En esta fase de
homogeneización, la resolución espacial o tamaño de celda
lo determina el usuario,
dependiendo de la menor escala de las coberturas originales.
Los modelos se ejecutan directamente dentro del entorno ArcView, una vez
convertidos los códigos fuente de los modelos en lenguaje de programación Avenue. Esta
aplicación espacial se hace celda a celda desde las diferentes coberturas, obteniendo un valor
resultado para cada una de ellas.
Como etapa final, los resultados de evaluación se obtienen en una cobertura grid, con
la resolución espacial previamente establecida. A continuación, un mapa de evaluación
poligonal con los mismos resultados se puede elaborar mediante agregación automática de las
celdas.
El proyecto ArcView desarrollado, con todos los scripts requeridos, una caja de
diálogo para seleccionar las coberturas derivadas en cada caso, y varios ejemplos de
coberturas derivadas, se encuentra disponible a través de la opción “Software” del portal de
MicroLEIS DSS. La detallada descripción de todos estos trabajos así como un manual de
usuario, incluyendo múltiples imágenes de pantallas del proceso seguido, están también
disponibles en la opción “Espacialización”.
21
5. Uso y difusión
El sistema MicroLEIS DSS trata de la protección del suelo mediante la mejora del uso
agrícola, su planificación y manejo. La planificación del uso del suelo deriva principalmente
de los resultados de aplicación de los modelos relacionados con la aptitud de la tierra, y las
estrategias de manejo de los resultados de los modelos relacionados con la vulnerabilidad de
la tierra. El primer grupo de aplicaciones incluye la identificación de áreas con deficiencias
bioclimáticas específicas, y las limitaciones del terreno y del suelo para un uso agrícola
general (modelos Terraza y Cervatana); la aptitud relativa forestal en tierras marginales
(modelo Sierra); la estimación de áreas con problemas de fertilidad natural (modelo
Marisma); y la selección y cuantificación de la producción en cultivos tradicionales (modelos
Almagra y Albero).
A partir del segundo grupo de aplicaciones, los modelos de MicroLEIS DSS permiten
la identificación de áreas con riesgo de erosión hídrica del suelo, riesgo global y específico de
contaminación (modelos Raizal, Arenal y Pantanal); el impacto de la pérdida de suelo sobre
la productividad de los cultivos, y la selección de prácticas de manejo para minimizar el
riesgo de erosión del suelo (modelo ImpelERO); las recomendaciones sobre técnicas de
laboreo ajustadas al lugar determinado y dependiendo de la sensibilidad a la compactación del
suelo (modelo Alcor); y la fecha de laboreo de acuerdo con las condiciones de manejabilidad
óptima del suelo (modelo Aljarafe).
MicroLEIS DSS ha sido ampliamente utilizado en los últimos 14 años con diferentes
propósitos, tal y como se relaciona en la opción “Directorio” del portal Web. La Tabla 5
muestra un resumen de usuarios registrados, organizado por tipo de actividad y continente.
De un total de 1963 usuarios, el número más alto corresponde a Europa, principalmente,
España y otros Países Mediterráneos. A los Países de Latinoamérica también corresponde un
gran número de usuarios. De acuerdo al tipo de actividad, enseñanza y empresas privadas son
las principales actividades de los usuarios registrados. Dentro del primer grupo, la mayoría
pertenece a la población universitaria. En cuanto al sector privado, las prestaciones de
MicroLEIS son utilizadas particularmente por las empresas consultoras. Hasta el momento,
los agricultores han mostrado escaso interés directo en este sistema. Varias razones, tales
como bajo nivel de formación técnica, escasa competitividad y menor preocupación ambiental
parecen explicar este desconocimiento de las tecnologías de la información por parte de los
agricultores (Ascough et al., 1999). Sin embargo, el futuro desarrollo de la ”sociedad de la
información” determinará un cambio significativo que garantizará el uso de las tecnologías de
22
la información en la agricultura. Es de prever que los agricultores aplicarán las tecnologías de
la información como ayuda para resolver los diferentes aspectos operacionales del manejo
agrícola, a modo de sistemas de apoyo a la decisión en tiempo real (Thysen, 2000).
En la
Fig. 5 se presenta la distribución en el tiempo de los usuarios registrados desde los años 1990
a 2003, destacando el claro y continuo incremento desde la disposición en Internet de
MicroLEIS DSS.
De acuerdo con los resultados publicados, los diferentes componentes de MicroLEIS
DSS han sido aplicados por investigadores y educadores de diversas disciplinas. Por ejemplo,
las aplicaciones prácticas de la base de datos SDBm Plus incluye proyectos de recuperación
ambiental en curso en la Europa del Este, financiados por el Banco Mundial. Se ha utilizado
también para establecer los límites de contaminación en suelos, antes y después de los
proyectos de restauración, y para
acciones de monitorización.
valorar las inversiones a realizar en los proyectos y
Este software también lo utiliza el Grupo Consultivo de
Investigación Agrícola Internacional (CGIAR) para proporcionar ayuda técnica en tareas de
planificación del desarrollo, a una escala internacional (FAO y UNEP, 1999). Recientemente,
el Instituto Federal Alemán de Geociencias y Recursos Naturales ha adoptado la terminología
y los componentes de SDBm Plus para desarrollar la versión FAO de su base de datos de
suelos (Eckelman, 1999).
A su vez, los modelos de evaluación se han aplicado ampliamente en estudios de
aptitud y riesgo de degradación,
en diferentes sistemas agrícolas y numerosas áreas
geográficas. Muy especialmente, los investigadores de Regiones Mediterráneas han hecho uso
de los modelos de MicroLEIS DSS para producir mapas de evaluación de tierras para cultivos
tradicionales, y de riesgos de erosión y contaminación (Davidson et al., 1994; Navas y
Machín, 1997).
Muchas de estas aplicaciones han continuado con análisis de validación, obteniéndose
buena concordancia entre los resultados pronosticados por los modelos MicroLEIS y aquellos
medidos o estimados por otros modelos. En la aplicación llevada a cabo por Farroni et al.
(2002), se desarrolló una versión modificada del modelo Raizal que fue validada en la Italia
Central, con objeto de cuantificar el sedimento transportado por la erosión hídrica.
En muchos otros estudios, los investigadores consideraron que los modelos de
evaluación de MicroLEIS DSS precisaban adaptaciones y mejoras. En algunos de estos
casos, se modificaron los códigos fuente del programa para crear nuevas versiones de los
modelos adaptadas a condiciones geográficas particulares (Bojorquez, 1999).
23
Además de las aplicaciones propias de investigación, MicroLEIS DSS se ha venido
utilizando en la enseñanza en cursos universitarios, especialmente para post graduados, tales
como los Cursos de Evaluación de Tierras del Departamento de Ciencia del Suelo y Geología
de la Universidad Agrícola de Wageningen (Van Mensvoort y Booltink, 2001).
24
6. Conclusiones
Con una estructura modular tal y como presenta el sistema de apoyo a la decisión
MicroLEIS, los diversos componentes se utilizan con gran facilidad para las aplicaciones más
diversas. Para cada aplicación, la mayoría del esfuerzo lo representa la selección del modelo
más apropiado en cada caso, junto con la recopilación de toda la información básica
necesaria. Debido a los muchos tipos de datos requeridos por la mayor parte de los modelos,
el uso de las bases de datos de atributos, particularmente SDBm Plus para datos de suelo, se
considera el eslabón inicial y más importante de cualquier proyecto de aplicación.
De forma global, el sistema de apoyo a la decisión basado en conocimiento que
desarrolla MicroLEIS DSS parece ser un método muy útil para obtener el máximo provecho
de la agricultura y las ciencias de los recursos naturales, en una toma acertada de decisiones.
Aunque muchos de los modelos han sido formulados y calibrados con información procedente
de Regiones Mediterráneas, otros componentes permiten una aplicación más universal.
A principios del siglo XXI, Internet está empezando a ser el centro de desarrollo de
los sistemas de apoyo a la decisión. Haciendo uso de las prestaciones de MicroLEIS DSS
basadas en la Web, la información y herramientas de apoyo a la decisión pueden ser utilizadas
por cualquier usuario registrado vía Internet y en cualquier momento, lográndose diseminar el
conocimiento necesario para cada uso y manejo sostenibles del suelo.
Actualmente, la mayoría de los usuarios de MicroLEIS DSS pertenecen al sector
académico. Los agricultores directamente han mostrado escaso interés por el sistema. No
obstante, la futura generación de usuarios más avanzados tecnológicamente, incluyendo
ejecutivos expertos en tecnología de la información, demandarán con asiduidad los sistemas
de apoyo a la decisión. Los nuevos técnicos y administradores estarán más involucrados en la
solución de los problemas, en la toma de decisiones y en la planificación. Por consiguiente,
en este entorno tan innovador, las herramientas de apoyo a la decisión pasarán a desempeñar
rápidamente un papel mucho más importante.
25
Agradecimientos
El sistema de apoyo a la decisión MicroLEIS se ha desarrollado durante los últimos 14
años, básicamente por los autores de este artículo, aunque con la colaboración de otros
contribuyentes y anteriores autores que aparecen relacionados en el portal Web.
La
colaboración de todos ellos es reconocida con gratitud, muy especialmente la de J. Ruiz, J.A.
Moreno y A. Rosales que han tenido una participación activa y continuada. Todo este estudio
se ha financiado a través de varios proyectos internacionales: Proyecto FAO SDBm, 19902001 (Cartas de acuerdos; Coordinador J. Antoine); Proyecto europeo ACCESS, 1992-1995
(Contrato # EV5V-CT920129; Coordinador P. Loveland); Proyecto europeo IMPEL, 19941998 (Contrato # ENV4-CT950114; Coordinador M. Rounsevell);
Proyecto europeo
ETC/EAA Suelo; 1998-2000 (Coordinador D. de la Rosa); y Proyecto europeo SIDASS,
1999-2002 (Contrato # IC15-CT98-0106; Coordinador R. Horn).
26
Bibliografía
Antoine, J. 1994. Linking Geographical Information Systems (GIS) y FAO’s Agro-ecological
Zone (AEZ) Models for Land Resource Appraisal. In: FAO, World Soil Resources,
Report 75. FAO, Rome.
Ascough II J.C., Hoag D.L., Frasier W.M. y McMaster G.S. 1999. Computer Use in
Agriculture: An Analysis of Great Plains Producers. Computers and Electronic in
Agriculture 23, 189-204.
Baughman, D.R. y Liu, Y.A. 1995. Neural Networks in Bioprocessing and Chemical
Engineering. Academic Press, London.
Bojorquez J.I. 1999. Evaluacion de Tierras del Municipio de Tuxpan, Nayarit. PhD Thesis.
Universidad Nacional Autonoma de Mexico, Mexico D.F..
Booty W.G., Lam D.C., Wong I.W. y Siconolfi P. 2001. Design and Implementation of an
Environmental Decision Support System. Environmental Modelling and Software 16,
453-458.
Bouma J. 1999. Land Evaluation for Landscape Units. In: M.E. Summer (Ed.), Handbook of
Soil Science, CRC Press, Boca Raton, FL.
Bouma J., Wagenet R.J., Hoosbeek M.R. y Hutson J.L. 1993. Using Expert Systems and
Simulation Modeling for Land Evaluation at Farm Level: A Case Study from New
York State. Soil Use and Management 9, 131-139.
Davidson D., Theocharopoulos S.P. y Bloksma R.J. 1994. A Land Evaluation Project in
Greece Using GIS and Based on Boolean and Fuzzy Set Methodologies.
International Journal of Geographical Information Systems 8, 369-384.
De la Rosa D. 1979. Relation of Several Pedological Characteristics to Engineering Qualities
of Soil. Journal of Soil Science 30, 793-799.
De la Rosa D., Moreno J.A., Garcia L.V. y Almorza J. 1992. MicroLEIS: A MicrocomputerSoil Use and
based Mediterranean Land Evaluation Information System.
Management 8, 89-96.
De la Rosa D., Moreno J.A. y Garcia L.V. 1993. Expert Evaluation System for Assessing
Field Vulnerability to Agrochemical Compounds in Mediterranean Region. Journal
of Agricultural Engineering Research 56, 153-164.
De la Rosa D., Mayol F., Moreno J.A., Bonson T. y Lozano S. 1999. An Expert
System/Neural Network Model (ImpelERO) for Evaluating Agricultural Soil Erosion
in Andalucia Region. Agriculture, Ecosystems and Environment 73, 211-226.
De la Rosa D., Moreno J.A., Mayol F. y Bonson T. 2000. Assessment of Soil Erosion
Vulnerability in Western Europe and Potential Impact on Crop Productivity Due
to Loss of Soil Depth Using the ImpelERO Model. Agriculture, Ecosystems and
Environment 81, 179-190.
De la Rosa D., Mayol F., Moreno F., Cabrera F., Diaz-Pereira E. y Antoine J. 2002. A
Multilingual Soil Profile Database (SDBm Plus) as an Essential Part of Land
Resources Information Systems. Environmental Modelling and Software 17, 721730.
De la Rosa D. y Van Diepen C. 2002. Qualitative and Quantitative Land Evaluation. In
W. Verheye (Ed.), 1.5 Land Use and Land Cover, Encyclopedia of Life Support
System (EOLSS-UNESCO), Eolss Publisher, Oxford. Http://www.eolss.net
Dent D. y Young A. 1981. Soil Survey and Land Evaluation. George Allen and Unwin,
London.
Driessen P.M. y Konijn N.T. 1992. Land-use Systems Analysis. Wageningen Agricultural
University, Wageningen.
27
Eckelman W. 1999. Soil Information in Germany: The 1998 Position. En: P. Bullock, R.J.
Jones y L. Montanarella (Eds.), Soil Resources of Europe. European Soil Bureau
Research Report 6, EUR 18991. Luxembourg.
EEA 1995. CORINE Land Cover of Europe. Technical guide. European Environmental
Agency Publication, Copenhagen.
ESB 2000. Soil Geographical Database of Europe, scale 1:1000000. European Soil Bureau
Publication, Ispra.
FAO 1976. A Framework for Land Evaluation. Soils Bulletin 32. FAO, Rome.
FAO 1978. Report on the Agro-ecological Zones Project. World Soil Resources Report 48.
FAO, Rome.
FAO y UNEP 1999. The Future of Our Land. Facing the Challenge. FAO Publication.
FAO, Rome.
Farroni A., Magaldi D. y Tallini M. 2002. Total Sediment Transport by the Rivers of
Abruzzi (Central Italy): Prediction with the Raizal Model. Bulletin of Engineering
Geology and Environment 61, 121-127.
Graaff R.H. 1988. Land Evaluation. In: R.H. Gunn R.H., Beattie J.A., Reid R.E. and Van de
Graaff R.H. (Eds.), Australian Soil and Land Survey Handbook. Inkata Press,
Melbourne.
Horn R., Simota C., Fleige H., Dexter A.R., Rajkay K. y De la Rosa D. 2002. Prognose
der mechanischen Belastbarkeit und der auflastabhangigen Anderung des
Lufthaushaltes in Ackerboden anhand von Bodenkarten. Journal of Plant
Nutrition and Soil Science 165, 235-239.
Jones J.W., Hoogenboom G., Porter C.H., Boote K.J., Batchelor W.D., Hunt L.A., Wilkens
P.W., Singh U., Gijsman A.J. and Ritchie J.T. 2003. The DSSAT Cropping System
Model. European Journal of Agronomy 18, 235-265.
Karlen D.L., Mausbach M.J., Doran J.W., Cline R.G., Harris R.F. y Schuman G.E. 1997. Soil
Quality: A Concept, Definition and Framework for Evaluation. Soil Science Society
of America Journal 61, 4-10.
Navas A. y Machin J. 1997. Assessing Erosion Risk in the Gypsiferous Steppe of Litigio (NE
Spain). An Approach Using GIS. Journal of Arid Environments 37, 433-441.
Olson K.R. y Olson G.W. 1986. Use of Multiple Regression Analysis to Estimate Average
Corn Yields Using Selected Soils and Climatic Data. Agricultural Systems 20, 105120.
Riquier J. 1974. A Summary of Parametric Methods of Soil and Land Evaluation. En: FAO,
Approaches to Land Classification. Soils Bulletin 22. FAO, Rome.
Robert P.C., Rust R.H. y Larsen W.L. (Eds.) 1993. Soil Specific Crop Management. Soil
Science Society of America, Madison.
Rossiter D. G. 1990. ALES: A Framework for Land Evaluation Using a Microcomputer.
Soil Use and Management 6, 7-20.
Rossiter D. G. 1996. A Theoretical Framework for Land Evaluation (with Discussion).
Geoderma 72, 165-202.
Rossiter D. G. 2003. Biophysical Models in Land Evaluation. En: W. Verheye (Ed.), 1.5
Land Use and Land Cover, Encyclopedia of Life Support System (EOLSSUNESCO), Eolss Publisher, Oxford. Http://www.eolss.net
Shim J.P., Warkentin M., Courtney J.F., Power D.J., Sharda R. y Carlsson C. 2002. Past,
Present and Future of Decision Support Technology. Decision Support Systems 33,
111-126.
Simota, C. y Mayr, T. 1996. Pedotransfer Functions. In: P.J. Loveland and M.D. Rounsevell
(Eds.), Agroclimatic Change and European Soil Suitability. Granfield University,
Silsoe.
28
Storie R.E. 1933. An Index for Rating the Agricultural Value of Soils. California
Agricultural Experimental Station Bulletin, 556.
Thysen I. 2000. Agriculture in the Information Society. Journal of Agricultural
Engineering Research 76, 297-303.
USDA 1961. Land Capability Classification. Agriculture Handbook 210. U.S. Government
Printing Office, Washington.
Van Lanen H.A.J. 1991. Qualitative and Quantitative Physical Land Evaluation: An
Operational Approach. PhD Thesis. Wageningen Agricultural University,
Wageningen.
Van Mensvoort M.E. y Booltink H.W. 2001. Land Evaluation I. Study Handbook 2001/2002.
Wageningen Agricultural University, Wageningen.
Verheye, W. 1988. The Status of Soil Mapping and Land Evaluation for Land Use Planning
in the European Community. En: J.M. Boussard (Ed.), Agriculture: Socio-economic
Factors in Land Evaluation. Office for Official Publications of the EU, Luxembourg.
Wischmeier W.H. y Smith D.D. 1965. Predicting Rainfall Erosion Based from Cropland
East of the Rocky Mountains. Agriculture Handbook 282, U.S. Government
Printing Office., Washington.
29
Tabla 1. Variables geo-referenciadas del perfil de suelo (propiedades morfológicas,
físicas y químicas) almacenadas en la base de datos de suelos SDBmPlus.
____________________________________________________________________________
Variables del perfil de suelo
Bloque de __________________________________________________________________
datos
Tipo de característica
Número*
____________________________________________________________________________
Bloque #1 Información del sitio: Características del lugar del perfil de suelo, su
62
identificación y clasificación.
Bloque #2
Descripción de horizontes del suelo: Información sobre la morfología
y otras características de cada horizonte.
54
Bloque #3
Análisis químicos estándar: Información de los resultados analíticos
estándar por horizontes muestreados.
33
Bloque #4
Sales solubles y metales pesados: Información de las sales solubles
principales y los elementos traza relacionados con la contaminación
del suelo.
27
Bloque #5
Datos físicos:
suelo.
Información sobre las determinaciones físicas del
9
Bloque #6
Retención hídrica y conductividad hidráulica: Hasta 25
determinaciones por muestra de suelo sobre propiedades hidáulicas
detalladas.
50
Bloque #7
Variables analíticas adicionales:
químicas, físicas o biológicas.
Hasta 10 posibles características
10
Bloque #8
Fotografías: Información digitalizada del sitio, perfil del suelo y otros
aspectos.
4
Bloque #9
Metadatos: Información de los procedimientos y métodos seguidos en
la preparación de los análisis del suelo.
78
TOTAL
327
____________________________________________________________________________
(*) Considerando una media de 5 horizontes por perfil de suelo, estas 327 variables
pueden generar más de 1500 datos por cada perfil.
30
Tabla 2. Lista de los modelos de MicroLEIS DSS en función de los temas evaluados, el
número de características de entrada que ellos consideran, y la metodología seguida.
___________________________________________________________________________
Número de características de tierras
Módulo de MicroLEIS:
_______________________________
Procedimiento de
Descripción
Sitio/Suelo Clima Cultivo/Manejo
modelización*
___________________________________________________________________________
Relacionados con la aptitud de tierras
Modelo Cervatana:
Capacidad general de uso
6
4
Cualitativo (K1)
Modelo Sierra:
Aptitud relativa forestal
7
2
Cualitativo (K1)
Modelo Almagra:
Aptitud relativa agrícola
7
Cualitativo (K1)
Modelo Marisma:
Fertilidad natural del suelo
12
Cualitativo (K1)
Modelo Terraza:
Deficiencia bioclimática
Modelo Albero:
Producción de cosecha
2
3
3
Paramétrico (K3)
7
-
-
Estadístico (K3)
Relacionados con la vulnerabilidad de tierras
Modelo Arenal:
Contaminación general
Modelo Pantanal:
Contaminación específica
Modelo Raizal:
Erosión hídrica y eólica
Modelo Alcor:
Compactación del subsuelo
Aljarafe model:
Plasticidad/manejabilidad
Modelo ImpelERO:
Erosión/impacto/mitigación
7
3
3
Sistema experto(K2)
8
3
18
Sistema experto(K2)
8
4
18
Sistema experto(K2)
10
1
2
Estadístico (K3)
3
-
-
Estadístico (K3)
10
4
12
Sistema experto/
Red neuronal (K3)
(*) Entre paréntesis figura el nivel de la clasificación de modelos de evaluación de tierras
de Bouma (1999).
31
Tabla 3. Conjunto de características de entrada consideradas en los modelos de
MicroLEIS DSS, aunque no todas las variables son necesarias para cada modelo.
___________________________________________________________________________
Factor
Características de tierras
___________________________________________________________________________
Relacionadas con la aptitud de tierras
Sitio/Suelo
Latitud, Altitud, Posición fisiográfica, Material original, Gradiente de
pendiente, Profundidad útil, Pedregosidad, Textura, Contenido de
arcilla, Estructura, Color, Reacción, Contenido de materia orgánica,
Contenido de carbonatos, Salinidad, Saturación en sodio, Capacidad de
cambio catiónico, Hierro libre, Densidad aparente, Drenaje, Retención
hídrica, Conductividad hidráulica.
Clima
Precipitación mensual, Temperatura máxima mensual, Temperatura
mínima mensual.
Cultivo/Manejo
Periodo de desarrollo vegetativo, Profundidad máxima de
enraizamiento, Área específica de la hoja, Coeficiente de cosecha,
Coeficiente de eficiencia.
Sitio/Suelo
Clima
Relacionadas con la vulnerabilidad de tierras
Latitud, Altitud, Posición fisiográfica, Material original, Gradiente de
pendiente, Forma de la pendiente, Aspecto de la pendiente, Cobertura
del suelo, Profundidad útil, Pedregosidad, Textura, Contenido de
arcilla, Estructura, Contenido de materia orgánica, Contenido de
carbonatos, Salinidad, Saturación de sodio, Capacidad de cambio
catiónico, Densidad aparente, Drenaje, Retención hídrica,
Conductividad hidráulica.
Precipitación mensual, Precipitación máxima mensual, Temperatura
máxima mensual, Temperatura mínima mensual.
Cultivo/Manejo
Tipo de uso de la tierra, Periodo de desarrollo vegetativo, Situación de
la hoja, Duración de la hoja, Altura de la planta, Profundidad máxima
de enraizamiento, Fecha de siembra, Práctica de laboreo, Profundidad
de la labor, Espaciado entre hileras, Drenaje artificial, Técnica de
conservación, Tratamiento de residuos, Rotación de cultivos,
Secuencia de operaciones, Tipo de implementos, Tipo de inputs, Dosis
de inputs, Carga sobre la rueda, Presión de inflado del neumático.
__________________________________________________________________________
32
Tabla 4. Principales cualidades de tierras consideradas en los modelos de MicroLEIS
DSS.
___________________________________________________________________________
Tipo de evaluación de
Cualidades de tierras
tierras
___________________________________________________________________________
Aptitud de la tierra
Eficiencia del uso del agua, Espacios porosos, Disponibilidad de
nutrientes, Penetración de raíces, Infiltración del agua,
Desarrollo del cultivo.
Vulnerabilidad de la tierra Escorrentía y potencial de lixiviación, Resistencia a la erosión,
Estructura del suelo, Protección de la cubierta, Absorción de
pesticidas y movilidad, Compactación del subsuelo.
__________________________________________________________________________
33
Tabla 5. Usuarios registrados en MicroLEIS DSS desde 1990 hasta el 9 de septiembre de
2003, organizados por continente y tipo de actividad.
Continente
Enseñanza Investigación Administración
Empresas
Total
África
16
15
4
2
37
Asia
25
13
1
8
47
480
95
90
583
1248
17
5
2
12
36
221
40
44
278
583
4
1
5
2
12
763
169
146
885
1963
Europa
América del Norte
América Central y del Sur
Oceanía
Total
34
Almacenamiento de datos básicos
CDBm
Base datos clima
SDBm
MDBm
Base datos suelo
Base datos manejo
Modelización en evaluación de tierras
Aptitud de tierras/Vulnerabilidad de tierras
- Metodologías cualitativas
- Sistemas expertos
- Sistemas paramétricos
- Métodos estadísticos
- Redes neuronales
- Modelos híbridos
- Herramientas de optimización
Software de aplicación de los modelos
Versión PC
Desarrollo Web
Espacialización SIG
Aplicaciones posibles
Planificación y manejo del uso agrícola del suelo
Figura 1. Diseño conceptual e integración de componentes del sistema de apoyo a la
decisión en evaluación de tierras MicroLEIS DSS, en su estado actual de desarrollo.
35
Entrada de datos
Teclado
Base de datos
Versión Original
de los
modelos MicroLEIS
Resultados de evaluación
Archivos
Listados
Ventanas
Plataforma PC
Figura 2. Software original del sistema MicroLEIS DSS para su instalación en
plataformas PC.
36
Navegador de usuario
Servidor MicroLEIS
Modelo seleccionado
Entrada de datos
Formatos
HTML
Resultados del
modelo seleccionado
Versión PHP
de los
modelos MicroLEIS
Entorno Internet
Figura 3. Desarrollo Web de MicroLEIS DSS para la aplicación directa de los modelos a
través de Internet.
37
Coberturas
originales
Mapa Soil
de suelo
map
Land
covermap
Mapa
de uso
Mapa M DT
DTM map
Imagen de satélite
Satelliteimage
Textura
Coberturas
grid derivadas
Drenaje
•
•
•
Pendiente
Versión Avenue
MicroLEI
model
ide
Avenue
MicroLEIS
Resultados
coberturas grid
Pérdida de suelo
Impacto sobre productividad
ArcView
Figura 4. Esquema general seguido en el proceso de espacialización, celda a
celda, para integrar el sistema MicroLEIS DSS en ArcView.
38
Usuarios
registrados
Año
Figura 5. Distribución por año, de los usuarios registrados en MicroLEIS DSS.
39