Gracias por visitar nature.com.Está utilizando una versión de navegador con soporte limitado para CSS.Para obtener la mejor experiencia, le recomendamos que utilice un navegador más actualizado (o desactive el modo de compatibilidad en Internet Explorer).Mientras tanto, para garantizar un soporte continuo, mostramos el sitio sin estilos ni JavaScript.Carrusel con tres diapositivas mostradas a la vez.Use los botones Anterior y Siguiente para navegar por tres diapositivas a la vez, o los botones de puntos de diapositivas al final para saltar tres diapositivas a la vez.Thorsten Behrens, Karsten Schmidt, … Raphael A. Viscarra RosselTomislav Hengl, Matthew AE Miller, … Jonathan CrouchNicholas R. Patton, Kathleen A. Lohse, … Mark S. SeyfriedSimone Fatichi, Dani O, … Roni AvissarPoulamee Chakraborty, Bhabani S. Das, … Priyabrata SantraHarry Vereecken, Wulf Amelung, … Yonggen ZhangDale Roberts, John Wilford y Omar GhattasSara Bonetti, Zhongwang Wei y Dani OrBárbara Pereira Christofaro Silva, Marx Leandro Naves Silva, … Nilton CuriScientific Reports volumen 12, Número de artículo: 9496 (2022) Citar este artículoEl modelado contextual multiescala es un conjunto de herramientas importante para el mapeo ambiental.Da cuenta de la dependencia espacial mediante el uso de covariables en múltiples escalas espaciales e incorpora el contexto espacial y la dependencia estructural de las propiedades ambientales en los modelos de aprendizaje automático.Para el modelado espacial de suelos, existen tres escalas o rangos de escala relevantes: procesos de formación de suelos casi locales que son independientes del contexto espacial, procesos de catenaria de corto alcance y procesos de largo alcance relacionados con el clima y la configuración del terreno a gran escala.Estudios recientes investigaron la dependencia espacial de las propiedades del suelo solamente.Nuestra hipótesis es que las propiedades del suelo dentro de un perfil de suelo se formaron debido a interacciones específicas entre diferentes características y escalas del contexto espacial, y que existen gradientes de profundidad en las dependencias espaciales y estructurales.Los resultados mostraron que para la capa superior del suelo, las características a escalas pequeñas e intermedias no aumentan la precisión del modelo, mientras que las escalas grandes aumentan la precisión del modelo.Por el contrario, los modelos de subsuelo se benefician de todas las escalas: pequeña, intermedia y grande.Con base en las diferencias de relevancia, concluimos que los rangos de escalas relevantes no solo difieren en el dominio horizontal, sino también en el dominio vertical a lo largo del perfil del suelo.Esto demuestra claramente el impacto del modelado espacial contextual en el mapeo de suelos en 3D.Los suelos son cruciales para la agricultura, la silvicultura, la biodiversidad, la producción de biocombustibles y el ciclo global del carbono1,2.La creciente población mundial requiere cambios en la producción de alimentos hacia la sostenibilidad a través de políticas y prácticas de gestión1,3.El conocimiento espacial de las propiedades y procesos del suelo puede respaldar las prácticas de manejo para aumentar la productividad que depende del contenido de agua, la disponibilidad de nutrientes, la acidez del suelo y otros indicadores de la calidad del suelo1.Se pueden obtener datos relevantes de modelos de suelo sofisticados y predicciones espaciales basadas en aprendizaje automático.Tales predicciones de las propiedades del suelo se basan en dos paradigmas fundamentales: la ecuación del factor de estado (Ec. 1)4 y el modelo universal de variación espacial (Ec. 2)5.La ecuación del factor de estado formaliza el concepto de factores de formación del suelo6:donde S es una propiedad del suelo en un lugar determinado que se desarrolla como una función no lineal f de los factores de formación del suelo clima (cl), organismos (o), relieve (r), material original (p), tiempo (t), y otros factores potencialmente desconocidos (⋯), que pueden incluir otras propiedades del suelo7, ubicación espacial7 y contexto espacial8.Por lo tanto, el modelo universal de variación espacial incluye la ecuación del factor de estado determinista, así como una parte estocástica de la variación (aparentemente) aleatoria:donde Z(s) es la propiedad del suelo, Z*(s) el componente determinista, es decir, los factores de formación del suelo de la ecuación.(1), ε′(s) el componente estocástico de (aparentemente) variación aleatoria, y ε′ ruido aleatorio.Si bien Z*(s) se puede modelar con métodos de aprendizaje automático al correlacionar el resultado con las covariables ambientales independientes de la ecuación del factor de estado, el componente estocástico ε′(s) a menudo se modela con métodos geoestadísticos como kriging9,10 o enfoques bayesianos11 ,12.Sin embargo, con covariables ambientales de múltiples escalas, Behrens et al.13 demostraron que ε′(s) en realidad puede tratarse como parte de Z*(s) y mencionan como ejemplo la catenaria de corto alcance y los sistemas eólicos teleconectados de largo alcance porque ambos dependen en el relieve (r) y el clima (cl) pero en niveles jerárquicos superiores14.Estudios recientes que incorporaron covariables ambientales de múltiples escalas en modelos de aprendizaje automático mostraron una mayor precisión de predicción, parsimonia y eficiencia computacional8,15,16,17,18.Además, algunos de los estudios a los que se hace referencia permiten y fomentan interpretaciones geocientíficas y pedológicas complejas con respecto a los procesos de formación del suelo13,18,19,20,21.La mayor precisión de los enfoques de múltiples escalas en comparación con los enfoques que no toman en cuenta el contexto espacial está relacionada con la variación espacial y las interacciones de las propiedades del suelo y los procesos de formación del suelo que son efectivos en múltiples escalas al mismo tiempo y en el tiempo. dimensión.En consecuencia, los modelos de aprendizaje automático en combinación con las técnicas de ingeniería de características pueden dar cuenta de la información contextual ε′(s) que refleja los procesos de formación del suelo que interactúan, son jerárquicos y dependen de la escala en el dominio horizontal.Estudios recientes se centraron solo en la capa superior del suelo (principalmente de 0 a 30 cm)14,20,22, pero descuidaron el subsuelo (> 30 cm).Sin embargo, todo el continuo del suelo es relevante para los procesos ambientales y varios estudios han demostrado que los factores de formación del suelo también son efectivos en el dominio vertical, por ejemplo, el clima (cl)23,24, la vegetación (o)23,24,25, relieve (r)19,24,26,27, material original (p)22,28 y otras propiedades ambientales (⋯)28,29.Por lo tanto, investigamos la influencia del contexto espacial en el modelado de los dominios horizontal y vertical y formulamos la hipótesis de que los procesos de formación del suelo en el subsuelo se relacionan de manera diferente con el contexto espacial en comparación con la capa superior del suelo.Behrens et al.20 presentaron dos enfoques para identificar el espacio de escala apropiado para el modelado espacial: usar el variograma empírico para determinar el rango de modelos geoestadísticos (kriging) y usar secuencias de modelos de aprendizaje automático donde se agregan o eliminan secuencialmente escalas más gruesas de la covariable. espacio.Nuestros objetivos con este documento fueron (i) probar si las diferentes escalas espaciales pueden ser relevantes para el dominio vertical, y (ii) interpretar y discutir cómo y por qué las diferentes escalas espaciales pueden influir en las propiedades del suelo y los procesos de formación del suelo a través de un perfil de suelo.Para hacerlo, seguimos de cerca los enfoques del modelado espacial contextual multiescala para derivar derivados del terreno multiescala con la pirámide gaussiana17,18,20 y el variograma empírico.Creamos un conjunto de datos de suelo de 130 perfiles de suelo con hasta 5 incrementos de profundidad dependiendo de la profundidad del suelo local.Este conjunto de datos incluye mediciones de indicadores de calidad del suelo, propiedades del suelo derivadas de funciones de pedotransferencia y un índice de calidad del suelo.El área de estudio de 1000 km2 se encuentra en la cuenca del Medio Guadalquivir, Andalucía, España, 50 km al NE de Sevilla (Fig. 1).El entorno geológico separa el paisaje en tres partes principales: (i) la cordillera de Sierra Morena en el norte con granito, gneis y pizarra del Paleozoico, (ii) la llanura de inundación del Guadalquivir con margas del Pleistoceno, calcarenita, arena gruesa y arenas del Holoceno. y margas, y (iii) terrazas neógenas de grava gruesa y guijarros con arenas y margas en el Sur30,31,32.Las pendientes suelen tener entre 50 y 1000 m de largo.El área de estudio es un paisaje agrícola heterogéneo con tierras de cultivo, plantaciones de cítricos y olivos, pastos y Dehesa, un sistema agrosilvopastoril.De acuerdo con la taxonomía de suelos del USDA, los tipos de suelos predominantes son Alfisoles, Entisoles, Inceptisoles y Vertisoles33.Mapa del área de estudio en Andalucía, España, con ubicaciones de muestreo de suelo y la profundidad de suelo (cm) correspondiente de cada perfil según el diseño de muestreo (Hill shade y curvas de nivel derivadas del modelo de elevación digital utilizado en este estudio por CNIG con QGIS34 Datos del mapa administrativo para el panel inferior derecho proporcionados por gadm.org, https://gadm.org/license.html).Se tomaron muestras de suelo en 130 ubicaciones aleatorias estratificadas en octubre de 2018. Los estratos son combinaciones de cuatro posiciones geomórficas35 (plano, pie de ladera, talud y arcén) y el nivel 2 de cobertura terrestre de CORINE clasifica tierras cultivables, cultivos permanentes, pastos, bosques y arbustos. y/o asociaciones de vegetación herbácea, que son las clases de cobertura terrestre más comunes en el área de estudio.La densidad de puntos de las ubicaciones muestreadas es proporcional al área del estrato con un mínimo de 3 muestras para el estrato más pequeño.En cada ubicación, se tomaron hasta cinco muestras con una barrena dependiendo del espesor del suelo y se agruparon a partir de 3 repeticiones.Los incrementos muestreados fueron 0–10, 10–20, 20–30, 40–60 y 70–100 cm.Definimos los incrementos muestreados de 0 a 30 cm como suelo superficial y de 30 a 100 cm como subsuelo.Para el análisis de laboratorio, las muestras se secaron a 40 °C durante 24 h, se retiraron los fragmentos de raíz, se tamizaron (< 2 mm) y se molieron.Los espectros de las 506 muestras se midieron con un Tensor II (Bruker Optics, Ettlingen, Alemania) para la reflectancia en el espectro NIR (833–3500 nm, es decir, 2860–12 000 cm−1 con una resolución de 4 cm−1) y un GladiATR (Pike Technologies, Madison, WI, EE. UU.) en el espectro MIR (2270–25 000, es decir, 400–4400 cm−1 con una resolución de 2 cm−1).Debido a la superposición de espectros, cortamos los espectros a 2500 nm y mantuvimos los espectros de 833 a 2500 nm medidos con Tensor II y de 2500 a 25 000 nm medidos con GladiATR.Se analizó un subconjunto de 97 muestras representativas de los estratos para el carbono orgánico del suelo (COS) con un Vario EL III (Elementar, Hanau, Alemania), para la acidez del suelo (pH en solución de KCl; pHKCl) con un ProfiLine pH 3310 y un SenTix 81 (WTW, Weilheim, Alemania), y para fracciones de tamaño de grano arcilla (< 2 µm), limo (2–50 µm) y arena (50–2000 µm) con un SediGraph III (Micromeritics, Norcross, GA, EE. UU.) .Los 97 espectros se usaron como variables dependientes para entrenar modelos de regresión de mínimos cuadrados parciales y para hacer predicciones para las 409 muestras restantes36.Dado que el preprocesamiento de los espectros37 no mejoró el rendimiento del modelo, se utilizaron los espectros sin procesar.Los errores cuadráticos medios de estos modelos fueron 0,5 % para el contenido de COS, 0,4 para el pH, 4 % para la arcilla, 5 % para el limo y 5 % para el contenido de arena.Las predicciones del contenido de COS variaron de 0,01 a 3,61 %, el pH de 3,00 a 12,11, el contenido de arcilla de 0,01 a 73,94 %, el contenido de limo de 0,01 a 53,54 % y el contenido de arena de 0,01 a 101,55 %.La suma de las fracciones de textura osciló entre 90 y 110 % con una desviación estándar de σ = 3,25 %.Derivamos la capacidad de intercambio catiónico (CEC en cmol kg−1) con base en una función de pedotransferencia desarrollada específicamente para España38 y el contenido de agua a capacidad de campo (θFC en cm3 cm−3) usando una función de pedotransferencia desarrollada para Europa39.Se informó que los errores cuadráticos medios (RMSE) de estas funciones de pedotransferencia eran 0,06 cm3 cm−3 y 0,73 cmol kg−1, respectivamente.Posteriormente, calculamos una calificación de calidad del suelo (SQR) para representar el potencial de rendimiento de los suelos para cultivos agrícolas en función de los valores de CIC, pH y θFC40,41.El variograma es un modelo geoestadístico42.Los datos empíricos se utilizan para describir el grado de autocorrelación espacial entre pares de mediciones puntuales de propiedades ambientales y para desarrollar un modelo teórico, que se puede utilizar para el modelado espacial mediante kriging.El variograma consta de un conjunto de parámetros: pepita, umbral, retraso y rango.La pepita es la intersección y y describe la variabilidad en la escala más pequeña de los datos relacionados con el ruido y los errores.El alféizar representa la variabilidad máxima entre pares de puntos.El retraso es el radio en el que se construyen los pares de puntos.El soporte espacial al que corresponde el retraso en este estudio es el doble del soporte espacial del tamaño de píxel de la octava gaussiana reducida (consulte la siguiente sección).El rango es la distancia máxima hasta la cual los datos se autocorrelacionan espacialmente.Por lo tanto, el rango es un indicador de la escala máxima de contexto espacial para el modelado ambiental16,20,22.El escalado mixto gaussiano17,18 es un método para derivar derivados del terreno a múltiples escalas para incorporar la información contextual espacial de un paisaje en un modelo de aprendizaje automático.El escalado mixto gaussiano se basa en el filtrado gaussiano y el muestreo descendente43 y descompone las escalas de las covariables ambientales17.En la pirámide gaussiana, cada paso de reducción de muestreo elimina cada segunda columna y fila del modelo de elevación digital (DEM) del paso anterior.Los posibles artefactos asociados se minimizan con un filtro gaussiano antes de cada paso de reducción de escala.El resultado de cada paso se llama una octava.Finalmente, todas las octavas se muestrean con un procedimiento de escalado inverso a la resolución original del DEM para permitir la manipulación posterior de datos en la misma resolución.En el escalado mixto, el DEM se reduce.Luego, las covariables del terreno se derivan de cada octava y, posteriormente, se amplían.El escalado mixto ha demostrado ser más preciso que el escalado de las covariables derivadas del terreno, al mismo tiempo que proporciona menos artefactos y una mejor base para la interpretación18.Usamos las siguientes covariables del terreno basadas en las ecuaciones de Zevenbergen & Thorne44 derivadas del DEM de 5 m de resolución: elevación, pendiente, aspecto transformado en seno, aspecto transformado en coseno, curvatura promedio, curvatura del perfil, curvatura en planta, acumulación de flujo e índice de humedad topográfico ( Fig. 2) y calculó 11 octavas y 11 niveles intermedios18 con los correspondientes tamaños de celda del espacio de escala gaussiana: 10, 20, 40, 80, 160, 320, 640, 1280, 2560, 5120 y 10240 m.Estas covariables son la parte determinista Z*(s) y también reflejan la variación aparentemente aleatoria e′(s) en el modelo universal de variación espacial13.Con respecto a la longitud promedio de las pendientes en el área de estudio, las octavas 1 a 4 (10 a 80 m) describen propiedades del terreno a pequeña escala.Las octavas 5 a 8 (160–1280 m) representan características del terreno en la escala intermedia y están relacionadas con los procesos de formación de catenaria del suelo, como la erosión, el transporte de sedimentos y la reasignación.Las octavas 9 a 11 (2560–10 240 m) describen características suprarregionales a gran escala del paisaje, es decir, la firma geomórfica del paisaje17, como la cadena montañosa en el norte y la llanura aluvial del río Guadalquivir en el centro del estudio zona.Selección de covariables ambientales que muestran elevación, pendiente, norte, curvatura media, acumulación de flujo y el índice de humedad topográfica (TWI) en la octava 1 (escala de 10 m), 5 (160 m), 7 (640 m) y 10 ( 5120 metros).Se ha demostrado que los métodos de aprendizaje automático pueden extraer relaciones entre los datos del suelo y las covariables ambientales independientes.Entre otros, los bosques aleatorios se aplican a menudo para el modelado espacial de suelos en 3D18,19,28,45.Los bosques aleatorios son un conjunto de árboles de clasificación y regresión46,47.En un árbol de decisión, las divisiones binarias se utilizan recursivamente para homogeneizar las variables predictoras en relación con la variable dependiente, minimizando así la impureza del nodo.Los bosques aleatorios utilizan un enfoque de arranque, en el que se prueba un conjunto aleatorio de variables predictoras en cada división de un árbol.El modelo de regresión final resulta de promediar todas las salidas del conjunto del árbol de decisiones.Los bosques aleatorios son relativamente robustos frente al sobreajuste y la multicolinealidad, y proporcionan una herramienta que facilita la interpretación de los modelos47.En este estudio, usamos la implementación de bosque aleatorio en R48,49,50.Para la evaluación del modelo, utilizamos el coeficiente de correlación de Pearson (R2).Los modelos se entrenaron con ajuste de cuadrícula en busca de la configuración óptima del modelo51 y se validaron con una validación cruzada diez veces repetida utilizando el paquete caret52.Aplicamos modelos multiescala aditivos y sustractivos20 para analizar la influencia del horizonte de información creciente53.Comparamos y analizamos el entrenamiento repetido del modelo y la adición secuencial de octavas que representan escalas más grandes al conjunto de entrenamiento, así como la resta secuencial (eliminación) de octavas más pequeñas del conjunto completo de covariables.La secuencia del modelo aditivo comienza con las covariables en la resolución original del DEM y luego agrega las covariables de la siguiente octava superior al espacio de covariables para el entrenamiento del modelo.Para la secuencia del modelo sustractivo, las covariables de las octavas más pequeñas del espacio de covariables se eliminan secuencialmente.De esta forma, una determinada escala se representa mediante dos modelos que contienen todas las octavas más pequeñas (secuencia de modelo aditivo) o todas las octavas más grandes (secuencia de modelo sustractivo) del espacio completo de covariables.Con este enfoque, los aumentos o disminuciones de los valores de R2 de las secuencias del modelo indican qué octavas y escalas son más relevantes para el entrenamiento del modelo20.Para un mejor análisis visual, los resultados del modelo se suavizan con el suavizado de diagrama de dispersión estimado localmente (loess48).En total, entrenamos y validamos 920 modelos (11 octavas con niveles intermedios para cuatro propiedades del suelo en cinco profundidades con modelado aditivo y sustractivo, respectivamente).Los variogramas empíricos para CIC, pH, θFC y SQR en las cinco profundidades del suelo (Fig. 3) muestran un aumento general de la semivarianza con el aumento de la distancia.El mayor incremento en la semivarianza fue por debajo de una distancia de 2500 m correspondiente a la novena octava.Los rangos de los variogramas isotrópicos esféricos (teóricos)20 variaron entre 3000 y 9000 m para CEC, 2500–11 000 m para pH, 3500–29 000 m para θFC y 2500–13 000 m para SQR (Fig. 3).El rango más grande de los variogramas isotrópicos esféricos de 13 000 m estaba cerca de la octava 11 (escala de 10 240 m), que fue elegida como la octava más alta.Sin embargo, en algunos casos, los variogramas empíricos mostraron una semivarianza creciente más allá del rango del variograma teórico, como también informaron Behrens et al.20.Variogramas isotrópicos empíricos para la capacidad de intercambio catiónico (CEC), la acidez del suelo (pH) y el contenido de agua a capacidad de campo (θFC), y la clasificación de la calidad del suelo (SQR) a las cinco profundidades del suelo (0–10, 10–20, 20 –30, 40–60 y 70–100 cm).Las líneas verticales continuas indican el rango de los variogramas isotrópicos esféricos teóricos para cada incremento de profundidad y la línea vertical discontinua indica el rango máximo de los modelos de aprendizaje automático contextual (el rango de θFC a 70-100 cm fue de 29 000 m y fuera de los límites de la parcela) .Para la mayoría de las secuencias del modelo con los indicadores de calidad del suelo (CEC, pH, θFC y SQR; Fig. 4; Tab. complementaria S1) en cinco incrementos de profundidad, la adición sucesiva (paneles de la izquierda en la Fig. 4) de escalas más gruesas de la las covariables generalmente aumentaron la precisión del modelo (R2), mientras que la eliminación sucesiva (paneles de la derecha en la Fig. 4) de escalas más finas generalmente disminuyó la precisión del modelo en distintas escalas.Tanto el aumento como la disminución no fueron continuos en la mayoría de las secuencias del modelo.Resultados de los modelos contextuales de aprendizaje automático para la capacidad de intercambio catiónico (CEC; primera fila), la acidez del suelo (pH; segunda fila), el contenido de agua a capacidad de campo (θFC; tercera fila) y la clasificación de la calidad del suelo (SQR; cuarta fila) en las cinco profundidades del suelo (0–10, 10–20, 20–30, 40–60 y 70–100 cm).Los paneles de la izquierda (a, c, e y g) muestran los modelos aditivos, y los paneles de la derecha (b, d, f y h) muestran los modelos sustractivos.La correlación de las predicciones del modelo con los valores medidos se representa mediante líneas de puntos, y las tendencias suavizadas se representan mediante líneas continuas (consulte la Tabla complementaria S1 para obtener más detalles).En algunas secuencias de modelos con el enfoque aditivo, las precisiones del modelo comenzaron a aumentar a una escala de 80 a 160 m para CIC, pH y θFC (Fig. 4) en la capa superior del suelo.Si bien este también fue el caso para la CIC y el pH en el subsuelo a una profundidad de 40 a 60 cm, el aumento de θFC comienza con la primera octava de manera similar al incremento de 70 a 100 cm.En el incremento de 70–100 cm, los modelos para CIC mostraron una disminución marginal en todas las escalas y los modelos para pH muestran una ligera disminución.Las secuencias del modelo sustractivo para la capa superior del suelo y 40–60 cm mostraron principalmente una disminución en R2 después de la eliminación de las escamas mayores de 160–320 m.Las secuencias del modelo para CEC y θFC a 70–100 cm mostraron disminuciones marginales en toda la secuencia, mientras que la secuencia para pH mostró un ligero aumento en R2.El aumento de la secuencia del modelo aditivo para SQR en 0–10 cm (Fig. 4) comenzó a una escala de 40 m, en el segundo y tercer incremento de profundidad a 320–640 m, la secuencia del modelo para SQR en 40–60 cm mostró un aumento continuo en todas las escalas, y en 70-100 cm un aumento a 80 m con una meseta de 160 a 640 m, y un aumento adicional de 1280 m en adelante.En la secuencia del modelo sustractivo, las disminuciones en R2 comienzan con las escalas correspondientes para los incrementos de profundidad de 0 a 60 cm, mientras que no hay disminución para la secuencia para el incremento de 70 a 100 cm.En comparación con los modelos que utilizaron los derivados del terreno de la resolución original del DEM de solo 5 m, las secuencias del modelo mejoraron en su mayoría la precisión predictiva de los modelos para todas las propiedades del suelo, CIC, pH, θFC y SQR.El aumento osciló entre el 10 % para CEC (0–60 cm) y el 20 % para SQR (70–100 cm) en la varianza explicada.Dos modelos, CIC y pH a 70–100 cm, no se beneficiaron de escalas crecientes.La aproximación a priori del variograma mostró que el incremento más fuerte de la semivarianza fue por debajo de los 2500 m.Esto indica que la relación espacial más fuerte para la mayoría de las propiedades del suelo y los incrementos de profundidad se encuentran por debajo de los 2500 m y la novena octava correspondiente.El aumento de la semivarianza por encima de este rango se cubrió con dos octavas adicionales para tener en cuenta las posibles dependencias espaciales más allá del rango del variograma teórico20.Los rangos de los variogramas fueron diferentes para las cuatro propiedades del suelo, así como para los cinco incrementos de profundidad.Para las cuatro propiedades del suelo, las muestras de 70 a 100 cm tenían los rangos más grandes (9000–29,000 m), mientras que los modelos para los incrementos de 0–60 cm tenían rangos más pequeños.Los rangos más grandes para el intervalo de menor profundidad pueden reflejar la variación a gran escala de la geología regional, que varía en distancias de varias decenas de kilómetros.Esto apunta a procesos de formación del suelo como la meteorización del lecho rocoso paleozoico en la cordillera de Sierra Morena, y procesos de translocación a gran escala como el transporte de sedimentos por el agua y los meandros del río en la llanura aluvial del Guadalquivir54 formada principalmente durante el Pleistoceno, y la formación de terrazas durante el Neógeno55 .Además, los cambios climáticos a gran escala durante el Holoceno56 podrían haber alterado las condiciones climáticas de toda el área y se reflejan en propiedades estables del suelo como la textura del suelo que controla la capacidad de retención de agua y la CIC en gran medida57 y, por lo tanto, la calidad del suelo, pero también acidez del suelo debido a la presencia de carbonatos en los sedimentos del Neógeno32.Sin embargo, no fue evidente una tendencia para el rango máximo del variograma con respecto a la profundidad del suelo, es decir, un rango en continuo aumento in situ a medida que aumenta la profundidad del suelo.Esto puede deberse a las complejas interacciones de los dominios vertical y horizontal en el espacio y el tiempo y, especialmente, a los impactos humanos58.Los procesos que afectan la calidad del suelo son el arado y el manejo uniforme de la tierra durante períodos de tiempo más prolongados58,59, ya que homogeneizan las propiedades del suelo en el dominio horizontal, al menos sobre el tamaño de los campos agrícolas, así como en el dominio vertical, reflejado en la profundidad de arado.Este efecto es más pronunciado en las propiedades del suelo en los incrementos de profundidad superior en comparación con los intervalos de profundidad inferior.En consecuencia, el uso intensivo de la tierra agrícola y otras actividades humanas pueden inducir la interrupción de los procesos del suelo en estado estacionario en los incrementos de profundidad superiores58,60.El aumento de R2 de las secuencias del modelo de aprendizaje automático aditivo y la disminución de R2 de las secuencias del modelo de resta mostraron que los modelos mejoraron con el enfoque de múltiples escalas.Esto se debe a la relación de la CIC y θFC (con sus componentes de textura y pH), así como el pH con las covariables subregionales a gran escala que funcionan como representantes del material original (p), el clima u otros impulsores de translocación a gran escala como informado por Behrens et al.17,18,20: las octavas superiores reflejan principalmente las propiedades geológicas y la firma geomórfica61 del área de estudio de tres partes, ya que permiten una segmentación espacial de las unidades de paisaje por agregación debido a la escala18,62, 63.Por lo tanto, la forma del paisaje, que está determinada por los entornos geológicos, se utiliza a la inversa para separar las zonas geológicas (Fig. 4).El aumento de R2 de las secuencias del modelo aditivo comenzó a diferentes escalas.Esto significa que para las diferentes propiedades del suelo y cada incremento de muestreo, diferentes escalas son relevantes en el área de estudio y respalda nuestra hipótesis.Las secuencias de modelado para los incrementos de la capa superficial del suelo tendieron a aumentar con octavas intermedias, mientras que los incrementos para los incrementos del subsuelo fueron invariantes.Estas diferencias en las secuencias del modelo aditivo pueden explicarse con respecto a la ecuación del factor de estado y el modelo universal de variación espacial.En las escalas pequeñas, la influencia de las covariables del terreno (r) en los procesos de formación del suelo en la capa superior del suelo es pequeña, mientras que la influencia en los procesos del suelo en el subsuelo es mayor.Esto puede estar relacionado con la influencia de los procesos formadores de catenaria del suelo como la erosión, el transporte de sedimentos y la asignación19,64, que es activa en escalas intermedias (160–1280 m) y está relacionada con la longitud de la pendiente.Por el contrario, el subsuelo no está influenciado por procesos de erosión recientes, sino por la historia geológica y geomorfológica de los paisajes, incorporados en el modelo con el espacio de escala gaussiana creciente como datos proxy, como se explicó anteriormente.La naturaleza a gran escala de las octavas más altas también refleja el contexto espacial, es decir, el modelo universal de variación espacial y el área de estudio segmentada que, sin embargo, no se limita a la firma geomórfica descrita anteriormente, sino que también comprende tipos de uso del suelo que pueden diferenciarse a nivel suprarregional y que están relacionados con el entorno geomórfico (predominantemente Dehesa y olivares en la sierra, citrícolas y cultivos intensivos de regadío en la vega y su proximidad, y olivares y cereales de secano en la terrazas neógenas).La importancia de las covariables a gran escala en el modelado, por lo tanto, también refleja las actividades humanas y su impacto en la formación del suelo a través de la agricultura intensiva, ya que la geomorfología afecta la accesibilidad para las máquinas agrícolas y la construcción de instalaciones de riego.Este impacto puede ocurrir a través de la erosión, el transporte de sedimentos y la reasignación en escala intermedia con procesos de catenaria, pero también a través de los diferentes cultivos, el riego, la fertilización y el cambio de uso de la tierra a lo largo del tiempo que está estrechamente relacionado con factores socioeconómicos y políticos65 .Las covariables del terreno escaladas no contenían información relevante adicional para las secuencias del modelo para CIC y pH a 70–100 cm.Tal vez haya más información relevante más allá del rango recomendado por el variograma.En general, la figura 4 no muestra una meseta en el R2 a escalas mayores, como se encontró en estudios previos8,16,17,20.Esto indica que se deben probar octavas más grandes adicionales o predictores como las transformadas de distancia euclidiana para aumentar la precisión del modelado.Se recomienda aumentar las escalas en la medida de lo posible con respecto a la interpretabilidad y el conocimiento del dominio.Modelar más allá de esta escala máxima cae más allá del llamado horizonte de información53 y solo se recomienda cuando la interpretabilidad no es el objetivo.Para identificar el efecto de las escalas relevantes más pequeñas, utilizamos secuencias de modelos sustractivos.El R2 de las secuencias del modelo sustractivo disminuyó con la sexta octava y por debajo para los indicadores de calidad del suelo y entre la tercera y cuarta octava para la capa superficial del suelo y entre la sexta y séptima octava para el subsuelo.Las escalas más pequeñas no mejoraron el rendimiento del modelo, ya que contenían información irrelevante o ruido.Por lo tanto, no eran relevantes para los modelos individuales.Esto está relacionado con las escalas efectivas de los procesos físicos y químicos que son relevantes para la formación del suelo.Una razón podría ser que las escalas mínimas de nuestros datos de entrada requeridas para lograr los resultados del modelo más precisos son más gruesas que la escala original (más fina) de las covariables ambientales seleccionadas18.Con respecto al uso agrícola del área y el tamaño de los campos agrícolas de unos pocos cientos de metros, el rango mínimo de covariables multiescala, es decir, 80 m (4ta octava), también puede estar relacionado con la homogeneización del suelo con arado, fertilización y riego como se mencionó anteriormente.Por lo tanto, las prácticas de gestión pueden haber interrumpido los procesos del suelo en estado estable en las escalas pequeñas e intermedias58,60.Posteriormente, las escalas relevantes no solo se vincularon a patrones geomorfológicos de pequeña y gran escala, sino también a los factores físicos, químicos y bióticos de la agricultura58, que remodelaron el paisaje y pueden haber desdibujado las escalas que reflejan el patrón natural del paisaje.La comparación directa de las secuencias del modelo multiescala con los variogramas empíricos es limitada, ya que la mayoría de las covariables relevantes tienen un soporte espacial que es más pequeño que el primer retardo del variograma con un soporte espacial de 1500 m que corresponde a la octava octava. .En consecuencia, el enfoque multiescala puede dar cuenta de los procesos de formación del suelo en escalas más pequeñas que el variograma con distancias de retraso calculadas automáticamente.Se necesita más investigación sobre este tema.Sin embargo, incluso si no podemos cuantificar este efecto, los mejores resultados de predicción respaldan el gran potencial del modelado multiescala para predecir los procesos y propiedades del suelo en paisajes que son diversos en términos de sus condiciones naturales y en términos de uso y gestión de la tierra. .En resumen, dado que las diferentes propiedades del suelo, así como las diferentes profundidades del suelo, mostraron diferentes escalas relevantes, sugerimos que los modelos de suelo 3D pueden requerir diferentes conjuntos de covariables ambientales de múltiples escalas para dar cuenta de los diferentes procesos de formación del suelo de la ecuación del factor de estado.Además, puede haber paisajes en los que los modelos para una determinada profundidad del suelo no se beneficien de la información contextual de múltiples escalas, porque la actividad humana puede interferir con los procesos del suelo en estado estacionario.Un ejemplo son los modelos para la capa superior del suelo que utilizan datos satelitales que, por lo general, solo reflejan los centímetros superiores de la superficie de la Tierra24.Por lo tanto, desentrañar las señales naturales y humanas en escalas con modelos contextuales de múltiples escalas de los procesos y propiedades del suelo puede allanar el camino desde la ciencia del suelo hacia muchos otros campos de investigación.Las disciplinas que están relacionadas con el desarrollo del paisaje, por ejemplo, (pedo-)arqueología, arqueobiología, geología y climatología, se benefician de una mejor comprensión de las escalas espaciales para reconstruir las prácticas de uso de la tierra66,67 y las condiciones paleoclimaticas13.Godfray, HCJ et al.Artículo ADS CAS PubMed Google ScholarJ. Plant Nutr.Ciencia del sueloeconomíaGeol.J. Chem.Metal.mín.Soc.S.Afr.J. Ciencias del suelo.J. Medio Ambiente.AdministrarcomputarReinar.Sistema UrbanoEUR.J. Ciencias del suelo.cienciacienciaArtículo ADS CAS PubMed Google ScholarEcol.aplicaciónLabranza del suelo Res.Cuat.cienciaPaleogeogr.paleoclimatol.Paleoecólico.Equipo de desarrollo de QGIS.Artículo ADS CAS Google AcadémicoEUR.J. Ciencias del suelo.Ecol.índicocomputarGeosci.Trans. IEEE.comúnProceso.Artículo ADS CAS Google AcadémicoMach.Aprender.Equipo central R.Estado J.suavecienciaCuat.En t.J. Arqueol.cienciaet al.Frente.Reinar.cienciaUna revisión.Agron.Sostener.desarrolloMatemáticas.Geol.EUR.J. Ciencias del suelo.J. Plant Nutr.Ciencia del sueloJ. Planta Ecol.Artículo ADS CAS Google Académicoproc.nacionalAcademiacienciaArtículo ADS PubMed PubMed Central Google ScholarFinanciamiento de acceso abierto habilitado y organizado por Projekt DEAL.Los autores declaran no tener conflictos de intereses.Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material.Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor.Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt