CARBONO ORGÁNICO DEL SUELO

“MAPA DE CARBONO ORGÁNICO DE LOS SUELOS DEL ESTADO

PLURINACIONAL DE BOLIVIA

Un aliado para la adaptación al cambio climático y la

producción agropecuaria”

Elaborado por:
Hernán Figueredo Ticona
Consultor Viceministerio de Tierras

Apoyo técnico:
Ronald Vargas Rojas
Secretario Alianza Mundial por el Suelo FAO. Roma, Italia.

Federico Guillermo Olmedo

Instituto Nacional de Tecnología Agropecuaria. Mendoza, Argentina.

Mario Guevara
University of Delaware. Delaware, Estados Unidos

MINISTERIO DE DESARROLLO RURAL Y TIERRAS – MDRyT

VICEMINISTERIO DE TIERRAS – VT
Dirección: Av. Sánchez Lima Nº 2072. Edificio Orión, Planta Baja
La Paz - Bolivia
Telf. / Fax +591-2-2422114, 2112413
[Link]
CARBONO ORGÁNICO DEL SUELO

MAPA DE CARBONO ORGÁNICO DE LOS

SUELOS DEL ESTADO PLURINACIONAL
DE BOLIVIA
Un aliado para la adaptación al cambio climático y
la producción agropecuaria

Noviembre, 2017
CARBONO ORGÁNICO DEL SUELO

PRESENTACIÓN

Aunque no lo podemos ver fácilmente, el recurso suelo es fundamental para la vida en

el planeta tierra. El suelo provee una serie de servicios a la población así como a la
madre tierra. El suelo es el recurso vivo donde se produce el alimento, fibras, energía,
materiales de construcción así como medicinas, pero también cumple roles de
regulación como los ciclos del carbono, de nutrientes, el ciclo hidrológico y es
responsable de depurar los deshechos vertidos en el. Sin duda alguna, la seguridad
alimentaria de nuestro país depende en primer lugar de la base productiva que es el
suelo.

El suelo es un recurso con alta resiliencia, sin embargo también es frágil ante un manejo
insostenible y sin considerar sus limitaciones y potencialidades. El stock de carbono
orgánico del suelo es dos veces mayor que aquel de la vegetación y tres veces la
atmósfera. El carbono es fundamental si consideramos el Cambio Climático donde se
hacen esfuerzos por reducir las emisiones, pero el suelo resulta un aliado crucial en el
secuestro de más carbono. .

Bajo este contexto, surge la necesidad de proteger nuestros suelos para garantizar la
producción de alimentos, pero también para la adaptación al cambio climático y
provisión de otros servicios ecosistémicos. El manejo sostenible del suelo resulta una
prioridad.

El mapa de carbono orgánico del suelo del Esta Plurinacional de Bolivia fue realizado
por el Viceministerio de Tierras a través Ministerio de Desarrollo Rural y Tierras en el
marco del Mapa Mundial del Carbono Orgánico del Suelo, de la Alianza Mundial por
el Suelo de la FAO. Esta iniciativa es una contribución a los indicadores de los Objetivos
de Desarrollo Sostenible. El apoyo consistió en la capacitación del personal del
Viceministerio de Tierras en diferentes cursos en varios países para lograr la experticia
necesaria en el mapeo digital de suelos, así como procesos de armonización de datos.
Es el resultado de un proceso largo que inicia con la recopilación de datos de suelos
existentes en diferentes fuentes, su almacenamiento en una base de datos y su
armonización.

Este mapa se constituirá en la herramienta vital para guiar el desarrollo de políticas

públicas para promover el manejo sostenible de este recurso. En lugares donde existe
un alto contenido de carbono orgánico, las políticas deberán ser dirigidas a un manejo
de protección para evitar la pérdida/emisión de los stocks de carbono. Mientras que
lugares con menos carbono y que tengan el potencial de almacenamiento, se deberá
promover las practicas que ayuden en el secuestro de carbono y que al mismo tiempo
mejoren la productividad del suelo.
CARBONO ORGÁNICO DEL SUELO

Así mismo, este mapa constituye el paso inicial hacia el Sistema de Información de
Suelos de Bolivia (SISBOL). Mismo que ayudara a hacer seguimiento de los impactos
delas actividades humanas en la salud del suelo.

Es nuestro objetivo que este mapa sea utilizado por todos los actores e usuarios que
trabajan en el tema de seguridad alimentaria, agricultura, cambio climático, desarrollo
rural, cuidado del medio ambiente y otros.

Juan Carlos León Rodas

VICEMINISTRO DE TIERRAS
 CARBONO ORGÁNICO DEL SUELO

Contenido

I. Introducción ..................................................................................................................................... 8

II. Métodos .......................................................................................................................................... 12

2.1Área de estudio ...................................................................................................................... 12

2.2Datos e Información de Suelo .............................................................................................. 13
2.3Predictores ambientales ........................................................................................................ 15
2.4Pre-procesamiento de datos ................................................................................................ 16
2.5Cálculo de la Densidad Aparente y Reservas de COS ..................................................... 17
2.6Removiendo outliers .............................................................................................................. 19
2.7
Preparación de una matriz de las propiedades de suelo y covariables para los análisis
estadísticos espaciales ........................................................................................................... 19
2.8 Random Forest ....................................................................................................................... 20
2.9 Método de Validación e Inferencia Estadística – Validación Cruzada .......................... 22
III. Resultados y discusiones ............................................................................................................... 24

3.1 Las concentraciones de carbono en el suelo .................................................................... 24

3.2 Mapeo digital del carbono orgánico del suelo usando Random Forests ...................... 26
IV. Conclusiones .................................................................................................................................. 27

V. Bibliografía ...................................................................................................................................... 29

VI. Anexos ............................................................................................................................................. 31

4.1 Descripción de las covariables ambientales ...................................................................... 31

4.2 Mapeo de las covariables ambientales utilizadas ............................................................ 34
 CARBONO ORGÁNICO DEL SUELO

Lista de Cuadros

Cuadro 1. Fuente de datos de covariables ambientales ............................................................... 15

Lista de Figuras

Figura 1. Subjetividad: Unidades de mapeo – unidades de suelo ................................................... 9

Figura 2. Esquematización de la relación Suelo – Paisaje ................................................................. 9
Figura 3. Ubicación de perfiles de suelo ............................................................................................ 10
Figura 4. Esquematización del Mapeo Digital del Suelo .................................................................. 11
Figura 5. Algunos aspectos biofísicos importantes ........................................................................... 13
Figura 6. Ejemplos de documentos recopilados ............................................................................... 14
Figura 7. Distribución de los puntos de muestreo de suelo .............................................................. 14
Figura 8. Raster de límite administrativo ............................................................................................. 16
Figura 9. Histograma y Boplot, mostrando la distribución y estructura de los datos .................... 16
Figura 10. SPLINE de igual área cuadrática. Ponce-Hernandez [Link]. (1986). .............................. 17
Figura 11. Histogramas, mostrando la distribución y estructura de los datos COS y DA ............. 18
Figura 12. Histograma y Boplot, mostrando la distribución y estructura de las Reservas de COS19
Figura 13. Histograma y Boplot, mostrando la distribución y estructura de los datos sin datos
atípicos ................................................................................................................................................... 19
Figura 14. El concepto de Random Forest y Árboles de decisión. ................................................. 20
Figura 15. Distribución de los valores predecidos residuales ........................................................... 21
Figura 16. El concepto de la Validación cruzada ............................................................................ 22
Figura 17. Importancia de las variables ............................................................................................. 23
Figura 18. Valores observados vs. valores predecidos ..................................................................... 23
Figura 19. Mapa de Carbono Orgánico del Suelo ........................................................................... 24

Lista de Mapas

Foto 1 y 2. Valores observados vs. valores predecidos .................................................................... 25

Foto 3 y 4. Valores observados vs. valores predecidos .................................................................... 25
Foto 5 y 6. Valores observados vs. valores predecidos .................................................................... 26
Foto 7 y 8. Valores observados vs. valores predecidos .................................................................... 26
CARBONO ORGÁNICO DEL SUELO

RESUMEN

Las estimaciones espaciales de las reservas de Carbono Orgánico del Suelo (COS) son
importantes para comprender el papel del COS en el ciclo global del carbono.
También permiten conocer la variación espacial de COS en modelos de procesos
ambientales. El COS es espacialmente muy variable incluso entre dos observaciones
muy cercanas. En los enfoques tradicionales, las concentraciones y reservas de COS se
han derivado de estimaciones de perfiles de suelo puntuales y en muchos casos muy
pocos perfiles vinculados espacialmente a unidades discretas existentes (polígonos) de
mapas de suelo. Sin embargo, para representar el COS de manera espacial y continua,
se necesita de una red de mediciones georeferenciadas distribuidas equitativamente
en el paisaje. Además, las unidades de mapeo de suelo no pueden caracterizar la
variabilidad espacial de COS dentro de estas unidades. El presente trabajo utiliza el
enfoque de mapeo digital de suelos para predecir la distribución espacial de COS. Esto
se basa en un modelo de inferencia de información de suelos basado en diferentes
capas ambientales y atributos del relieve, como factores formadores del suelo. Luego
de un trabajo de alrededor de 7 años de recopilación de información de suelos, se
obtuvo información de más de 100 proyectos de estudios de suelo con una base de
datos de alrededor de 14.000 muestras de suelo correspondientes a algo más de 6.000
perfiles de suelo a diferentes profundidades.

Se aplicó el análisis Random Forest (RF) como una herramienta de modelado de datos
COS para una profundidad de 30 cm. RF tiene varias ventajas en comparación con
otros enfoques de modelado; RF no es sensible al sobreajuste ni a las características de
ruido. El enfoque de mapeo digital de COS basado en RF proporcionó estimaciones
COS de buena resolución espacial y estimaciones de error y la importancia del
predictor. Las variables ambientales que explicaron la mayor parte de la variación a la
profundidad de análisis (0-30 cm) fueron los atributos topográficos. Las estimaciones de
valores de COS en los 30 cm oscilaron entre 0.01 a 14 Kg/m2, con valores que aumentan
en función del decremento de la pendiente. Este enfoque de mapeo digital del suelo
se puede aplicar a paisajes similares para afinar la resolución espacial de las
estimaciones COS.
 CARBONO ORGÁNICO DEL SUELO

MAPA DE CARBONO ORGÁNICO DE LOS

SUELOS DEL ESTADO PLURINACIONAL DE
BOLIVIA
Un aliado para la adaptación al cambio climático y la
producción agropecuaria

I. Introducción
Los suelos almacenan alrededor de tres veces más carbono orgánico que el que se
almacena en la biomasa vegetal de los ecosistemas terrestres y aproximadamente el
doble de lo que es contenida en la atmósfera (Batjes y Sombroek, 1997) y FAO (2017)1.
Los suelos tropicales contienen aproximadamente el 26% del carbono orgánico del
suelo (COS) almacenado en los suelos del mundo (Batjes, 1996). Las condiciones
ambientales mundiales, como el clima, los ciclos bioquímicos y la vegetación, están
relacionados con el COS.

Uno de los pasos en la construcción de un mapa de suelos bajo el “método

convencional”, es la definición de unidades de mapeo, mediante la fotointerpretación
bajo el modelo mental de la relación suelo-paisaje que se supone que implica un cierto
grado de subjetividad (Legros, 2006) y así mismo, es un enfoque puramente cualitativo
(Vargas, 2009), es decir, la definición se basa en algunos criterios subjetivos del
pedólogo. Esto significa que dos científicos del suelo posiblemente definan diferentes
unidades de mapeo para la misma área. Bie y Beckett (1973), compararon mapas de
suelos dibujados de forma independiente por diferentes pedólogos de una misma área
y observaron diferencias considerables en los mapas resultantes (figura 1). En un estudio
similar que analiza los mapas de aptitud de la tierra, Delarmelinda et al. (2011)
concluyeron que la evaluación contrastaba incluso en función de los mismos perfiles y
entornos del suelo. Además, Focht (1998) informó la influencia del científico en la
clasificación de la idoneidad del uso de la tierra en la misma área.

1El grupo de SOC almacena un estimado de 1 500 PgC en el primer metro de suelo, que es más carbono que el
contenido en la atmósfera (aproximadamente 800 PgC) y vegetación terrestre (500 PgC) combinadas (FAO e ITPS, 2015)
CARBONO ORGÁNICO DEL SUELO

Fotointerpretación Mapa de suelos método discreto

(convencional) área - polígono

Figura 1. Subjetividad: Unidades de mapeo – Unidades de suelo

Fuente: Elaboración propia con datos SIG

Una forma común de derivar la distribución espacial del suelo es el análisis de los
factores que controlan la formación del suelo (Jenny, 1941) describió el suelo como
una función del clima, los organismos, el relieve topográfico, el material parental y el
tiempo (figura 2).

Figura 2. Esquematización de la relación Suelo – Paisaje

Dentro la caracterización del recurso suelo (método convencional), la ubicación del

muestreo es muy importante, es decir, la ubicación geográfica del sitio donde se
realice el muestreo en diferentes ambientes (calicatas), ver figura 3 A-D.

El sistema de muestreo es importante en este método convencional y lo es más en el

método moderno de mapeo digital de suelos.
CARBONO ORGÁNICO DEL SUELO

Figura 3. Ubicación de perfiles de suelo

Factores formadores del suelo: Relación Suelo-Paisaje (Jenny, 1941)

𝑆 = ∫(𝑐𝑙, 𝑜, 𝑟, 𝑝, 𝑡)
cl = clima
o = organismos
r = relieve
p = material
parental t = tiempo

Dentro del mapeo digital del suelo, también llamado modelamiento suelo-paisaje
(Gessler et al., 1995) o mapeo predictivo del suelo (Scull et al., 2003), se utiliza un
enfoque similar al de Jenny, más que explicar la distribución espacial clase/propiedad
del suelo, este método cuantifica los parámetros.

El mapeo digital del suelo se caracteriza por formular sistemas empíricos espaciales o
no espaciales de inferencia del suelo entre las observaciones del suelo y los factores
espaciales ambientales “scorpan” (suelos o propiedades del suelo, clima y/o
propiedades climáticas, organismos como flora y fauna y actividades humanas, ajustes
de relieve, material parental y coordenadas espaciales (McBratney et al., 2003).

𝑆 = ∫(𝒔, 𝑐, 𝑜, 𝑟, 𝑝, 𝑎, 𝒏)
s = propiedades del suelo
n = posición geográfica
CARBONO ORGÁNICO DEL SUELO

Figura 4. Esquematización del Mapeo D igital del Suelo

Se ha aplicado una amplia gama de métodos estadísticos para el mapeo digital de

suelos de COS o materia orgánica (MO). Regresión múltiple y lineal fueron los más
comúnmente utilizados para cuantificaciones espaciales de COS /OM (Moore et al.,
1993; Arrouays et al., 1995; Chaplot et al., 2001; Florinsky et al., 2002; Powers y
Schlesinger, 2002). Thompson y Kolka, 2005; Thompson et al., 2006). Esta técnica de
modelado tiene varias ventajas, como la simplicidad en la aplicación y la facilidad de
interpretación (Hastie et al., 2001). Algunos estudios utilizaron modelos lineales
generalizados (McKenzie y Ryan, 1999), modelos de árboles de decisión (Kulmatiski et
al., 2004; Henderson et al., 2005) o redes neuronales artificiales (Minasny et al. 2006)
para relacionar el almacenamiento de COS y OM con predictores ambientales. Estas
últimas técnicas tienen el potencial de descubrir relaciones no lineales y, por lo tanto,
podrían ser más poderosas para el mapeo digital del suelo COS. Desde el campo del
aprendizaje automático, RandomForest (Breiman, 2001) podría aplicarse para la
predicción COS con el fin de mejorar la precisión de predicción. Dentro de la
geoestadística, los factores de formación del suelo en términos de predictores
ambientales auxiliares, pueden utilizarse para estimar la distribución espacial de COS a
través de kriging o co-kriging (Simbahan et al., 2006). Bhatti et al. (1991), Hengl et al.
(2004), entre otros, aplicaron regresión kriging para predecir COS u OM.

Random Forest (RF), un nuevo método de modelado, tiene varias ventajas en

comparación con la mayoría de las técnicas de modelado mencionadas
anteriormente, como (Breiman, 2001; Liaw y Wiener, 2002): tiene la capacidad de
modelar relaciones no lineales de alta dimensión, manejo de predictores categóricos
y continuos, resistencia al sobreajuste, relativa robustez con respecto a las
características de ruido, medida de error implementada de tasa de error, mediciones
no predictivas implementadas de grados de error, mediciones implementadas sobre
la importancia de la variable, y solo algunos parámetros definidos por el usuario
(Breiman, 2001 y Liaw y Weiner, 2002).

El objetivo de este estudio fue proponer un marco de cartografía digital COS basado
en RF a partir del cual se puede obtener conocimiento de los procesos del suelo.
Utilizando este marco, se pudo estimar las concentraciones de COS en el dominio
espacial de forma más realista que simplemente relacionando los valores medios de
COS con las unidades de mapeo de suelos.
CARBONO ORGÁNICO DEL SUELO

II. Métodos
2.1 Área de estudio

Bolivia está dividido en tres regiones geográficas principales: la Región Andina, que
abarca el 13% del territorio ocupando una superficie de 142.816 km², y está
comprendida por el Altiplano y la Cordillera de los Andes, con una temperatura entre
7 y 11 °C en verano y menos de 0 °C en invierno, la precipitación anual media varía de
300 mm en el Altiplano sur a 550 mm en el Altiplano norte. La fisiografía que predomina
son las llanuras aluviales, fluviolacustres, eólicas, las depresiones y planicies con suelos
moderadamente profundos a profundos con cierta evidencia de erosión eólica y
laminar. Su altitud alcanza más de 4.000 m.s.n.m y es allí donde se encuentran las cimas
más altas del país; la Región Subandina abarca un 28% del territorio ocupando una
superficie de 307.603 km² y está comprendida por los Valles y Los Yungas con una altura
media de unos 2.000 m.s.n.m., con suelos poco profundos a superficiales y con altos
grados de degradación y con una temperatura entre 16 y 19 °C, la precipitación anual
media de 1350 mm reduciéndose en los valles del sur; finalmente, la Región más grande
del país es la de Los Llanos que abarca el 59% del territorio ocupando una superficie
de 648.163 km², con una temperatura media entre 23 y 25°C en el sur y 27°C en el norte.
Los suelos se caracterizan por ser de tipo aluvial. La precipitación media varía de 1.000
a 1.750 mm del sur al norte respectivamente. Está comprendida por las subregiones
amazónica, platense y del Gran Chaco, con una altura media de menos de 400
m.s.n.m., cuenta con un relieve horizontal con ligeras irregularidades, y está cubierto
totalmente por zonas boscosas y selváticas de tipo amazónico.

Según la clasificación de Ibisch & Mérida (2003), Bolivia actualmente cuenta con 12
ecoregiones que sitúan al país en una posición privilegiada en cuanto a la riqueza de
biodiversidad (FAN-Bolivia, 2010), pues se sitúa entre los once países del mundo con
mayor biodiversidad. Esto se da gracias a su gradiente altitudinal, que oscila entre 90 y
6.542 m.s.n.m., el cual permite contar con diferentes ecosistemas y por lo tanto albergar
a esta amplia diversidad biológica. Su territorio comprende 4 tipos de biomas, 12
ecoregiones y 199 ecosistemas.
Variabilidad altitudinal (m.s.n.m.) Precipitación total anual (mm)
CARBONO ORGÁNICO DEL SUELO

Temperatuta media anual (°C) Ecosistemas

Figura 5. Algunos aspectos biofísicos importantes

Fuente: Elaboración propia con datos oficiales nacionales (SENAMHI, 2016) y FAN (2003)

2.2 Datos e información del Suelo

En Bolivia se han venido realizando estudios de suelo desde la década de los años 60
y 70 a través de Estudios Semidetallados de Suelos en áreas de colonización: luego en
la década de los años 80 se desarrollaron estudios de Capacidad de Uso Mayor de la
Tierra (CUMAT), llevados a cabo por el Estado Central y proyectos específicos como el
ERTS 2 , respectivamente. Posteriormente, se desarrollaron estudios de Ordenamiento
Territorial, donde, a partir de los componentes Uso del Suelo y Zonificación
Agroecológica, se realizaron muchos estudios de suelo a nivel departamental y
municipal. Simultáneamente se han venido realizando estudios de suelo con respecto
a evaluaciones de aptitud de uso de la tierra a escalas más detalladas y en áreas
potencialmente productivas, los casos más relevantes en el departamento de Santa
Cruz. Como conclusión a este diagnóstico, se sabe que existe mucha información de
suelos, pero esta información está perdida, oculta y en la mayoría de los casos en
bibliotecas particulares. Sin embargo, en la actualidad no se cuenta con un sistema de
información de suelos por lo que los datos se encuentran dispersos y fragmentados.

2Estudio Integrado de los Recursos Naturales. Programa ERTS (Earth Resources Technology Satellite) Servicio Geológico
de Bolivia. 1976-1979.
CARBONO ORGÁNICO DEL SUELO

Figura 6. Ejemplos de documentos recopilados

Se puede observar el tipo de información, la data y la calidad de documentos con

información recopilada, mucha de la información en formato análogo.

Los datos e información de suelos recopilados a nivel nacional corresponden a un

trabajo de 7 años de búsqueda de documentos de proyectos que en total suman 105,
de los cuales se digitalizaron y sistematizaron 10.996 muestras de 5.857 perfiles de suelos
georeferenciados en todo el territorio nacional (figura 7). Del total de las muestras, se
excluyeron las muestras que se encuentran a una profundidad mayor a los 30 cm,
quedando 8371 muestras (Figueredo, 2017).

Figura 7. Distribución de los puntos de muestreo de suelo

Fuente: Elaboración propia con base a la Base de datos edafológica (Figueredo, 2017)
CARBONO ORGÁNICO DEL SUELO

2.3 Predictores ambientales

2.3.1 Covariables

La topografía tiene el potencial de explicar grandes partes de la variación del COS.

Por lo tanto, los modelos que tienen en cuenta los atributos de terreno pueden
proporcionar estimaciones más realistas de las agrupaciones de COS. Los atributos del
terreno, los predictores ambientales más utilizados en el mapeo digital del suelo
(McBratney et al., 2003), aproximan los flujos de agua, solutos y sedimentos en todo el
paisaje. Estos son impulsados por la gravedad, la insolación solar y el microclima y, por
lo tanto, pueden controlar los patrones espaciales de las propiedades del suelo, como
el COS.

Los atributos del terreno se derivaron del DEM SRTM (Shuttle Radar Topographic Misión)
a una resolución de 90 m de todo el territorio nacional, El SRTM (NGA, NASA, 2005
[Link] se basa en datos topográficos localizados cada 1-arco
segundos y 3-arco segundos, aproximadamente 30 y 90 metros, respectivamente. Este
modelo digital de elevación se sometió a un proceso de corrección sugerido por
Sijmons, K. et. al. (2012)3. Este tipo de insumos así como otros datos están disponibles en
el portal del ISRIC WorldGrids ([Link]).

A continuación se muestran algunas fuentes de información utilizadas como

covariables ambientales.

Cuadro 1. Fuente de datos de covariables ambientales

TIPO DE
INFORMACIÓN FUENTE DE DATOS LINK/DIRECCIÓN

Material parental OneGeology (Jackson, [Link];

2007)
USGS Surface Geology [Link]
GLiM (Global Lithological Map) [Link]
Hartmann y mie/[Link];
Moosdorf (2012):
USGS Global Ecological [Link] s/Global

Mapas de suelo FAO, IIASA, ISRIC, ISS CAS y JRC 1 km de [Link]

resolución (HWSD). Global HWSD rmonized_world_soil_database_images_5_km

Cobertura y uso GlobCover [Link]

de la tierra
GeoCover [Link]

Globeland30 [Link] wnload/[Link],

CORINE Land Cover [Link]
Datos climáticos WorldClim Climate Data [Link]
Hijmans et. al., 2005

Propiedades ISRIC World Soil [Link].

biofísicas Information

3 Koert Sijmons, Gerard Reinink, Ben Maathuis. International Institute for Aerospace Survey and Earth Sciences (ITC)
CARBONO ORGÁNICO DEL SUELO

Toda la información de covariables ambientales deben estar almacenados y

conformados en una estructura de empilado de capas. Las características del
empilado de capas son:

class : RasterStack dimensions : 1590, 1463, 2326170, 59 (nrow, ncol, ncell, nlayers)
resolution : 0.008332873, 0.008332873 (x, y)
extent : -69.64909, -57.4581, -22.92478, -9.675514 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs +ellps=WGS84 +towgs84=0,0,0
El límite territorial se obtuvo a partir de datos del Global Administrative Unit Layers
(GAUL)

Figura 8. Raster de límite administrativo

Fuente: GAUL, 2015

2.4 Pre-procesamiento de datos

Como primera etapa, examinamos el comportamiento de los datos de COS, como
datos de entrada.
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.006 0.400 0.748 1.056 1.379 22.810

Figura 9. Histograma y Boxplot, mostrando la distribución y estructura de los datos

Fuente: Resultados del análisis en “R”
CARBONO ORGÁNICO DEL SUELO

Dado que se requiere una profundidad fija de 30 cm para COS, se tuvieron los
siguientes problemas: la falta de agregación, en el caso de que existía información
arriba de los 30 cm de profundidad; que no cumplían la profundidad de 30 cm
requerida. En ambos casos se necesitó hacer un procesamiento adicional, la función
SPLINES de igual área, propuesto por Ponce-Hernández et al. (1986), y (Bishop et al.
1999). Esta técnica se basa en el ajuste de funciones de profundidad continua para
modelar la variabilidad de las propiedades del suelo con la profundidad. Por lo tanto,
es posible convertir perfiles de suelo a profundidades estándar, pero también para
rellenar huecos o vacíos de datos (CookBook - FAO, 2017). La función SPLINE de igual
área, consiste en una serie de polinomios cuadráticos locales que se unen en "nudos"
ubicados en los límites del horizonte, por lo que el valor medio de cada horizonte se
mantiene mediante el ajuste de Spline. Se llaman Splines de igual área, porque el área
a la izquierda de la curva Spline ajustada es igual al área a la derecha de la curva.

Figura 10. SPLINE de igual área cuadrática. Ponce-Hernandez [Link]. (1986).

Citado por Bishop [Link]. (1999) y CookBook (FAO, 2017)

De este proceso de ajuste de estandarización de datos a la profundidad de 30 cm, de

las 8371 muestras de suelo que entraron al proceso, quedaron 4788 muestras.

2.5 Cálculo de la Densidad Aparente y reservas de COS

La cantidad de tierra fina es una de las estimaciones básicas para estimar las reservas
de COS, tanto en suelos minerales y orgánicos. Depende del volumen del suelo
considerado (profundidad x área referencial) y la densidad aparente (DA). La DA
expresa el peso del suelo por unidad de volumen. Para funciones de Pedotransferencia
en la estimación de la DA, basado en el contenido de la materia orgánica del suelo
(SOC * 1.724), se consideraron diferentes métodos de cálculo 4 , utilizándose,
dependiendo del caso, los siguientes:

i. Saini (1996) BD = 1,62-0,06 * OM

ii. Grigal et. al (1989) BD = 0,669 + 0,941* e ^(-0,06 * OM)
iii. Honeysett & Ratkowsky (1989) BD = 1/(0,564 + 0,0556*OM)

4 Food and Agriculture Organization of the United Nations, 2017. Soil Organic Carbon Mapping Cookbook
CARBONO ORGÁNICO DEL SUELO

Con el descarte de muestras más profundas que los 30 cm y el tras aplicar la función
Spline, a la profundidad de 30 cm, a los valores de COS, se tienen los siguientes
estadísticos:

Min. 1st Qu. Median Mean 3rd Qu. Max.

0.010 0.620 1.010 1.267 1.560 21.640

Figura 11. Histogramas, mostrando la distribución y estructura de los datos COS y DA

luego de aplicarles la función SPLINE
Fuente: Resultados del análisis en “R”

Obtenido la DA, se calculó las Reservas de COS en kg/m2 (a partir de COS y DA),
mediante la siguiente ecuación:

Reservas COS = SOC/100 * BD * 0.3 (SOC in %, BD in kg/m3)

Cabe aclarar que para fines de cálculo, no se tomó en cuenta los fragmentos gruesos5,
esto debido a la inexistencia de información al respecto.

Los estadísticos de Stock de COS son:

Min. 1st Qu. Median Mean 3rd Qu. Max.

0.0504 2.9020 4.4840 5.1100 6.5270 29.0400
Cálculo de la Asimetría = 1.71031. Asimetría positiva

5El término fracción gruesa del suelo engloba a las partículas mayores de 2 mm de diámetro. Este material se conoce
también como gravas, clastos o esqueleto del suelo. Cuando esta fracción representa más del 40% del volumen de
un suelo, éste se definiría como predregoso o esquelético (ISRIC, 1994)
CARBONO ORGÁNICO DEL SUELO

Figura 12. Histograma y Boxplot, mostrando la distribución y estructura de las Reservas de COS
Fuente: Resultados del análisis en “R”

2.6 Removiendo valores extraños (outliers)

Remover los outliers consiste en eliminar de la base de datos las muestras de suelos
irrelevantes o redundantes o atípicos que no favorecen al modelo, de esta manera se
reduce el proceso computacional y se aumenta la precisión del modelo.

Una vez removidos los valores atípicos, se tienen los siguientes estadísticos:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0504 2.8830 4.4250 4.9580 6.4630 16.9500

Figura 13. Histograma y Boxplot, mostrando la distribución y estructura de los datos sin datos
atípicos
Fuente: Resultados del análisis en “R”

2.7 Preparación de una matriz de las propiedades de suelo y covariables

para los análisis estadísticos espaciales

La preparación de una matriz de reservas de carbono orgánico del suelo es importante

y también de las otras propiedades para el modelamiento de predicción, los cuales
hay datos espaciales disponibles, como clima, tipo de suelo, material parental,
CARBONO ORGÁNICO DEL SUELO

pendiente, gestión (Covariables). Las propiedades contenidas en las covariables se

extrayeron para cada sitio de muestra georreferenciada (punto de muestreo de
suelo) y se agregó a la tabla de propiedades del suelo.

Esta matriz se utiliza para el entrenamiento y la validación del modelo estadístico

para predecir valores de COS que posteriormente se pueden aplicar en toda su
extensión espacial.

2.8 Modelo de predicción Random Forest

Random Forest (RF) es un ejemplo de un método de aprendizaje automático. RF consiste

en un conjunto de clasificación aleatoria y árboles de regresión (CART) (Breiman, 2001).
Numerosos árboles se generan dentro del algoritmo y finalmente se agregan para dar
una sola predicción.

Random Forest es un tipo de aprendizaje automático para descubrir la relación

estadística entre una variable dependiente (por ejemplo, la propiedad del suelo) y sus
predictores. Pertenece a la clase de árbol de decisión de modelos en los que los
modelos (también conocidos como clasificadores) son como árboles con tallo, muchas
ramas y hojas. Las hojas son los resultados de la predicción (decisiones finales) que fluyen
desde las raíces a través del tallo hasta las ramas (Breiman et al., 1984). El modelo de
árbol de decisión divide recursivamente los datos en grupos uniformes finales (clases) o
valores únicos basados en un conjunto de reglas. En Random Forest, hay muchos árboles
de decisión y cada árbol separa recursivamente submuestras seleccionadas al azar de
los datos (figura 14). El nombre de Random Forest tiene su origen en el hecho de que los
datos originales se dividen primero aleatoriamente en submuestras, y se utilizan muchos
árboles de decisión (forest) para modelar las submuestras.

Figura 14. El concepto de Random Forest y Árboles de decisión.

Fuente: Cookbook (FAO, 2017)

RF tiene varias ventajas sobre otros enfoques de modelado estadístico (Breiman,

2001; Liaw y Wiener, 2002). Sus variables pueden ser tanto continuas como
categóricas. El algoritmo de RF es bastante robusto para el ruido en los predictores
y, por lo tanto, no requiere una preselección de variables (Díaz-Uriate y de Andres,
2006). Como solo se usa un número aleatorio limitado de predictores para buscar la
mejor división en cada nodo, la diversidad del bosque aumenta (baja correlación
de árboles individuales) y la carga computacional se reduce. A medida que se
promedia una gran cantidad de árboles, RF consigue tanto un sesgo bajo como una
baja varianza (Díaz-Uriate y de Andres, 2006). El algoritmo es robusto para el
20
CARBONO ORGÁNICO DEL SUELO

sobreajuste ya que cada árbol está entrenado en una submuestra de arranque

exclusiva de los datos (Arun y Langmead, 2005). RF proporciona estimaciones fiables
de errores mediante el uso de los datos llamados Out-of-Bag (OOB) (la proporción
que no se utiliza en el subconjunto de arranque; en promedio, se excluye alrededor
de un tercio de los datos, mientras que otros se repetirán en la muestra), y por lo
tanto elimina la necesidad de un conjunto de datos de validación independiente.
La última ventaja debería ser de particular interés para la ciencia del suelo, ya que
la recolección de muestras de suelo y análisis de laboratorio en muchos casos
consume mucho tiempo y es costoso.

La RF depende solo de tres parámetros definidos por el usuario: la cantidad de

árboles (ntree) en el bosque, el número mínimo de puntos de datos en cada nodo
terminal (tamaño de nodo) y el número de características probadas en cada nodo
(mtry). El valor predeterminado de ntree es 500. Para nodesize, usamos el valor
predeterminado para la regresión RF, que es de 5 instancias en cada nodo terminal.
Con respecto a mtry, el valor predeterminado para los problemas de regresión es un
tercio del número total de predictores. Sin embargo, como el rendimiento de
predicción de RF puede ser sensible a mtry (Breiman y Cutler, 2004) usamos un
enfoque iterativo para determinar el mejor punto en términos del más pequeño error
cuadrático medio de OOB:

La principal desventaja de los algoritmos de RF y conjunto en general es su

interpretabilidad limitada. Por lo tanto, este algoritmo a menudo se denomina un
enfoque de "caja negra", ya que la relación entre los predictores y la respuesta no
puede examinarse individualmente para cada árbol en el bosque. En los modelos
CART, en cambio, una variable predictiva en un solo árbol está relacionada con las
predicciones. Además, a medida que aumenta la complejidad en términos del
número de nodos terminales de árboles individuales con el aumento del número de
instancias, la interpretación de CART puede volverse confusa.

Para todos los cálculos de RF, utilizamos el paquete "RandomForest" (Liawand

Wiener,
2002) para el lenguaje estadístico R (R Development Core Team, 2006, version 3.3.3).

Figura 15. Distribución de los valores predecidos residuales

Fuente: Resultados del análisis en “R”

21
CARBONO ORGÁNICO DEL SUELO

Random Forest devuelve los valores predichos de los datos de entrada en función
de las muestras out-of-bag (OOB),
2.9 Método de Validación e Inferencia Estadística – Validación Cruzada

En la validación cruzada (CV), el conjunto de datos se divide en K conjuntos

aproximadamente iguales. Uno de estos conjuntos está reservado para validación.
El modelo luego se calibra usando los datos de los conjuntos K-1 y se usa para
predecir la variable objetivo para los puntos de datos reservados. A partir de esta
predicción, se calcula el error de predicción. Este procedimiento se repite K veces,
cada vez estableciendo un conjunto diferente para validación. De esta forma,
obtenemos K estimaciones del error de predicción: una para cada sitio de muestra
de validación.
De esta forma, todos los datos se utilizan para la validación y la calibración del
modelo. Por lo tanto, es mucho más eficiente que la división de datos.

Figura 16. El concepto de la Validación cruzada

Fuente: Cookbook (FAO, 2017)

K se elige típicamente como 5 o 10, o como N el número de puntos de datos. Este

último se conoce como validación cruzada (LOOCV) en el que solo un sitio de
validación se reserva en cada iteración. El modelo luego se calibra con
observaciones N-1. Algunos repiten la validación cruzada K veces varias veces y
promedian los resultados para obtener una estimación más robusta de las medidas
de calidad del mapa. Bas Kempen B.; Brus, D.; Heuvelink G. citado en FAO (2017).

Las agrupaciones de árboles no son fáciles de interpretar: no existe un árbol

promedio; un árbol individual no dice mucho.

22
CARBONO ORGÁNICO DEL SUELO

Figura 17. Importancia de las variables

Fuente: Resultados del análisis en “R”

El gráfico de la importancia de la variable muestra cuánto aumenta el error de

predicción cuando se permutan los valores de un predictor (rompe la asociación
con la respuesta) mientras que los demás no cambian.

La variable permutada se usa junto con otras variables para predecir la respuesta.
La precisión de la predicción disminuirá. Graficamos los valores predecidos versus los
valores observados y calculamos el valor de R2.

Figura 18. Valores observados vs. valores predecidos

Fuente: Resultados del análisis en “R”

En R, el paquete CARET (Kuhn, 2015 pag.10, 490–507) ofrece funcionalidad para

división de datos y validación cruzada.

Los resultados de la validación se muestran a continuación:

OUT-OF-BAG cross- INDEPENDENT CROSS-VALIDATION

validation
R2 = 0.287 R2 = 0.275
RMSE = 2.4 RMSE = 2.41
RMeSE = 1.48 RMeSE = 1.52

23
CARBONO ORGÁNICO DEL SUELO

III. Resultados y discusiones

3.1 Las concentraciones de carbono en el suelo

Se predijo espacialmente la concentración de COS a la profundidad de 0-30 cm

usando RF, (figura 19).

Las concentraciones de COS aumentan en las zonas de mayor cobertura boscosa,

suelos donde la acumulación de materia orgánica es alta, especialmente en los
primeros horizontes superficiales, con valores de entre 9 a 14 Kg/m2. En general, altas
concentraciones de COS se tradujeron en altos niveles de carbono.

Las concentraciones de carbono orgánico del suelo no obedecen a una

temporalidad, puesto que la base de datos edafológica es una sistematización de
diferentes estudios (˃100) en todo el territorio y diferentes temporalidades.

Los datos estadísticos de los valores de COS muestran una alta variabilidad. Loa
datos iniciales COS (0.006-22.8 %), luego de aplicar la función Spline (0.01-21.6%);
datos Reservas COS (0.05-29.04%), quitando los datos atípicos (0.05-16.9%).

Figura 19. Mapa de Carbono Orgánico del Suelo

24
CARBONO ORGÁNICO DEL SUELO

De manera general, comparando con las ecoregiones que poseen características

únicas en cuanto a la biodiversidad y aspectos biofísicos, los resultados muestran
que los más altos valores de reservas de COS se encuentran en los Yungas (fotos 1
y 2), seguido de los bosques tucumano – boliviano y gran Chaco. Los bosques de
la Amazonía de Pando y Beni (fotos 3 y 4), los bosques secos interandinos. Los
valores más bajos presentan la Puna sureña (fotos 5 y 6), los bosques del
subandino, seguido de los bosques secos chiquitanos las sabanas inundables del
Beni (fotos 7 y 8).
Así mismo, para el Estado Plurinacional de Bolivia las reservas de carbono orgánico
en lo suelos es de 5.72 Pg6 (petagramos), muy poco en comparación con los 30 Pg
estimados para Brasil.

Foto 1 y 2. Valores observados vs. valores Foto 3 y 4. Valores observados vs. valores
predecidos predecidos
Fuente: Estudio Suelos Yungas (Figueredo, 2007) Fuente: Estudio Suelos San Borja (Figueredo,
2008)

6COS normalmente se expresa en toneladas de carbono (tC), gigatoneladas (Gt = 1 billón - mil de millones- de
toneladas) o teragramos (Tg = 1 millón de toneladas), o petagramos (Pg = 1 billón de toneladas).
25
CARBONO ORGÁNICO DEL SUELO

Foto 5 y 6. Valores observados vs. valores Foto 7 y 8. Valores observados vs. valores
predecidos predecidos
Fuente: Estudio Suelos Tomave (Figueredo, 2010) Fuente: Estudio Suelos Trinidad (Figueredo, 2011)

3.2 Mapeo digital del carbono orgánico del suelo usando Random
Forests

3.2.1 Rendimiento del modelo

En general, las actuaciones del modelo fueron limitadas. La precisión de la

predicción fue baja a la profundidad analizada (30 cm). Estos resultados sugieren
que particularmente en la capa superior del suelo los patrones de distribución
espacial de COS son muy variables debido a las variaciones a pequeña escala en
la entrada, la redistribución, la estabilización, así como en la variabilidad aleatoria
intrínseca del COS. Por lo tanto, son difíciles de aproximar con evaluaciones de
modelización del paisaje del suelo de capas ambientales.

26
CARBONO ORGÁNICO DEL SUELO

3.2.2 Importancia de variables

La importancia de las variables reveló diferentes características ambientales

dominantes entre los modelos COS de RF de suelo (0-30 cm) (F17). Las variables Área
contribuyente (CA), posición de pendiente relativa (RHP) y atributos de terreno
combinados (p. Ej., Índice topográfico combinado (CTI), LS-factor (LS)) fueron los
más relevantes, seguido por los atributos locales como pendiente (SLT) y curvaturas
(CHOS, CMES, CPRS).

Aunque ciertos predictores son más importantes dentro de cada modelo de RF, no
se pudo determinar cuantitativamente su relación funcional con COS. En este
sentido, las visualizaciones espaciales de los resultados de predicción fueron
esenciales para comprender los procesos de conducción detrás de las predicciones
COS.

3.2.3 Predicción espacial

Como no teníamos una representación espacial de la densidad aparente ni de la

pedregosidad que debería usarse para la conversión espacial de las
concentraciones de COS a las reservas de COS, se utilizó, para su cálculo,
ecuaciones sugeridas en el Cookboock – FAO (2017). Por lo tanto, este enfoque no
puede dar cuenta de la variabilidad en la densidad aparente y la pedregosidad
dentro de unidades de suelo individuales, y por lo tanto podría enmascarar
variaciones significativas.

El mapa de Reservas de COS (figura 17) refleja la gran importancia de la topografía

en su distribución de COS. Los patrones con las mayores reservas de COS en la
pendiente ascendente y la más baja en las posiciones medias. El poder erosivo de
los procesos superficiales limita las altas concentraciones de reserva de COS.

Las representaciones con alta resolución espacial, como las proporcionadas por los
datos de teledetección multiespectral o hiperespectral, son necesarias para la
predicción espacial de las propiedades del suelo, como el COS. Al respecto, así
como a la amplia disponibilidad de datos digitales de elevación, el mapeo digital
de COS podría aplicarse a áreas más grandes, lo que ayuda a refinar la resolución
de las estimaciones de COS espaciales.

IV. Conclusiones
Una gran parte de los patrones espaciales generales en las variaciones COS en
Bolivia podrían predecirse de forma continua utilizando el enfoque de mapeo digital
del suelo.

A diferencia de los enfoques tradicionales de mapeo COS, donde las

concentraciones medias de COS y las poblaciones están relacionadas
espacialmente con el suelo o las unidades de vegetación, la variabilidad del COS

27
CARBONO ORGÁNICO DEL SUELO

dentro de estas unidades se predijo integrando relaciones empíricamente derivadas

entre COS y factores formadores de suelos como topográficos (atributos del terreno)
atributos, pedológicos, litológicos y biológicos (historia del bosque) en el marco
digital de mapeo de suelos.

Como método de modelado aplicamos Random Forest (RF), que consiste en un

conjunto de árboles tipo CART, que ha demostrado ser un poderoso enfoque de
modelado para la predicción espacial de COS. Con el fin de mejorar los resultados
de predicción, la configuración del parámetro mtry del algoritmo de RF mostró
buenos resultados. El conocimiento de los procesos del suelo y las relaciones del
paisaje se extrajo tanto de las medidas de variables de importancia implementadas
en RF como de las visualizaciones espaciales de los resultados de la predicción. Estos
resultados indican que:

 Los patrones de COS siguen en gran medida la definición de distribución de

propiedades del suelo que muestra la disminución de las concentraciones de
COS y las existencias en la secuencia de piedemontes.
 En este estudio se produjo una estimación de la Reserva de COS, que puede
utilizarse tanto para comprender el papel de los suelos en el ciclo global del
carbono como para la incorporación de variaciones espaciales a pequeña
escala de COS en modelos de procesos medioambientales futuros.

28
CARBONO ORGÁNICO DEL SUELO

V. Bibliografía
Arun, K., Langmead, C.J., 2005. Structure based chemical shift prediction using random forest non-linear
regression. CarnegieMellon University, Pittsburgh. CMU-CS-05-163, online: [Link]
[Link]/anon/2005/abstracts/[Link].

Batjes, N.H., 1996. Total carbon and nitrogen in the soils of the world. European Journal of Soil Science 47,
151–163.

Batjes, N.H., 1997. A world data set of derived soil properties by FAO-UNESCO soil unit for global modelling.
Soil Use and Management 13, 9–16.

Batjes, N.H., Dijkshoorn, J.A., 1999. Carbon and nitrogen stocks in the soils of the Amazon Region. Geoderma
89, 273–286.

Behrens, T., Schmidt, K., Scholten, T., 2007. Multi-scale digital terrain analysis and feature selection in digital
soil mapping. Biannual Conference of Commission 1.5

Bernoux, M., Carvalho, M.D.S., Volkoff, B., Cerri, C.C., 2002. Brazil's soil carbon stocks. Soil Science Society of
America Journal 66, 888–896.

Bishop, T.F.A., McBratney, A.B. and Laslett, G.M., 1999. Modelling soil attribute depth functions with equal-
area quadratic smoothing splines Geoderma 91: 27-45 Bishop et al., 1999, after Ponce Hernandez, 1986
smoothing splines. Geoderma, 91: 27 45

Breiman, L., 2001. Random forests. Machine Learning 45, 5–32.

[Link]

Breiman, L., Cutler, A., 2004. Random Forest — manual. on-line:

[Link]

Brendan P. Malone, Budiman Minasny, Alex B. McBratney. 2017. Using R for Digital Soil Mapping Progress in
Soil Science. Springer International Publishing

Bureau, A., Dupuis, J., Hayward, B., Falls, K., Van Eerdewegh, P., 2003. Mapping complex traits using random
forests. Bmc Genetics 4. doi:10.1186/1471-2156-4-S1-S64.

Díaz-Uriarte R, Alvarez de Andrés S., 2006. Gene selection and classification of microarray data using
random forest. BMC Bioinformatics.

Programa ERTS (Earth Resources Technology Satellite) Servicio Geológico de Bolivia, 1979. Estudio Integrado
de los Recursos Naturales.

Figueredo, H., 2017. Base de datos de Carbón Orgánico de Bolivia. FAO-SISLAC.

Florinsky, I.V., Eilers, R.G., Manning, G.R., Fuller, L.G., 2002. Prediction of soil properties by digital terrain
modelling. Environmental Modelling and Software 17, 295–311.

Food and Agriculture Organization of the United Nations FAO-GSP, 2017. Soil Organic Carbon Mapping
Cookbook.

Food and Agriculture Organization of the United Nations, 2017. Soil Organic Carbon The Hidden Potential.

Furlanello, C., Neteler, M., Merler, S., Menegon, S., Fontanari, S., Donini, A., Rizzoli, A., Chemini, C., 2003. GIS
and the random forest predictor: Integration in R for tickborne diseases risk assessment. In: Hornik, K., Leitsch,
F., Zeileis, A. (Eds.),

Gessler, P.E., Moore, I.D., McKenzie, N.J., Ryan, P.J., 1995. Soil-landscape modeling and spatial prediction
of soil attributes. International Journal of Geographical Information Systems 9, 421–432.

29
CARBONO ORGÁNICO DEL SUELO

Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classification. Pattern
Recognition Letters 27, 294–300.

Grimm, R., Behrens, T., Marker, M., Elsenbeer, H. 2007. Soil organic carbon concentrations and stocks on
Barro Colorado Island — Digital soil mapping using Random Forests analysis.

Hartemink, Alfred E., McBratney, Alex B., Mendonça-Santos, Maria de Lourdes. 2008. Digital Soil Mapping
with Limited Data.

Hastie, T., Tibshirani, R., Friedman, J., 2009. The elements of statistical learning. In: Data Mining, Inference,
and Prediction, 2nd ed. Springer, New York.

Henderson, B.L., Elisabeth, N.B., Christopher, J.M., Simon, D.A.P., 2005. Australia-wide predictions of soil
properties using decision trees. Geoderma 124, 383–398. [Link]

Hengl, T., Heuvelink, G.B.M., Stein, A., 2004. A generic framework for spatial prediction of soil variables based
on regression-kriging. Geoderma 120, 75–93.

Jenny, H., 1941. Factors of Soil Formation. McGraw-Hill, New York.

Jobbagy, E.G., Jackson, R.B., 2000. The vertical distribution of soil organic carbon and its relation to climate
and vegetation. Ecological Applications 10, 423–436.

Kühn, J., Brenning, A., Wehrhan, M., Koszinski, S., Sommer, M., 2009. Interpretation of electrical conductivity
patterns by soil properties and geological maps for precisión agriculture. Precis. Agric. 10, 490–507.

Liaw, A., Wiener, M., 2002. Classification and regression by Random Forest. R News 2

McBratney, A.B., Mendonça, M.L., Minasny, B., 2003. On digital soil mapping. Geoderma 117, 3–52.

McKenzie, N.J., Ryan, P.J., 1999. Spatial prediction of soil properties using environmental correlation.
Geoderma 89, 67–94.

Minasny, B., McBratney, A.B., Lark, R.M., Mendonça Santos, M.D.L., 2008. Digital soil mapping technologies
for countries with sparse data infrastructures. In: Hartemink, A.E., McBratney, A.B. (Eds.), Digital Soil Mapping
With Limited Data.

Ministerio de Desarrollo Sostenible, 2003. Biodiversidad: La riqueza de Bolivia. Estado de conocimiento y

conservación. Ibisch P.L. & G. Mérida (eds.). Editorial FAN, Bolivia.

Ponce-Hernandez, R., Marriott, F.H.C. and Beckett, P.H.T., 1986. An improved method for reconstructing a
soil profile from analyses of a small number of samples. Journal of Soil Science, 37: 455-467

SCULL, P.; FRANKLIN, J.; CHADWICK, O.A. & McARTHUR, D. Predictive soil mapping: A review. Progr. Phys.
Geog., 27:171-197, 2003.

Vargas, R., Conservación Internacional Bolivia y Conservación Estratégica, 2009. Mapeo digital del suelo y
su evaluación con fines de producción de caña de azúcar en los municipios de Ixiamas y San
Buenaventura

30
CARBONO ORGÁNICO DEL SUELO

VI. Anexos
4.1 Descripción de las covariables ambientales
ATTRIBUTE_UNITS
CODE SERIES_NAME ATTRIBUTE_TITLE CITATION_URL
_OF_MEASURE
B02CHE3 Global precipitation Mean diurnal range [°C] at 1 km Celsius [Link]
B04CHE3 Global precipitation Temperature seasonality at 1 km Celsius [Link]
B07CHE3 Global precipitation Temperature Annual Range [°C] at 1 km Celsius [Link]
B13CHE3 Global precipitation Precipitation of wettest month [mm] mm rainfall [Link]
B14CHE3 Global precipitation Precipitation of driest month [mm] at 1 km mm rainfall [Link]
BARL10 30 Meter Global Land Cover Global 30m Bare Ground percent [Link]
C01MCF5 EarthEnv MODCF Mean monthly cloud cover Jan index [Link]
C02MCF5 EarthEnv MODCF Mean monthly cloud cover Feb index [Link]
C03MCF5 EarthEnv MODCF Mean monthly cloud cover Mar index [Link]
C04MCF5 EarthEnv MODCF Mean monthly cloud cover Apr index [Link]
C05MCF5 EarthEnv MODCF Mean monthly cloud cover May index [Link]
C06MCF5 EarthEnv MODCF Mean monthly cloud cover Jun index [Link]
C07MCF5 EarthEnv MODCF Mean monthly cloud cover Jul index [Link]
C08MCF5 EarthEnv MODCF Mean monthly cloud cover Aug index [Link]
C09MCF5 EarthEnv MODCF Mean monthly cloud cover Sep index [Link]
C10MCF5 EarthEnv MODCF Mean monthly cloud cover Oct index [Link]
C11MCF5 EarthEnv MODCF Mean monthly cloud cover Nov index [Link]
C12MCF5 EarthEnv MODCF Mean monthly cloud cover Dec index [Link]
CHAGSW7 Global Surface Water Surface water change [Link]

CRDMRG5 DEM-parameters Local downslope Curvature meter x 1000 [Link]

CRUMRG5 DEM-parameters Local upslope Curvature meter x 1000 [Link]
CRVMRG5 DEM-parameters Downslope Curvature meter x 1000 [Link]
DEMENV5 DEM-parameters Land surface elevation meter [Link]
DV2MRG5 DEM-parameters Deviation from Mean Value (surface roughness) x13 meter x 100 [Link]
DVMMRG5 DEM-parameters Deviation from Mean Value (surface roughness) x9 meter x 100 index [Link]
ENTENV3 EarthEnv Global Habitat Heterogeneity [Link]
Entropy MODIS

ES1MOD5 MOD13Q1 SD monthly MODIS EVI JanFeb [Link]

ES2MOD5 MOD13Q1 SD monthly MODIS EVI MarApr [Link]

ES3MOD5 MOD13Q1 SD monthly MODIS EVI MayJun [Link]

ES4MOD5 MOD13Q1 SD monthly MODIS EVI JulAug [Link]

ES5MOD5 MOD13Q1 SD monthly MODIS EVI SepOct [Link]

ES6MOD5 MOD13Q2 SD monthly MODIS EVI NovDec [Link]

EVEENV3 EarthEnv Global Habitat Heterogeneity Evenness of MODIS EVI index [Link]
EX1MOD5 MOD13Q1 Mean monthly MODIS EVI JanFeb [Link]

EX2MOD5 MOD13Q1 Mean monthly MODIS EVI MarApr [Link]

EX3MOD5 MOD13Q1 Mean monthly MODIS EVI MayJun [Link]

EX4MOD5 MOD13Q1 Mean monthly MODIS EVI JulAug [Link]

CARBONO ORGÁNICO DEL SUELO

EX5MOD5 MOD13Q1 Mean monthly MODIS EVI SepOct [Link]

EX6MOD5 MOD13Q1 Mean monthly MODIS EVI NovDec [Link]

EXTGSW7 Global Surface Water Global surface water maximum extent [Link]

F01USG5 Global Ecophysiography Landform class: Breaks/Foothills percent [Link]

F02USG5 Global Ecophysiography Landform class: Flat Plains percent [Link]
F03USG5 Global Ecophysiography Landform class: High Mountains/Deep Canyons percent [Link]
F04USG5 Global Ecophysiography Landform class: Hills percent [Link]
F05USG5 Global Ecophysiography Landform class: Low Hills percent [Link]
F06USG5 Global Ecophysiography Landform class: Low Mountains percent [Link]
F07USG5 Global Ecophysiography Landform class: Smooth Plains percent [Link]
I01MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Jan Reflectance, no units [Link]
I02MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Feb Reflectance, no units [Link]
I03MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Mar Reflectance, no units [Link]
I04MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Apr Reflectance, no units [Link]
I05MOD4 MCD43A4 Mean monthly MODIS NIR band 4 May Reflectance, no units [Link]
I06MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Jun Reflectance, no units [Link]
I07MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Jul Reflectance, no units [Link]
I08MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Aug Reflectance, no units [Link]
I09MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Sep Reflectance, no units [Link]
I10MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Oct Reflectance, no units [Link]
I11MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Nov Reflectance, no units [Link]
I12MOD4 MCD43A4 Mean monthly MODIS NIR band 4 Dec Reflectance, no units [Link]
LCEE10 ESA land cover ESA land cover map 2010 factor [Link]
M01MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Jan Reflectance, no units [Link]
M02MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Feb Reflectance, no units [Link]
M03MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Mar Reflectance, no units [Link]
M04MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Apr Reflectance, no units [Link]
M05MOD4 MCD43A4 Mean monthly MODIS MIR band 7 May Reflectance, no units [Link]
M06MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Jun Reflectance, no units [Link]
M07MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Jul Reflectance, no units [Link]
M08MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Aug Reflectance, no units [Link]
M09MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Sep Reflectance, no units [Link]
M10MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Oct Reflectance, no units [Link]
M11MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Nov Reflectance, no units [Link]
M12MOD4 MCD43A4 Mean monthly MODIS MIR band 7 Dec Reflectance, no units [Link]
MANMCF5 EarthEnv MODCF index [Link]
Mean annual cloud cover

MAXENV3 EarthEnv Global Habitat Heterogeneity Maximum MODIS EVI index [Link]
MRNMRG5 DEM-parameters Melton Ruggedness Number meter x 10 [Link]
N01MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Jan Kelvin [Link]
N01MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Jan Kelvin [Link]
N02MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Feb Kelvin [Link]
N02MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Feb Kelvin [Link]
N03MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Mar Kelvin [Link]
N03MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Mar Kelvin [Link]
N04MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Apr Kelvin [Link]
N04MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Apr Kelvin [Link]
N05MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) May Kelvin [Link]
N05MSD3 MOD11A2 SD monthly MODIS LST (nighttime) May Kelvin [Link]
N06MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Jun Kelvin [Link]
N06MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Jun Kelvin [Link]
N07MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Jul Kelvin [Link]
CARBONO ORGÁNICO DEL SUELO

N07MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Jul Kelvin [Link]

N08MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Aug Kelvin [Link]
N08MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Aug Kelvin [Link]
N09MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Sep Kelvin [Link]
N09MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Sep Kelvin [Link]
N10MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Oct Kelvin [Link]
N10MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Oct Kelvin [Link]
N11MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Nov Kelvin [Link]
N11MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Nov Kelvin [Link]
N12MOD3 MOD11A2 Mean monthly MODIS LST (nighttime) Dec Kelvin [Link]
N12MSD3 MOD11A2 SD monthly MODIS LST (nighttime) Dec Kelvin [Link]
NEGMRG5 DEM-parameters Negative Topographic Openness meter x 1000 [Link]
NIRL00 Global Forest Change Landsat Band 4 (NIR) for year 2000 [Link]

NIRL14 Global Forest Change Landsat Band 4 (NIR) for year 2014 [Link]

OCCGSW7 Global Surface Water Occurrence probability [Link]

P01CHE3 Global precipitation Mean monthly precipitation at 1 km Jan mm rainfall [Link]

P02CHE3 Global precipitation Mean monthly precipitation at 1 km Feb mm rainfall [Link]
P03CHE3 Global precipitation Mean monthly precipitation at 1 km Mar mm rainfall [Link]
P04CHE3 Global precipitation Mean monthly precipitation at 1 km Apr mm rainfall [Link]
P05CHE3 Global precipitation Mean monthly precipitation at 1 km May mm rainfall [Link]
P06CHE3 Global precipitation Mean monthly precipitation at 1 km Jun mm rainfall [Link]
P07CHE3 Global precipitation Mean monthly precipitation at 1 km Jul mm rainfall [Link]
P08CHE3 Global precipitation Mean monthly precipitation at 1 km Aug mm rainfall [Link]
P09CHE3 Global precipitation Mean monthly precipitation at 1 km Sep mm rainfall [Link]
P10CHE3 Global precipitation Mean monthly precipitation at 1 km Oct mm rainfall [Link]
P11CHE3 Global precipitation Mean monthly precipitation at 1 km Nov mm rainfall [Link]
P12CHE3 Global precipitation Mean monthly precipitation at 1 km Dec mm rainfall [Link]

POSMRG5 DEM-parameters Positive Topographic Openness meter x 1000 [Link]

PRSCHE3 Global precipitation Total annual precipitation at 1 km mm rainfall [Link]
QUAUEA3 USGS Earthquake Archives Density of earthquakes (5+) magnitude [Link]
RANENV3 EarthEnv Global Habitat Range MODIS EVI index [Link]
Heterogeneity
REDL00 Global Forest Change Landsat Band 3 (red) for year 2000 [Link]
REDL14 Global Forest Change Landsat Band 3 (red) for year 2014 [Link]
S03ESA4 ESACCI Mean monthly snowfall prob. at 500 m Mar probability [Link]
S04ESA4 ESACCI Mean monthly snowfall prob. at 500 m Apr probability [Link]
S05ESA4 ESACCI Mean monthly snowfall prob. at 500 m May probability [Link]
S06ESA4 ESACCI Mean monthly snowfall prob. at 500 m Jun probability [Link]
S07ESA4 ESACCI Mean monthly snowfall prob. at 500 m Jul probability [Link]
S08ESA4 ESACCI Mean monthly snowfall prob. at 500 m Aug probability [Link]
S09ESA4 ESACCI Mean monthly snowfall prob. at 500 m Sep probability [Link]
S10ESA4 ESACCI Mean monthly snowfall prob. at 500 m Oct probability [Link]
SLPMRG5 DEM-parameters Terrain slope radians x 100 [Link]
SW1L00 Global Forest Change Landsat Band 5 (SWIR) for year 2000 [Link]
SW1L14 Global Forest Change Landsat Band 5 (SWIR) for year 2014 [Link]
SW2L00 Global Forest Change Landsat Band 7 (SWIR) for year 2000 [Link]
SW2L14 Global Forest Change Landsat Band 7 (SWIR) for year 2014 [Link]
T01MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Jan Kelvin [Link]
T01MSD3 MOD11A2 SD monthly MODIS LST (daytime) Jan Kelvin [Link]
T02MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Feb Kelvin [Link]
T02MSD3 MOD11A2 SD monthly MODIS LST (daytime) Feb Kelvin [Link]
T03MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Mar Kelvin [Link]
T03MSD3 MOD11A2 SD monthly MODIS LST (daytime) Mar Kelvin [Link]
T04MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Apr Kelvin [Link]
T04MSD3 MOD11A2 SD monthly MODIS LST (daytime) Apr Kelvin [Link]

33
CARBONO ORGÁNICO DEL SUELO

T05MOD3 MOD11A2 Mean monthly MODIS LST (daytime) May Kelvin [Link]
T05MSD3 MOD11A2 SD monthly MODIS LST (daytime) May Kelvin [Link]
T06MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Jun Kelvin [Link]
T06MSD3 MOD11A2 SD monthly MODIS LST (daytime) Jun Kelvin [Link]
T07MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Jul Kelvin [Link]
T07MSD3 MOD11A2 SD monthly MODIS LST (daytime) Jul Kelvin [Link]
T08MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Aug Kelvin [Link]
T08MSD3 MOD11A2 SD monthly MODIS LST (daytime) Aug Kelvin [Link]
T09MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Sep Kelvin [Link]
T09MSD3 MOD11A2 SD monthly MODIS LST (daytime) Sep Kelvin [Link]
T10MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Oct Kelvin [Link]
T10MSD3 MOD11A2 SD monthly MODIS LST (daytime) Oct Kelvin [Link]
T11MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Nov Kelvin [Link]
T11MSD3 MOD11A2 SD monthly MODIS LST (daytime) Nov Kelvin [Link]
T12MOD3 MOD11A2 Mean monthly MODIS LST (daytime) Dec Kelvin [Link]
T12MSD3 MOD11A2 SD monthly MODIS LST (daytime) Dec Kelvin [Link]
TMDMOD3 MOD11A2 Mean annual LST (daytime) MODIS Kelvin [Link]
TMNMOD3 MOD11A2 Mean annual LST (nighttime) MODIS Kelvin [Link]
TPIMRG5 DEM-parameters Topographic Position Index meter x 100 [Link]
TREL10 31 Meter Global Land Cover Global 30m Tree Cover percent [Link]
TWIMRG5 DEM-parameters SAGA Wetness Index meter x 10 [Link]
VBFMRG5 DEM-parameters Multiresolution Index of Valley Bottom Flatness (MRVBF) meter x 100 [Link]
VDPMRG5 DEM-parameters Valley depth meter x 10 [Link]
VW1MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor JanFeb cm of WV [Link]
VW2MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor MarApr cm of WV [Link]
VW3MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor MayJun cm of WV [Link]
VW4MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor JulAug cm of WV [Link]
VW5MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor SepOct cm of WV [Link]
VW6MOD1 MOD05_L2 Monthly MODIS Precipitable Water Vapor NovDec cm of WV [Link]

34
CARBONO ORGÁNICO DEL SUELO

4.2 Mapeo de las covariables ambientales utilizadas

35
CARBONO ORGÁNICO DEL SUELO

4.2 Mapeo de las covariables ambientales utilizadas

36