fertilidad de los suelos a través de la regionalización de...

Fertilidad de los Suelos a través de la

Regionalización de Variables Edafológicas

mediante Herramientas Geoestadísticas, en

Seis Cantones del Ecuador

Ing. Agr. Víctor Julio Moreno Izquierdo

Diciembre, 2012

UNIVERSIDAD MAYOR DE SAN SIMÓN

VICERRECTORADO

Centro de Levantamientos Aeroespaciales

y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales

Fertilidad de los Suelos a través de la Regionalización

de Variables Edafológicas mediante Herramientas

Geoestadísticas, en Seis Cantones del Ecuador

Por

Ing. Agr. Víctor Julio Moreno Izquierdo

Asignación Final Individual (Trabajo de Grado) presentado al Centro de Levantamientos

Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales en

cumplimiento parcial de los requisitos para la obtención del grado académico de Máster en Ciencias de

la Geo-Información y Observación de la Tierra, en la mención en: Información de Tierras para la

Planificación del Territorio.

Comité de evaluación del AFI

Lic. Benjamín Gossweiler Herrera, MSc. Presidente

Lic. Stephan Javier Dalence Martinic, MSc. Asesor Principal

Ir. Gabriel Norberto Parodi, MSc. Tribunal U. Twente - ITC

Ing. Nelson Jery Sanabria Siles, MSc. Tribunal CLAS - UMSS

Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales Cochabamba, Bolivia

Aclaración

Este documento describe el trabajo realizado como parte del programa de estudios de Maestría

en el Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales. Todos los puntos de vista y opiniones expresadas en el mismo son

responsabilidad exclusiva del autor y no representan necesariamente las del Centro.

i

Resumen

La investigación evaluó la fertilidad química de los suelos en 6 cantones del Ecuador (3 400 km2), con

base a información de 422 perfiles, regionalizando variables edafológicas y aplicando técnicas

geoestadísticas; para lo cual, se realizó análisis exploratorio de datos, pruebas de normalidad y de

bondad de ajuste (r2) a las variables: pH, capacidad de intercambio catiónico (CIC), bases totales (BT),

saturación de bases (SB), carbón orgánico (CO), fósforo (P) y potasio disponibles (K), saturación de

aluminio (SA) y conductividad eléctrica (CE); determinándose el método de interpolación Moving

Average-Inverse distance como el más idóneo. Con esta información -mapas interpolados- y tablas

guías del IGAC, se regionalizó distintos niveles de cada variable, resultando como dominante en la

zona de estudio: el nivel de pH prácticamente neutro (87 %); niveles muy altos de CIC, BT y SB (> 97

%); moderados contenidos de CO (83 %); bajos (55 %) y moderados a muy altos (44 %) niveles de P;

altos niveles de K (73 %); niveles muy bajos de SA y CE (100 %). Asimismo, y con base a las

variables regionalizadas, al aplicar el modelo de fertilidad (el cual se validó, alcanzando predicciones

con 80 % de confiabilidad), se obtuvo que en la zona centro norte del área de estudio predominan los

niveles muy altos de fertilidad (53 %); mientras que en la zona centro sur, niveles altos (46 %).

Palabras claves: Geoestadística, variables químicas edafológicas, fertilidad del suelo, Ecuador.

ii

Dedico este trabajo a mis queridos Padres y querida Hermana,

a mi abuela Olinda (†),

a mi querido amigo Chinto Yépez,

y a mis compañeras y compañeros del Componente 2

iii

Agradecimientos

A mi señora Madre y señor Padre, por su incondicional apoyo moral y financiero.

Al gobierno de la Revolución Ciudadana, liderado por el presidente constitucional de la República del

Ecuador, economista Ph.D. Rafael Correa Delgado, que a través de la Secretaría Nacional de

Educación Superior, Ciencia, Tecnología e Innovación (SENESCYT), me otorgó una beca completa

para asistir a esta maestría en el CLAS.

Al Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos -CLIRSEN-,

ahora Instituto Espacial Ecuatoriano, dirigido por el Crnl. de E.M. Ing. Ricardo Urbina C., por el

apoyo y respaldo para asistir a la maestría con licencia con remuneración, durante el tiempo que duró

el programa de estudios.

A mis profesores de planta del CLAS: Stephan Dalence M., Nelson Sanabria, Mauricio Auza, María

Reneé Sandoval, Benjamín Gossweiler y Sergio Avilés, por ser lo mejor de este querido país, Bolivia.

Así también, a profesores invitados como: Wanderley Ferrerira, de Brasil; Manuel Mendoza, de

México; Carola Cabrera, Ximena Vélez-Liendo, Nelson Manzano y Carlos Román, de Bolivia.

Al personal administrativo del CLAS: Jared, Juan Carlos, Nino y don Emilio, por su apoyo durante el

transcurso de la maestría.

Al director nacional del CLAS, Ing. Guy Galindo A., por brindarme su amistad y confianza.

A esta hermosa ciudad de Cochabamba, valle donde se cosechan las ilusiones, se atrapa la alegría y se

conquista la paz.

Y, finalmente, a este querido y grande país, lleno de esperanzas y sueños: Bolivia.

iv

Tabla de contenidos

1. Introducción .................................................................................................................................... 1

1.1. Justificación ............................................................................................................................. 1

1.2. Antecedentes ........................................................................................................................... 2

2. Objetivos .......................................................................................................................................... 3

2.1. Objetivo general ...................................................................................................................... 3

2.2. Objetivos específicos ............................................................................................................... 3

3. Marco Teórico.................................................................................................................................. 4

3.1. El suelo ..................................................................................................................................... 4

3.2. Mapeo o cartografía digital del suelo ...................................................................................... 4

Modelo discreto de variabilidad espacial: “método convencional”................................ 5 3.2.1.

Modelo continuo de variación espacial ........................................................................... 5 3.2.2.

3.3. Geoestadística ......................................................................................................................... 5

Concepto .......................................................................................................................... 5 3.3.1.

Interpolación ................................................................................................................... 6 3.3.2.

3.4. Variables edafológicas ............................................................................................................. 8

Potencial hidrógeno (pH) ................................................................................................. 8 3.4.1.

Capacidad de Intercambio Catiónico (CIC) ...................................................................... 9 3.4.2.

Bases Totales (BT) ............................................................................................................ 9 3.4.3.

Saturación de Bases (SB) ................................................................................................. 9 3.4.4.

Saturación de Aluminio (SA) .......................................................................................... 10 3.4.5.

Carbón Orgánico (CO) .................................................................................................... 10 3.4.6.

Fósforo disponible (P) .................................................................................................... 10 3.4.7.

Potasio disponible (K) .................................................................................................... 11 3.4.8.

Conductividad Eléctrica (CE) .......................................................................................... 11 3.4.9.

3.5. Fertilidad del suelo ................................................................................................................ 12

4. Marco Metodológico ..................................................................................................................... 13

4.1. Área de estudio ..................................................................................................................... 13

Clima .............................................................................................................................. 13 4.1.1.

Geología y geomorfología ............................................................................................. 13 4.1.2.

v

Suelos ............................................................................................................................ 14 4.1.3.

Uso y cobertura de la tierra ........................................................................................... 15 4.1.4.

4.2. Materiales y equipos ............................................................................................................. 15

4.3. Métodos ................................................................................................................................ 16

Análisis geoestadístico .................................................................................................. 17 4.3.1.

Regionalización de variables ......................................................................................... 19 4.3.2.

Aplicación del modelo de fertilidad .............................................................................. 20 4.3.3.

Validación del modelo de fertilidad .............................................................................. 22 4.3.4.

Caracterización de la fertilidad ...................................................................................... 22 4.3.5.

5. Resultados y Discusión .................................................................................................................. 23

5.1. Análisis geoestadístico .......................................................................................................... 23

Análisis exploratorio de datos ....................................................................................... 23 5.1.1.

Pruebas de normalidad ................................................................................................. 25 5.1.2.

Selección del método de interpolación ......................................................................... 27 5.1.3.

5.2. Regionalización de las variables edafológicas ....................................................................... 28

Potencial hidrógeno (pH) .............................................................................................. 28 5.2.1.

Capacidad de Intercambio Catiónico (CIC) .................................................................... 29 5.2.2.

Bases totals (BT) ............................................................................................................ 30 5.2.3.

Saturación de bases (SB) ............................................................................................... 31 5.2.4.

Carbón Orgánico (CO) .................................................................................................... 32 5.2.5.

Fósforo disponible (P) .................................................................................................... 33 5.2.6.

Potasio disponible (K) .................................................................................................... 34 5.2.7.

Conductividad eléctrica (CE) .......................................................................................... 35 5.2.8.

5.3. Aplicación del modelo de fertilidad ...................................................................................... 36

5.4. Validación del modelo de fertilidad ...................................................................................... 37

5.5. Caracterización de la fertilidad .............................................................................................. 37

6. Conclusiones .................................................................................................................................. 39

7. Recomendaciones ......................................................................................................................... 40

8. Referencias Bibliográficas.............................................................................................................. 41

Anexos ................................................................................................................................................... 44

vi

Lista de figuras

Figura 1. Ubicación del área de estudio en el Ecuador continental ................................................ 13

Figura 2. Ubicación de los perfiles de suelos utilizados para el estudio ......................................... 15

Figura 3. Flujograma de la investigación ......................................................................................... 16

Figura 4. Flujograma que indica el mecanismo para elegir el método de interpolación ................ 18

Figura 5. Diagrama de cajas (Box plots) de las variables edafológicas químicas en estudio ........... 24

Figura 6. Mapa regionalizado de pH ................................................................................................ 28

Figura 7. Gráfico de superficie y porcentaje de ocupación de las diferentes clases de pH ............ 29

Figura 8. Mapa regionalizado de capacidad de intercambio catiónico (CIC) ................................. 29

Figura 9. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de CIC ......... 30

Figura 10. Mapa regionalizado de bases totales (BT) ...................................................................... 30

Figura 11. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de BT .......... 31

Figura 12. Mapa regionalizado de saturación de bases (SB)............................................................ 31

Figura 13. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de SB .......... 32

Figura 14. Mapa regionalizado de carbón orgánico (CO)................................................................. 32

Figura 15. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de CO ......... 33

Figura 16. Mapa regionalizado de fósforo disponible (P) ................................................................ 33

Figura 17. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de P ............ 34

Figura 18. Mapa regionalizado de potasio disponible (K) ................................................................ 34

Figura 19. Gráfico de superficie y porcentaje de ocupación de los diferentes niveles de K ............ 35

Figura 20. Mapa regionalizado de conductividad eléctrica (CE) ...................................................... 35


Figura 22. Mapa de fertilidad por puntaje ....................................................................................... 36


Figura 24. Mapa de fertilidad, caracterizado por niveles ................................................................ 38

vii

Lista de tablas

Tabla 1. Interpretación de los contenidos de saturación de aluminio (SA), capacidad de

intercambio catiónico (CIC), bases totales (BT) y saturación de bases (SB) ...................... 19

Tabla 2. Interpretación de los contenidos de carbón orgánico (CO), fósforo disponible (P) y

potasio disponible (K) ........................................................................................................ 19

Tabla 3. Interpretación de los contenidos de la conductividad eléctrica (CE) ............................... 19

Tabla 4. Interpretación del pH en los suelos .................................................................................. 20

Tabla 5. Guía para calificar la fertilidad química en los suelos ...................................................... 21

Tabla 6. Puntajes para calificar la conductividad eléctrica (CE) ..................................................... 22

Tabla 7. Puntajes para calificar el nivel de la fertilidad en los suelos ............................................ 22

Tabla 8. Estadística descriptiva por variable química edafológica ................................................. 23

Tabla 9. Coeficientes de correlación entre variables químicas edafológicas, e inclusive entre

coordenadas ...................................................................................................................... 25

Tabla 10. Prueba de normalidad de Lilliefors aplicado a los datos de la variables edafológicas ..... 25

Tabla 11. Prueba de normalidad de Lilliefors aplicado a los datos trasformados de cada variable

edafológica ........................................................................................................................ 26

Tabla 12. Prueba de bondad de ajuste ............................................................................................. 27

Tabla 13. Porcentaje de ocupación de las clases de pH .................................................................... 29

Tabla 14. Porcentaje de ocupación por niveles de CIC ...................................................................... 30

Tabla 15. Porcentaje de ocupación por niveles de BT ....................................................................... 31

Tabla 16. Porcentaje de ocupación por niveles de SB ....................................................................... 32

Tabla 17. Porcentaje de ocupación por niveles de CO ...................................................................... 33

Tabla 18. Porcentaje de ocupación por niveles de P ......................................................................... 34

Tabla 19. Porcentaje de ocupación por niveles de K ......................................................................... 35

Tabla 20. Porcentaje de ocupación por niveles de CE ....................................................................... 36

Tabla 21. Porcentaje de ocupación por nivel de fertilidad ................................................................ 37

FERTILIDAD DE LOS SUELOS A TRAVÉS DE LA REGIONALIZACIÓN DE VARIABLES EDAFOLÓGICAS MEDIANTE HERRAMIENTAS

GEOESTADÍSTICAS, EN SEIS CANTONES DEL ECUADOR

1

1. Introducción

1.1. Justificación

En el Ecuador, uno de los problemas identificados, a través de la Secretaría Nacional de Planificación

y Desarrollo –SENPLADES- (2012), es la baja productividad de la mayoría de cultivos, comparado

con los valores promedio a nivel mundial. Uno de los proyectos para coadyuvar al mejoramiento de la

productividad, es el desarrollado por el Centro de Levantamientos Integrados de Recursos Naturales

por Sensores Remotos -CLIRSEN-, para generar geoinformación edafológica, a nivel cantonal, la

misma que es creada a través del llamado “método convencional” (CLIRSEN et al., 2011).

En el mapeo de suelos, el método convencional representa la información edáfica en unidades

homogéneas fisiográficas, proporcionada por el suelo dominante (perfil modal), considerando a los

suelos dentro de un polígono los mismos, cuyos cambios solo se dan en los límites entre polígonos; lo

cual no considera la variación espacial real de las propiedades del suelo dentro de dichas unidades. Por

otro lado, al aplicar el enfoque geopedológico -utilizado en el proyecto referido- se extrapola

información edáfica hacia áreas no prospectadas homogéneas (Rossiter, 2000). Por lo anterior, y al

considerar al recurso suelo como un modelo discreto de variabilidad espacial, trae como consecuencia

una incorrecta interpretación de la realidad de este recurso natural, por lo que, y como lo indica el Soil

Survey Staff (2010), se debe considerar al suelo como un continuo, ya que se encuentra ampliamente

distribuido en la superficie terrestre. Este enfoque, como lo menciona Rossiter (2005) -citado por

Vargas- (2009), se basa solo en los datos, y desarrolla modelos geoestadísticos que son aplicados para

predecir las propiedades de los suelos en lugares que no fueron visitados en el muestreo, es decir, se

basa en el hecho de que los datos se correlacionan espacialmente, ya que, según Wilding y Drees

(1983) -citado por Vargas- (2009), los pedólogos deben estudiar la variabilidad espacial, con el fin de

representar de una forma más adecuada, real y precisa el suelo y sus propiedades.

Por lo anterior, la información generada en el presente estudio, aplicando técnicas geoestadísticas, y a

través de la regionalización de variables edafológicas químicas, con base a datos puntuales de perfiles

de suelos, será de utilidad, principalmente, a los productores agrícolas, así como también a

instituciones como: municipios, prefecturas y ministerios del Gobierno Central, para formular

recomendaciones para un manejo eficiente del suelo, ya que al identificar las zonas con muy alta, alta,

moderada, baja y muy baja fertilidad, se podrá gestionar, eficaz y eficientemente, la fertilidad química

del suelo, y de esta forma coadyuvar para el mejoramiento de la productividad de los cultivos; así

como, para generar una base de datos referencial sobre la fertilidad de la zona de estudio.

FERTILIDAD DE LOS SUELOS, A TRAVÉS DE LA REGIONALIZACIÓN DE VARIABLES EDAFOLÓGICAS, EN SEIS CANTONES DEL

ECUADOR

2

1.2. Antecedentes

En el año 2010, el CLIRSEN, conjuntamente con otras instituciones del Ecuador, levantó 422 perfiles

de suelos, dentro del proyecto: “Generación de geo-información para la gestión del territorio a nivel

nacional”, con el fin de generar información que sirva de base para que los Gobiernos Autónomos

Descentralizados (GAD) realicen sus respectivos planes de desarrollo y ordenamiento territorial, de los

cantones: Nobol, Isidro Ayora, Pedro Carbo, Paján, 24 de Mayo y Olmedo (CLIRSEN et al., 2011);

indicando que dichos cantones se seleccionaron para su intervención, por las siguientes razones: 1) los

cantones se encuentran en la cuenca del río Guayas, que según la FAO, tiene un potencialidad para la

agricultura que tendría la capacidad de abastecer a 40 millones de habitantes con su producción (Saltos

y Vázquez, 2009; citado por Lasso et al., 2011); y, 2) son de prioridad para la Secretaría Nacional de

Planificación y Desarrollo, ya que dentro de estos cantones se encuentran los más pobres del Ecuador,

según el indicador de pobreza por necesidades básicas insatisfechas, al año 2010: Olmedo (99.37 % de

personas pobres en el área rural), Paján (98.19 %), 24 de Mayo (97.48 %), Isidro Ayora (99.39 %),

Pedro Carbo (99.29 %) y Nobol (81.56 %) (SENPLADES-INEC, 2012).

En estos últimos tiempos, se han aplicado modelos geoestadísticos, en contraposición a los modelos

discretos de variabilidad espacial, para generar información edafológica, prediciendo las propiedades

de los suelos en lugares que no fueron visitados en el muestreo, como por ejemplo, en los estudios

realizados por Colque (2010), Vargas (2009), Araujo (2009) y Luna (2005), los cuales han tenido en

común cinco pasos para realizar el análisis geoestadístico: 1) análisis visual de los datos; 2)

exploración de la propiedades estadísticas y espaciales; 3) selección del mejor modelo que se ajuste a

los datos; 4) interpolación con los parámetros seleccionados; y, 5) análisis e interpretación de

resultados.

Asimismo, y utilizando métodos geoestadísticos, Postigo (2011), y con el fin de conocer el mínimo

número de perfiles de suelos necesarios para generar información edafológica, obtuvo como resultado

en su estudio que al disminuir el 14 % de los perfiles de suelos, para predecir tres variables

edafológicas (nitrógeno, fósforo y potasio), correlaciones significativas -coeficientes de bondad de

ajuste superiores a 0.8-, comparados con los valores obtenidos de las interpolaciones realizadas con la

población completa de datos.

Por otro lado, y con el objetivo de contar con un modelo para evaluar la fertilidad química del suelo,

Ortega en el año de 1987, modificó la metodología propuesta por el Instituto Geográfico Agustín

Codazzi (IGAC) hecha en 1961, la misma que fue adoptada y publicada en el año 1995 por dicho

instituto, para cuantificar y cualificar la fertilidad, desde el punto de vista químico, en los primeros 50

cm del suelo, interpretando conjuntamente los siguientes parámetros: pH, capacidad de intercambio

catiónico, bases totales, saturación de bases, saturación por aluminio, carbono orgánico, potasio y

fósforo aprovechable, además de la salinidad (Rojas, 2000). Indicando, que dicho modelo ha sido

utilizado en estudios de fertilidad de suelos realizados, por ejemplo, por Serrano & Vargas (2005) y

Sánchez et al. (1996).



3

2. Objetivos

2.1. Objetivo general

Evaluar la fertilidad química de los suelos de 6 cantones de la región costa del Ecuador, con base a la

información de análisis de laboratorio de las muestras de suelos de los perfiles levantados en campo

por el proyecto ejecutado por el CLIRSEN, a través de la regionalización de variables edafológicas,

utilizando técnicas geoestadísticas.

2.2. Objetivos específicos

Analizar geoestadísticamente los datos de perfiles de suelos georreferenciados de las variables

químicas edafológicas.

Regionalizar las variables químicas edafológicas.

Validar el modelo de fertilidad.

Caracterizar la fertilidad química de los suelos en el área de estudio.



4

3. Marco Teórico

3.1. El suelo

La palabra “suelo,” como muchas otras, tiene varios significados. En su significado tradicional, el

suelo es el medio natural para el desarrollo de las plantas terrestres, ya sea que tenga o no horizontes

discernibles. Este concepto es todavía la forma más común como se comprende la palabra, y es el

principal interés en el que el suelo centra su significado. Las personas consideran al suelo importante

porque sostiene a las plantas que nos proporcionan comida, fibras, medicinas, y otras necesidades

humanas y porque filtra al agua y recicla excretas. El suelo cubre a la superficie terrestre como un

continuo, excepto en áreas con afloramientos rocosos, de congelamiento perpetuo, en aguas profundas,

o sobre los hielos de los glaciares estériles. En ese sentido, el suelo tiene un espesor que está

determinado por la profundidad de enraizamiento de las plantas. Por lo anterior, el suelo es un cuerpo

natural que comprende a sólidos (minerales y materia orgánica), líquidos y gases que ocurren en la

superficie de las tierras, que ocupa un espacio y se caracteriza por uno o ambos de los siguientes:

horizontes o capas que se distinguen del material inicial como resultado de adiciones, pérdidas,

transferencias y transformaciones de energía y materia o por la habilidad de soportar plantas en un

ambiente natural (Soil Survey Staff, 2010).

3.2. Mapeo o cartografía digital del suelo

Con el fin de lograr un desarrollo rural sostenible, que integre realmente las actividades agrícolas,

resulta de vital importancia el conocimiento del suelo para precisar dónde y cómo hacer agricultura.

Asimismo, la justificación tradicional para el estudio geográfico de los suelos ha sido el incrementar la

producción agrícola. Hoy, sin embargo, existe especial interés en el conocimiento del suelo con el fin

de proteger el propio suelo y el ambiente, incluso más que en garantizar el incremento de la

producción (De la Rosa, 2008). Por lo anterior, los informes y los mapas de suelos conforman los

documentos más confiables para predecir su comportamiento, el uso que deben tener y las prácticas de

manejo para preservar o incrementar su calidad, sirviendo como apoyo a los diferentes programas de

planificación de tierras. Para ello, se realiza una investigación continua de las propiedades internas y

externas de los suelos, se representa gráficamente su distribución geográfica en un mapa, se los

clasifica de acuerdo con un sistema estándar y se hace predicciones de su comportamiento (Malagón et

al., 2010).

En muchos países, el trabajo de los Servicios de Cartografía de Suelos había producido una gran

cantidad de mapas en soporte papel, previamente a la introducción del uso de los ordenadores. Para

que esta valiosa información cartográfica pueda ser utilizable con equipos informáticos, se ha

procedido a su digitalización, produciendo mapas digitalizados. En la era digital, los mapas de suelos

se producen a partir de una base de datos espacial, pudiendo hablar en este caso de mapas digitales de

suelos, es decir, en la creación de información espacial de suelos asistida por ordenador utilizando

métodos de observación de campo y de laboratorio, asociados con sistemas de inferencia espaciales y



5

no espaciales de suelos. Los mapas digitales de suelos proporcionan información sobre clases de

suelos, sus propiedades y sus distribuciones espaciales (Porta et al., 2008).

Modelo discreto de variabilidad espacial: “método convencional” 3.2.1.

Varios enfoques han sido utilizados para generar información de suelos, el principal corresponde al

“método convencional” que se basa en generar un modelo mental de la relación suelo-paisaje y

correlacionar con los demás factores formadores del suelo, en donde, tradicionalmente, la distribución

espacial de las unidades suelo-paisaje es identificada y delineada a través de la foto-interpretación, lo

cual genera los clásicos mapas de suelo tipo “área-clase-polígono”, que constituyen la principal fuente

de información en la distribución espacial de las propiedades edáficas; y en la cual, el área de un

polígono es asignada con los valores de la propiedad del tipo de suelo identificado a través del perfil

modal (Rossiter, 2000).

Modelo continuo de variación espacial 3.2.2.

En el ámbito mundial, sobre todo en los países desarrollados, investigadores de la ciencia del suelo han

venido desarrollando técnicas modernas para el levantamiento y mapeo de suelos basadas,

principalmente, en el modelo continuo de variación espacial (CMSV); en donde, se considera al suelo

como un continuo, es decir, se considera que el mismo se encuentra ampliamente distribuido en la

superficie terrestre, por tanto ya no es necesario discretizar o estratificar el suelo-paisaje (es decir, no

más polígonos) ya que su variabilidad es gradual, por tanto siempre se habla del tipo de suelo presente

y sus propiedades, salvo casos excepcionales como lagunas, afloramientos rocosos, etc.; para lo cual,

se utiliza técnicas geoestadísticas para predecir datos de variables edafológicas, con base a puntos

muestreados de esa variable, en lugares que no fueron visitados en la etapa de campo (Vargas, 2009).

3.3. Geoestadística

Concepto 3.3.1.

Esta ciencia empieza a desarrollarse hacia la mitad del siglo XX, con los trabajos de Sichel (1947) y

Krige (1951), con los cuales se quería estimar las reservas de oro en las minas sudafricanas. Una

primera aproximación a este problema fue dada por Krige, quien fue pionero en métodos de

interpolación espacial (Serrano & Vargas, 2005). Matheron (1994 y 1995) -citado por Kitanidis-

(1997), y sus colaboradores adaptaron el método de mínimos cuadrados o estimacion linear, en el

modelamiento estadístico aplicado, para la solución de problemas de estimación de cantidades que

varían en el espacio; la cual es conocida como la teoría de las variables regionalizadas, o simplemente

Geoestadística.

La Geoestadística es una rama de la estadística que trata fenómenos espaciales cuyo fin es la

estimación, predicción y simulación de dichos fenómenos (Myers, 1987; citado por Serrano & Vargas,

2005). Valbuena et al. (2007) -citado por Vargas- (2009), considera que la Geoestadística se define

como una ciencia aplicada que estudia las variables distribuidas espacialmente, partiendo de una

muestra representativa del fenómeno en estudio. Lo anterior, tal y como lo menciona Kitanidis (1997)

-citado por Román- (2007), complementa procesos de entendimiento y pueden traer consigo

aproximaciones a la realidad que son útiles para realizar decisiones racionales; ya que como lo



6

menciona William Edwards Deming -citado por Le & Zidek- (2006): “La única función útil de un

estadístico es hacer predicciones, y, por lo tanto, proporcionar una base para la acción”.

Interpolación 3.3.2.

La recolección de datos de campo es costosa y muchas veces difícil. En ocasiones se utiliza los datos

disponibles para estimar los parámetros necesitados. En la estimación de puntos, se utilizan variables

medidas de ciertas localizaciones para estimar el valor de las mismas variables en otro punto

(Rupasingha, 2002; citado por Dalence, 2003). Por lo anterior, una de las tres fuentes más comunes de

datos crudos para operaciones de SIG consiste de datos puntuales: registros de estaciones de lluvia,

pozos, perfiles de suelos, etc.; para lo cual, y con el fin de poder estudiar los patrones espaciales, así

como para posibilitar las combinaciones espaciales de diferentes tipos de datos, los datos puntuales

(basados en registros medidos con sus respectivas coordenadas) deben ser convertidos a datos aereales

con una imagen base (Meijerink et al., 1994). En resumen, interpolar es el procedimiento que predice

los valores de los atributos en sitios no muestreados desde mediciones hechas en localizaciones

puntuales dentro de la misma área, convirtiendo datos puntuales a campos continuos (Dalence, 2012).

Los esquemas de interpolación pueden ser agrupados como: a) determinísticos: esquemas no-

estocásticos; y b) estadísticos: esquemas de interpolación estocástica u óptimos. La aproximación

determinística intenta ajustar un tipo de superficie a través de un conjunto de valores muestreados (z)

en coordenadas conocidas (x,y), en donde se requiere de un esquema exacto si los datos puntuales se

refieren como verdaderos de la variable en las localizaciones muestreadas. Se usan muchas funciones

matemáticas de varios tipos y complejidad para ajustar superficies a través de los puntos. Una vez

hecho esto, entonces se puede determinar (zo) de cualquier posición conocida; se debe tomar particular

atención al uso de superficies polinominales, ya que estos métodos se basan en esquemas de distancias

próximas y distancias inversas. La aproximación estadística depende enteramente en los datos

espaciales, es decir, de la realización de los procesos que se puede considerar que tengan una variación

aleatoria. Si no, la estimación de (z) puede ser hecha en términos de probabilidad. La estimación de la

media espacial dentro de un área depende del tamaño de la muestra y la probabilidad de inclusión de la

muestra. La aproximación estocástica puede ser definida como un proceso en el cual tiene un

componente determinístico o estructural y un componente correlacionado espacialmente en forma

aleatoria (Meijerink et al., 1994).

Los métodos de interpolación disponibles en programa ILWIS 3.3 Academic (Integrate Land and

Water Information System), de acuerdo al ITC (2005), como modelos determinísticos se tienen:

nearest point, moving average, trend surface y moving surface; y como modelo estocástico o

probabilístico: kriging. Los modelos mencionados se exponen a continuación, con base a lo explicado

por Dalence (2012):

Nearest point: Asigna a las celdas (píxeles) el valor, identificador o nombre de clase al punto más

cercano, de acuerdo a distancias euclideanas. Este método también es conocido como Nearest

Neighbour (vecino más crecano), polígonos de Thiessen o polígonos de Varonoi o celdas de Dirichlet.

Los puntos de ingreso en el mapa de puntos donde se interpolarán los valores para este método no

necesitarán ser valores necesariamente; también se aceptan los mapas de puntos con un dominio clase,

ID o booleano.



7

Moving average: Este es un método local, es decir, el valor z de una localización puntual desconocida

se estima desde localizaciones vecinas puntuales conocidas y, en el cual, los valores predecidos se

encuentran dentro del rango de los valores máximos y mínimos en la distribución. Asigna a las celdas

(píxeles) los valores de puntos con peso promediado. Los factores de peso para los puntos son

calculados por una función de peso espicificada por el usuario. Los pesos pueden, por ejemplo,

igualar, aproximadamente, la distancia inversa de un píxel de salida. La función de peso asegura que

puntos próximos a un píxel de salida obtengan pesos más grandes que puntos que se encuentran

alejados. Además, las funciones de peso están implementadas de tal modo que los puntos que están

más alejados de un píxel de salida, que la distancia limitante (limiting distance) definida por el usuario,

obtengan un valor de cero; esto permite acelerar el cálculo y previene incongruencias. Se aplica este

método cuando del análisis exploratorio de datos arroja que existe datos extremos. Se utiliza distancia

inversa (inverse distance), en este método exacto, cuando hay una buena densidad de puntos, y los

mismos han sido medidos de forma muy exacta. Asimismo, se aplica disminución linear (linear

decrease), cuando los puntos medidos tienen error, poca densidad.

Trend surface: Este es un método global, es decir, el valor de z de una localización puntual

desconocida se estima con todos los valores puntuales conocidos. Calcula los valores de los píxeles

ajustando una superficie a través de todos los valores puntuales en el mapa. La superficie puede ser de

primer orden hasta de sexto orden. Una tendencia de superficie puede dar impresión general de los

datos. El ajuste de la superficie se hace a través del ajsute de mínimos cuadrados. Puede ser una buena

idea restar los valores calculados de los originales para luego calcular los residuales. Este método es

inexacto y se utiliza cuando se tiene pocos datos.

Moving surface: Cuando se tiene datos más homogéneos, sin extremos, se aplica este método, el cual

calcula el valor de los píxeles ajustando a una superficie cada punto de salida a través de valores

puntuales con un peso y una distancia limitante. Los factores de peso para los puntos son calculados

por medio de una función de peso especificada por el usuario. Los pesos pueden, por ejemplo, igualar,

aproximadamente, la distancia inversa de un píxel de salida. La función de peso asegura que puntos

cercanos a un píxel de salida obtienen pesos más grandes que puntos que se encuentran más alejados.

Además, las funciones de peso están implementadas de tal modo que los puntos que se encnuentran

más alejados de un píxel de salida, que la distancia limitante definida por el usuario, obtengan un valor

de cero; esto permite acelerar el cálculo y previene incongruencias. El ajuste de la superficie se realiza

por los mínimos cuadrados.Este es un método donde se conjuga los métodos moving average y trend

surface.

Kriging: Este método es el mejor estimador lineal no sesgado, exacto y que presenta error

estandarizado y que permite un intervalo de confidencia. Se basa en la idea de que se pueden hacer

inferencias acerca de una función aleatoria z(x) dados un conjunto de datos putuales z(x1), z(x2),

…x(xn), y cuyo modelo tiene tres componentes: el estructural (media constante), la correlación

espacial y el error residual. Usa el análisis estadístico en un contexto particular: no considera

solamente los valores simples de mediciones puntuales, también usa una función que es derivada de la

relación existente entre la varianza y la distancia entre puntos. Dentro de su formulación matemática se

incluyen dos restricciones básicas, en las que se limita la suma de los errores de estimación a ser cero y

el cuadrado de las desviaciones a ser mínimo. Para resolver el sistema de ecuaciones del Kriging, se

requiere de información sobre las dependencias espaciales que caracterizan a cada unidad analizada.

Estas son proporcionadas por los variogramas. El variograma representa la relación entre la varianza



8

de la medición de pares y la distancia entre los 2 puntos que componen cada par. El aspecto más

interesante del variograma es que permite visualizar inmediatamente la distancia crítica, o rango

(range), sobre la cual no existe mayor relación entre los valores puntuales. De hecho, para distancias

mayores al rango, el valor de la varianza no cambia significativamente y en general se establece

alrededor de un valor constante llamado umbral (sill). Este valor es equivalente a la varianza total de

las mediciones puntuales. En algunos casos el variograma muestra una varianza no-cero para una

distancia nula, la cual indica la presencia del error experimental o el uso de datos no precisos, a esto se

llama efecto nugget. Para aplicar el método de Kriging se deben realizar los siguientes pasos: 1) un

análisis exploratorio de los datos, primero, construyendo el variograma total de los datos disponibles,

luego, definiendo el variograma experimental; 2) basado en el tipo de variograma obtenido, un modelo

(o función) es seleccionada que mejor encaja al variograma experimental; 3) El modelo es usado para

resolver el sistema linear de Kriging, y por lo tanto, derivar coeficientes (o parámetros) necesarios para

estimar los valores de la variable de interés en otras localizaciones geográficas. Para utilizar este

método, tal y como lo menciona también Meijerink et al. (1994) y Dalence (2003), debe cumplirse las

siguientes condiciones: 1) la variable debe tener una distribución normal (gaussiana); 2) la predicción

sea insesgada (unbiased), lograda a través de que los pesos sumen uno; 3) la estacionaridad sea de

segundo orden, es decir, el valor esperado iguala a la media local; 4) debe tener al menos 60 datos y

bien distribuidosen el espacio; 5) en kriging simple la media local es conocida e igual a la media de la

población; 6) en kriging ordinario, la media es desconocida.

3.4. Variables edafológicas

El efecto de cada variable del suelo sobre su comportamiento individualmente estudiado resulta del

mayor interés como análisis preliminar. Este análisis aislado de interpretación práctica, más propio de

los especialistas en fertilidad de suelos, fue planteado en un principio por Liebig en su ley del mínimo:

“El desarrollo de una planta lo regula el factor que se presenta en menor cantidad”; y, posteriormente,

matematizado por Mitscherlinch (1909), que describe el rendimiento de un cultivo (Y) en función de la

cantidad de nutriente facilitado (X), lo cual representó el punto de partida del análisis cuantitativo de la

relación entre el desarrollo de las plantas y los factores que lo condicionan (De la Rosa, 2008).

Además, el estudio de las propiedades químicas del suelo desde el punto de vista de la fertilidad es útil

para diagnosticar y proponer soluciones, directas o indirectas, a problemas prácticos como

disponibilidad de nutrientes, toxicidad de iones, conversión a formas no disponibles de elementos

adicionados en los fertilizantes, necesidades de cal en los suelos ácidos y de yeso en los sódicos y

comprensión y explicación probable de las variaciones en su fertilidad (IGAC, 2000; citado por

Serrano & Vargas, 2005).

Potencial hidrógeno (pH) 3.4.1.

El término de pH se define como el logaritmo negativo de la concentración de iones hidrógenos

expresados en moles por litro (INIAP, 2006). El balance ácido-base viene determinado por el pH en el

suelo, oscilando entre muy ácido (pH = 3) y fuertemente alcalino (pH = 8). Cualquier suelo con pH

por encima de 7 (neutro) se considera básicos, y aquellos con pH inferior a 6,6 se consideran ácidos.

Muchos suelos incrementan su acidez por un proceso natural de acidificación, como resultado de la

pérdida de bases por lavado o por la absorción de iones nutrientes por las plantas, y también por la

producción de ácidos orgánicos por las raíces y microrganismos. El efecto de la variable pH sobre el

desarrollo de los cultivos, generalmente, es indirecto a través de la disponibilidad de nutrientes, que



9

llega a ser impedida para pH muy ácido o muy básico. El rango de pH entre ligeramente ácido y

ligeramente alcalino (6,0 a 7,5) se considera óptimo para la disponibilidad de nutrientes para la

mayoría de as plantas. Las bacterias del suelo, en general, son negativamente afectadas por un pH

bajo. Los problemas de acidez y alcalinidad son más difíciles de corregir en los suelos con contenido

alto de arcilla y elevada capacidad de intercambio catiónico (De la Rosa, 2008). Se lo puede medir

mediante el método potenciométrico, relación suelo:agua (1:2,5) (INIAP, 2006).

Capacidad de Intercambio Catiónico (CIC) 3.4.2.

Es una propiedad del suelo que hace referencia a la carga negativa asociada a determinados

componentes. Expresa la capacidad total de una masa de suelo (cambiador) para adsorber (fenómeno

de superficie) de forma reversible iones de signo contrario, cationes hidratados, que compensan la

carga negativa del cambiador y mantienen su electroneutralidad, en unas condiciones dadas de

temperatura, presión, composición de la fase líquida y relación masa-solución. Se la expresa en

unidades SI en cmolc kg-1

de suelo seco (o del cambiador de que se trate). Esta unidad da un valor

numérico que coincide con el que corresponde a expresarla en meq/100 g de suelo seco (Porta et al.,

2008). Es deseable que un suelo tenga una CIC alta, ya que indica una gran capacidad potencial de

suministro y reserva de Ca, Mg y K (INIAP, 2006). Es decir, mayor será la capacidad de retener los

elementos necesarios para nutrir las plantas, ya que de lo contrario estarían en la solución del suelo

fácilmente disponibles para su lavado, por lo que, cuanto mayor sea la CIC, mayor será la fertilidad del

suelo (Viguera et al., 2004). Uno de los método para su análisis es el del acetato de amonio (1N

NH4OAc a pH 7) (INIAP, 2006; Soil Survey Staff, 2010).

Bases Totales (BT) 3.4.3.

El término bases intercambiables o bases totales intercambiables, se refiere a la suma de las bases

(Ca++

, Mg++

, K+ y Na

+) en formas intercambiables en el suelo, expresadas en meq

1/100 gramos de

suelo (INIAP, 2006); es decir, a los metales alcalinos y alcalinotérreos adheridos a las arcillas y a la

materia orgánica, que pueden ser cambiados entre sí o con otro ión cargado positivamente de la

solución del suelo (Cortés & Malagón, 1984; citado por Serrano & Vargas, 2005). Uno de los método

para su medición es el del acetato de amonio (1N NH4OAc a pH 7) (INIAP, 2006; Soil Survey Staff,

2010).

Saturación de Bases (SB) 3.4.4.

La saturación total de bases en el suelo se expresa en porcentaje (%), y es el producto de dividir la

suma de las bases (Ca++

, Mg++

, K+

y Na+), por la capacidad de intercambio catiónico (CIC) (INIAP,

2006). La saturación de bases cambiables disminuye a medida que aumenta el grado de lavado y el

intemperismo de los suelos; de esta manera, se separan clases de suelos distróficos y eutróficos, de

acuerdo con un valor de 50 % de saturación: las eutróficas, cuya saturación es mayor a este valor, se

relacionan, en forma general, con medios edáficos de baja a moderada evolución en climas secos, y las

distróficas, cuya saturación es inferior al 50 %, se relacionan con suelos de grado de evolución similar,

pero en climas húmedos; es decir, las clases eutróficas presentan mayor disponibilidad de bases que las

distróficas para el óptimo crecimiento de la vegetación (Serrano & Vargas, 2005).

1 miliequivalente



10

Saturación de Aluminio (SA) 3.4.5.

En los suelos minerales, la acidez está más controlada por el aluminio intercambiable, especialmente

cuando su pH es menor a 4.5, ya que a partir de este valor empieza a aumentar la solubilidad del

aluminio, en forma exponencial (Jaramillo, 2002); por ello, uno de lo factores principales para el

desarrollo de la acidez del suelo se debe a la presencia de aluminio en la solución de suelo, el cual al

depender del pH del suelo para la hidrólisis del mismo, y que al reaccionar en el agua se hidroliza y

forma complejos monoméricos y poliméricos hidroxi-alumínicos, hace que se desencadenen una

liberación de protones H+, que induce descensos en el valor del pH; además, el aluminio afecta directa

o indirectamente el crecimiento de las plantas: cuando su saturación sobrepasa el 60 %, el elemento se

encuentra en cantidades que son tóxicas para la mayoría de las plantas, especialmente, para las de

cultivo (IGAC, 2000; citado por citado por Serrano & Vargas, 2005; Porta & López-Acevedo, 2005).

La saturación de aluminio en el suelo se expresa en porcentaje (%), y es el producto de dividir la

cantidad de aluminio (Al+++

) en meq/100 g de suelo, extraído por el método volumétrico en extracto de

KCl 1 N (Normal), por la capacidad de intercambio catiónico (INIAP, 2006; Soil Survey Staff, 2010).

Carbón Orgánico (CO) 3.4.6.

El carbono orgánico tiene, a través de la materia orgánica, una acción en la estabilidad estructural de

los suelos, en la capacidad de intercambio, el desarrollo de los microorganismos, etc. Asimismo, al

obtener la concentración de carbón orgánico, se saca la relación carbón-nitrógeno a fin de determinar

el grado de formación y evolución de un suelo, a más de la disponibilidad del nitrógeno para las

plantas y los microrganismos. Se lo mide a través del método volumétrico-Walkley y Black (oxidación

en frío). Además, la materia orgánica del suelo se obtiene indirectamente a partir del cálculo del

carbono orgánico, ya que, debido a la aceptación de que la materia orgánica del suelo posee

aproximadamente 58 % de carbono orgánico, el porcentaje de carbono orgánico oxidable multiplicado

por 1,724 (constante que resulta de dividir 100/58), es igual al valor estimado del contenido de materia

orgánica del suelo, expresado, asimismo, en porcentaje. De igual manera, conociendo el contenido de

materia orgánica en porcentaje (%), es posible calcular el contenido de nitrógeno total (%), asumiendo

que el 5 % de la materia orgánica corresponde al nitrógeno total; y para calcular el nitrógeno

disponible o aprovechable para las plantas, se parte de qué tanto del nitrógeno total se mineraliza o

pasa a formas inorgánicas (NH4+ y NO3

-) asimilables por las plantas, y que según investigaciones

realizadas en suelos, han demostrado que el 1% del N total pasa a N disponible (INIAP, 2006). Cabe

mencionar, con respecto a la influencia de la temperatura, que los contenidos de materia orgánica y de

nitrógeno disminuyen drásticamente al incrementarse aquella, situación que explica, en parte, los bajos

contenidos de materia orgánica presentes en los suelos de clima cálido y los altos de aquellos ubicados

en climas fríos. No sobra aclarar, sin embargo, que los comportamientos descritos anteriormente se

manifiestan siempre y cuando los demás factores de formación se presenten en condiciones similares,

dejando variable solamente el clima (Jaramillo, 2002).

Fósforo disponible (P) 3.4.7.

El fósforo compone del 0,1 al 0,4 % del peso seco de las plantas, y es esencial para el crecimiento,

desarrollo y producción de las mismas, ya que es parte integral de muchos compuestos metabólicos:

ácidos nucleicos (ADN), ATP, fosfolípidos, coenzimas; cumpliendo algunas funciones: biogénesis de

los glúcidos, biosíntesis de los lípidos, síntesis de clorofilas y compuestos carotenoides, glucólisis y

metabolismo de los ácidos orgánicos; por lo que es indispensable, además, para la fotosíntesis de las



11

plantas, las cuales obtienen el fósforo del suelo, mediante la absorción por las raíces, en forma de

aniones ortofosfatos: H2PO4- y HPO4

--, los cuales son muy sensibles a formar precipitados insolubles a

pH muy ácidos (inferior a 5.5), con el aluminio o el hierro, o a pH muy alcalinos (superior a 8), con el

calcio y el magnesio; por ello la disponibilidad de este elemento se encuentra entre pH 5.6 y 7.9,

teniendo a un pH de 6,5 como el de mayor disponibilidad del fósforo para los cultivos. En el suelo es

poco móvil, y dentro de la planta, así como el potasio, es un nutriente móvil, cuya deficiencia se

muestra en las hojas más viejas, pero sin presentar manchas necróticas, teniendo en cuenta que las

mayores necesidades de la planta se produce en la floración y cuajado. El exceso de P impide, por

parte de la planta, la absorción de zinc (Cabrera, 2012; Serrano & Vargas, 2005; Navarro & Navarro,

2003). Se lo obtiene por el método fotocolorimétrico-azul de fosfomolibdato en extracto Olsen

Modificado pH 8,5 (INIAP, 2006).

Potasio disponible (K) 3.4.8.

El potasio, junto con el nitrógeno, es absorbido en cantidades altas por las plantas, que compone del 1

al 4 % del peso seco de las plantas, cumpliendo las siguientes funciones: regulación de la presión

osmótica y de más de 60 sistemas enzimáticos, colaborando en la fotosíntesis, promoviendo la

traslocación de los fotosintatos, absorción del nitrógeno y la síntesis de proteínas, además de la

regulación de la apertura de los estomas y el uso del agua. Su absorción es como catión potasio (K+).

Además, este nutriente es móvil, es decir, puede traslocarse en la planta, por ello los síntomas de

deficiencia de este elemento se muestra en las hojas más viejas como manchas necróticas (ya que la

planta trasloca los nutrientes hacia las zonas de nuevo crecimiento). Tiene una movilidad limitada en

el suelo (por adsorción), y puede lavarse en suelos arenosos, indicando que es más móvil que el

fósforo, pero menos que el nitrógeno, por tanto, su aplicación debe ser también fraccionada en el

tiempo, por lo que, con el potasio hay que tener menos cuidado que con el nitrógeno, en cuanto a que

pueda lavarse y se tiene la seguridad de que desciende más que el fósforo. Puede ocasionar

deficiencias de Ca++

y Mg++

, si se encuentra en grandes cantidades, ya que estos nutrientes tienen

características similares y el K+ compite con ellos en la absorción radicular. En cambio, si su nivel es

bajo, repercute en la reducción del tamaño del fruto y del rinde, que además tiene peores cualidades

organolépticas. Su mayor disponibilidad se presenta en pH de 5.5 a 7.5, siendo su óptimo en suelos

minerales con un pH de 6.5 (Cabrera, 2012; Porta & López-Acevedo, 2005; Navarro & Navarro,

2003). Se lo obtiene mediante le método de espectroscopía de absorción atómica en extracto Olsen

Modificado pH 8,5 (INIAP, 2006).

Conductividad Eléctrica (CE) 3.4.9.

La conductividad eléctrica (CE) es la conductividad del agua del extracto de la pasta a saturación, la

cual se utiliza para determinar la concentración de sales solubles en el suelo (salinidad), y que se

reporta como dS/m; considerando las siguientes equivalencias: 1 dS/m = 1 mmhos/cm = 1mS/cm

(INIAP, 2006; Soil Survey Staff, 2010). En las regiones áridas y semiáridas es frecuente que los

suelos acumulen sales, procedentes del material original o de los diferentes inputs utilizados, y que no

son lavadas por las escasas lluvias y la elevada evapo-transpiración. Las sales solubles de Cl- y Na

+

aparecen en el suelo combinadas con otras de HCO3-, NO3

-, Ca

++, Mg

++ y K

+, expresándose

globalmente por la conductividad eléctrica. Las aguas de riego pueden añadir más sales a los suelos,

que normalmente suben a la superficie por capilaridad durante la evaporación. También ciertos

fertilizantes, como, por ejemplo, el nitrato amónico, pueden incrementar la salinidad de los suelos.



12

Los efectos negativos del exceso de sales solubles en el suelo sobre los cultivos son de tipo osmótico,

tóxico y en relación con la conductividad hidráulica. Los efectos osmóticos ocasionan un estrés en la

planta incrementando los requerimientos energéticos para la absorción del agua, es decir, provocan

una sequía fisiológica. La toxicidad se relaciona con cada uno de los aniones y cationes presentes en

exceso; así, la absorción de nutrientes se puede ver reducida, como ocurre con el cobre, hierro,

manganeso y zinc, cuando hay exceso de iones HCO3-. La conductividad hidráulica se puede reducir

como consecuencia de la dispersión de los coloides en los suelos alcalinos; en especial, la textura del

suelo interacciona fuertemente sobre los efectos negativos de la salinidad. El efecto directo de la

variable salinidad del suelo sobre el desarrollo de los cultivos, se puede representar por una curva de

respuesta del tipo menos es mejor (De la Rosa, 2008).

3.5. Fertilidad del suelo

Según el IGAC (2006), fertilidad es la cualidad que permite a un suelo proporcionar los compuestos

apropiados, en las cantidades debidas y en el balance adecuado para el crecimiento de las plantas

específicas, cuando otros factores son favorables como luz, agua, temperatura, etc. Por esto, y como lo

menciona De la Rosa (2008), los sistemas convencionales de evaluación de suelos estudian de una

forma global el comportamiento práctico del sistema-suelo, considerando colectivamente las

características edáficas y algunas otras adicionales, y dada la enorme complejidad del mismo, así como

su uso y manejo, se trata de una tarea de síntesis más que de análisis, por lo que la mejor manera de

analizar y, sobre todo, sintetizar el conocimiento de un sistema natural complejo, es la modelización de

dicho sistema; realizando con respecto a la evaluación de la fertilidad natural de los suelos, con base a

las características del epipedón u horizonte superficial, un pronóstico del estado nutricional que

disfrutará o padecerá la planta en cada caso concreto. Por lo anterior, el IGAC (1995) -citado por

Serrano & Vargas- (2005) manifiesta que un buen diagnóstico de la fertilidad, dentro de los primeros

50 cm del suelo, puede conseguirse interpretando conjuntamente los parámetros que informan sobre

los distintos ámbitos, considerando importantes los siguientes: pH, capacidad de intercambio

catiónico, bases totales, saturación de bases, saturación por aluminio, carbono orgánico, potasio y

fósforo aprovechable, además de la salinidad.



13

4. Marco Metodológico

4.1. Área de estudio

Se encuentra localizada al oeste del Ecuador entre las coordenadas de latitud sur: 1º12’54’’ y

2º06’58’’; y entre las coordenadas de longitud oeste: 79º59’26’’ y 80º34’21’’. Ocupa una superficie

aproximada de 3 400 km2 (Figura 1 y 2).

Figura 1. Ubicación del área de estudio en el Ecuador continental Fuente de datos: SENPLADES-INEC, 2012; CLIRSEN et al., 2011.

Clima 4.1.1.

Según el CLIRSEN et al. (2011), el área de estudio tiene una temperatura promedio anual que va

desde los 22 ºC -parte alta- en el lado occidental, hasta 26 ºC en el lado oriental -parte más baja- cerca

de la llanura; con altitudes que van desde los 10 a los 800 msnm, aproximadamente. Con respecto a la

precipitación promedio anual, se distribuye de la siguiente manera: desde el sur hasta el centro del área

de estudio, así como en el extremo noroeste, fluctúa desde los 500 hasta los 1 000 mm; en el sector

centro norte, desde el sector central hacia el oeste y este, las precipitaciones fluctúan desde los 1 000

hasta los 1 800 mm.

Geología y geomorfología 4.1.2.

Con base a los estudios de geología y geomorfología realizados por el CLIRSEN et al. (2011) -Anexo 3-,

en el área de estudio, se puede indicar que más de la mitad de la misma (55 %), aproximadamente 190

000 ha, en la zona centro norte, se encuentra localizada la unidad ambiental relieves estructurales y

colinados terciarios, la cual forma parte de los relieves costeros centrales, caracterizados por una

cobertura sedimentaria terciaria con relieves muy disectados con disposición de las rocas con

buzamientos suaves y relieves tabulares de forma horizontales y subhorizontales y que pasan luego,

insensiblemente, a la llanura del Guayas; formando relieves de superficies disectadas de mesa, cornisas



14

de mesas, cuestas, chevornes, salientes de laderas y vertientes colinadas, conformadas por areniscas

de grano medio, compactadas, y en las zonas de valles y vertientes, por arcillas y limolitas. La otra

unidad ambiental dominante en el área de estudio es la cordillera Chongón Colonche, con

aproximadamente 144 000 ha, es decir, el 42 % de la zona de estudio, localizada en la zona centro sur,

que es parte de la llamada cordillera costanera. Se caracteriza por relieves colinados medios a altos,

moderadamente disectados, y cerros testigos, compuestos por rocas volcánicas y volcano-

sedimentarias del Jurásico-cretácico, que forman suelos de textura arcillosa y arenosa. En mucho

menor proporción, la otra unidad ambiental, con aproximadamente 3 700 ha (1 % del área de estudio),

localizada en la zona sureste, corresponde a la llanura aluvial antigua, que es una llanura que ha

sufrido disectamiento debido a su antigüedad, conformadas por depósitos aluviales consolidados,

asociadas principalmente con amplias terrazas aluviales formadas por la red hidrográfica que fluye de

oeste a este. Asimismo, la última unidad ambiental, y al igual que la llanura antigua, en mucho menor

proporción con aproximadamente 4 500 ha (1,3 %), ubicada en el extremo sur-este, corresponde a la

llanura aluvial reciente, que es una llanura de depositación que se caracteriza por la presencia de

niveles aluviales recientes con depósitos aluviales jóvenes transportados y depositados principalmente

por la dinámica del río Daule, con un curso de aguas meandriformes y depósitos de banco en sus

orillas.

Suelos 4.1.3.

Asimismo, y con base a los estudios de suelos realizados por el CLIRSEN et al. (2011) -Anexo 3-, en

el área de estudio, los suelos que predominan son los suelos clasificados, según la Soil Taxonomy (Soil

Survey Staff, 2010), los Inceptisoles, con aproximadamente 143 000 ha, que representan un 42 % del

área total de estudio, los cuales son suelos que evidencian un incipiente desarrollo pedogenético,

dando lugar a la formación de algunos horizontes alterados. Estos suelos se han originado a partir de

diferentes materiales parentales, en posiciones de relieve extremo, fuertes pendientes o depresiones o

superficies geomorfológicas jóvenes. En segundo lugar, con respecto a superficie de ocupación, se

tiene a los suelos, según el sistema de clasificación mencionado, a los Mollisoles, con 81 000 ha, que

representan un 24 % del área total de estudio, los cuales son suelos en su mayoría aquellos de color

negro, ricos en bases de cambio, con un horizonte superior de gran espesor, oscuro, con abundantes

materiales orgánicos y de consistencia y estructura favorables al desarrollo radicular (epipedón

móllico). Seguidamente, se tiene a los suelos clasificados como Alfisoles, con 50 000 ha, que

representan un 15 % del área total de estudio; los cuales son suelos que poseen un epipedón ócrico

eluvial sobre un horizonte argílico (iluvial) y moderada a alta saturación de bases, en donde el proceso

más importante asociado a estos suelos lo constituye la translocación de arcillas y su acumulación para

formar los horizontes argílicos; generalmente, se desarrollan sobre superficies antiguas o en paisajes

jóvenes pero estables. Luego, con un 11 % del área total de estudio, aproximadamente 37 000 ha, se

tiene los suelos clasificados como Entisoles, los cuales tienen muy poca o ninguna evidencia de

formación o desarrollo de horizontes pedogenéticos, debido a que el tiempo de desarrollo ha sido muy

corto o porque se encuentran sobre fuertes pendientes sujetas a erosión y otros porque están sobre

planicies de inundación, condiciones que no permiten el desarrollo del suelo, sin embargo, los

Entisoles fértiles de los aluviones y llanuras costeras, son formados por sedimentos aluviales recientes,

sobre planicies de inundación, abanicos y deltas de los ríos, terrazas y llanuras. Finalmente, con 7 %

de ocupación del área de estudio, aproximadamente 25 000 ha, se tiene a los suelos clasificados como

Vertisoles, que son suelos arcillosos que presentan como característica principal grietas anchas y

profundas en alguna época del año; por lo general, tienen poca materia orgánica, alta saturación de



15

bases y predominio de montmorillonita en su composición mineralógica. Se ubican en superficies

sedimentarias, con relieves planos a ondulados, sobre pequeñas colinas, cuencas o antiguas playas

levantadas de la región costera a partir de sedimentos de origen marino o fluvio marino y sobre

relieves planos de la llanura costera, a partir de sedimentos aluviales y en donde, además, se

caracterizan por su nivel freático superficial.

Uso y cobertura de la tierra 4.1.4.

Según el estudio de cobertura y uso de la tierra realizado por CLIRSEN et al. (2010), el 41 % del área

de estudio (aproximadamente 139 000 ha) está dedicado a la conservación y protección,

principalmente al sur, del bosque y matorral seco. El 31 % del área de estudio (aprox. 108 000 ha),

está dedicado a la agricultura; actividad localizada en toda el área, especialmente en toda la franja

central, y en la cual, en orden de importancia por superficie cultivada, se puede encontrar el cultivo de

maíz -Zea mays I.- (45 000 ha), café -Coffea arábiga L.- (29 000 ha), arroz -Oriza sativa- (15 000 ha),

mango - Manguifera indica L.- (4 000 ha), cacao -Theobroma cacao L.- (950 ha). La actividad

pecuaria ocupa el 26 % del área de estudio (aprox. 90 000 ha), esparcidas en toda el área de estudio,

especialmente en la zonas centro y norte. Por último, existe cerca del 1 % del área de estudio (2 800

ha) como zonas para la producción forestal, esparcidas en toda el área de estudio, con especies como,

por ejemplo: teca (Tectona grandis), caña guadúa (Bambusa guadua) y balsa (Ochroma lagopus).

4.2. Materiales y equipos

Se contó con la información de 422 perfiles de suelos levantados por el CLIRSEN et al. (2011), de los

cantones: Nobol, Isidro Ayora, Pedro Carbo, Paján, 24 de Mayo y Olmedo. Además se trabajó,

básicamente, con el programa ILWIS 3.3 Academic (Integrated Land and Water Information System),

además del programa Microsoft Excel XLSTAT Pro 7.5 -para el análisis exploratorio de datos-. Cabe

indicar que de los 422 perfiles, 61 perfiles fueron para validar el modelo de fertilidad y el resto (361)

fueron los que se tomaron para realizar dicho modelo (Figura 2).

Figura 2. Ubicación de los perfiles de suelos utilizados para el estudio

Fuente de datos: SENPLADES-INEC, 2012; CLIRSEN et al., 2011.



16

4.3. Métodos

En la Figura 3 se muestra el flujograma seguido en la investigación.

Figura 3. Flujograma de la investigación

Datos de variables

edafológicas de 361

perfiles de suelos

Análisis visual de los datos y Análisis Exploratorio de Datos

(AED) –propiedades estadísticas y espaciales-

Mapas interpolados por variable edafológica:

pH, SA, CIC, BT, SB, CO, P, K, CE

Aplicación de pesos a mapas

regionalizados

Mapas regionalizados por

variable edafológica

Tablas guías del

IGAC e INIAP

Regionalización por

variable edafológica

Mapas de pesos por

variables edafológicas

Tabla de pesos para

determinar fertilidad

(IGAC, 1995)

Recopilación, revisión, selección y análisis de

información

422 perfiles de suelos

Variables

edafológicas

evaluadas

¿Tienen

normalidad? SI Variables edafológicas con

normalidad

NO

NO Transformación de

variables edafológicas

Variables edafológicas

transformadas

Variables edafológicas

sin normalidad

Diseño de modelo

determinístico

Valores predichos por

modelos determinísticos

Diseño de modelo

probabilístico

Valores predichos por

modelos

probabilísticos

¿Se efectuó

transformación de

variables?

SI

NO

Datos predichos

Inversa de la

transformación de las

variables

Datos predichos

transformados

Evaluación de la calidad de la

predicción (Análisis de bondad de

ajuste -r2-)

< ¿Es óptima la

predicción?

SI

NO

Álgebra de mapas Mapa de fertilidad

por puntaje

Reclasificación a

niveles de fertilidad

Mapa de fertilidad

caracterizado

Validación del

modelo

Datos de variables edafológicas

de 61 perfiles de suelos

(muestras para validar)

¿El coeficiente

r2 es

aceptable? SI

NO

Selección a través del método de muestreo

sistemático y al azar

Ap

lica

ción d

e p

esos

y c

álcu

lo d

el

val

or

de

fert

ilid

ad

Puntaje de

fertilidad

por perfil

Tabla para calificar nivel

de fertilidad (IGAC,

1995)

Mapa de fertilidad

evaluado



17

Análisis geoestadístico 4.3.1.

Esta etapa tiene como fin predecir valores de variables edafológicas cuantitativas en sitios que no

fueron colectados durante el levantamiento de suelos (Dalence, 2012; Meijerink et al., 1994); así la

información más importante recopilada, como se indicó, fueron 422 perfiles de suelo, los cuales tienen

los datos de potencial hidrógeno -pH- (escala de cero a catorce), saturación de aluminio -SA- (%),

capacidad de intercambio catiónico -CIC- (meq/100 g de suelo), bases totales -BT- (meq/100 g de

suelo), saturación de bases -SB- (%), carbón orgánico -CO- (%), fósforo disponible -P- (ppm), potasio

disponible -K- (meq/100 g de suelo) y conductividad eléctrica -CE- (dS/m), y a los cuales se les

realizó como primer paso una selección a través del método de muestreo sistemático –realizando una

grilla de 10 x 10 unidades, obtenida con base a las coordenadas mínimas y máximas del área de

estudio- y dentro de las cuales se escogió al azar un perfil, por cuadrícula, obteniendo un total de 61

perfiles de suelos (aproximadamente 17 % de los perfiles totales) -Anexo 1-, con el fin de tener

muestras para la etapa de validación, indicando que si en la cuadrícula existiera un solo perfil

colectado, el mismo no se tomaría en cuenta como dato para validar. Al resto de los perfiles (361) -

Anexo 2- se les realizó un análisis exploratorio de datos (AED), dentro del programa de Microsoft

Excel XLSTAT Pro 7.5, realizando las siguientes etapas (Gossweiler, 2012):

a) Preparación de los datos.

b) Realización de un examen gráfico y un análisis descriptivo.

c) Examen de las relaciones entre las variables analizadas y una cuantificación del grado de

interrelación existente entre ellas.

d) Identificación de los posibles casos atípicos (outliers) y los datos ausentes (missing), además de

evaluar el impacto potencial que puedan ejercer en análisis estadísticos posteriores. Para ello, se

determinó:

i. Tablas de frecuencias.

ii. Estadísticas descriptivas, como las medidas de dispersión, posición y forma;

iii. Herramientas gráficas, como los histogramas, gráficas de boxplot, steam and leaf

y Q-Q;

iv. Pruebas o test de normalidad, como la prueba de Lilliefors, Jarque-Bera o Shapiro

Wilks (Kitanidis, 1997).

En caso de que una variable no tuviera distribución de probabilidad normal, fue necesario

transformarla, aspecto al cual logró llegar a partir de la aplicación de diferentes funciones de

transformación: logaritmo de base 10 ( ), logaritmo natural ( ), √ (Postigo, 2011). Una vez que

la variable fue transformada se le aplicó las mismas pruebas de normalidad a las que fue sometida la

variable original. En el caso que las pruebas diesen negativas implicó que la variable no podrá ser

predicha con un determinado modelo geoestadístico. Con respecto al diseño del modelo de predicción

espacial, involucró dos alternativas a partir de la respuesta a un criterio específico: ¿Tienen las

variables objetivo y/o sus transformaciones distribución normal? Si la respuesta fue negativa, los

modelos de interpolación empleados correspondieron aquellos denominados determinísticos, mientras

que si la respuesta fue positiva, se procedió a emplear modelos probabilísticos (Meijerink et al., 1994;

Araujo, 2009; Postigo, 2011). Para apoyar lo mencionado en la Figura 4, se establece mediante un

flujograma, realizado por Dalence (2012), el mecanismo para seleccionar los diferentes modelos:



18

Figura 4. Flujograma que indica el mecanismo para elegir el método de interpolación

Una vez interpolados los valores de cada variable, las variables edafológicas que fueron

transformadas, y que pasaron la prueba de normalidad, fueron transformadas nuevamente a valores de

la variable original, aplicando la inversa de la transformación ( ) dado que la

regionalización, solamente, puede darse sobre las escalas originales de las propiedades edáficas. La

evaluación de la calidad de la predicción se realizó a partir de la comparación entre el valor estimado

por modelo de predicción seleccionado y el valor observado. Esta evaluación se efectuó a partir de la

bondad de ajuste (r2), que determina la diferencia cuadrada entre cada predicción y el promedio de los

puntos de validación, de tal forma que su suma es dividida por la obtenida para las observadas

(Araujo, 2009). Por otra parte, se realizó, el análisis para determinar la apropiada resolución espacial

de salida, de acuerdo a la distribución de los puntos de muestreo; para ello, se empleó, la siguiente

regla: 1/2 a 1/3 de la distancia media de los pares de puntos más cercanos (Meijerink et al., 1994;

Shannon, 1949 -citado por Hengl, 2006-). Cabe indicar que se utilizó en esta fase el programa ILWIS

3.3; y, como apoyo, el programa R versión 2.15.1., para calcular el sill, nugget y range, cuando se

aplicó Kriging.

Mediciones

puntuales

Análisis visual de los datos y Análisis Exploratorio de Datos

(AED) –propiedades estadísticas y espaciales-

¿Existen más de

60 mediciones?

SI

NO

Combinación de Moving Average y

Trend Surface

Nearest point

Moving Average

(para datos con extremos)

Linear decrease

(para datos con poca densidad)

Inverse distance

(para datos con buena densidad)

Trend surface

(para pocos datos)

Moving Surface

(para datos más homogéneos

-sin extremos-)

Elección de superficie polinomial

¿Datos con

distribución

normal?

SI

NO ¿Se pueden

normalizar los

datos?

Bloque Indicador de Kriging

NO

¿Datos con dos

variables

correlacionadas?

SI Co-Kriging

¿Datos tienen

correlación con las

coordenadas?

SI Universal Kriging

SI

¿Datos son isotrópicos?

SI

Anisotropic

Kriging

NO

NO

¿Incluyo distancia

limitante?

SI Ordinary Kriging

NO

Simple Kriging NO



19

Regionalización de variables 4.3.2.

Esta fase tiene como fin la determinación de regiones calificadas cualitativamente, con base a tablas

guías, determinadas por rangos cuantitativos, sobre los niveles óptimos, moderados o deficientes en los

suelos para cada variable química edafológica (Dalence, 2003; Román, 2007). Por esto, y luego de

pasar la evaluación de las predicciones de cada una de las variables, se procedió a regionalizar los

mapas de potencial hidrógeno o reacción del suelo (pH), saturación de aluminio (SA), capacidad de

intercambio catiónico (CIC), bases totales (BT), saturación de bases (SB), carbón orgánico (CO),

fósforo disponible (P), potasio disponible (K) y conductividad eléctrica (CE), mediante la

regionalización de cada una de las variables, de acuerdo a las siguientes tablas:

Tabla 1. Interpretación de los contenidos de saturación de aluminio (SA), capacidad de intercambio

catiónico (CIC), bases totales (BT) y saturación de bases (SB)

Interpretación SA (%) CIC (meq/100 g) BT (meq/100 g) SB (%)

Muy baja < 5 < 5 < 4 < 10

Baja 5 – 14 5 – 10 4 – 8 10 – 35

Moderada > 14 – 30 > 10 – 15 > 8 – 12 > 35 – 50

Alta > 30 – 60 > 15 – 20 > 12 – 16 > 50 – 70

Muy Alta > 60 > 20 > 16 > 70

Fuente: IGAC, 1995 -citado por Serrano & Vargas- (2005); Ortega, 1987 -citado por Rojas- (2000)

Tabla 2. Interpretación de los contenidos de carbón orgánico (CO), fósforo disponible (P) y potasio

disponible (K)

Interpretación CO (%) P (ppm) K (meq/100 g)

Muy bajo < 0.2 < 10 < 0.1

Bajo 0.2 - 0.5 10 – 20 0.1 – 0.2

Moderado > 0.5 - 1.7 > 20 – 30 > 0.2 – 0.3

Alto > 1.7 – 3.0 > 30 – 40 > 0.3 – 0.4

Muy alto > 3.0 > 40 > 0.4


Cabe indicar, con respecto al carbono orgánico (CO), que se tomó los intervalos para clima cálido, ya

que en el área de estudio las temperatutas medias anuales son superiores a los 22 ºC.

Tabla 3. Interpretación de los contenidos de la conductividad eléctrica (CE)

Fuente: INIAP (2006); Ortega, 1987 -citado por Rojas- (2000)

Interpretación CE (dS/m)

No salino < 2

Ligeramente salino 2 - 4

Medianamente salino

Fuertemente salino

> 4 – 8

> 8 - 16

Muy salino > 16



20

Tabla 4. Interpretación del pH en los suelos

Interpretación pH

Muy ácido < 4.5

Ácido 4.5 – 5.0

Medianamente ácido > 5.0 - 5.5

Ligeramente ácido > 5.5 - 6.0

Prácticamente neutro > 6.0 - 7.3

Ligeramente alcalino > 7.3 - 7.8

Medianamente alcalino > 7.8 - 8.5

Alcalino > 8.5

Fuente: IGAC, 1995 -citado por Serrano & Vargas- (2005); Ortega, 1987 -citado por Rojas- (2000); adaptado de

INIAP (2006)

Esta regionalización se realizó con base a las tablas guías mencionadas, en el programa ILWIS 3.3, a

través de la herramienta slicing.

Aplicación del modelo de fertilidad 4.3.3.

En esta etapa se procedió a calificar la fertilidad, tanto de los 61 perfiles –muestras- para validar, como

de los mapas regionalizados, de acuerdo a la tabla guía indicada por el IGAC (1995) de Ortega (1987)

-citado por Serrano & Vargas- (2005) (Tabla 5).

En la Tabla 5, se puede explicar, y según es la metodología indicada por el IGAC (1995) de autoría de

Ortega (1987) -citado por Serrano & Vargas- (2005), quien modificó la metodología propuesta por el

IGAC en 1961 (Sánchez et al., 1996), que la misma sirve para cuantificar y cualificar la fertilidad del

suelo desde el punto de vista químico en los primeros 50 cm. Por tal motivo, para efectos del presente

estudio, se procedió a determinar el promedio de cada variable en los dos primeros horizontes del

suelo que suman, aproximadamente, dicha profundidad (Serrano & Vargas, 2005); además, el cálculo

de puntaje de cada variable se la realizó mediante la ecuación (1), en la cual la sumatoria de puntajes

se multiplica por el factor (0.285) para transformarla a un puntaje dentro de la escala de 0 a 10:

(1)

Donde, , indicando que es el puntaje máximo obtenido de las sumatoria del

puntaje máximo de cada variable, es decir, de las condiciones óptimas de cada una de las mismas;

es el puntaje máximo a la escala llevada. Asimismo, cabe mencionar, según lo indica el IGAC (1995)

de Ortega (1987) -citado por Rojas- (2000), que al valor obtenido de fertilidad total, habrá que restarle

ciertos puntos de acuerdo a la salinidad presentada en la zona (Tabla 6).

FERTILIDAD DE LOS SUELOS A TRAVÉS DE LA REGIONALIZACIÓN DE VARIABLES EDAFOLÓGICAS MEDIANTE HERRAMIENTAS GEOESTADÍSTICAS, EN SEIS CANTONES DEL ECUADOR

21

Tabla 5. Guía para calificar la fertilidad química en los suelos

Fuente: IGAC (1995) de Ortega (1987) -citado por Serrano & Vargas- (2005)

Potencial hidrógeno pH < 4.5; > 8.5

4.5 a 5.0; > 7.8 a 8.5

> 7.3 a 7.8; > 5.0 a 5.5

> 5.5 a 6.0 > 6.0 a 7.3

Interpretación -Muy ácido y alcalino

-Ácido y medianamente alcalino -Lig. alcalino y medianamente ácido

Ligeramente ácido -Prácticamente neutro

Puntaje 1 2 3 4 5

Saturación de aluminio SA (meq/100 g) > 60.0 > 30 – 60 5.0 – 14 > 14 - 30 < 5

Interpretación Muy alta Alta Moderada Baja Muy baja

Puntaje 1 2 3 4 5

Capacidad de intercambio catiónico CIC (meq/100 g) < 5 5 - 10 > 10 – 15 > 15 - 20 > 20

Interpretación Muy baja Baja Moderada Alta Muy alta

Puntaje 1 2 3 4 5

Bases totales BT (meq/100 g) < 4 4 - 8 > 8 – 12 > 12 - 16 > 16


Puntaje 0.5 1 1.5 2 2.5

Saturación de bases SB (%) < 10 10 - 35 > 35 – 50 > 50 - 70 > 70


Puntaje 0.5 1 1.5 2 2.5

Carbón orgánico CO (%) < 0.2 0.2 – 0.5 > 0.5 – 1.7 > 1.7 – 3.0 > 3.0

Interpretación Muy bajo Bajo Moderado Alto Muy alto

Puntaje 1 2 3 4 5

Fósforo disponible P (ppm) < 10 10 – 20 > 20 – 30 > 30 - 40 > 40


Puntaje 1 2 3 4 5

Potasio disponible K (meq/100 g) < 0.1 0.1 – 0.2 > 0.2 – 0.3 > 0.3 – 0.4 > 0.4


Puntaje 1 2 3 4 5

7 14 21 28 35

2 4 6 8 10



22

Tabla 6. Puntajes para calificar la conductividad eléctrica (CE)

Interpretación CE (dS/m) Puntaje negativo

No salino < 2 0

Ligeramente salino 2 - 4 0

Medianamente salino > 4 – 8 1

Fuertemente salino > 8 - 16 2

Muy salino > 16 3


Validación del modelo de fertilidad 4.3.4.

Una vez calculado el valor de fertilidad, se procedió a validar el modelo, para lo cual, se comparó los

puntajes obtenidos de fertilidad tanto de los 61 perfiles referenciales -muestras-, con los valores

obtenidos de los mapas regionalizados, con el fin de comprobar estadísticamente que el modelo

obtenido resulta representativo o no de la realidad. Por tanto, se calculó, como coeficiente de bondad

de ajuste, el coeficiente r2, con el fin de evaluar la proporción de la variabilidad de la variable

dependiente (datos de los perfiles reales o referenciales) que están explicados por el modelo de

predicción. Se tuvo como valor aceptable de r2, valores mayores o iguales a 0,80 (Postigo, 2011). Este

coeficiente de determinación indica que si r2 es cercano o igual a 1, el ajuste fue bueno y las

predicciones realizadas a partir del modelo obtenido fueron muy fiables (el modelo obtenido resulta

verdaderamente representativo); si r2 es cercano o igual a 0, se trata de un ajuste malo en el que las

predicciones que se realizaron a partir del modelo obtenido no fueron fiables (el modelo obtenido no

resulta representativo de la realidad) (Addinsoft, 2004).

Caracterización de la fertilidad 4.3.5.

Una vez validado el modelo de fertilidad, el puntaje de fertilidad se comparó con la escala cualitativa

que determina la clase de fertilidad (Tabla 7).

Tabla 7. Puntajes para calificar el nivel de la fertilidad en los suelos

Clase de fertilidad RANGO

Muy alta > 8.4

Alta > 6.7 - 8.4

Moderada > 5.1 – 6.7

Baja 3.6 – 5.1

Muy baja < 3.6


Cabe mencionar que todo el proceso de reclasificación de cada variable edafológica por cada nivel de

interpretación, a los respectivos puntajes y suma algebraica de mapas, se lo realizó en el programa

ILWIS 3.3, donde se procedió a generar también los respectivos layouts o mapas finales y análisis de

superficies y porcentajes de ocupación de cada nivel de interpretación, tanto del mapa de fertilidad

como de sus respectivas variables edafológicas.

http://es.wikipedia.org/wiki/Varianza



23

5. Resultados y Discusión

5.1. Análisis geoestadístico

Análisis exploratorio de datos 5.1.1.

Las estadísticas descriptivas de los datos de los 361 perfiles de suelos (Anexo 2) de las variables

potencial hidrógeno -pH- (escala de cero a catorce), saturación de aluminio -SA- (%), capacidad de

intercambio catiónico -CIC- (meq/100 g de suelo), bases totales -BT- (meq/100 g de suelo), saturación

de bases -SB- (%), carbón orgánico -CO- (%), fósforo disponible -P- (ppm), potasio disponible -K-

(meq/100 g de suelo) y conductividad eléctrica -CE- (dS/m), se pueden observar en la Tabla 8. Cabe

indicar, con respecto a la saturación de aluminio (SA), que todos los valores son cero, lo cual puede

deberse, como lo menciona Jaramillo (2002), que las formas de aluminio intercambiable (Al+++

)

predominan en suelos minerales con un pH < 4.5, y como el 98 % de perfiles presentan pH mayores a

5.5, y el resto entre 5.2 y 5.5 (2 %), el porcentaje de aluminio intercambiable con relación a la CIC

tiende a ser cero. Por este motivo, al ser cero todos los valores de SA, no se realizó ningún análisis

geoestadístico a esta variable.

Tabla 8. Estadística descriptiva por variable química edafológica

BT CIC SB pH P K CE CO

Núm. de valores utilizados 361 361 361 361 361 361 361 361

Núm. de valores ignorados 0 0 0 0 0 0 0 0

Núm. de val. min. 1 1 1 1 2 1 1 1

% de val. min. 0.28 0.28 0.28 0.28 0.55 0.28 0.28 0.28

Mínimo 5.67 7.00 38.55 5.17 0.00 0.04 0.06 0.25

Primer cuartil 23.39 25.00 81.48 6.24 4.33 0.20 0.19 0.92

Mediana 27.03 30.00 94.57 6.57 10.50 0.33 0.26 1.28

Tercer cuartil 30.79 36.00 96.70 7.00 29.50 0.60 0.38 1.78

Máximo 73.25 75.33 99.87 8.30 191.67 2.80 4.40 4.96

Rango 67.58 68.33 61.32 3.13 191.67 2.76 4.34 4.71

Suma 9846.29 11123.49 32246.73 2391.88 7377.42 163.35 129.17 515.93

Media 27.28 30.81 89.33 6.63 20.44 0.45 0.36 1.43

Media geométrica 26.00 29.34 88.62 6.60

0.33 0.28 1.27

Media armónica 24.48 27.71 87.80 6.58

0.24 0.24 1.11

Curtosis 4.50 2.00 1.54 0.08 10.63 7.71 49.52 4.54

Asimetría 0.99 0.82 -1.39 0.37 2.61 2.34 6.15 1.67

CV (desviación típica/media) 0.30 0.31 0.12 0.09 1.19 0.87 1.16 0.52

Varianza de muestra 67.21 90.47 109.48 0.34 592.94 0.15 0.17 0.55

Varianza estimada 67.40 90.72 109.78 0.34 594.58 0.15 0.17 0.55

Desviación típica de muestra 8.20 9.51 10.46 0.58 24.35 0.39 0.41 0.74

Desviación típica estimada 8.21 9.52 10.48 0.59 24.38 0.39 0.41 0.74

Desviación típica media 5.72 7.12 8.61 0.46 17.55 0.28 0.20 0.54

Desviación absoluta mediana 3.71 5.00 3.08 0.37 8.00 0.18 0.09 0.41

Desviación típica de la media 0.43 0.50 0.55 0.03 1.28 0.02 0.02 0.04

Límite inf. IC de la media 26.43 29.83 88.24 6.57 17.91 0.41 0.31 1.35

Límite sup. IC de la media 28.12 31.80 90.41 6.69 22.96 0.49 0.40 1.51



24

Como se observa en la Tabla 8, las variable saturación de bases (SB) presenta una asimetría negativa,

es decir, implica que hay más valores distintos a la izquierda de la media; mientras que las variables

que tienen un coeficiente de asimetría positivo -que implica que hay más valores distintos a la derecha

de la media- fueron las variables: P, K, CE y CO. Cabe indicar que cuando este valor es igual a cero,

los datos presentan una curva normal (gaussiana) (Colell et al., 2009; Luna, 2005).

Figura 5. Diagrama de cajas (Box plots) de las variables edafológicas químicas en estudio

Con respecto a la Figura 6, se puede observar que existen para todas las variables datos extremos

(outliers), lo cual se puede también corroborar observando al coeficiente de curtosis de la Tabla 8 de

las mismas variables, así como con los coeficientes de asimetría, ya que al haber una mayor curtosis,

habrá más datos extremos existentes, así como un elevado coeficiente de variación. Esto se puede

explicar debido a que la curtosis estudia la proporción de la varianza que se explica por la

combinación de datos extremos respecto a la media en contraposición con datos poco alejados de la

misma, es decir, a mayor curtosis implica una mayor concentración de datos muy cerca de la media de

la distribución coexistiendo al mismo tiempo con una relativamente elevada frecuencia de datos muy

alejados de la misma (Colell et al., 2009; Luna, 2005; Vargas, 2009). Asimismo, se puede indicar,

como lo menciona Vargas (2009), que los datos edafológicos atípicos o datos extremos pueden ser

consecuencia de la variabilidad de los suelos o que representan observaciones únicas localizadas en

regiones específicas, ya que en su investigación para las variables K, MO, CE, pH, CIC, y BT, todas

presentaron datos extremos, con coeficientes de variación superiores al 50 %, excepto para la variable

pH que fue de 12 % -que en este estudio arrojó también el menor coeficiente de variación con 9 %-.

Comportamiento similar tuvieron las mismas variables en el estudio realizado por Serrano & Vargas

(2005); de igual manera, el estudio realizado por Luna (2005) obtuvo datos extremos para la variables

pH y CIC; así como, en el estudio de Araujo (2009) se obtuvo datos extremos en la variable CE. Lo

anterior, hace evidenciar que los datos extremos más que ser por consecuencia de errores en el

muestreo o en la medición de laboratorio, puede ser el reflejo del comportamiento espacial de las

variables para determinados tipos de suelos, muy específicos, dentro del ecosistema (Giraldo, 2005).

Por otra parte, y con el fin de ver si se mantenían los datos extremos se realizó el análisis por unidad

ambiental, tomándose en cuenta las dos unidades de mayor superficie: los relieves estructurales y

colinados terciarios y la cordillera Chongón Colonche. De lo cual, al realizar el análisis por separado

se obtuvo datos extremos en los dos paisajes, excepto para el pH en la unidad ambiental de la



25

cordillera Chongón Colonche. Por lo anterior, y viendo que la mayoría de variables mostraron datos

extremos se mantuvo el análisis como una sola área de estudio.

Tabla 9. Coeficientes de correlación entre variables químicas edafológicas, e inclusive entre

coordenadas

Variables X Y BT CIC SB pH P K CE CO

X 1 -0.494 0.152 0.105 0.066 -0.046 -0.236 -0.317 0.239 0

Y

1 -0.148 -0.208 0.199 -0.208 0.341 0.287 -0.242 -0.164

BT

1 0.907 0.161 0.318 -0.058 0.175 0.303 0.191

CIC

1 -0.25 0.272 -0.06 0.125 0.328 0.201

SB

1 0.119 0.026 0.118 -0.048 -0.06

pH

1 0.02 0.207 0.147 0.095

P

1 0.542 -0.037 -0.017

K

1 0.106 0.248

CE

1 0.235

CO

1

De la Tabla 9, se puede observar que en general existe un bajo coeficiente de correlación entre las

variables químicas edafológicas, e inclusive con sus coordenadas, excepto para la relación CIC-BT,

donde hay una correlación del 91 %. Esto es debido a que, como lo indica el INIAP (2006), el CIC es

la suma de las bases (Ca++

, Mg++

, K+ y Na

+) en forma intercambiable en el suelo, expresadas en

meq/100 gramos de suelo, llamados en el estudio como Bases Totales (BT), más el Al+++

e H+; por

esto, y como son parte de la fórmula del CIC el BT, existe una relación directa positiva, es decir, a

mayor BT, mayor CIC y viceversa. Lo anterior, se observa también en el estudio realizado por Vargas

(2009), donde la correlación CIC-BT fue del 90 %, teniendo, así mismo, bajas correlaciones entre las

otras combinaciones de variables edafológicas. Cabe indicar que se realizó las correlaciones con las

coordenadas, para ver si se cumplía una de las condiciones para aplicar Kriging Universal, ya que se

necesita, como supuesto condicional, haya correlación superior a 0.85 entre la variable y una de las

coordenadas (Dalence, 2012).

Pruebas de normalidad 5.1.2.

Como se indicó en la metodología, se realizaron, básicamente, tres pruebas de normalidad: Shapiro-

Wilk, Jarque-Bera y Lilliefors, las cuales se les aplicó a cada variable edafológica y dieron resultados

muy similares, por lo que en el la Tabla 10, se evidencia, por ejemplo, los resultados de la prueba de

Lilliefors.

Tabla 10. Prueba de normalidad de Lilliefors aplicado a los datos de la variables edafológicas

Variable D D (estandarizado) p-value Alpha Resultado

BT 0.095 1.801 < 0.0001 0.05 No-normalidad significativa

CIC 0.090 1.716 < 0.0001 0.05 No-normalidad significativa

SB 0.237 4.499 < 0.0001 0.05 No-normalidad significativa

pH 0.065 1.238 0.001 0.05 No-normalidad significativa

P 0.207 3.936 < 0.0001 0.05 No-normalidad significativa

K 0.151 2.860 < 0.0001 0.05 No-normalidad significativa

CE 0.266 5.050 < 0.0001 0.05 No-normalidad significativa

CO 0.101 1.917 < 0.0001 0.05 No-normalidad significativa



26

Con respecto a la Tabla 10, cabe indicar que cuando el valor de p-value sea menor que el valor de

Alpha, se aceptará la hipótesis alternativa que indica que la no-normalidad es significativa; si fuera lo

contrario, se aceptaría la hipótesis nula que indica que la normalidad, en cambio, es significativa

(Gossweiler, 2012).

Por lo anterior, y en vista de la no-normalidad significativa de todas las variables químicas

edafológicas, se procedió a la trasformación de cada una, aplicando diferentes funciones de

transformación: logaritmo de base 10 ( ), logaritmo natural ( ), √ , para poder llegar de esta

manera, y una vez aplicadas las respectivas pruebas de normalidad, a la normalidad. De lo cual, se

obtuvo que solo la variable Potasio (K), a través de la trasformación y , cumplió con la

prueba de normalidad, tal y como se puede evidenciar en la Tabla 11, donde se indica, por ejemplo, la

prueba de Lilliefors, que resultó semejante para las otras pruebas, como prueba de normalidad para las

variables trasformadas.

Tabla 11. Prueba de normalidad de Lilliefors aplicado a los datos trasformados de cada variable

edafológica

Variable D D (estandarizado) p-value Alpha Resultado

Pru

eba

de

Lil

lief

ors

a d

ato

s

t

ran

sfo

rmad

os

a






K 0.039 0.735 0.211 0.05 Normalidad significativa


CO 0.052 0.994 0.019 0.05 No-normalidad significativa

Pru

eba

de

Lil

lief

ors

a d

ato

s

tran

sfo

rmad

os

a






K 0.039 0.735 0.211 0.05 Normalidad significativa



Pru

eba

de

Lil

lief

ors

a d

ato

s

tran

sfo

rmad

os

a √


CIC 0.063 1.202 0.001 0.05 No-normalidad significativa




K 0.092 1.749 < 0.0001 0.05 No-normalidad significativa



De otros estudios realizados, por ejemplo, de Araujo (2009) obtuvo para la variable CE una no-

normalidad significativa; mientras que en el estudio de Postigo (2011) el fósforo (P) y el potasio (K)

obtuvieron el mismo resultado, inclusive para sus transformaciones.



27

Selección del método de interpolación 5.1.3.

Una vez realizado el análisis exploratorio de datos y las respectivas pruebas de normalidad, se

procedió a seleccionar, con base a lo anterior, el método de interpolación. De lo cual, y con base a los

supuestos condicionantes, el método que más se ajustó para las variables edafológicas, fue el método

Moving Average-Inverse distance, ya que cumplen con las siguientes condiciones: no tienen

normalidad, ni sus respectivas trasformaciones; tiene datos extremos y tienen una buena densidad de

puntos, y los mismos han sido medidos de forma muy exacta (Dalence, 2012). Asimismo, y para

aplicar este método se procedió a calcular la sitancia limitante para los 361 perfiles de suelos, la cual

arroja el programa ILWIS 3.3 de forma automática, y la misma que coincide cuando se visualiza el

análisis de patrón (Pattern Analysis), en la cual se graficó la distancia (eje x) versus la probabilidad

para encontrar cuatro puntos (eje y). De lo cual, se obtuvo una distancia limitante de 10 200 m.

Asimismo, como dicho método incluye la variable pesos, se interpoló con pesos que fueron: 0.5, 1.0,

1.5 y 2.0; de lo cual para saber escoger con certeza qué peso tomar en cuenta para la interpolación, se

realizó la prueba de bondad de ajuste (r2), la cual arrojó que el peso de 2 fue el que mayor coeficiente

obtuvo, tal y como se observa en la Tabla 12.

Tabla 12. Prueba de bondad de ajuste

Coeficiente de bondad de ajuste (r

2)

Moving Average-Inverse distance Kriging

Variable Peso 2 Peso 1.5 Peso 1 Peso 0.5 Ordinario Anisotrópico

BT 1.000 0.996 0.959 0.736 --- ---

CIC 1.000 0.997 0.956 0.706 --- ---

SB 1.000 0.996 0.958 0.734 --- ---

pH 1.000 0.999 0.982 0.710 --- ---

P 1.000 0.995 0.951 0.688 --- ---

K 1.000 0.996 0.949 0.677 0.496 0.496

CE 1.000 0.994 0.941 0.604 --- ---

CO 0.999 0.995 0.954 0.711 --- ---

Cabe indicar, para el caso del potasio (K), que al aceptarse la normalidad en la trasformación a ,

se aplicó también Kriging, el cual al presentar anisotropía, se aplicó a más de Kriging ordinario,

Kriging anisotrópico, de acuerdo a los datos arrojados por el semi-variograma (modelo esférico) en el

programa R versión 2.15.1 (nugget = 0.03; sill = 0.092; y, range = 1 061.3) y el ángulo de anisotropía

de acuerdo a la superficie del variograma, el cual calcula una superficie de valores del semi-

variograma, donde cada celda (píxel) en la superficie representa una clase de distancia direccional, lo

cual ayuda a visualizar la anisotropía posible de los datos y determinar la dirección del eje anisotrópico

(ITC, 2005), el cual fue medido en 19º, de acuerdo a las agujas del reloj desde el norte. De lo anterior,

y una vez realizada la interpolación, se aplicó la inversa de la trasformación ( ), a los mapas de la

variable K trasformada a , para realizar la prueba de bondad de ajuste, tanto al mapa aplicado

Kriging ordinario, como Kriging anisotrópico; de lo cual se obtuvo coeficientes de bondad de ajuste de

0.496, para cada uno (Tabla 12). De esta manera, y con base a los coeficientes de r2, se escogió el

método de interpolación Moving Average-Inverse distance, con un peso de 2, y con una distancia

limitante de 10 200 m, por presentar los valores más altos de la prueba de bondad de ajuste. Indicando

que este método ha sido utilizado, con el mismo peso, por ejemplo, para interpolar CE, MO, pH, P y

K, en el estudio realizado por Colque (2010), por presentar los valores más altos de r2; asimismo, en el

trabajo de Postigo (2011) aplicó el mismo método para interpolar las variables P, K y N. Lo anterior,

demuestra la bondad de este método para predecir variales edafológicas químicas. Cabe mencionar,

como lo indica el ITC (2005), la función Inverse distance, seleccionada cuando se ha medido con gran



28

precisión los valores de punto, ya que su algoritmo garantiza que los valores de salida calculados sean

muy aproximados o iguales a los valores de los puntos de entrada, produce círculos pequeños cuando

el valor de una variable en un perfil -punto de observación- es un valor es más alto o más bajo que el

de sus vecinos, tal y como se puede observar en los mapas interpolados (Anexo 4). Con respecto a la

resolución del píxel, se lo realizó de acuerdo a la distribución de los puntos de muestreo; para ello, se

empleó la siguiente regla: 1/2 a 1/3 de la distancia media de los pares de puntos más cercanos

(Meijerink et al., 1994; Shannon, 1949 -citado por Hengl, 2006-); de lo cual, se obtuvo un rango de 27

a 41 m, tomándose como media aproximada un tamaño de píxel de 30 m.

5.2. Regionalización de las variables edafológicas

Luego de pasar la evaluación de las predicciones de cada una de las variables, y con base a los mapas

interpolados -Anexo 4-, se procedió a la regionalización de las mismas, de acuerdo, básicamente, a las

tablas guías de IGAC (1995) -citado por Serrano & Vargas- (2005), expuestas en la metodología, para

obtener los mapas de potencial hidrógeno o reacción del suelo (pH), capacidad de intercambio

catiónico (CIC), bases totales (BT), saturación de bases (SB), carbón orgánico (CO), fósforo

disponible (P), potasio disponible (K) y conductividad eléctrica (CE).

Potencial hidrógeno (pH) 5.2.1.

En la Figura 6 se observa el mapa regionalizado de pH, cuyas categorías indicadas sus superficies se

indican en la Tabla 13 y Figura 7.

Figura 6. Mapa regionalizado de pH



29

Tabla 13. Porcentaje de ocupación de las clases de pH

Figura 7. Gráfico de superficie y porcentaje de

ocupación de las diferentes clases de pH

Según la Tabla 13, Figuras 6 y 7, en el área de estudio predominan las zonas con pH prácticamente

neutro con 87 % del área total de estudio - zona centro sur pH dominantes > 7, mientras que en la zona

centro norte pH < 7-, seguido de las zonas con pH ligeramente alcalino (8 %) -predominantemente en

la zona sur- y ligeramente ácido (5 %) -zona norte-; es decir, pH adecuados para la que la mayoría de

nutrientes sean fácilmente asimilables para las plantas (Porta & López-Acevedo, 2005). Esto se debe,

muy probablemente, al clima, ya que, según los estudios realizados por CLIRSEN et al. (2011), hay

más meses con déficit hídrico -de 6 a 8 meses- que meses con exceso hídrico -de 2 a 4 meses- , lo que

hace que haya un equilibro de la concentración de hidrógeno en el suelo, y por ende, no se produzca

un excesivo lavado de cationes básicos del mismo (Jaramillo, 2002).

Capacidad de Intercambio Catiónico (CIC) 5.2.2.

En la Figura 8 de observa el mapa regionalizado de CIC, cuyas categorías y sus superficies se indican

en la Tabla 14 y Figura 9.

Figura 8. Mapa regionalizado de capacidad de intercambio catiónico (CIC)

Interpretación pH Superficie

(ha)

Ocupación

(%)

Medianamente ácido > 5.0 - 5.5 804.24 0.23

Ligeramente ácido > 5.5 - 6.0 16585.83 4.82

Prácticamemte neutro > 6.0 - 7.3 299049.39 86.97

Ligeramente alcalino > 7.3 - 7.8 26416.89 7.68

Medianamente alcalino > 7.8 - 8.5 985.68 0.29

TOTAL

343842.03 100.00



30

Tabla 14. Porcentaje de ocupación por niveles de

CIC

Figura 9. Gráfico de superficie y porcentaje de ocupación

de los diferentes niveles de CIC

Como se observa en la Tabla 14 y Figuras 8 y 9, en la zona de estudio predominan las zonas con muy

alto nivel de CIC con 98 %; lo cual se puede deber a que al estar la zona de estudio constituida por

rocas sedimentarias en los relieves estructurales y colinados terciarios -areniscas, lutitas y limolitas- e

ígneas en la cordillera Chongón Colonche -basaltos- (Anexo 3), según lo indica CLIRSEN et al.

(2011), tengan minerales como los piroxenos, olivinos, anfiboles, feldespatos y micas, que contiene en

su composición Ca++

, Mg++

, K+ y Na

+, que al irse meteorizando dichas rocas en el proceso

pedogenético, y por ende sus minerales, van liberando estos cationes, que al final se presentan en

forma intercambiable en el suelo; además de que, como se indicó para el pH, el clima favorece para

que no haya excesiva lixiviación de estos elementos (Porta & López-Acevedo, 2005).

Bases totals (BT) 5.2.3.

En la Figura 10 de observa el mapa regionalizado de BT, cuyas categorías y sus superficies se indican


Figura 10. Mapa regionalizado de bases totales (BT)

Interpretación CIC (meq/100 g) Superficie

(ha)

Ocupación

(%)

Baja 5 - 10 123.93 0.04

Moderada > 10 - 15 1222.02 0.36

Alta > 15 - 20 6688.53 1.95

Muy alta > 20 335807.55 97.66

TOTAL

343842.03 100.00



31

Tabla 15. Porcentaje de ocupación por niveles de BT

Interpretación BT (meq/100 g) Superficie

(ha) Ocupación

(%)

Baja 4 - 8 100.62 0.03

Moderada > 8 - 12 868.23 0.25

Alta > 12 - 16 4675.41 1.36

Muy alta > 16 338197.77 98.36

TOTAL

343842.03 100.00


ocupación de los diferentes niveles de BT

Como se observa en la Tabla 15 y Figuras 10 y 11, en la zona de estudio predominan las zonas con

muy alto nivel de BT con 98 %. Esto se debe, muy probablemente, al igual como se explicó para el

CIC, por ser variables muy correlacionadas positivamente, al tipo de rocas y sus minerales, presentes

en el área de estudio, que proporcionan al suelo, en su proceso pedogenético, las bases intercambiables

como el Ca++

, Mg++

, K+ y Na

+; así también, por el clima dominante en la zona, que no permite

procesos excesivos de lixiviación de cationes básicos.

Saturación de bases (SB) 5.2.4.

En la Figura 12 de observa el mapa regionalizado de SB, cuyas categorías y sus superficies se indican


Figura 12. Mapa regionalizado de saturación de bases (SB)



32

Tabla 16. Porcentaje de ocupación por niveles de SB


ocupación de los diferentes niveles de SB

Como se puede observar en la Tabla 16 y Figuras 12 y 13, en el área de estudio dominan las zonas con

muy alta saturación de bases (SB) en un 99 %; lo cual se explica, complementando además de las

razones expuestas para CIC y BT, como lo menciona Zebrowski & Sourdat (1997), al existir

precipitaciones entre los 500 a 1 800 mm promedio anual en el área de la investigación, así como de 6

a 8 meses ecológicamente secos (CLIRSEN et al., 2011), hace que los suelos tengan un régimen de

humedad ústico, es decir, que el suelo permanece seco por lo menos 90 días y húmedo más de 90 días,

teniendo como resultado en el proceso pedogenético, arcillas del tipo montmorillonítico en los suelos,

que tienen una alta superficie específica de adherencia para los cationes básicos, lo que hace que más o

menos la CIC sea igual a la suma de las bases intercambiables.

Carbón Orgánico (CO) 5.2.5.

En la Figura 14 de observa el mapa regionalizado de CO, cuyas categorías y sus superficies se indican


Figura 14. Mapa regionalizado de carbón orgánico (CO)

Interpretación SB (%) Superficie (ha) Ocupación (%)

Moderada > 35 - 50 43.74 0.01

Alta > 50 - 70 3358.26 0.98

Muy alta > 70 340440.03 99.01

TOTAL

343842.03 100.00



33

Tabla 17. Porcentaje de ocupación por niveles de CO


ocupación de los diferentes niveles de CO

Con respecto al carbono orgánico, como se puede observar en la Tabla 17 y Figuras 14 y 15, dominan

las zonas con moderado contenido de CO con 83 %, seguido de las áreas con alto contenido (16 %).

Estos resultados son quizá debido, como lo menciona Zebrowski & Sourdat (1997) y Jaramillo (2002),

ya que al tener el área de estudio temperaturas superiores a los 22 ºC (CLIRSEN et al., 2011), hace

que se acumule menos materia orgánica, y por ende menos carbón orgánico, en el suelo; así también,

por existir un periodo seco de 6 a 8 meses, ya que según Navarro & Navarro (2003), la materia

orgánica aumenta a medida que la humedad efectiva del suelo se hace mayor, y como en el área de

estudio el régimen de humedad de suelo es del tipo ústico, esta acumulación no es notable.

Fósforo disponible (P) 5.2.6.

En la Figura 16 de observa el mapa regionalizado de P, cuyas categorías y sus superficies se indican en

la Tabla 18 y Figura 17.

Figura 16. Mapa regionalizado de fósforo disponible (P)

Interpretación CO (%) Superficie (ha) Ocupación (%)

Bajo > 0.2 - 0.5 444.06 0.13

Moderado > 0.5 - 1.7 286369.29 83.29

Alto > 1.7 - 3.0 55086.57 16.02

Muy alto > 3.0 1942.11 0.56

TOTAL

343842.03 100.00



34

Tabla 18. Porcentaje de ocupación por niveles de P


ocupación de los diferentes niveles de P

De la Tabla 18 y Figura 16 y 17, se puede observar que las zonas con muy bajo y bajo contenido de

fósforo disponible, aproximadamente 55 % del área de estudio, están en la zona centro sur. Esto se

puede deber a que en la zona centro sur los pH dominantes son superiores a 7, y siendo el pH óptimo

6.5 para que el fósforo sea muy disponible en el suelo, hace que la disponibilidad sea baja; miemtras

que las zonas de moderada (18 %) a alta y muy alta disponibilidad de fósforo (26 %) tienen un pH

mayor a 6 y menor a 7 -zona centro norte-, presentando fósforo disponible en mayor cantidad (Navarro

& Navarro, 2003). Estos niveles, como lo menciona INIAP (2006), sirve de base calcular el nivel de

fertilizante para suplir la necesidad de P de acuerdo al tipo de cultivo y al rendimiento deseado.

Potasio disponible (K) 5.2.7.



Figura 18. Mapa regionalizado de potasio disponible (K)

Interpretación P (ppm) Superficie (ha) Ocupación (%)

Muy bajo < 10 105470.64 30.67

Bajo 10 - 20 85806.63 24.96

Moderado > 20 - 30 63125.19 18.36

Alto > 30 - 40 39529.08 11.50

Muy alto > 40 49910.49 14.52

TOTAL

343842.03 100.00



35

Tabla 19. Porcentaje de ocupación por niveles de K


ocupación de los diferentes niveles de K

De acuerdo a la Tabla 19 y Figuras 18 y 19, en el área de estudio predominan las zonas con alto y muy

alto contenido de potasio en el suelo (73 % del área total). Esto se puede explicar por los minerales que

contienen sus materiales parentales (feldespatos, moscovita y la biotita); y porque en estas zonas

domina un pH entre 6 y 7, siendo el pH de 6.5 el más óptimo para su disponibilidad. Asimismo, en la

zona sur oriental, se presentan zonas con niveles moderados, bajos y muy bajos (27 %); debido,

posiblemente, por ser una zona con pH > 7, por lo cual, su disponibilidad se reduce (Porta & López-

Acevedo, 2005). Estos niveles, como lo menciona INIAP (2006), sirve de base calcular el nivel de

fertilizante para suplir la necesidad de K de acuerdo al tipo de cultivo y al rendimiento deseado.

Conductividad eléctrica (CE) 5.2.8.



Figura 20. Mapa regionalizado de conductividad eléctrica (CE)

Interpretación K (meq/100 g) Superficie

(ha) Ocupación (%)

Muy bajo < 0.1 774.09 0.23

Bajo 0.1 - 0.2 29813.22 8.67

Moderado > 0.2 - 0.3 63092.34 18.35

Alto > 0.3 - 0.4 72356.49 21.04

Muy alto > 0.4 177805.89 51.71

TOTAL

343842.03 100.00



36

Tabla 20. Porcentaje de ocupación por niveles de CE



De la Tabla 20 y Figuras 20 y 21, se puede observar que en el área de estudio, prácticamente, dominan

las zonas no salinas; lo cual se puede explicar debido a que el régimen del suelo no es arídico -cuyo

clima corresponde a 11 meses ecológicamente secos y menos de 500 mm de precipitación promedio

anual-, por lo que no son zonas de acumulación de sales como carbonatos de calcio o de yeso,

procesos propios en los suelos de estos climas; y más bien, siendo el área de estudio zonas de régimen

ústico -el suelo permanece seco por lo menos 90 días y húmedo más de 90 días- tienden a tener

equilibrio entre periodos secos y húmedos durante el año (Zebrowski & Sourdat, 1997).

5.3. Aplicación del modelo de fertilidad

El valor calculado de fertilidad (FC) de los 61 perfiles que se utilizaron para validar el modelo, se

pueden observar en el Anexo 1. Asimismo, en la Figura 22 se muestra el mapa de fertilidad por

puntaje, luego de haber aplicado el modelo; teniendo en cuenta que el valor por saturación de aluminio

(SA) fue el máximo, por presentar en toda la zona de estudio el nivel de muy bajo (< 10 %).

Figura 22. Mapa de fertilidad por puntaje

Interpretación CE (dS/m) Superficie

(ha) Ocupación (%)

No salino < 2 343138.41 99.80

Ligeramente salino 2 - 4 674.28 0.20

Medianamente salino > 4- 8 29.34 0.01

TOTAL

343842.03 100.00



37

Como se puede observar en la Figura 22, las zonas con mayor puntaje son las zonas donde tanto el

fósforo y potasio disponible tienen los niveles más altos, ya que las demás variables como el CIC, BT,

SB, al ser dominantes las zonas con los niveles altos; en el caso de la MO, las zonas moderadas; el pH,

con las zonas prácticamente neutras; y en el caso de la CE, con las zonas no salinas; fueron, en

general, las dos variables que determinaron la subdivisión entre los puntas más bajos y más altos.

5.4. Validación del modelo de fertilidad

Una vez extraído el valor de fertilidad predicho (FP) del mapa de fertilidad por puntaje (Figura 22),

con la función Mapvalue en ILWIS, a través de las coordenadas del mapa de puntos de los 61 perfiles

de suelos -Anexo 1-, donde, en su tabla respectiva, se indica también el puntaje de fertilidad calculado

por perfil (FC), se procedió a comparar dichos valores, para ver el nivel de correlación, a través de la

prueba de bondad de ajuste (r2), la cual una vez realizado los respectivos cálculos nos arrojó un valor

de 0.8, lo que nos indica que las predicciones realizadas a partir del modelo obtenido en un 80 % son

muy fiables (Addinsoft, 2004). Cabe mencionar que en el estudio realizado por Postigo (2011) al

disminuir el 14 % de los perfiles de suelos, para tres variables edafológicas químicas: nitrógeno,

fósforo y potasio, obtuvo un resultado aceptable -correlaciones significativas: r2 era igual o superior a

0.8-, comparados con los valores obtenidos de las interpolaciones realizadas con la población completa

de perfiles. Asimismo, Tacam (2010) validó y aceptó su modelo para predecir clases de suelos

utilizando el enfoque SoLIM (modelo de inferencia suelo-paisaje) con un valor de 0.70. Por lo

anterior, se puede indicar que el modelo de fertilidad utilizado, con un coeficiente de bondad de ajuste

(r2) de 0.8, es aceptable para predecir la fertilidad en la zona de estudio; indicando que un modelo es

una representación de la realidad con el que se pueden obtener resultados sin necesidad de llevar a

cabo experimentos reales (De la Rosa, 2008).

5.5. Caracterización de la fertilidad

En la Tabla 21 y Figura 23, se muestra la superficie y porcentaje de ocupación por niveles de fertilidad

obtenidos en el área de estudio.

Tabla 21. Porcentaje de ocupación por nivel de fertilidad



Como se puede observar en el Tabla 21 y Figuras 23 y 24, en el área de estudio se presentan zonas con

muy alta (53 %) y alta fertilidad (46 %), lo cual, se explica, como lo dice Fuentes (1999), que un suelo

es altamente fértil cuando tiene una alta capacidad de intercambio catiónico, lo que le permite retener

una apreciable cantidad de cationes, sin que sean lixiviados por el agua de percolación; además, tiene

Calificación Interpretación Superficie

(ha) Ocupación

(%)

> 5.1 - 6.7 puntos Moderada 2085.39 0.61

> 6.7 - 8.4 puntos Alta 158409.36 46.07

> 8.4 puntos Muy alta 183347.28 53.32

TOTAL 343842.03 100.00



38

que ocurrir que el porcentaje de saturación de bases sea alto, ya que la mayor parte de los cationes

básicos son los realmente importantes, mientras que los cationes ácidos tienen efectos negativos.

Figura 24. Mapa de fertilidad, caracterizado por niveles

Estas dos características -alta CIC y SB- presentan las mencionadas zonas de fertilidad en este

estudio. Además, de que las zonas con muy alta fertilidad -zona centro norte-, al tener precipitaciones

de 1 200 a 1 800 mm promedio anual, presentan un pH óptimo para la disponibilidad efectiva tanto del

fósforo como del potasio. Mientras que la zona centro sur, al tener pH superiores a 7 –no muy óptimo

para la disponibilidad de dichos elementos- (precipitaciones que varían 500 a 1 000 mm promedio

anual) presenten el nivel inferior siguiente del nivel más alto de fertilidad. Complementando a lo

anterior, la alta fertilidad presente en la zona de investigación, se puede explicar por dos razones más:

1) El material parental, cuyos minerales son ricos en Ca++

, Mg++

, K+, Na

+, los cuales se van liberando

durante el proceso de pedogénesis, y por ende presentes en forma intercambiable en el suelo; y, 2) el

tipo de clima que favorece para que no haya excesiva lixiviación de estos elementos; además de

favorecer la formación de arcillas del tipo montmorillonítico en los suelos, que tienen la característica

de tener alta capacidad de intercambio catiónico (Zebrowski & Sourdat, 1997; Navarro & Navarro,

2003). Por otro lado, cabe indicar que se obtuvo resultados diferentes al caracterizar la fertilidad de la

zona de estudio, con respecto al trabajo realizado por CLIRSEN et al. (2011), donde obtuvieron zonas

con moderado nivel de fertilidad 33 % del área total, con bajos niveles 3 % y con altos 60 %. Lo cual,

puede explicarse por el enfoque geopedológico utilizado -modelo discreto de variabilidad espacial-, y

por el menor número de variables que utilizaron para calificar la fertilidad (4), a través de un modelo

cualitativo; asimismo, a diferencia del presente estudio, cuyo modelo presenta una confiabilidad del 80

%, el trabajo referido no indica dicha validación, a más de no considerar al suelo como un continuo, tal

y como lo menciona, con respecto al concepto de suelo, el Soil Survey Staff (2010).



39

6. Conclusiones

El modelo de fertilidad aplicado -cuya confiabilidad, respecto a la realidad, obtenida a partir

de los 61 perfiles para validar, alcanzó un 80 %- mostró que, en la zona centro norte del área

de estudio, predominan las zonas con muy alta fertilidad (53 %), mientras en la zona centro

sur, las zonas con alta fertilidad (46 %); lo cual se explica, principalmente, con la

regionalización de las variables edafológicas: en el área centro norte, se presentan zonas con

pH prácticamente neutro, menores a siete, que es la reacción del suelo óptima para que haya

mayores niveles disponibles tanto de fósforo (P) como de potasio (K), mientras que la zona

centro sur, al existir pH mayores a siete -dentro de la misma categoría de prácticamente

neutro-, hace que la disponibilidad de estos dos elementos sea menor, resultando en niveles

más bajos; las demás variables edafológicas al predominar cierto nivel -mayor a 83 % sobre el

área de estudio-: muy alto en el caso de capacidad de intercambio catiónico (CIC), bases

totales (BT) y saturación de bases (SB), moderados contenidos respecto al carbono orgánico

(CO), muy bajos niveles en relación a la saturación de aluminio (SA) y la conductividad

eléctrica (CE), hacen que en el modelo no influyan para caracterizar distintos niveles de

fertilidad, y más bien incidan para una calificación muy alta dentro del mismo.

Asimismo, y para obtener el insumo principal para regionalizar las variables, el método de

interpolación aplicado fue el Moving Average-Inverse distance, el cual desde el punto de vista

de supuestos conceptuales por el algoritmo utilizado, con base a los resultados geoestadísticos

obtenidos: tener datos extremos, no presentar normalidad en todas las variables edafológicas

químicas, mostrar los más altos coeficientes de bondad de ajuste (r2); y además que las

variables químicas fueron medidas con métodos precisos y confiables en laboratorio, fue el

método más idóneo para predecir los valores en lugares desconocidos (no muestreados), a

partir de los valores medidos en puntos de muestreo (conocidos) en el campo, es decir, los 361

perfiles utilizados.



40

7. Recomendaciones

Utilizar de referencia los niveles de potasio (K) y fósforo disponible (P), así como de carbón

orgánico (CO) dados en este estudio – ya que a través del mismo se conoce el sitio y nivel de

los nutrientes que en mayor cantidad se consumen en la producción agrícola- para realizar

planes de fertilización de los diferentes cultivos -cumpliendo determinados rendimientos- que

se puedan implementarse o se estén cultivando y desarrollando en el área de estudio, de

acuerdo, por ejemplo, a las tablas de fertilización dadas por el INIAP, con respecto a los

macronutrientes N-P-K.



41

8. Referencias Bibliográficas

Addinsoft, 2004. User's manual XLSTAT-Pro. Paris: Addinsoft SARL.

Araujo, G. A., 2009. Predicción valores de variables edafológicas a partir de kriging de regresión

para la determinación del grado de salinidad y/o alcalinidad en el valle alto de Cochabamba, Bolivia.

Cochabamba: UMSS-CLAS-ITC. Asignación Final Individual.

Cabrera, C., 2012. Los nutrientes y su disponibilidad. Cochabamba: UMSS-CLAS. Presentación de 23

láminas preparadas para la Maestría en Ciencias de la Geo-Información y Observación de la Tierra,

5ta. versión: Módulo VIII "Recurso Suelo".

CLIRSEN, SENPLADES & MAGAP, 2010. Memorias técnicas y cartografía digital de los estudios

de la cobertura y uso de la tierra, parcelas y riego de los cantones: 24 de Mayo, Olmedo, Paján,

Pedro Carbo, Isidro Ayora y Nobol, Quito: Centro de Levantamientos Integrados de Recursos

Naturales por Sensores Remotos.

CLIRSEN, SENPLADES, MAGAP & INIGEMM, 2011. Memorias técnicas y cartografía digital de

los estudios geopedológicos de los cantones: 24 de Mayo, Olmedo, Paján, Pedro Carbo, Isidro Ayora

y Nobol, Quito: Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos.

Colell, E., Uribe, J. & Chale, P., 2009. Conceptos básicos de Geoestadística. s.l.:Trabajo distribuido

bajo la licencia Creative Commons: Attribution–Noncommercial–NoDerivs 3.0 License.

Colque, G., 2010. Zonificación de tierras potenciales para la producción vitícola a través de modelos

de predicción cuantitativa en el valle central de Tarija. Cochabamba: UMSS-CLAS. Asignación Final

Individual.

Dalence, S., 2003. Spatial analysis, interpretation and regionalization of groundwater quality data in

the central valley of Cochabamba (Bolivia). Enschede: International Institute for Geo-Information

Science and Earth Observation (ITC). Master of Science Thesis.

Dalence, S., 2012. Geoestadística. Cochabamba: UMSS-CLAS. Material digital preparado y entregado

dentro del programa de Maestría en Ciencias de la Geo-Información y Observación de la Tierra, 5ta.

versión: Módulo III "Principios de Modelamiento y Geoestadística".

De la Rosa, D., 2008. Evaluación agro-ecológica de suelos: para un desarrollo rural sostenible.

Madrid: Ediciones Mundi-Prensa.

Fuentes, J., 1999. El suelo y los fertilizantes. Madrid: Ediciones Mundi-Prensa.

Giraldo, R., 2005. Introducción a la Geoestadística. [En línea] Available at:

http://www.reddeagriculturaprecision.unal.edu.co/doc/Publicaciones/

[Último acceso: 7 noviembre 2012].



42

Gossweiler, B., 2012. Análisis exploratorio de datos. Cochabamba: UMSS-CLAS. Presentación de 25

láminas preparadas para la Maestría en Ciencias de la Geoinformación y Observación de la Tierra, 5ta.

versión: Módulo III "Principios de Modelamiento y Geoestadística".

Hengl, T., 2006. Finding the right pixel size. Computers & Geosciences, Issue 32, pp. 1283-1298.

IGAC, 2006. Métodos analíticos del laboratorio de suelos. Sexta ed. Bogotá: Instituto Geográfico

Agustín Codazzi.

INIAP, 2006. Metodologías de química de suelos. Quito: Instituto Nacional Autónomo de

Investigaciones Agropecuarias. Compilado por Cartagena, Yamil.

ITC, 2005. ILWIS 3.3 Academic: Help, Enschede: International Institute for Geo-Information Science

and Earth Observation.

Jaramillo, D., 2002. Introducción a la ciencia del suelo. Medellín: Universidad Nacional de Colombia.

Sede Medellín. Facultad de Ciencias.

Kitanidis, P. K., 1997. Introduction to Geostatistics: applications in hydrogeology. New York:

Cambridge University Press.

Lasso, L., Espinosa, G. & Haro, R., 2011. Zonificación agroecológica de tres cultivos estratégicos en

14 cantones de la cuenca baja del río Guayas. Teledetección, pp. 26-31.

Le, N. & Zidek, J., 2006. Statistical Analysis of Enviromental Space-Time Processes. New York:

Springer Science+Business Media, Inc.

Luna, C., 2005. Modelo continuo de variabilidad espacial de las propiedades del suelo y su relación

con el uso actual planificado en la microregión 1 del trópico de Cochabamba. Cochabamba: UMSS-

CLAS. Tesis Maestría Profesional.

Malagón, D., Siachoque, R. & Serna, J., 2010. El ABC de los suelos para no expertos. Bogotá D.C.:

Instituto Geográfico Agustín Codazzi (IGAC).

Meijerink, A., De Brouwer, H., Mannaerst, C. & Valenzuela, C., 1994. Introduction to the use of

Geographic Information Systems for practical Hydrology. Enschede: International Institute for

Aerospace Survey and Earth Sciences (ITC).

Navarro, S. & Navarro, G., 2003. Química agrícola. Segunda ed. Madrid: Ediciones Mundi-Prensa.

Porta, J. & López-Acevedo, M., 2005. Agenda de campo de suelos. Madrid: Ediciones Mundi-Prensa.

Porta, J., López-Acevedo, M. & Poch, R., 2008. Introducción a la Edafología: uso y protección del

suelo. Madrid: Ediciones Mundi-Prensa.



43

Postigo, R. V., 2011. Determinación de la confiabilidad de un mapa interpolado a partir de datos

aleatorios de suelo de la región de Tumupasa, La Paz. Cochabamba: UMSS-CLAS. Asignación Final

Individual.

Rojas, H., 2000. Suelos y Aguas. Santo Domingo: Centro para el Desarrollo Agropecuario y Forestal,

Inc. (CEDAF).

Román, C., 2007. Regionalización de variables meteorológicas y validación del sensor TRMM para la

precipitación mensual en el departamento de Oruro, Bolivia. Cochabamba: UMSS-CLAS-ITC.

Proyecto de Grado .

Rossiter, D., 2000. Metodologías para el levantamiento del recurso suelo. Enschede: International

Institute dor Geo-Information Science & Earth Observation (ITC). Soil Science Division.

Sánchez, G., Yepes, H. & Mesa, L., 1996. Diagnóstico de la fertilidad de los suelos y estimativos

sobre necesidades de fertilizantes para el distrito de riego del río Zulia (Norte de Santander).

Agronomía Colombiana, XIII(2), pp. 169-185.

SENPLADES, 2012. 5 años de revolución ciudadana. [En línea]

Available at: http://www.senplades.gob.ec/c/document_library/get_file?uuid=f6f0b46a-d161-40cb-

9638-2644091480ac&groupId=18607 [Último acceso: 25 febrero 2012].

SENPLADES-INEC, 2012. Sistema Nacional de Información. [En línea]

Available at: http://www.sni.gob.ec/web/ [Último acceso: 05 agosto 2012].

Serrano, E. & Vargas, H., 2005. Evaluación de la fertilidad de los suelos del departamento de

Cundinamarca utilizando métodos geoestadísticos. Análisis Geográficos, Issue 29, pp. 124-137.

Soil Survey Staff, 2010. Claves para la taxonomía de suelos. Undécima ed. Washington, DC: USDA-

Servicio de Conservación de Recursos Naturales.

Tacam, C., 2010. Cartografía predictiva de clases de suelos a través del enfoque SoLIM en

Chimaltenango, Guatemala. Cochabamba: UMSS-CLAS. Asignación Final Individual.

Vargas, R., 2009. Mapeo digital del suelo y su evaluación con fines de producción de caña de azúcar

en los municipios de Ixiamas y San Buenaventura. La Paz: Conservación Internacional Bolivia y

Conservación Estratégica.

Viguera, J. y otros, 2004. Estudio de suelos y su analítica. Primera ed. s.l.:Universidad de

Extremadura: Instituto de las Ciencias de la Educación (I.C.E.) - Editorial @becedario.

Zebrowski, C. & Sourdat, M., 1997. Los factores de la pedogénesis y los suelos en Ecuador. En: A.

Winckell, ed. Los paisajes naturales del Ecuador. Volumen 1 - Las condiciones generales del medio

natural. Quito: IPGH-IGM-IRD, pp. 97-129.



44

Anexos



45

Anexo 1. Datos de perfiles de suelos tomados para validar el modelo de fertilidad

Número Código de

perfil Coordenadas

(UTM WGS84 17S) BT CIC SB pH SA P K CE CO FC FP

X Y meq/100 g meq/100 g % % ppm meq/100 g dS/m %

1 CG1-P054 593992 9766199 14.63 24.0 60.96 6.6 0 5.0 0.54 0.11 1.12 8.0 7.8

2 CG1-P066 583743 9839030 22.65 26.5 85.47 6.3 0 132.5 0.92 0.35 2.76 9.7 9.4

3 CG1-P067 580667 9834942 17.34 18.0 96.33 6.4 0 58.5 0.20 0.13 0.73 8.3 9.4

4 CG1-P068 579737 9831555 22.46 27.5 81.67 6.3 0 34.0 0.74 0.19 1.39 9.1 9.4

5 CG1-P070 578384 9823737 21.59 22.5 95.96 8.1 0 19.5 0.26 0.46 1.31 7.1 8.6

6 CG1-P094 574735 9809277 21.95 23.0 95.43 6.3 0 16.5 0.29 0.28 1.22 8.0 8.0

7 CG1-P102 583770 9812522 26.52 27.5 96.44 7.0 0 44.5 0.41 0.16 1.04 9.4 8.6

8 CG1-P109 588475 9842343 28.51 29.0 98.31 6.4 0 6.5 0.20 0.28 1.94 7.7 7.4

9 CG1-P115 589962 9849466 24.31 25.5 95.31 6.1 0 47.5 0.44 0.20 1.48 9.4 8.8

10 CG2-P065 587239 9787412 32.18 43.0 74.84 6.8 0 17.5 0.27 0.38 1.89 8.3 7.7

11 CG2-P083 553908 9801322 25.84 34.0 76.00 7.1 0 7.0 0.56 0.40 1.45 8.3 8.3

12 CG2-P085 557786 9804793 27.46 32.0 85.80 7.2 0 23.0 0.52 0.35 2.06 9.1 8.8

13 CG2-P086 551774 9806717 28.88 37.5 77.00 6.0 0 1.5 0.24 0.15 1.22 7.4 8.8

14 CG2-P109 590292 9817046 26.06 27.5 94.76 7.2 0 32.0 0.34 0.36 1.10 8.8 8.6

15 CG2-P112 588573 9814169 22.13 23.5 94.17 6.5 0 17.7 0.23 0.17 1.04 8.0 9.1

16 CG2-P121 595258 9798622 14.58 15.5 94.06 6.1 0 6.5 0.17 0.26 0.88 7.0 7.1

17 CG2-P125 593537 9799088 20.52 21.5 95.42 6.1 0 4.0 0.19 0.17 1.33 7.4 7.4

18 CG2-P130 579222 9843121 30.73 31.5 97.54 6.3 0 39.5 0.75 0.41 0.90 9.1 9.1

19 CG2-P135 574129 9848626 25.66 27.0 95.04 5.6 0 34.5 0.53 0.32 1.22 8.8 8.6

20 CG2-P136 568461 9850948 28.35 29.5 96.10 5.5 0 31.3 0.35 0.22 1.84 8.6 8.3

21 CG3-P068 599454 9790170 23.11 35.5 65.10 6.4 0 14.0 0.19 0.37 0.81 7.6 7.3

22 CG3-P077 586275 9822674 24.97 28.0 89.18 6.7 0 51.0 0.51 0.22 1.10 9.4 8.8

23 CG3-P081 567849 9817646 27.06 38.0 71.20 6.6 0 24.0 0.71 0.43 2.44 9.1 8.8

24 CG3-P085 566691 9812946 24.71 26.5 93.25 6.7 0 43.0 0.32 0.28 2.15 9.4 9.1

25 CG3-P107 577271 9799559 26.37 27.7 95.30 7.3 0 54.3 1.65 0.16 1.37 8.8 8.3

26 CG3-P108 563228 9795644 23.09 24.0 96.21 6.6 0 2.0 0.15 0.19 1.45 7.4 8.3

27 CG3-P113 571407 9796514 26.68 28.0 95.29 7.3 0 12.0 0.71 0.28 1.45 8.0 7.4

28 CG3-P135 582671 9849470 31.21 32.0 97.52 6.4 0 24.0 0.93 0.22 1.72 9.1 9.1

29 CG3-P137 582374 9857874 27.27 28.5 95.67 6.2 0 4.0 0.17 0.20 2.09 7.7 8.0

30 CG3-P196 602604 9773650 40.10 41.0 97.79 7.1 0 6.5 0.95 0.38 0.90 8.3 8.0

31 CG3-P204 586874 9766254 37.28 39.0 95.59 7.1 0 18.7 1.00 0.57 1.82 8.8 8.8

32 CG4-P029 603622 9811187 38.98 40.0 97.45 6.2 0 6.0 0.18 0.25 0.29 7.1 6.1

33 CG4-P035 595133 9808010 12.97 13.2 98.22 6.4 0 3.5 0.05 0.19 0.55 6.4 6.8

34 CG4-P072 600657 9784868 28.31 44.5 63.62 7.3 0 5.5 0.10 0.41 0.99 6.7 7.4

35 CG4-P082 606814 9791598 26.80 31.0 86.44 8.1 0 21.0 0.53 0.38 0.90 8.0 8.3

36 CG4-P090 566904 9823803 23.45 29.0 80.86 7.1 0 26.0 0.46 0.26 1.16 8.8 9.4

37 CG4-P103 561206 9832655 30.28 36.0 84.10 6.8 0 36.5 1.29 0.29 1.91 9.4 9.1

38 CG4-P128 579018 9773667 38.79 39.5 98.20 6.8 0 5.0 0.55 0.38 1.57 8.3 8.8

39 CG4-P136 579624 9784901 27.57 28.5 96.74 7.3 0 4.0 0.24 0.23 1.31 7.1 7.4

40 CG4-P143 565506 9841711 23.58 29.5 79.92 6.1 0 8.3 0.21 0.20 1.28 7.7 7.7

41 CG4-P145 562153 9850746 23.80 25.0 95.18 6.4 0 16.5 0.36 0.21 2.09 8.6 8.0

42 CG4-P153 560771 9861535 31.43 32.0 98.20 7.0 0 8.0 0.42 0.28 1.37 8.3 8.8

43 CG4-P210 612604 9769969 78.58 80.0 98.23 7.0 0 0.0 0.08 0.19 0.06 6.6 7.4

44 CG4-P219 606422 9772519 31.31 33.0 94.86 7.2 0 1.0 0.10 0.51 1.80 7.7 8.0

45 CG5-P018 595084 9852861 20.22 20.4 99.21 6.1 0 33.0 0.22 0.10 0.38 8.3 9.1

46 CG5-P036 587085 9767765 20.90 21.0 99.52 6.1 0 6.0 0.12 0.20 1.80 7.7 8.8

47 CG5-P047 585772 9778068 36.01 42.0 85.74 6.6 0 2.0 0.13 0.20 1.22 7.4 7.7

48 CG5-P048 589705 9773301 28.38 31.5 90.08 6.1 0 4.0 0.12 0.14 1.36 7.4 7.7

49 CG5-P056 556354 9797540 39.10 56.0 69.82 7.2 0 3.5 0.23 0.46 1.57 7.6 8.3

50 CG5-P082 581995 9793776 30.33 31.5 96.27 7.1 0 1.3 0.16 0.17 0.77 7.4 8.0



46

Anexo 1. Continuación

Número Código de

perfil Coordenadas

(UTM WGS84 17S) BT CIC SB pH SA P K CE CO FC FP


51 CG5-P084 569402 9782971 23.36 25.0 93.44 7.8 0 3.5 0.10 0.27 1.10 6.6 7.7

52 CG5-P089 573347 9786806 32.34 33.5 96.54 8.0 0 35.0 1.00 0.49 2.47 8.6 7.7

53 CG5-P098 581094 9794664 27.27 28.5 95.67 7.3 0 12.0 0.27 0.37 1.14 7.4 8.3

54 CG5-P103 570183 9835098 26.14 26.5 98.64 6.8 0 42.3 0.75 0.17 0.79 9.4 8.8

55 CG5-P172 613234 9776038 36.70 38.0 96.58 6.7 0 1.0 0.18 2.66 0.90 7.4 7.4

56 CG6-P048 599584 9774151 41.67 47.0 88.65 6.8 0 1.5 0.23 0.20 2.15 8.0 8.8

57 CG6-P062 554332 9826214 27.50 36.0 76.39 6.4 0 3.0 0.36 0.23 1.68 8.0 7.7

58 CG6-P092 572059 9807393 30.76 32.0 96.11 7.3 0 44.0 0.61 0.32 1.71 9.1 9.1

59 CG6-P105 568407 9845600 21.37 22.0 97.14 6.2 0 17.5 0.35 0.13 0.99 8.3 8.8

60 CG6-P118 564421 9860498 29.43 30.0 98.09 6.7 0 47.0 1.48 0.18 1.22 9.4 9.1

61 CG6-P121 555979 9818453 31.18 39.0 79.94 6.2 0 10.5 0.36 0.20 1.54 8.3 7.7

FC: valor de fertilidad calculado

FP: valor de fertilidad predicho



47

Anexo 2. Datos de perfiles de suelos tomados para realizar el modelo de fertilidad

Número Código de

perfil Coordenadas

(UTM WGS84 17S) BT CIC SB pH SA P K CE CO


1 CG1-P049 589550 9767718 19.89 25.0 79.56 6.2 0 7.5 0.16 0.28 1.97

2 CG1-P050 591633 9766972 14.98 23.0 65.13 6.2 0 7.5 0.44 0.15 2.03

3 CG1-P051 593498 9767170 7.71 20.0 38.55 5.7 0 5.5 0.13 0.11 1.25

4 CG1-P052 595460 9780323 21.74 34.0 63.94 7.0 0 2.7 0.21 0.15 0.31

5 CG1-P053 594629 9782214 26.65 37.0 72.03 6.6 0 1.5 0.11 0.29 0.87

6 CG1-P055 596846 9780614 30.84 47.0 65.62 7.1 0 1.0 0.18 0.23 1.45

7 CG1-P056 596711 9780759 31.45 38.0 82.76 6.8 0 1.0 0.07 0.13 0.33

8 CG1-P057 596484 9780934 32.60 44.0 74.09 6.9 0 1.0 0.11 0.18 1.33

9 CG1-P058 596141 9781426 36.16 46.0 78.61 6.6 0 17.5 0.62 0.52 1.57

10 CG1-P059 587831 9827338 23.54 26.0 90.54 6.3 0 68.5 0.45 0.18 1.77

11 CG1-P060 586305 9827699 29.59 39.5 74.90 7.1 0 49.7 0.42 0.24 1.91

12 CG1-P061 587013 9829682 28.30 32.5 87.08 5.5 0 25.0 0.26 0.23 1.07

13 CG1-P062 586006 9829679 15.87 18.0 88.17 6.3 0 104.0 0.69 0.14 1.62

14 CG1-P063 584708 9836027 20.78 22.0 94.45 6.5 0 105.0 0.67 0.16 0.90

15 CG1-P064 584168 9837078 21.82 27.5 79.35 6.3 0 47.3 0.43 0.16 0.89

16 CG1-P065 574885 9831148 25.34 34.0 74.53 6.4 0 45.3 0.65 0.25 2.20

17 CG1-P069 581626 9831673 20.17 26.0 77.56 6.6 0 75.5 0.30 0.41 1.22

18 CG1-P071 578452 9823797 29.02 31.0 93.61 6.4 0 39.0 0.23 0.17 1.28

19 CG1-P072 571919 9824228 29.94 37.0 80.91 6.7 0 24.0 0.74 0.22 1.89

20 CG1-P090 584941 9800987 24.66 26.0 94.85 8.2 0 45.5 0.27 0.41 0.90

21 CG1-P091 586265 9802770 28.41 30.0 94.68 7.0 0 11.5 0.33 0.26 0.61

22 CG1-P092 587830 9802421 24.15 26.0 92.88 6.7 0 17.7 0.32 0.23 1.20

23 CG1-P093 574187 9810314 31.50 32.5 96.91 6.5 0 15.0 0.57 0.29 1.86

24 CG1-P095 574482 9809387 18.00 19.0 94.74 6.6 0 12.7 0.17 0.16 0.79

25 CG1-P096 573551 9809287 20.98 22.3 93.94 8.0 0 41.0 0.55 0.36 1.37

26 CG1-P097 573726 9809223 22.97 23.0 99.87 6.9 0 55.0 0.53 0.38 2.03

27 CG1-P098 572905 9809229 24.08 26.0 92.62 7.2 0 60.0 0.83 0.29 0.75

28 CG1-P099 580175 9806841 28.39 30.5 93.07 6.4 0 3.5 0.21 0.18 0.84

29 CG1-P100 580024 9812721 11.50 13.5 85.19 6.7 0 45.0 0.12 0.52 0.81

30 CG1-P101 580754 9812191 25.11 26.0 96.58 7.2 0 2.0 0.69 0.55 1.86

31 CG1-P103 584575 9810955 29.96 31.5 95.11 6.1 0 4.5 0.17 0.18 1.83

32 CG1-P104 582906 9810757 28.43 30.0 94.77 6.7 0 11.5 0.55 0.32 2.09

33 CG1-P105 594032 9855666 23.13 24.0 96.38 6.4 0 4.0 0.10 0.14 0.99

34 CG1-P106 597235 9855915 25.26 25.9 97.65 6.6 0 32.8 0.14 0.31 0.67

35 CG1-P107 588424 9844595 21.58 22.0 98.07 6.3 0 25.0 0.29 0.18 0.87

36 CG1-P108 586246 9844297 26.22 27.0 97.11 6.8 0 85.0 2.02 0.17 0.46

37 CG1-P110 588380 9842376 26.91 27.5 97.85 6.2 0 2.0 0.15 0.19 1.42

38 CG1-P111 588578 9846910 23.93 25.0 95.72 6.2 0 31.0 0.28 0.23 0.78

39 CG1-P112 590575 9847435 27.63 29.0 95.29 6.2 0 51.7 0.43 0.18 1.02

40 CG1-P113 588978 9850648 25.00 25.7 97.39 6.3 0 15.0 0.61 0.35 0.91

41 CG1-P114 591211 9847550 23.27 24.0 96.94 6.8 0 35.0 0.37 0.26 0.61

42 CG1-P116 587582 9845107 30.17 31.0 97.31 6.8 0 35.0 0.57 0.34 0.96

43 CG1-P117 589509 9846691 27.72 28.0 99.00 6.2 0 15.5 0.18 0.17 0.84

44 CG1-P118 587633 9845028 31.84 33.3 95.76 6.6 0 51.3 0.40 0.18 0.96

45 CG1-P195 604342 9762664 16.78 19.0 88.32 5.8 0 9.0 0.18 0.32 4.70

46 CG1-P196 606360 9762869 27.59 29.0 95.14 6.7 0 14.0 0.79 0.33 3.25

47 CG1-P197 606481 9763273 28.02 30.0 93.40 6.6 0 31.0 0.38 0.33 3.25

48 CG1-P198 607478 9774117 34.01 35.5 95.79 6.7 0 4.0 0.20 0.27 1.91

49 CG1-P199 609238 9777797 38.32 42.0 91.24 6.8 0 2.0 0.13 0.29 2.44

50 CG1-P200 608090 9777390 39.47 42.0 93.98 6.7 0 1.0 0.08 0.25 1.94



48


Número Código de

perfil Coordenadas



51 CG1-P202 589565 9766255 43.23 46.0 93.98 6.2 0 9.0 0.70 1.51 3.07

52 CG1-P203 589799 9767368 19.59 22.0 89.05 5.8 0 10.0 0.74 2.12 3.02

53 CG2-P047 592776 9846287 21.57 21.8 98.94 5.9 0 4.0 0.16 0.12 1.22

54 CG2-P063 583419 9782573 33.16 34.0 97.53 6.5 0 1.0 0.15 0.54 0.75

55 CG2-P064 589621 9787739 23.63 26.1 90.52 6.6 0 6.0 0.53 0.36 1.94

56 CG2-P066 591876 9786785 17.56 18.0 97.56 6.6 0 6.5 0.23 0.49 1.89

57 CG2-P067 593144 9785397 34.53 47.0 73.47 6.9 0 4.0 0.21 0.71 2.84

58 CG2-P068 594919 9785751 5.67 7.0 81.00 6.3 0 1.0 0.11 0.26 0.75

59 CG2-P069 592306 9781082 41.34 56.0 73.82 6.9 0 2.0 0.22 0.54 1.28

60 CG2-P070 592489 9777756 43.11 48.0 89.81 6.6 0 1.0 0.22 1.16 2.26

61 CG2-P071 593796 9775891 33.10 35.0 94.57 6.4 0 1.0 0.06 0.38 0.55

62 CG2-P073 588608 9782719 28.16 36.5 77.15 6.3 0 2.0 0.24 0.13 1.39

63 CG2-P074 586118 9781468 35.84 51.0 70.27 6.5 0 53.5 0.31 0.47 2.41

64 CG2-P075 584201 9785056 7.61 12.0 63.42 5.7 0 3.3 0.15 0.14 0.97

65 CG2-P076 596941 9791175 17.61 22.5 78.27 5.5 0 3.5 0.09 0.36 1.13

66 CG2-P078 555964 9797782 34.84 37.5 92.91 6.6 0 3.7 0.41 0.24 1.99

67 CG2-P079 554885 9798881 64.68 70.0 92.40 7.5 0 1.0 0.09 0.26 1.28

68 CG2-P080 554066 9798766 31.53 32.0 98.53 6.8 0 39.7 0.52 0.72 1.97

69 CG2-P081 553105 9801725 27.46 36.0 76.28 6.7 0 8.0 0.32 1.15 1.48

70 CG2-P084 555521 9805277 28.47 36.0 79.08 7.1 0 35.5 0.84 0.31 1.80

71 CG2-P087 553128 9808397 32.29 36.0 89.69 5.6 0 4.3 0.32 0.33 2.03

72 CG2-P088 557278 9809132 22.72 23.0 98.78 6.3 0 5.0 0.50 0.15 1.10

73 CG2-P089 556245 9803436 24.78 28.0 88.50 7.0 0 24.0 1.10 0.14 0.79

74 CG2-P090 558140 9812023 26.69 32.0 83.41 6.8 0 16.5 0.84 0.25 1.86

75 CG2-P091 559580 9812717 27.50 36.0 76.39 7.7 0 12.5 0.33 0.38 1.97

76 CG2-P108 589976 9806882 29.49 31.0 95.11 5.8 0 4.0 0.14 0.24 1.19

77 CG2-P110 592792 9815738 28.83 36.0 80.07 7.5 0 33.0 0.27 0.50 1.19

78 CG2-P111 589533 9812413 23.57 25.5 92.43 6.5 0 54.0 0.58 0.19 1.37

79 CG2-P113 589430 9812160 24.28 25.5 95.22 6.5 0 24.3 0.59 0.20 0.68

80 CG2-P114 590592 9810863 22.43 23.5 95.43 6.2 0 16.5 0.64 0.29 2.35

81 CG2-P115 591953 9808946 28.77 29.7 96.99 6.3 0 3.3 0.23 0.27 1.08

82 CG2-P116 587492 9808920 28.75 30.0 95.83 5.9 0 1.0 0.20 0.38 0.93

83 CG2-P117 593499 9805250 11.82 12.0 98.46 6.4 0 4.0 0.16 0.14 0.70

84 CG2-P118 592876 9805353 20.94 22.0 95.18 7.4 0 18.0 0.19 0.30 0.87

85 CG2-P119 592185 9804388 27.18 28.0 97.07 5.6 0 3.7 0.22 0.34 1.18

86 CG2-P120 589333 9807058 23.02 23.5 97.94 6.4 0 25.0 0.17 0.11 0.83

87 CG2-P122 592645 9801418 21.54 23.0 93.65 6.1 0 7.0 0.13 0.34 1.37

88 CG2-P123 593685 9799051 19.45 21.0 92.62 5.4 0 7.5 0.14 0.14 1.71

89 CG2-P124 593594 9799091 25.26 26.0 97.13 6.5 0 2.0 0.14 0.22 0.41

90 CG2-P126 579601 9842404 24.42 25.0 97.68 5.8 0 8.7 0.26 0.15 1.20

91 CG2-P127 579280 9842609 27.07 28.0 96.68 6.1 0 52.0 0.86 0.12 1.47

92 CG2-P128 579226 9843263 32.77 33.5 97.81 6.5 0 29.3 0.59 1.05 1.14

93 CG2-P129 581758 9844821 26.45 28.0 94.46 6.1 0 34.0 0.45 0.42 1.74

94 CG2-P131 577791 9855231 27.30 28.0 97.50 6.1 0 7.0 0.60 0.25 2.67

95 CG2-P132 575836 9847862 25.26 26.0 97.15 6.1 0 34.0 0.30 0.18 1.26

96 CG2-P133 576001 9848093 25.96 27.0 96.13 5.9 0 11.0 0.35 0.17 1.06

97 CG2-P137 568923 9849532 24.97 25.5 97.90 6.5 0 20.3 0.29 0.23 1.70

98 CG2-P139 573334 9850917 23.49 25.0 93.96 5.5 0 7.5 0.75 0.31 1.54

99 CG2-P141 579721 9851026 26.07 27.0 96.56 6.7 0 49.0 1.07 0.25 1.28

100 CG2-P142 571646 9846117 23.33 24.0 97.19 5.7 0 85.3 0.17 0.11 0.54



49


Número Código de

perfil

Coordenadas



101 CG2-P143 568307 9851129 22.93 24.0 95.54 6.5 0 28.0 0.22 0.23 1.25

102 CG2-P209 598413 9763146 56.43 58.0 97.29 7.2 0 12.0 0.48 0.62 4.23

103 CG2-P210 599055 9763491 33.81 35.3 95.70 7.0 0 6.7 0.26 0.36 1.62

104 CG2-P218 606600 9765613 42.25 45.5 92.86 7.2 0 1.7 0.23 0.29 1.41

105 CG2-P219 609307 9764486 52.73 56.0 94.17 7.0 0 6.3 0.79 1.15 2.03

106 CG2-P220 610432 9765688 46.93 50.0 93.86 7.0 0 9.0 0.58 1.75 3.19

107 CG2-P221 610717 9777486 29.38 32.0 91.80 6.6 0 0.0 0.19 0.77 1.80

108 CG2-P222 610509 9778136 36.91 41.0 90.02 6.8 0 3.5 0.28 0.61 1.31

109 CG2-P223 610482 9780150 37.09 38.5 96.34 7.0 0 30.0 0.31 0.53 0.75

110 CG3-P047 602597 9853280 23.69 24.6 96.34 6.0 0 2.5 0.10 0.13 1.45

111 CG3-P063 599370 9805563 20.78 28.5 72.89 6.2 0 5.0 0.12 0.19 0.52

112 CG3-P064 600249 9805322 10.79 13.5 79.89 5.9 0 6.5 0.10 0.11 1.33

113 CG3-P065 598137 9798075 24.39 33.5 72.79 5.8 0 2.0 0.11 0.41 0.35

114 CG3-P066 598836 9797741 15.11 20.0 75.55 5.7 0 6.0 0.09 0.23 1.68

115 CG3-P067 596603 9794800 39.34 49.0 80.28 7.3 0 37.0 1.05 0.15 1.16

116 CG3-P069 597673 9789434 10.21 17.0 60.06 5.7 0 4.5 0.09 0.15 0.67

117 CG3-P070 598448 9788924 15.22 28.0 54.36 6.1 0 2.0 0.09 0.19 0.87

118 CG3-P071 595980 9791922 13.77 17.0 80.97 6.5 0 1.0 0.10 0.35 1.54

119 CG3-P072 595311 9789323 12.43 19.0 65.39 6.1 0 6.0 0.10 0.18 1.54

120 CG3-P073 595259 9791655 20.61 22.5 91.60 7.3 0 2.5 0.08 0.25 1.33

121 CG3-P074 593831 9791218 38.59 51.5 74.92 5.9 0 3.5 0.20 0.25 1.62

122 CG3-P075 584965 9820895 28.66 36.0 79.61 6.3 0 22.0 0.37 0.18 0.93

123 CG3-P076 585484 9817769 26.33 28.5 92.37 8.0 0 12.5 0.27 0.33 2.00

124 CG3-P078 585768 9816606 27.03 34.0 79.49 7.4 0 36.3 0.59 0.28 1.88

125 CG3-P079 582607 9818022 26.30 28.0 93.93 7.9 0 38.5 0.48 0.51 2.55

126 CG3-P080 567263 9810997 35.60 42.0 84.76 7.6 0 26.5 0.57 0.36 1.36

127 CG3-P082 567711 9816192 29.55 40.0 73.86 6.9 0 12.0 0.50 0.31 1.70

128 CG3-P083 567099 9813707 23.53 26.0 90.50 6.6 0 46.0 0.38 0.32 1.57

129 CG3-P084 567054 9813511 23.77 27.8 85.65 6.2 0 35.0 0.21 0.14 1.64

130 CG3-P086 562040 9813600 35.66 45.0 79.24 6.8 0 52.0 0.73 0.30 2.73

131 CG3-P088 560850 9814829 32.37 42.0 77.07 6.8 0 11.5 0.38 0.23 0.93

132 CG3-P105 581553 9798678 19.18 20.5 93.56 6.3 0 14.0 0.22 0.27 1.54

133 CG3-P106 578695 9798058 23.96 25.7 93.35 8.0 0 12.3 0.42 0.30 0.79

134 CG3-P109 565582 9796277 23.30 25.0 93.20 6.9 0 2.0 0.30 0.15 0.99

135 CG3-P110 565253 9797444 19.41 20.5 94.66 8.0 0 7.5 0.22 0.27 1.94

136 CG3-P111 566035 9796704 22.78 24.0 94.92 6.5 0 2.0 0.09 0.37 1.45

137 CG3-P112 564849 9795343 23.91 25.0 95.64 7.2 0 6.0 0.53 0.36 1.08

138 CG3-P114 569764 9796370 23.24 24.0 96.83 7.4 0 2.0 0.25 0.30 1.39

139 CG3-P115 569467 9797864 23.74 25.0 94.94 7.9 0 5.0 0.25 0.30 1.07

140 CG3-P116 569563 9797403 18.24 20.0 91.18 8.2 0 6.0 0.32 0.39 2.49

141 CG3-P117 571665 9799259 20.31 21.5 94.47 8.2 0 4.0 0.19 0.25 1.07

142 CG3-P118 572913 9799907 26.71 28.0 95.39 7.3 0 31.5 0.81 0.16 0.73

143 CG3-P119 573591 9798879 30.05 31.0 96.95 6.9 0 20.7 0.35 0.38 0.43

144 CG3-P120 575725 9799848 24.32 25.3 96.00 6.2 0 2.7 0.14 0.18 0.27

145 CG3-P121 577259 9797715 21.32 22.0 96.91 7.5 0 23.0 0.28 0.59 1.57

146 CG3-P122 585117 9840624 30.26 31.0 97.61 5.9 0 4.5 0.36 0.20 1.68

147 CG3-P123 584903 9840683 22.30 24.5 91.00 6.2 0 53.0 0.75 0.42 2.06

148 CG3-P124 584966 9841034 23.45 24.7 95.05 6.2 0 49.7 0.37 0.16 0.79

149 CG3-P125 585380 9843566 15.14 20.0 75.70 5.2 0 5.0 0.27 0.11 0.62

150 CG3-P126 584020 9843669 19.16 20.0 95.80 5.7 0 13.5 0.08 0.18 0.73



50


Número Código de

perfil

Coordenadas



151 CG3-P127 583260 9844753 25.39 26.5 95.79 6.0 0 49.7 0.76 0.27 1.43

152 CG3-P128 582962 9845324 29.00 30.0 96.67 6.3 0 29.0 0.50 0.54 1.14

153 CG3-P129 584220 9846509 28.30 29.0 97.59 6.5 0 7.5 0.74 0.18 1.10

154 CG3-P130 583287 9851540 30.30 31.7 95.69 6.4 0 23.3 0.68 0.36 0.73

155 CG3-P131 585668 9848041 24.73 26.0 95.10 6.2 0 10.5 0.21 0.32 0.90

156 CG3-P132 578969 9855702 29.16 30.0 97.18 6.1 0 1.0 0.21 0.19 1.42

157 CG3-P133 580566 9852546 29.77 31.5 94.49 6.4 0 9.0 0.56 0.29 3.25

158 CG3-P134 582819 9849531 27.13 28.3 95.75 6.8 0 47.0 0.71 0.25 1.35

159 CG3-P136 582795 9849710 27.51 28.5 96.53 6.6 0 2.5 0.08 0.19 0.87

160 CG3-P138 582226 9857919 29.94 31.0 96.58 6.4 0 8.5 0.15 0.18 3.89

161 CG3-P139 581333 9847911 31.16 32.0 97.36 6.3 0 27.5 0.32 0.13 1.25

162 CG3-P199 610615 9768727 56.25 58.5 96.15 7.1 0 6.5 0.32 0.81 1.33

163 CG3-P200 613257 9769623 42.63 43.5 98.00 8.1 0 19.0 0.18 0.86 1.16

164 CG3-P201 611044 9766976 39.37 42.0 93.74 7.4 0 26.0 0.97 0.40 2.84

165 CG3-P205 586706 9765752 33.23 35.5 93.59 6.9 0 4.5 0.86 0.45 1.89

166 CG4-P027 601416 9799716 44.75 45.3 98.68 6.4 0 1.5 0.11 0.20 0.75

167 CG4-P028 602509 9808129 10.06 10.7 93.67 6.6 0 2.0 0.07 0.24 0.25

168 CG4-P033 602164 9815681 15.48 15.9 97.45 6.4 0 1.3 0.09 0.19 0.33

169 CG4-P034 598342 9818448 41.11 41.4 99.38 6.4 0 3.5 0.24 0.24 2.00

170 CG4-P036 596210 9807125 13.10 13.9 94.48 5.5 0 3.5 0.05 0.17 0.73

171 CG4-P037 593673 9810874 33.26 33.4 99.66 6.3 0 7.5 0.31 0.17 1.60

172 CG4-P050 597339 9846214 34.48 34.6 99.65 6.6 0 25.5 0.69 0.43 1.31

173 CG4-P068 608123 9790194 32.39 33.5 96.69 8.0 0 12.3 0.29 1.50 0.83

174 CG4-P069 610549 9789098 27.83 29.0 95.95 7.3 0 16.5 0.39 0.28 0.96

175 CG4-P070 608728 9788901 38.21 53.5 71.42 7.1 0 25.0 0.46 1.02 1.19

176 CG4-P071 604712 9786642 36.04 51.5 69.97 7.1 0 4.7 0.22 0.47 0.52

177 CG4-P073 603565 9786423 28.32 36.0 78.67 6.7 0 14.0 0.24 0.19 1.45

178 CG4-P074 607225 9788542 38.59 51.5 74.92 6.7 0 11.5 0.35 4.22 1.02

179 CG4-P075 609128 9787745 28.97 37.5 77.24 6.8 0 4.5 0.25 0.24 0.93

180 CG4-P076 605023 9791189 18.15 34.0 53.38 6.7 0 29.5 0.36 0.52 1.16

181 CG4-P077 606073 9785024 17.62 18.0 97.87 6.2 0 2.7 0.06 1.00 0.50

182 CG4-P078 606887 9785590 25.35 25.9 97.88 6.8 0 25.3 0.63 0.66 1.20

183 CG4-P079 608867 9783847 30.46 32.5 93.71 6.5 0 3.0 0.15 0.16 1.48

184 CG4-P080 609586 9783494 26.07 33.3 78.21 6.9 0 3.3 0.04 0.28 0.91

185 CG4-P081 608705 9785993 40.76 55.5 73.44 7.1 0 16.0 0.45 4.40 2.03

186 CG4-P083 600708 9785739 31.91 42.7 74.80 7.3 0 8.0 0.14 0.76 1.01

187 CG4-P084 607379 9785728 24.10 25.0 96.40 6.2 0 83.0 0.99 0.27 0.87

188 CG4-P085 602474 9788667 32.50 52.5 61.90 7.1 0 19.5 0.36 0.52 1.10

189 CG4-P086 571080 9822304 20.27 24.3 83.32 6.5 0 62.0 0.74 0.40 1.84

190 CG4-P087 570344 9821810 16.61 23.0 72.20 6.4 0 41.5 0.18 0.39 1.80

191 CG4-P088 568089 9825750 24.16 33.0 73.20 6.9 0 65.5 0.90 0.42 1.80

192 CG4-P089 568294 9826381 24.98 26.3 94.87 7.0 0 191.7 2.18 0.40 1.55

193 CG4-P091 566943 9832074 24.98 36.0 69.38 6.7 0 21.5 0.16 0.19 1.77

194 CG4-P092 567029 9832416 32.88 49.0 67.09 5.9 0 2.5 0.24 0.98 1.57

195 CG4-P093 566539 9832186 31.24 40.0 78.10 6.3 0 4.5 0.58 0.15 1.77

196 CG4-P094 566941 9828813 28.75 39.0 73.71 6.6 0 15.3 1.00 0.31 1.55

197 CG4-P095 562139 9832996 28.69 40.0 71.71 6.7 0 32.0 0.39 0.21 1.77

198 CG4-P096 562288 9833102 22.13 32.0 69.16 6.4 0 40.7 0.63 0.14 1.41

199 CG4-P097 560305 9832308 30.32 41.3 73.35 6.4 0 7.3 0.64 0.20 1.89

200 CG4-P098 560349 9832278 29.06 38.0 76.47 6.3 0 8.5 0.41 0.19 1.71



51


Número Código de

perfil

Coordenadas



201 CG4-P099 560375 9832897 25.89 37.0 69.97 6.6 0 11.3 0.20 0.10 1.62

202 CG4-P100 562273 9832962 25.32 38.0 66.62 6.5 0 42.5 0.75 0.40 1.80

203 CG4-P101 560967 9833490 22.11 25.5 86.71 6.6 0 64.5 1.26 0.13 1.91

204 CG4-P102 561146 9833989 25.70 32.0 80.30 6.9 0 11.0 0.37 0.41 2.30

205 CG4-P121 587671 9798481 11.43 14.0 81.64 7.3 0 22.0 0.25 0.30 0.66

206 CG4-P122 591452 9797981 23.56 25.0 94.24 6.0 0 2.5 0.10 0.17 0.44

207 CG4-P123 589102 9797027 27.31 28.5 95.81 6.8 0 32.3 0.52 0.17 0.77

208 CG4-P124 590781 9794147 9.06 10.0 90.60 6.1 0 9.5 0.25 0.34 1.28

209 CG4-P125 591082 9794962 12.64 13.3 94.78 6.4 0 7.7 0.14 0.37 0.85

210 CG4-P126 587288 9793659 10.47 11.4 92.20 6.3 0 10.5 0.33 0.24 1.36

211 CG4-P127 577041 9772755 24.98 26.0 96.08 7.2 0 9.0 0.43 0.46 2.23

212 CG4-P129 577199 9775927 33.71 35.0 96.31 7.7 0 28.0 0.86 0.45 2.32

213 CG4-P130 578288 9777815 28.73 30.5 94.20 6.7 0 4.5 0.25 0.25 1.89

214 CG4-P131 579086 9779339 25.04 26.0 96.31 6.7 0 4.5 0.34 0.32 1.16

215 CG4-P132 578465 9781029 23.83 25.0 95.30 7.3 0 2.7 0.16 0.22 0.77

216 CG4-P133 581345 9782780 24.62 25.5 96.55 6.6 0 7.0 0.25 0.14 1.19

217 CG4-P134 583744 9786117 7.02 7.5 93.60 6.3 0 4.0 0.06 0.28 0.81

218 CG4-P135 585440 9790213 28.53 29.5 96.71 6.6 0 2.5 0.22 0.40 1.04

219 CG4-P137 581132 9787230 22.96 24.0 95.65 7.0 0 6.3 0.16 0.20 0.66

220 CG4-P138 585028 9791632 24.40 25.5 95.67 6.9 0 7.0 0.26 0.37 1.45

221 CG4-P139 588277 9790399 12.61 14.0 90.07 5.9 0 2.0 0.20 0.26 1.28

222 CG4-P140 587388 9792893 27.59 29.0 95.12 7.2 0 5.0 0.25 0.40 1.31

223 CG4-P141 564593 9840782 21.66 24.5 88.39 5.6 0 7.0 0.24 0.19 1.45

224 CG4-P142 562879 9841139 12.84 17.0 75.53 5.2 0 8.7 0.17 0.17 1.45

225 CG4-P144 565049 9842366 28.27 29.5 95.83 5.9 0 7.7 0.27 0.22 1.60

226 CG4-P146 560795 9863723 29.82 30.5 97.75 7.0 0 27.0 1.21 0.15 1.89

227 CG4-P147 560632 9862775 32.01 33.0 97.00 6.9 0 28.3 1.99 0.26 2.32

228 CG4-P148 559560 9862294 31.33 32.0 97.89 6.9 0 18.5 0.89 0.40 0.73

229 CG4-P149 559231 9858095 30.74 31.5 97.57 6.8 0 49.0 1.00 0.36 1.25

230 CG4-P150 558653 9858851 34.57 35.0 98.77 7.1 0 65.7 2.80 1.12 1.26

231 CG4-P151 557178 9864215 31.56 32.0 98.63 7.9 0 14.0 1.45 0.54 2.44

232 CG4-P152 557077 9864631 32.56 33.0 98.67 7.3 0 20.5 1.43 0.44 4.96

233 CG4-P154 562719 9851479 23.50 24.5 95.92 6.3 0 8.7 0.23 0.21 0.48

234 CG4-P155 561196 9855064 29.44 30.0 98.13 6.7 0 9.0 0.33 0.13 0.73

235 CG4-P211 610061 9770431 19.44 20.0 97.20 6.3 0 5.0 0.18 0.44 1.62

236 CG4-P214 608031 9771438 73.25 75.3 97.24 7.4 0 5.3 0.61 1.61 1.37

237 CG4-P215 608719 9778214 42.60 45.0 94.66 7.5 0 1.0 0.21 1.16 1.97

238 CG4-P220 605159 9774691 42.91 45.0 95.36 7.3 0 8.0 0.39 0.30 0.79

239 CG4-P222 590594 9765799 40.56 42.0 96.57 7.3 0 3.0 0.95 0.48 3.07

240 CG4-P223 590382 9765848 37.04 38.7 95.78 6.6 0 26.7 1.11 0.41 2.20

241 CG5-P013 592961 9844023 27.39 27.6 99.38 5.8 0 29.8 0.13 0.06 0.30

242 CG5-P014 594590 9840989 28.41 28.8 98.54 6.0 0 3.0 0.10 0.18 0.75

243 CG5-P017 597143 9855721 29.96 30.3 98.89 6.0 0 43.0 0.83 0.06 0.81

244 CG5-P037 586794 9771270 27.61 41.0 67.35 6.4 0 16.7 0.81 0.41 2.96

245 CG5-P038 587220 9770828 26.50 27.0 98.15 6.9 0 21.3 0.81 0.18 1.02

246 CG5-P039 591144 9776118 21.20 23.0 92.15 5.9 0 4.5 0.08 0.22 1.80

247 CG5-P040 589897 9776039 30.75 31.5 97.60 6.7 0 46.5 1.70 2.78 4.90

248 CG5-P041 589511 9773430 28.41 33.3 85.24 6.1 0 1.7 0.08 0.23 1.72

249 CG5-P042 585018 9767963 27.19 36.0 75.53 6.4 0 2.5 0.21 0.26 2.32

250 CG5-P043 588820 9770517 24.01 31.5 76.22 6.0 0 3.0 0.15 0.20 3.02



52


Número Código de

perfil

Coordenadas



251 CG5-P044 589081 9770831 16.28 22.7 71.81 5.8 0 5.3 0.17 0.20 1.95

252 CG5-P045 587069 9776142 21.73 23.7 91.83 6.2 0 3.3 0.16 0.32 1.88

253 CG5-P046 585999 9776280 30.47 33.0 92.33 6.6 0 1.5 0.23 0.23 1.04

254 CG5-P049 568551 9809889 34.15 42.0 81.31 6.2 0 66.5 0.62 0.67 1.83

255 CG5-P050 569365 9808994 33.66 43.5 77.38 6.4 0 133.0 1.82 0.18 1.91

256 CG5-P051 572897 9806797 37.54 42.3 88.69 7.3 0 38.7 0.47 0.28 1.18

257 CG5-P052 556175 9796497 28.56 38.0 75.16 6.0 0 29.5 0.34 0.46 1.36

258 CG5-P053 555062 9795914 28.38 40.0 70.94 6.9 0 6.5 0.41 0.34 2.18

259 CG5-P054 555826 9796104 31.52 46.0 68.51 6.5 0 6.5 0.33 0.25 1.22

260 CG5-P055 556611 9798286 27.11 36.0 75.29 6.3 0 2.0 0.31 0.20 1.28

261 CG5-P057 568231 9804638 26.09 34.0 76.72 6.3 0 16.5 0.57 0.37 1.62

262 CG5-P058 568979 9806340 24.09 28.7 84.03 5.3 0 3.0 0.23 0.16 1.74

263 CG5-P059 570297 9807485 18.49 19.5 94.82 5.7 0 50.0 0.35 0.21 0.52

264 CG5-P061 563108 9797435 22.24 30.0 74.14 7.3 0 5.0 0.71 0.38 1.89

265 CG5-P062 573099 9808200 30.96 38.5 80.42 6.6 0 43.7 0.60 0.24 1.43

266 CG5-P063 568581 9811483 23.10 36.0 64.15 6.0 0 101.0 0.33 0.22 0.84

267 CG5-P064 562843 9808672 25.44 36.0 70.67 6.3 0 18.0 1.14 0.16 0.66

268 CG5-P083 569059 9783632 27.43 28.3 96.81 7.3 0 17.0 0.41 0.26 1.12

269 CG5-P085 565386 9786543 25.75 27.0 95.36 6.6 0 3.0 0.42 0.33 1.68

270 CG5-P086 567560 9786023 24.80 30.5 81.30 8.0 0 8.0 0.46 0.26 1.57

271 CG5-P087 569335 9786085 24.94 26.0 95.92 7.9 0 2.0 0.54 0.36 1.68

272 CG5-P088 571331 9782916 24.81 26.0 95.40 7.5 0 5.0 0.32 0.22 1.02

273 CG5-P090 573588 9788086 26.60 34.3 77.49 7.2 0 2.7 0.21 0.32 1.20

274 CG5-P091 572392 9787949 28.34 29.7 95.53 6.7 0 5.5 0.23 0.25 0.97

275 CG5-P093 576571 9790605 14.85 15.5 95.77 6.5 0 4.5 0.13 0.15 0.90

276 CG5-P094 572517 9792535 29.67 31.0 95.69 7.3 0 7.5 0.97 0.20 0.99

277 CG5-P095 576401 9794315 24.95 29.7 84.11 7.6 0 15.7 0.44 0.28 1.04

278 CG5-P096 576361 9795669 23.54 24.0 98.08 7.1 0 55.0 0.94 0.69 1.57

279 CG5-P097 578255 9789420 28.87 30.0 96.23 7.4 0 1.5 0.22 0.25 0.96

280 CG5-P099 568978 9830576 20.99 21.5 97.63 6.0 0 32.0 0.52 0.39 0.99

281 CG5-P100 569328 9831157 26.67 27.0 98.78 7.4 0 96.3 0.73 0.23 0.68

282 CG5-P101 577524 9836299 29.28 30.0 97.58 6.7 0 29.0 0.89 0.45 2.06

283 CG5-P102 576694 9836009 26.84 27.7 97.01 6.4 0 11.3 0.32 0.28 0.89

284 CG5-P104 570661 9837042 30.38 31.0 97.99 6.4 0 42.0 0.78 0.26 1.26

285 CG5-P105 571222 9839000 28.94 30.0 96.47 6.1 0 15.0 0.31 0.22 1.64

286 CG5-P106 571233 9837953 26.51 27.5 96.38 5.9 0 4.3 0.27 0.15 0.97

287 CG5-P107 571553 9835598 26.90 28.0 96.07 6.3 0 6.0 0.20 0.21 1.31

288 CG5-P108 571693 9834481 33.00 34.0 97.06 6.7 0 28.0 1.43 0.25 1.22

289 CG5-P109 570491 9840863 34.99 35.7 98.11 6.4 0 31.7 0.57 0.45 1.08

290 CG5-P110 575693 9834641 32.59 33.0 98.76 5.9 0 39.3 0.52 0.40 0.87

291 CG5-P111 573870 9837135 28.50 29.0 98.28 6.7 0 17.0 1.08 0.15 3.19

292 CG5-P112 572584 9834057 29.77 30.5 97.61 6.8 0 75.3 1.15 0.32 0.58

293 CG5-P113 572465 9833954 27.96 29.0 96.41 6.5 0 13.7 0.44 0.22 1.28

294 CG5-P114 571826 9840084 25.44 26.5 95.98 6.6 0 13.0 0.59 0.17 1.06

295 CG5-P169 593778 9765855 19.98 22.3 89.46 6.9 0 7.3 0.51 0.34 2.67

296 CG5-P170 593920 9765874 13.11 14.7 89.36 6.2 0 7.0 0.33 1.27 1.91

297 CG5-P171 612773 9776012 55.65 58.0 95.95 7.1 0 0.0 0.15 0.89 1.04

298 CG5-P173 613170 9776645 32.87 35.0 93.90 6.8 0 3.3 0.14 0.41 1.39

299 CG5-P174 601083 9765683 30.88 32.5 95.00 6.3 0 2.0 0.39 0.30 1.91

300 CG5-P177 585626 9766702 44.58 45.5 97.98 7.2 0 77.5 1.74 0.26 1.04



53


Número Código de

perfil

Coordenadas



301 CG5-P178 585504 9767627 23.11 24.3 94.99 6.3 0 1.7 0.16 0.20 1.39

302 CG6-P023 594803 9852530 29.59 30.0 98.53 6.3 0 31.7 0.65 0.28 1.72

303 CG6-P024 593760 9849498 18.07 18.5 97.68 6.7 0 45.5 0.32 0.14 0.70

304 CG6-P041 608612 9782034 41.39 42.0 98.54 7.0 0 6.0 0.39 0.25 1.04

305 CG6-P042 599015 9774349 33.29 37.0 89.97 7.2 0 4.0 0.58 0.47 3.65

306 CG6-P043 599114 9774370 34.60 35.0 98.86 7.3 0 6.0 0.46 0.49 3.25

307 CG6-P044 603395 9776984 39.16 43.0 91.08 7.6 0 1.7 0.06 0.22 1.14

308 CG6-P045 603531 9777366 39.63 42.0 94.36 7.2 0 2.0 0.11 0.18 1.48

309 CG6-P046 603643 9775017 36.17 38.5 93.95 6.5 0 1.5 0.05 0.11 1.19

310 CG6-P047 601589 9774745 32.70 38.5 84.92 7.1 0 4.5 0.34 0.22 2.29

311 CG6-P049 608801 9782373 38.91 41.0 94.89 6.9 0 9.0 0.27 0.22 1.68

312 CG6-P051 597775 9771513 27.48 34.5 79.65 5.8 0 4.0 0.21 1.55 1.91

313 CG6-P052 556318 9817152 25.73 43.3 59.37 6.6 0 17.7 1.09 0.21 1.37

314 CG6-P053 557645 9818456 23.78 35.0 67.93 6.6 0 37.0 1.13 0.18 1.86

315 CG6-P054 553283 9827116 24.78 36.0 68.83 7.9 0 10.0 0.37 0.30 1.33

316 CG6-P055 555758 9829786 25.98 31.5 82.48 7.5 0 29.5 0.68 0.38 1.97

317 CG6-P056 557599 9829926 28.85 41.7 69.24 6.5 0 18.7 0.35 0.18 1.08

318 CG6-P057 558163 9819847 23.89 30.0 79.64 6.9 0 53.7 0.80 0.22 2.05

319 CG6-P058 557501 9823072 32.85 41.3 79.48 7.0 0 17.7 0.51 0.18 1.01

320 CG6-P059 560205 9819928 34.89 40.7 85.80 7.7 0 28.3 0.70 0.43 1.74

321 CG6-P060 560275 9819957 26.55 32.0 82.96 6.5 0 56.3 0.76 0.14 1.10

322 CG6-P061 557400 9824796 26.92 30.3 88.74 6.2 0 68.3 0.84 0.22 1.35

323 CG6-P063 554405 9826298 30.98 41.7 74.35 7.0 0 6.3 0.28 0.36 1.55

324 CG6-P064 552134 9824500 23.81 27.0 88.19 5.9 0 3.5 0.17 0.15 1.25

325 CG6-P065 557349 9827541 31.35 36.7 85.51 6.4 0 16.0 0.50 0.18 1.74

326 CG6-P066 557473 9826995 22.69 26.0 87.25 6.8 0 36.0 0.81 0.45 1.51

327 CG6-P067 559409 9824592 17.09 20.0 85.47 5.8 0 157.3 0.14 0.20 1.16

328 CG6-P084 572236 9802331 18.59 19.5 95.33 6.2 0 7.3 0.19 0.29 1.06

329 CG6-P085 567289 9801260 28.95 30.5 94.92 7.0 0 5.0 0.48 0.16 1.31

330 CG6-P086 567672 9801132 27.04 32.0 84.50 6.2 0 3.0 0.22 0.14 1.10

331 CG6-P087 566759 9801759 25.54 26.7 95.78 7.3 0 22.0 0.81 0.27 1.37

332 CG6-P088 567069 9801905 25.59 26.3 97.19 8.1 0 9.0 0.29 0.32 1.18

333 CG6-P089 569238 9801696 24.24 25.0 96.96 8.3 0 7.7 0.27 0.26 0.95

334 CG6-P090 571579 9804278 25.36 26.3 96.29 6.6 0 12.7 0.11 0.24 0.33

335 CG6-P091 571618 9805157 29.86 31.0 96.31 7.2 0 47.0 0.24 0.23 1.22

336 CG6-P094 567821 9800518 24.85 26.0 95.56 6.7 0 4.3 0.11 0.19 0.58

337 CG6-P095 571131 9806887 28.78 29.5 97.54 7.0 0 21.7 0.63 0.37 0.70

338 CG6-P096 576670 9804341 29.03 29.5 98.39 7.6 0 10.0 0.28 0.26 1.02

339 CG6-P097 579640 9800835 33.11 34.0 97.37 6.4 0 31.5 0.36 0.19 1.13

340 CG6-P098 579858 9800773 27.46 28.3 96.92 7.5 0 6.7 0.20 0.30 0.91

341 CG6-P099 581987 9802173 39.48 40.0 98.70 5.8 0 24.0 0.50 0.24 0.70

342 CG6-P100 581292 9801660 33.93 35.5 95.58 7.8 0 17.3 0.24 0.45 0.64

343 CG6-P101 562601 9864480 29.31 30.0 97.69 7.0 0 40.7 1.41 0.12 0.97

344 CG6-P102 568108 9841542 24.52 25.0 98.08 6.2 0 4.5 0.37 0.28 0.87

345 CG6-P103 568303 9841201 22.58 23.0 98.17 6.5 0 49.7 0.62 0.19 0.75

346 CG6-P104 570241 9833709 24.04 25.0 96.14 6.2 0 37.0 0.77 0.14 0.72

347 CG6-P107 565334 9851917 17.74 19.0 93.37 6.5 0 41.5 0.31 0.23 0.64

348 CG6-P108 569200 9856100 18.15 19.0 95.53 6.1 0 18.0 0.44 0.24 1.02

349 CG6-P109 565663 9857261 29.53 30.0 98.43 6.9 0 24.0 2.00 0.41 1.45

350 CG6-P110 565019 9859050 24.57 26.0 94.49 7.1 0 25.7 0.62 0.26 4.52



54


Número Código de

perfil

Coordenadas



351 CG6-P111 568172 9856247 26.14 27.0 96.81 7.0 0 67.0 1.56 0.12 3.02

352 CG6-P112 568193 9853974 26.00 27.0 96.30 6.1 0 7.0 0.33 0.17 0.79

353 CG6-P113 567146 9855376 28.16 29.0 97.10 6.3 0 1.5 0.14 0.27 0.44

354 CG6-P114 564947 9855839 23.22 23.5 98.79 6.6 0 45.5 0.81 0.13 0.91

355 CG6-P115 564904 9862352 29.07 30.5 95.31 6.7 0 8.0 0.68 0.25 0.77

356 CG6-P116 562988 9859164 28.94 30.5 94.87 7.0 0 72.0 2.46 0.49 1.36

357 CG6-P117 564712 9859174 28.31 29.0 97.62 6.7 0 10.7 0.30 0.33 0.73

358 CG6-P119 556038 9819100 33.70 44.0 76.59 5.8 0 5.0 0.14 0.16 1.28

359 CG6-P120 555988 9817974 27.65 29.0 95.34 5.9 0 4.5 0.21 0.18 1.54

360 CG6-P166 590545 9766705 19.31 20.7 93.44 6.5 0 2.7 0.58 0.22 1.57

361 CG6-P167 591802 9766690 15.65 16.7 93.88 6.3 0 2.3 0.44 0.19 1.62


55

Anexo 3. Mapa de suelos y de unidades ambientales del área de estudio

Mapa de suelos Mapa de unidades ambientales


56

Anexo 4. Mapas interpolados de potencial hidrógeno (pH), capacidad de intercambio catiónico (CIC), bases totales (BT), saturación de bases (SB),

carbón orgánico (CO), fósforo disponible (P), potasio disponible (K) y conductividad eléctrica (CE)


57


fertilidad de los suelos a través de la regionalización de...

Documents