UNIVERSIDAD NACIONAL DEL NORDESTE

Comunicaciones Científicas y Tecnológicas 2003

Resumen: A-031

Aplicación de la geoestadística
al estudio de las propiedades del suelo.

Ulloa Guitián, Montserrat2 - Vidal Vázquez, Eva2

Ingaramo, Octavio E.1 - Morales, Luis A.1 - Paz González, Antonio2

1. Facultad de Cs. Agrarias - UNNE.

Sargento Cabral 2131 - (3400) Corrientes - Argentina.
Tel./Fax: +54 (03783) 427589 - 427131 - E-mail: oeingaramo@agr.unne.edu.ar
2. Facultad de Ciencias. Universidad de A Coruña.
A Zapateira s/n. C.P.: 15.071. A Coruña, España.
ANTECEDENTES

Uno de los principales problemas comunes a las diferentes disciplinas que conforman las Ciencias de la Tierra
y las Ciencias del Medio Ambiente reside en la elección del tamaño de unidades representativas de la variabilidad
espacial. Así, en Edafología, al menos desde una perspectiva conceptual, se admite que las unidades en las que se
realiza un muestreo, debe de ser seleccionada de tal forma que contenga el máximo de información sobre los atributos
objeto de estudio, es decir, que sea representativa.
En consecuencia, la precisión con la que pueden conocerse las propiedades del suelo en cualquier punto
depende en buena medida del grado de variación del área elegida para el muestreo, es decir de la heterogeneidad de la
misma. Por lo tanto, conforme aumenta la heterogeneidad del suelo, la precisión con que pueden conocerse sus
propiedades y el comportamiento del mismo tiende a decrecer.
Por otra parte, el número de observaciones que se puede efectuar en el área de muestreo es limitado, por lo que
frecuentemente es necesario extrapolar las propiedades de puntos en que son conocidas a otros en que se desconocen, y
ello está críticamente condicionado por la variabilidad en la unidad representativa.
El nacimiento de la geoestadística como una herramienta para resolver problemas prácticos en Ingeniería de
Minas está bien documentado (Matheron, 1965). La utilidad potencial de los métodos geoestadísticos en Edafología fue
reconocida por vez primera mediada la década de los años setenta por los grupos de trabajo de las universidades de
Davis (California) y Oxford (Inglaterra) interesados en estudiar la variabilidad del suelo. El trabajo pionero en este
campo fue la tesis doctoral de D. J. Giltrap defendida en Oxford en 1977. Las primeras publicaciones científicas debidas
a las escuelas de Oxford y Davis datan del año 1980. A continuación, pronto se publicaron diversos trabajos llevados a
cabo fundamentalmente en tres países: EEUU, Alemania e Israel. Dichos trabajos, en general, se limitaban a presentar
los métodos geoestadísticos y la comparación con los resultados proporcionados por otras técnicas se reducía a la
mínima expresión. Estas publicaciones fueron respaldadas por científicos de renombre internacional. Como
consecuencia se asistió a la proliferación de trabajos de Edafología que utilizan la geoestadística como herramienta de
un modo reiterativo, aunque los conocimientos teóricos relativos al análisis de la variabilidad apenas progresaban.
Inicialmente la geoestadística se aplicó en Fisica de suelos, en donde se conocían bien los problemas
planteados por la variabilidad espacial (el ejemplo más conspicuo es el flujo de agua), así como la influencia del
denominado efecto de escala sobre la determinación de diversos parámetros. Con posterioridad la geoestadística se
aplicó a la evaluación de suelos y más tarde a la fertilidad y al análisis de problemas de contaminación.
En todo caso a finales de la década de los ochenta, gran parte del contenido de los artículos era reiterativo y
dogmático. A pesar del importante volumen de trabajo experimental, las críticas al uso inadecuado del método eran
escasas. Así, por ejemplo se insistía en señalar que la precisión de un krigeado dependía únicamente del muestreo en un
segmento espacial definido por el rango del variograma. Con frecuencia se repetían experiencias similares en lugares
geográficos distintos.
La aplicación de la geoestadística en Edafología ha sido también criticada, si bien muchas de las críticas, tal
vez las más sólidas, nunca han sido publicadas y se han transmitido oralmente, aprovechando la considerable movilidad
actual de la comunidad científica en razón de su asistencia asidua a foros y congresos internacionales.
Las principales contradicciones que explicarían la ausencia de uso generalizado de la geoestadística son:
• La geoestadística es conceptualmente difícil y su compresión, tanto por parte de los científicos que abogan a su
favor como de aquellos que están en contra, requiere una base matemática muy sólida.
• Se trata de una herramienta que, como otras, presenta diversas limitaciones, algunas de las cuales han podido
pronto ser constatadas. A título de ejemplo cuando se lleva a cabo un krigeado por bloques para predecir la
conductividad hidráulica, se obtienen valores sin sentido físico
La variabilidad es el producto de la acción de factores formadores del suelo y sus interacciones en un
continuum espacio-temporal. Los efectos de aquellos factores que actúan a gran escala o durante largos períodos de
tiempo serán modificados por otros procesos que actúan más localmente o con mayor frecuencia. Dada la naturaleza de
la variación del suelo, el tipo y las causas de la heterogeneidad que se pueden identificar en los estudios de variabilidad
dependen en gran medida de la escala y la frecuencia de las observaciones.
 UNIVERSIDAD NACIONAL DEL NORDESTE
Comunicaciones Científicas y Tecnológicas 2003
Resumen: A-031
La geoestadística como herramienta para el análisis de la variabilidad facilita resultados que dependen de la
frecuencia e intensidad de las observaciones o puede ser utilizada como ayuda para diseñar una red de muestreo, pero
los datos que proporciona no contribuyen necesariamente a explicar la acción de los factores de formación.
Se ha observado con frecuencia una ausencia de un análisis crítico de los métodos empleados para la obtención
del importante volumen de datos que requieren los estudios geoestadístico. Así mismo, son escasos los trabajos que
comparan los resultados obtenidos con los métodos geoestadísticos y con otros métodos.
La variabilidad de las propiedades del suelo de un punto a otro del paisaje tiene orígenes diversos, pudiendo
provenir bien de las características inherentes a los procesos de formación predominantes, o bien de los factores de
formación, es decir, la litología, el clima, la topografía, la actividad biológica y la acción humana. Algunos de los
procesos y factores de formación que inducen la variación espacial afectan a pequeños volúmenes de suelo e introducen
heterogeneidad en distancias cortas; otros, por el contrario, provocan dependencia espacial de más largo alcance.
Aunque la formación del suelo pueda ser descrita en términos deterministas, no obstante, los modelos operativos que
desde el punto de vista de la Geoestadística se usan para describir las propiedades del mismo se basan en la aparente
aleatoriedad de la variabilidad espacial (Webster, 2000; Ulloa Guitián, 2002).
El objetivo de este trabajo es presentar un ejemplo de aplicación de técnicas clásicas de la geoestadística, como
son el krigeado puntual y krigeado por bloques al estudio de las propiedades generales del suelo en una pequeña cuenca
agrícola y comparar los resultados del krigeado con los obtenidos mediante simulación condicional gaussiana.
MATERIALES Y METODOS

La cuenca estudiada, de aproximadamente 25 ha de superficie se denomima Pelamios y se localiza en el Centro

de Investigciones Agrarias de Mabegondo (provincia de Coruña, España). En esta cuenca se realizó un muestreo al azar,
intentando en lo posible que estuviesen representados todos los tipos de suelos y parcelas con diferente manejo
presentes en la misma. El principal criterio utilizado para diseñar las redes de muestreo de las dos unidades estudiadas
fue la toma de datos a diferentes escalas de distancia. Este procedimiento es el recomendado cuando se desconoce la
escala de dependencia espacial de los atributos estudiados. Se tomaron muestras en 79 puntos, lo que supone una
densidad de muestreo de 3.2 muestras/ha. La distancia entre los puntos más próximos era de 0.5 m y la de los más
alejados 60 m.
Las muestras se tomaron entre 0-30 cm de profundidad con una sonda de 5 cm de diámetro. En todos los
puntos se determinaron sus coordenadas geográficas con una estación topográfica total (Sokkia Set5A). Posteriormente,
los puntos de muestreo se localizaron sobre un modelos de elevación digital de la cuenca estudiada. Las muestras se
analizaron de acuerdo con métodos rutinarios (Ulloa Guitián, 2002). Las pautas según las que se llevó a cabo el análisis
geoestadístico en este trabajo, se pueden resumir del siguiente modo:
- Caracterización de la variabilidad espacial de cada una de las propiedades estudiadas mediante
semivariogramas. El semivariograma mide la autocorrelación entre puntos muestrales vecinos.
- Interpolación mediante técnicas geoestadísticas clásicas, en concreto, utilizando el krigeado ordinario
(puntual y por bloques). La principal ventaja del krigeado consiste en que usando la información contenida en el
semivariograma, los mapas de valores estimados son óptimos, en el sentido de que se obtiene la mejor estimación lineal
posible. Además, el krigeado proporciona mapas con los errores de estimación. Sin embargo, el krigeado y, en
particular el krigeado por bloques tiende a producir patrones de variación espacial más suavizados que los reales.
- Interpolación mediante simulación condicionada gaussiana. La simulación condicionada es una técnica de
generación de campos aleatorios que reproduce localmente la información disponible, al tiempo que globalmente da
cuenta de la variabilidad observada. Este tipo de interpolación toma también como base el semivariograma, pero, en
contra de lo que ocurre con el krigeado, no lleva a cabo una estimación, sino que efectúa una simulación.
DISCUSION DE LOS RESULTADOS

En la Tabla 1 se resumen los parámetros de los modelos teóricos que se ajustaron a los tres semivariogramas
experimentales de las tres fracciones texturales: arena, limo y arcilla. Se puede observar que arean y limo presentan una
estructura espacial, es decir, se aprecia autocorrelación, pero no así la arcilla. El semivariograma del contenido en
arcilla presentó un efecto pepita puro; esto equivale a decir que la semivarianza se mantiene constante y próxima a la
varianza muestral para sucesivas distancias. Este resultado significa que dicha propiedad, el contenido en arcilla,
muestra una ausencia total de autocorrelación a la escala estudiada y se comporta como una función aleatoria, es decir,
que los valores de dos puntos próximos no se parecen más que los de otros que están a mayor distancia, y según la
Estadística Clásica, el mejor estimador de esta propiedad en un punto del área sería la media aritmética.
Propiedad Modelo C0 C1 C0+C1 % C0 a VM WSS ECM ECMA vec.
Arena esférico 0.30 0.75 1.05 28.6 150 38.08 42.95 22.02 0.888 16
Limo exponencial 0.00 0.90 0.90 0.00 75 31.26 16.42 19.07 1.002 12
Acilla efecto pepita puro
Tabla 1.- Parámetros de los modelos teóricos ajustados a los semivariogramas experimentales en la cuenca de
Pelamios. (C0=efecto pepita; C0+C1=meseta; %C0=porcentaje del efecto pepita respecto a la meseta; a=alcance (en
m); VM=varianza muetral–factor de escala–; WSS=suma de cuadrados ponderados; ECM=error cuadrático medio;
ECMA= error cuadrático medio adimensional; vec.=nº de vecinos recomendado para el krigeado).
 UNIVERSIDAD NACIONAL DEL NORDESTE
Comunicaciones Científicas y Tecnológicas 2003
Resumen: A-031
1700 1700

1600 1600

1500 1500

1400 1400

1300 1300

1200 1200

1100 1100

1000 1000

900 900
900 1000 1100 1200 1300 1400 900 1000 1100 1200 1300 1400
Limo (krigeado puntual) Limo (krigeado puntual)
1700 1700

1600 1600

1500 1500

1400 1400

1300 1300

1200 1200

1100 1100

1000 1000

900 900
900 1000 1100 1200 1300 1400 900 1000 1100 1200 1300 1400
Limo (krigeado por bloques) Limo k(rigeado por bloques)
1700

Estimación Varianza error de

1600
estimación

68.00 30.00
1500

65.00 24.00

1400 62.50 21.00

60.00 18.00

1300 57.50 15.00

55.00 12.00

1200
52.50 9.00

50.00 6.00
1100
47.50 3.00

45.00 0.00
1000

900
900 1000 1100 1200 1300 1400
Limo (simulación condicional)
Figura 1.-Mapas interpolados por krigeado puntual y krigeado por bloques, mapas de error de las estimaciones
anteriores y mapa de simulación condicional del contenido en limo (%) en la cuenca de Pelamio (Mabegondo)

Para las propiedades que presentaban dependencia espacial, arena y limo, se pueden apreciar en la Tabla 1
diversos parámetros usados habitualmente en el análisis geostadítico. El efecto pepita (C0), el valor de la meseta
(C0+C1), la relación entre efecto pepita/meseta que es un parámetro importante porque da idea del grado de dependencia
espacial (%C0), el alcance (a) expresado en metros y el valor de la varianza muestral (VM) que se utiliza para escalonar
los semivariogramas. En la misma tabla también se presenta a continuación el valor de los principales parámetros
 UNIVERSIDAD NACIONAL DEL NORDESTE
Comunicaciones Científicas y Tecnológicas 2003
Resumen: A-031
utilizados para elegir y validar el modelo teórico, es decir, la suma de cuadrados ponderados (WSS), la varianza de los
errores absolutos (ECM) y la varianza de los errores relativos (ECMA); hay que insistir que este último se considera el
criterio principal a la hora de decidir la expresión teórica. Además, también se indica el número de vecinos con los que
se consiguieron los valores de estos parámetros y, por tanto, el número óptimo de vecinos recomendados para realizar el
krigeado.
Se elaboraron los siguientes mapas de cada una de las propiedades estudiadas:
- distribución de valores estimados por krigeado puntual y krigeado por bloques y valores simulados;
- varianza de error de estimación obtenido por krigeado puntual y krigeado por bloques.
En la Figura 1 se presentan los mapas obtenidos por krigeado puntual, krigeado por bloques y simulación
condicionada para el contenido en limo. Para interpretar los resultados hay que tener en cuenta que, contrariamente a la
que ocurre con la simulación, el krigeado permite obtener un mapa de los errores de estimación o errores de
interpolación; dicho mapa puede ser utilizado para evaluar la incertidumbre de las predicciones efectuadas. Por el
contrario, la simulación condicionada, que en este trabajo se llevó cabo mediante 100 realizaciones individuales, no
proporciona información sobre la incertidumbre de los valores estimados.
Tanto la interpolación por krigeado como la simulación requiere el análisis previo de la dependencia espacial,
y la elaboración de un modelo de semivariograma teórico que se ajuste a los datos, dicho de otro modo, el krigeado y la
simulación condicionada se pueden utilizar si existe autocorrelación espacial. Además, los resultados obtenidos por
estos métodos son más precisos cuando los datos analizados se ajustan a una distribución normal. En definitiva, como
método de interpolación, la simulación condicional gaussiana presenta, en relación con el krigeado, la ventaja de que
genera mapas que reproducen la variabilidad de tal modo que los hace parecer reales (el krigeado, por el contrario,
tiende a suavizar o “alisar” los valores extremos) y al mismo tiempo, da cuenta de los valores medios. De lo anterior se
desprende que si se combinan los resultados de la simulación con la estimación de los errores de krigeado se debe de
obtener la ventaja de conocer simultáneamente la variabilidad real de la propiedad estudiada junto a la incertidumbre de
la estimación.
Los mapas de distribución del contenido en limo obtenidos por krigeado puntual y krigeado por bloques son
prácticamente similares en la cuenca de Pelamios. Entre ambos mapas existen pequeñas diferencias en cuanto a los
valores máximos y mínimos; sin embargo, estas diferencias prácticamente nunca son apreciables a simple vista, de
modo que a efectos prácticos resulta una superposición total de los resultados de interpolación mediante krigeado
puntual y krigeado por bloques. Este resultado se debe al efecto conjunto de diversos factores entre los que se pueden
citar: a) la pequeña dimensión de los bloques utilizados, de 5x5 m, con frecuencia menor que la distancia mínima entre
pares de puntos vecinos y b) la magnitud relativamente importante del efecto pepita.
También se comprueba que la varianza de los errores de estimación o errores de krigeado obtenidos de la
interpolación por krigeado puntual es mucho más elevada que la que se aprecia cuando se efectúa el krigeado por
bloques. Además dichos errores de estimación obtenidos por krigeado puntual y krigeado por bloques son más elevados
en los bordes que se encuentran más alejados del cierre de la cuenca. Este resultado se explica si se tiene en cuenta la
red de muestreo, que presentaba una mayor densidad de datos puntuales tomados en las proximidades del cierre de la
cuenca y, por el contrario, una escasa densidad en los bordes de la misma más alejados del cierre.
Al comparar los mapas de estimación obtenidos por krigeado con el generado por simulación se aprecia que,
aunque la forma general de estos dos tipos de mapas coinciden en bastantes zonas, y que existen diferencias más o
menos apreciables en otras. En términos generales, la simulación puede reproducir fluctuación de menor amplitud que
el krigeado; esto se puede comprobar observando el conjunto de mapas de la Figura 1 donde los intervalos más altos o
más bajos de las propiedades estudiadas presentan sistemáticamente una extensión menor que las zonas
correspondientes de los mapas obtenidos por krigeado. Por otra parte, la presencia de un efecto pepita, que implica una
componente puramente aleatoria, hace que las simulaciones en las que dicho efecto es importante presenten
fluctuaciones con una apariencia más errática.

CONCLUSIONES

De las tres fracciones texturales estudiadas en Pelamios, la arena y el limo presentaban dependencia espacial,
pero no así la arcilla. Tres tipos diferentes de mapas de distribución espacial elaborados tras interpolación mediante
krigeado puntual y krigeado por bloques y por simulación condicional proporcionan resultados muy similares entre sí
para el contenido en limo. Al comparar los mapas de varianza del error de estimación se aprecia que el krigeado por
bloques proporciona estimas con umbrales de error inferiores a los de krigeado puntual.
BIBLIOGRAFIA

ü Matheron, G., 1965. Les variables régionalisées et leur estimation. Une application de la theorie des
functions. París
ü Ulloa Guitián, M. 2002. Aplicación de la geoestadística al estudio de la fertilidad del suelo. Tesis
doctoral. Universidade da Coruña. 440 pp.
ü Webster, R. 2000. Is soil variation random? Geoderma, 97: 149-163