Fecha de recepción: 7 de diciembre de 2009. aceptado para publicación: 28 de julio de 2010 1 Departamento de agronomía, Facultad de agronomía, Universidad Nacional de Colombia, Bogotá (Colombia). 2 Programa de agronomía, Centro de investigación de la Caña de azúcar de Colombia (Cenicaña), Cali (Colombia). 3 autor de correspondencia. ebastidaso@unal.edu.co Agronomía Colombiana 28(2), 291-301, 2010 función polinómica para caracterizar el contenido de mate- ria orgánica entre los 400 y 1.600 nm. Demattê et al. (2004a) estudiaron diferentes patrones espectrales entre los 400 y 2.500 nm para los contenidos de materia orgánica, hierro, limos, arenas y arcillas en suelos del estado de sao Paulo, Brasil. Nanni et al. (2004) demostraron que la información espectral se puede utilizar para la clasificación de los suelos debido a que estos presentan diferencias estadísticamente significativas entre sus perfiles espectrales. La obtención de la información espectral se debe a la ener- gía reflejada por un cuerpo como resultado de la interacción con los constituyentes del cuerpo. Esta energía resulta prin- cipalmente de la interacción de cuatro factores: i) contenido de materia orgánica; ii) humedad del suelo; iii) contenido de minerales, y iv) textura (Van der meer, 1999). En condiciones Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía visible e infrarroja (400 - 2.500 nm) Soil spectral characterization and mineralogy of the Cauca River Valley by visible and infrared (400 - 2,500 nm) spectroscopy Ernesto bastidas-Obando1, 3 y javier a. Carbonell2 Introducción La oportunidad de incorporar información digital en los análisis de suelos, por ejemplo la información espectral para la caracterización mineralógica y química, genera un importante avance en los estudios de suelos. El primer investigador que trabajó con la información espectral de los suelos y sus propiedades fue Condit (1970) y después sto- ner y Baumgardner (1981). sus librerías espectrales fueron utilizadas como una herramienta por los investigadores de la ciencia del suelo. Es el caso de Ben-Dor y Banin (1994), quienes determinaron las concentraciones de carbonatos, óxidos de hierro y aluminio en suelos áridos y semiáridos de israel. Ben-Dor et al. (2002) demostraron que por medio de información espectral se pueden identificar áreas con problemas de salinidad. Hill y schütt (2000) usaron una rEsumEN absTraCT Las librerías espectrales se utilizan para identificar diferentes tipos de suelo a partir de análisis espectrales que caracterizan su composición mineralógica y química. Los objetivos del presente trabajo consistieron en determinar si existen diferencias en el perfil espectral de los suelos del valle geográfico del río Cauca a nivel de subgrupo taxonómico; y cuantificar en sus perfiles espectrales la abundancia de minerales arcillosos. Por medio de un análisis de conglomerados se seleccionaron las muestras más homogéneas de cada subgrupo taxonómico para construir el perfil espectral de cada uno de ellos. El modelo linear spectral unmixing se utilizó para determinar las concentraciones de minerales arcillosos. a nivel de subgrupo taxonómico se obser- varon diferencias en la magnitud de los perfiles espectrales, así como en sus longitudes de onda a los 1.400, 1.900 y 2.200 nm. El modelo utilizado permite caracterizar de manera objetiva las concentraciones de minerales arcillosos de cada suelo a partir de su perfil espectral. spectral libraries are used to identify different soil types based on spectral analyses which feature their mineralogical and chemical composition. on these grounds, the objective of the present work consisted in determining whether there are any differences in the spectral profile of the soils of the geographical Cauca Valley at the taxonomic subgroup level; and to assess their spectral profiles in terms of the abundance of clay minerals. By means of cluster analysis we selected the most homogeneous samples of each taxonomic sub group to elaborate its spectral profile. Clay mineral concentrations were determined by means of a linear spectral unmixing model. Differences among taxonomic subgroups were found in both the magnitude of the spectral profiles and their wavelengths (1.400, 1.900 and 2.200 nm). Based on soil spectral profiles, the applied model can be used to objectively characterize clay mineral concentrations. Palabras clave: librería espectral, perfil espectral, linear spectral unmixing, minerales arcillosos. Key words: spectral library, spectral profile, linear spectral unmixing, clay minerals. REVAgronomiaCol 28(2).indb 291 27/11/2010 12:24:39 p.m. 292 Agron. Colomb. 28(2) 2010 controladas, los perfiles espectrales son la respuesta a cambios de vibración en los diferentes grupos de átomos que forman las moléculas y los cristales. La información espectral de los suelos capturada entre los 400 y 2.500 nm puede ser recopilada en bases de datos denominadas librerías espectrales. El procesamiento de la información en las librerías espectrales se ha limitado a la correlación entre características del suelo en el perfil espectral, pero los métodos de clasificación de imágenes multiespectrales e hiperespectrales ofrecen una gran herramienta para extraer información de los perfiles espectrales de suelos. librerías espectrales Los departamentos de seguridad tienen una amplia base de datos de huellas dactilares para reconocimiento de los individuos. Por este motivo, si una persona es desconocida y su huella dactilar se encuentra en la base de datos, esta persona será identificada. Las librerías espectrales son si- milares a las bases de datos de las huellas dactilares, pero en vez de contener huellas dactilares se tienen perfiles espectrales que son únicos a los materiales de la superficie de cada suelo. Estas librerías espectrales pueden ser usadas para efectos de clasificación de imágenes, identificación de perfiles espectrales no conocidos y para la extracción, por medio de algoritmos, de la composición de materiales orgánicos, minerales primarios, arcillas, sales y materiales cristalinos (Brown et al., 2006). Las librerías espectrales de minerales componentes de la superficie terrestre son muy comunes, y una de las más importantes es la librería espectral de astER (Baldridge et al., 2009). Esta librería espectral contiene más de 2.000 perfiles espectrales de materiales naturales. En el caso de suelos, se han desarrollado proyectos para recopilar perfiles espectrales a nivel global, como es el caso del proyecto de caracterización global con suelos de américa, Europa, asia y África. En este proyecto se capturaron 3.768 muestras de suelos de Estados Unidos y 416 muestras de suelos donde 125 muestras se obtuvieron de África, 104 de asia, 75 de américa y 112 de Europa (Brown et al., 2006). modelo linear spectral unmixing En la actualidad, el uso de espectroscopía para estudiar las propiedades del suelo se ha enfocado en correlaciones para diferentes longitudes de onda en el perfil espectral, como es el caso de Demattê et al. (2004b), en donde se obtuvo una buena correlación a incrementos de calcio y potasio para las longitudes de onda de 760-900, 2.080-2.350, 2.350- 2.500 nm para el suelo typic Quartzipsament, y 760-900, 1.118-1.270, 1.300- 1.460, 1.550-1.750 nm para el suelo typic argiudoll. Estos métodos de correlación son específicos para cada tipo de suelo, y no son robustos en el caso de tener un gran número de muestras de suelo. Por este mo- tivo resulta interesante en este estudio implementar otros métodos de análisis espectral para extraer información de imágenes satelitales multiespectrales o hiperespectrales que responden a una variabilidad espacial y espectral. Los métodos espectrales se basan en la utilización de la información espectral del material observado y correspon- dencia con perfiles espectrales de referencia, los cuales se denominan endmembers, que pueden estar disponibles en librerías espectrales o en imagen de satélite como píxeles puros. Existen diferentes modelos para extraer información de los perfiles espectrales, pero los más relevantes son: redes neuronales y linear spectral unmixing. El modelo de redes neuronales es un método no paramétri- co con alta precisión para la extracción de la información de los perfiles espectrales (atkinson y tatnall, 1997; Braswell et al., 2003; Foody y mathur, 2004). sin embargo, este tipo de modelo es considerado como una caja negra, pues no se tiene conocimiento de los procesos dentro de la red neuronal, posee un diseño complejo en la definición de la red neuronal, y para el entrenamiento de la red neuronal se debe tener un buen número de perfiles de entrenamiento. El modelo linear spectral unmixing es un modelo para- métrico que se ha utilizado para extraer información de los perfiles espectrales conformados de una mezcla de materiales. Este modelo se basa en la teoría que cada perfil espectral contiene una combinación lineal de los perfiles espectrales de los endmembers (adams et al., 1986). si la relación es lineal, entre mayor sea la respuesta espectral de un determinado endmember, mayor será la abundancia de este material en el perfil espectral evaluado. El algoritmo de este modelo se define como: ∑   m i iiC 1 ερρ (1) donde ρ es el perfil espectral por analizar, Ci y ρi son las fracciones y perfiles espectrales del ith endmember y ε es un residual que representa el error del modelo, como la raíz cuadrada del cuadrado medio del error (Root Mean Square, Rms). Para solucionar la fracción correspondiente a cada m endmember se necesitan al menos m número de ecuaciones, las cuales resultan de iteraciones de la ecuación (1) para las diferentes longitudes de onda, incluyendo la limitante que la suma de las fracciones sea igual a uno. Roberts et al. (1998) utilizaron este algoritmo para clasificar entre vegetación y suelo; Lobell y asner (2004) clasificaron diferentes tipos de REVAgronomiaCol 28(2).indb 292 27/11/2010 12:24:40 p.m. 2932010 Bastidas-Obando y Carbonell: Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía... cultivos por medio de información multi-temporal. Pese a que este método tiene sus limitaciones en la selección de endmembers, el modelo es ampliamente usado debido a que se puede implementar fácilmente y permite identificar el grado de error en las estimaciones del modelo. Dadas las limitaciones en el número de perfiles espectrales que exigen las redes neuronales para el entrenamiento de las mismas, para este estudio se decidió trabajar con el modelo linear spectral unmixing. En este estudio se pretende determinar a nivel de subgru- po taxonómico los perfiles espectrales de los suelos más relevantes en el valle del río Cauca, para comenzar con la construcción de librerías espectrales de suelos en Colom- bia. además, se pretende evaluar el modelo linear spectral unmixing para cuantificar la abundancia de los minerales arcillosos en perfiles espectrales de suelos. materiales y métodos recolección de muestras Los suelos seleccionados corresponden a los subgrupos de suelos más relevantes por su área en el valle del río Cauca (tab. 1), ubicados entre los 3o y 5o N y los 76o 22´ y 75o 31́ W. Tabla 1. Cobertura de subgrupos taxonómicos de suelos seleccionados. subgrupo Área (ha) Typic Haplusterts 32.362 Pachic Haplustolls 19.140 Fluventic Haplustolls 18.717 Vertic Endoaquepts 6.322 En la clasificación taxonómica de los suelos identificados en el estudio detallado de suelos igaC (2005) se utilizó el sistema americano (soil survey staff, 2003). Para cada subgrupo taxonómico se localizaron cuatro sitios, como se puede apreciar en la Fig. 1. Para cada sitio se colectaron once muestras aleatorias para un total de 44 muestras por subgrupo taxonómico. Las muestras se tomaron con un barreno tipo holandés en los 20 cm superficiales, dado que los sensores remotos ópticos no tienen la capacidad de penetrar el suelo en profundidad (Ben-Dor et al., 2009). Las muestras se secaron por un tiempo de 24 h a una temperatura de 50oC terminando con una humedad gravi- métrica de aproximadamente 18%. Estas muestras fueron secadas para disminuir el efecto de la humedad del suelo en el perfil espectral (Ben-Dor et al., 1999). Posteriormente se molieron y tamizaron con un tamiz No. 25 de 710 µm (asC scientific, Carlsbad, Ca). Perfiles espectrales de suelos antes de tomar los perfiles espectrales de las diferentes muestras de suelo, se procedió a llenar cajas petri con sue- lo seco y tamizado asegurando una superficie plana en la superficie de la caja petri. La lectura espectral se tomó con un espectrómetro Foss Nirsystems modelo 6500 (Foss NiRsystems inc., Laurel, mD). Este instrumento captura longitudes de onda entre 400 y 2.500 nm con una separa- ción en el espectro electromagnético de 2 nm. Para cada lectura se calibró el instrumento con el spectralon, y se aseguró que cada caja petri guardara la misma posición en el instrumento para no afectar la lectura del perfil espectral. Debido a que el instrumento directamente no proporciona valores de reflectancia sino de absorbancia, se calculó la reflectancia utilizando la ecuación 2. R = antilog(-a) (2) donde R es la reflectancia y a la absorbancia. La homogeneidad y heterogeneidad de los perfiles espec- trales entre las muestras para cada subgrupo taxonómico se evaluaron por medio de un análisis de conglomerados. fIgura 1. Localización de los sitios de muestreo para los subgrupos taxonómicos. REVAgronomiaCol 28(2).indb 293 27/11/2010 12:24:42 p.m. 294 Agron. Colomb. 28(2) 2010 El análisis de conglomerados permite identificar la hete- rogeneidad y homogeneidad entre las muestras minimi- zando la suma de cuadrados entre las muestras para un mismo grupo. La heterogeneidad entre las muestras se puede cuantificar con la disminución en el porcentaje de la varianza cuantificada en el coeficiente de correlación semi-parcial (sPRsQ). El coeficiente sPRsQ varía entre 0 y 1, y un grupo de muestras con un valor cercano a 0 se puede considerar altamente homogéneo, y cercano a 1, altamente heterogéneo. Este análisis se desarrolló con el paquete estadístico statistical analysis software (sas institute inc., 2000). Después de identificar la homogeneidad y heterogeneidad entre los subgrupos taxonómicos de suelos, se seleccionaron las muestras homogéneas para calcular la mediana y definir el perfil espectral para cada subgrupo taxonómico de suelo. Concentración de minerales Una vez identificado el perfil espectral para cada subgrupo taxonómico de suelo, se procedió a calcular la abundancia de los minerales arcillosos más relevantes para cada tipo de suelo. Para este propósito se utilizó la librería espectral de minerales de astER (Baldridge et al., 2009) disponible en el software ENVi 4.0 (Environment for Visualizing images, Research systems inc., 2003). De esta librería es- pectral se seleccionaron los endmembers para los siguientes minerales: caolinita, clorita, vermiculita y montmorilloni- ta. En la Fig. 2 se pueden observar los perfiles espectrales para los diferentes minerales arcillosos. Los endmembers se utilizaron para cada uno de los perfiles espectrales de los subgrupos taxonómicos de suelo en el modelo linear spectral unmixing. La abundancia de los minerales arcillosos producto del mo- delo linear spectral unmixing se comparó con los análisis de difracción de rayos X realizados por el instituto geográfico agustín Codazzi (igaC) para cada subgrupo taxonómico de suelo. La difracción de rayos X se basa en la dispersión de las ondas electromagnéticas en las capas electrónicas de los átomos. Las muestras de polvo de suelo fino son saturadas con potasio (K) y magnesio (mg). Después las muestras son orientadas con ángulos que varían entre los 3o a 32o e irradiadas con rayos X (malagón-Castro et al., 1995). Los análisis de difracción de rayos X de las muestras saturadas con K fueron analizadas a 25 y 550oC, y las muestras de saturadas con mg fueron analizadas a 25oC y con etilen glicol. El análisis de difracción de rayos X generado por el igaC es de tipo semi-cuantitativo donde se definen las siguientes clases: dominante, con más de 50% de presencia del mineral; abundante, con un rango entre el 50 y 30%; común, con un rango entre el 30 y 15%; presente, con un rango entre 15 y 5%; trazas, con menos de 5%, y dudoso, cuando el mineral no se pudo discriminar. fIgura 2. Perfiles espectrales de los minerales arcillosos. Reflectancia tiene un rango de 0 a 1. 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Longitud de onda (nm) Caolinita Vermiculita Clorita Montmorillonita 400 500 600 700 800 1.200 1.600 2.000 2.400 R ef le ct an ci a REVAgronomiaCol 28(2).indb 294 27/11/2010 12:24:43 p.m. 2952010 Bastidas-Obando y Carbonell: Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía... resultados y discusión Perfiles espectrales El análisis de conglomerados para el subgrupo taxonómico de suelo typic Haplusterts se puede encontrar en la Fig. 3. Como se puede observar, se presentan dos conglomerados importantes: el primer conglomerado, formado por 26 muestras de los sitios 1, 2 y 3, con un sPRsQ de 0,224; el segundo conglomerado, constituido por 18 muestras de los sitios 3 y 4, con un sPRsQ de 0,042. Con valores de sPRsQ cercanos a cero para ambos conglomerados, se asume una alta homogeneidad en los perfiles espectrales. El conjunto de 44 muestras arroja un sPRsQ de 0,622, por lo que se puede afirmar que hay heterogeneidad entre los 44 perfiles espectrales. Esto se puede explicar por la génesis de los Vertisoles, que son perfiles poco diferenciados que muestran alta heterogeneidad debido al comportamiento físico-químico que tiende a invertir los materiales del suelo (malagón-Castro et al., 1995). además, la heterogeneidad también se puede explicar por la distribución espacial de este subgrupo taxonómico en el valle del río Cauca, como se puede observar en la Fig. 1. Debido a que este subgrupo de suelo presenta una alta heterogeneidad, no solo por su génesis sino también por su distribución espacial y cober- tura, se utilizaron todas las muestras para determinar el perfil espectral. En la Fig. 4 se presenta el análisis de conglomerados para el subgrupo taxonómico Pachic Haplustolls. El primer conglomerado está formado por los perfiles espectrales de 12 muestras, en su mayoría del sitio 1, con un sPRsQ de 0,018. El segundo conglomerado lo constituyen los perfiles espectrales de 32 muestras de los sitios 2, 3 y 4, con un sPRsQ de 0,107. Los valores de sPRsQ cercanos a cero muestran una alta homogeneidad entre las muestras para cada conglomerado. sin embargo, al agrupar todas las muestras, la varianza aumenta generando un sPRsQ de 0,77. Esto explica una alta heterogeneidad entre las muestras de ambos conglomerados. tal heterogeneidad puede responder a una inclusión de suelos en donde en el fIgura 3. Análisis de conglomerados subgrupo Typic Haplusterts (TH) (Fig. 1); 1 al 4, sitios del subgrupo; A – K, muestras del sitio. TH4H TH4K TH4G TH4J TH4B TH4I TH4F TH4E TH4C TH4D TH4A TH3I TH3E TH3D TH3J TH3G TH3K TH3C TH2H TH2F TH2J TH2K TH2I TH2D TH2C TH2B TH2A TH2E TH3H TH2G TH1F TH1D TH3B TH3A TH1H TH1G TH1E TH1I TH1J TH1C TH1K TH1B TH3F TH1A 0.0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 sPrsQ m ue st ra s REVAgronomiaCol 28(2).indb 295 27/11/2010 12:24:44 p.m. 296 Agron. Colomb. 28(2) 2010 momento de delineación del suelo puede existir, en me- nor proporción, un suelo que está fuera de la definición taxonómica de los suelos dominantes (igaC, 2005). Por este motivo, se utilizaron los perfiles espectrales de las 32 muestras correspondientes al segundo conglomerado para extraer el perfil espectral del suelo correspondiente al subgrupo taxonómico. En la Fig. 5 se presenta el análisis de conglomerados para el subgrupo Fluventic Haplustolls. Como se puede observar, se presenta un conglomerado formado por 12 muestras, que en su mayoría corresponden al sitio 1, con un sPRsQ de 0,076. El segundo conglomerado se encuentra formado por 32 muestras correspondientes a los sitios 2, 3 y 4, con un sPRsQ de 0,174. al analizar las 44 muestras se genera un sPRsQ de 0,483, valor que se encuentra cercano a cero, por lo que se puede inferir que el conjunto de 44 muestras es homogéneo. Por este motivo se utilizaron todos los perfiles espectrales de las 44 muestras para definir el perfil espectral de este suelo. En la Fig. 6 se presenta el análisis de conglomerados para el subgrupo Vertic Endoaquepts. El primer conglomerado se encuentra formado por 31 muestras correspondientes a los sitios 1, 2 y 3, con un sPRsQ de 0,076. El segundo conglomerado está constituido por 13 muestras que en su mayoría corresponden al sitio 4, con un sPRsQ de 0,037. ambos conglomerados presentan valores de sPRsQ cer- canos a cero, por lo que se puede inferir que los perfiles espectrales de las muestras de suelos que conforman cada conglomerado son altamente homogéneos. al analizar las 44 muestras se obtiene un sPRsQ de 0,842. Este valor per- mite determinar que los dos conglomerados son altamente heterogéneos, y por tal motivo se seleccionaron los perfiles espectrales correspondientes a las 31 muestras para extraer el perfil espectral de este suelo. La diferencia entre los con- glomerados se puede explicar por una posible inclusión en el momento de la delineación del suelo. Con los perfiles espectrales seleccionados para cada subgru- po taxonómico de suelo se desarrolló un análisis de media- nas para construir el perfil espectral representativo para cada suelo. En la Fig. 7 se presentan los perfiles espectrales para cada subgrupo de suelo y se puede observar que no hay diferencias significativas en los perfiles espectrales a PH4J PH4I PH4G PH4F PH4E PH4D PH4C PH4H PH4A PH4B PH3B PH4K PH3I PH3A PH3G PH3F PH3J PH3E PH3H PH3D PH3K PH3C PH2J PH2G PH2K PH2I PH2E PH2F PH2D PH2H PH2C PH2A PH2B PH1K PH1I PH1J PH1F PH1E PH1D PH1G PH1C PH1H PH1B PH1A 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 fIgura 4. Análisis de conglomerados subgrupo Pachic Haplustolls (PH) (Fig. 1); 1 al 4, sitio del subgrupo; A – K, muestras del sitio. sPrsQ m ue st ra s REVAgronomiaCol 28(2).indb 296 27/11/2010 12:24:45 p.m. 2972010 Bastidas-Obando y Carbonell: Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía... longitudes de onda entre 400 y 1.000 nm, por la escasa ab- sorción de los suelos minerales en este rango de longitud de onda (Ben-Dor y Banin, 1994). sin embargo, las diferencias en magnitud para este rango se deben principalmente a minerales de óxido de hierro, que son claramente identifi- cados en la coloración de los suelos. Por ejemplo, se afirma que entre más rojos sean los suelos, mayor es el contenido de hematita y más cóncavo es el perfil alrededor de 550 nm (sherman y Waite, 1985). Para las longitudes de onda entre los 1.000 y 2.500 nm se observa que los perfiles espectrales de los suelos Pachic Ha- plustolls, typic Haplusterts y Fluventic Haplustolls tienen una tendencia similar, pero presentan diferencias en su magnitud. Esta diferencia responde al contenido de materia orgánica en el suelo, en donde a mayor materia orgánica, menor es la magnitud en el perfil, y a menor materia orgá- nica, mayor es la tendencia en el perfil (Ben-Dor et al., 1997; Demattê et al., 2004b). Para todos los perfiles de suelos se encuentran diferencias en puntos específicos de absorción, como ocurre a los 1.400 nm, 1.900 nm y 2.200 nm. Estas di- ferencias responden a la absorción de minerales arcillosos. Por ejemplo, una mayor absorción a los 1.400 y 1.900 nm responde a minerales de tipo 2:1. y una pobre absorción en estas bandas corresponde a minerales arcillosos del tipo 1:1 (Demattê et al., 2004a). La magnitud de la absorción en los 2.200 nm se relaciona con la presencia de caolinita (Hauff et al., 1990), por lo que se esperaría una mayor concentración de este mineral de arcilla para el subgrupo taxonómico de suelo typic Haplusterts. además, el perfil espectral para este suelo presenta una alta heterogeneidad, como se puede observar en su desviación estándar. Esta respuesta se puede asumir por la heterogeneidad presentada en el análisis de conglomerados. Es interesante observar que existen di- ferencias entre los perfiles Fluventic Haplustolls y Pachic Haplustolls perteneciendo a suelos del orden mollisol. Concentración de minerales Los resultados semi-cuantitativos de los análisis de difrac- ción de rayos X aparecen en la tab. 2, y las concentraciones de minerales arcillosos provenientes del modelo linear spectral unmixing se pueden observar en la tab. 3. El subgrupo Pachic Haplustolls presenta en el análisis de difracción de rayos X la montmorillonita como dominante, fIgura 5. Análisis de conglomerados subgrupo Fluventic Haplustolls (FH) (Fig. 1); 1 al 4, sitio del subgrupo; A – K, muestras del sitio. 20 35 57 FH4E FH4D FH4H FH4G FH4C FH4B FH4A FH4K FH4J FH4I FH3I FH3G FH3H FH3E FH3B FH3D FH3F FH3C FH3A FH2G FH2F FH2C FH2K FH2B FH3K FH3J FH2D FH2A FH2E FH2J FH2I FH1K FH2H FH1J FH1G FH1E FH1C FH4F FH1I FH1F FH1H FH1D FH1B FH1A 0.0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 sPrsQ m ue st ra s REVAgronomiaCol 28(2).indb 297 27/11/2010 12:24:45 p.m. 298 Agron. Colomb. 28(2) 2010 mientras que el modelo presenta solo 10% de concentra- ción, clasificándose como presente. La diferencia en el contenido puede explicarse con la respuesta de los mine- rales de tipo 2:1, los cuales presentan una absorción a los 1.900 nm del espectro, como puede observarse en la Fig. 6, que se relaciona con el contenido de montmorillonita o vermiculita (Demattê et al., 2004a), y por esta razón el modelo estima una concentración de vermiculita de 52%, clasificándose como dominante. En el análisis de difrac- ción de rayos X, la vermiculita se clasifica como dudosa, lo que significa que aunque el mineral se encuentra presente, su reflexión generada en el difractograma está enmascara- da con otro mineral, como puede ser la montmorillonita o caolinita (malagón-Castro et al., 1995). La clorita se clasifica común según el análisis de difracción de rayos X, y con respecto al modelo se presenta una concentración de 30% que puede ser clasificada como común. La caolinita se clasifica como presente en el análisis de difracción de rayos X, al igual que con el modelo debido a que tiene una concentración de 8%. En el suelo Fluventic Haplustolls, la montmorillonita se clasifica como dominante, mientras que el modelo estima una concentración del 1%, lo que se puede clasificar como trazas. El modelo cuantifica una concentración de 72% para la vermiculita, mientras que en el análisis de difracción de rayos X se clasifica como dudosa. La clorita se clasifica como abundante con el análisis de difracción de rayos X, en tanto que el modelo calcula una concentración de 25%, clasificándose como común. La caolinita se clasifica como común con el análisis de difracción de rayos X, mientras en el modelo solo presenta una concentración de 2%, clasi- ficándose como trazas. En los suelos Fluventic Haplustolls y Pachic Haplustolls que corresponden al orden mollisol, la clasificación generada por el análisis de difracción de rayos X para la vermiculita fue dudosa, lo que significa que se encuentra presente pero su contenido no pudo ser determinado debido a que la respuesta en el difractograma se encuentra enmascarada posiblemente con la montmori- llonita, que presenta una clasificación dominante. Por este motivo es necesario implementar otro tipo de análisis que fIgura 6. Análisis de conglomerados subgrupo Vertic Endoaquepts (VE) (Fig. 1); 1 al 4, sitio; A – K, muestras del sitio. 20 35 57 VE4D VE4K VE4I VE4F VE4B VE4J VE4H VE4G VE4E VE4C VE4A VE1K VE1I VE2H VE2E VE2D VE2I VE2J VE2B VE2G VE2F VE2K VE2C VE2A VE1G VE1F VE1H VE3C VE1E VE1J VE3G VE3H VE1D VE3E VE3B VE3K VE1C VE3F VE1B VE3J VE3I VE3D VE3A VE1A 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 sPrsQ m ue st ra s REVAgronomiaCol 28(2).indb 298 27/11/2010 12:24:46 p.m. 2992010 Bastidas-Obando y Carbonell: Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía... permita mejorar la respuesta semi-cuantitativa del análisis de difracción de rayos X. En el suelo Pachic Haplustolls, se obtiene una buena correspondencia para los minerales clorita y caolinita; en el suelo Fluventic Halustolls no se logra una buena clasificación para estos minerales, pero se mantiene el orden de abundancia asignando un mayor porcentaje a la clorita seguido de la caolinita. fIgura 7. Perfiles espectrales de subgrupos taxonómicos de suelos. Reflectancia tiene un rango de 0 a 1. 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 R ef le ct an ci a Typic Haplusterts Vertic Endoaquepts Pachic Haplustolls Fluventic Haplustolls 400 600 800 1..000 1.200 1400 1..600 1.800 2.000 2.200 2.400 Longitud de onda (nm) Tabla 2. Resultados de análisis mineralógico. Difracción de rayos X. mineral arcillo Pachic Haplustolls fluventic Haplustolls Typic Haplusterts vertic Endoaquepts Caolinita + ++ ? ? Vermiculita ? ? tr ++++ Clorita ++ +++ ? tr Montmorillorita ++++ ++++ ++++ - ++++, dominante (>50%); +++, abundante (30 – 50%); ++, común (15 – 30%); +, presente (5 – 15%); tr, trazas (<5%); ?, dudoso. Tabla 3. Resultados de concentraciones de minerales arcillosos por medio del modelo linear spectral unmixing. Pachic Haplustolls (%) fluventic Haplustolls (%) Typic Haplusterts (%) vertic Endoaquepts (%) Caolinita 8 2 14 1 Vermiculita 52 72 0 99 Clorita 30 25 38 0 Montmorillorita 10 1 48 0 RMS 0,014 0,018 0,02 0,02 El análisis de difracción de rayos X para el subgrupo typic Haplusterts presenta el mineral dominante como montmorillonita; los resultados del modelo clasifican este mineral como abundante, con un 48% de concentración. Los minerales arcillosos clorita y caolinita se clasifican como dudosos, lo que sugiere que en el análisis de difrac- ción de rayos X la información del difractograma puede REVAgronomiaCol 28(2).indb 299 27/11/2010 12:24:46 p.m. 300 Agron. Colomb. 28(2) 2010 estar enmascarada con la de otro mineral. sin embargo, el modelo presenta concentraciones de 44% para la cao- linita y de 38% para la clorita. La vermiculita se clasifica como trazas con el análisis de difracción de rayos X, pero el modelo no registra ningún porcentaje. La descripción de dudoso para la clorita y caolinita genera un alto grado de incertidumbre en los resultados proporcionados por el análisis de difracción de rayos X, por lo que se justifica implementar otro tipo de análisis que permita clasificar la abundancia de estos minerales. La clasificación de trazas para la vermiculita no es identificada por el modelo linear spectral unmixing. Posiblemente el nivel de incertidumbre del modelo no permite identificar con precisión concen- traciones menores al 5%. Para el subgrupo Vertic Endoaquepts, se obtuvo corres- pondencia entre el análisis de difracción de rayos X y el modelo para la vermiculita y la montmorillonita. La clorita se clasificó con una concentración de trazas en el análisis de difracción de rayos X, pero no se obtuvo ningún por- centaje en el modelo. La caolinita se clasificó como dudosa y el modelo calculó un porcentaje del 1%. infortunadamente, los rangos de clasificación semi-cuan- titativa son muy amplios para poder evaluar la precisión del modelo linear spectral unmixing, aunque se presentaron contenidos de minerales con alta correspondencia entre las clases. Con el análisis de difracción de rayos X no se ha desarrollado un método para un análisis cuantitativo de los minerales arcillosos, debido a que son muchos los factores que tienen inherencia en el análisis, como son: el tamaño de la muestra, el espesor del montaje, la posición en el porta-muestras, la homogeneidad de la muestra y la subjetividad en el estudio de los difractogramas (malagón- Castro et al., 1995). El modelo linear spectral unmixing puede discriminar porcentajes para los diferentes mi- nerales arcillosos de manera objetiva con respecto a los endmembers de los minerales estudiados. La diferencia más significativa con los porcentajes de minerales entre el modelo y el análisis de difracción de rayos X es cuando se asigna la clasificación dudosa en el análisis de difracción de rayos X. Es importante evaluar la incertidumbre del modelo, porque el modelo tiene inconvenientes con la estimación de minerales con concentraciones menores al 5%. La selección de los endmembers puede evaluarse con la raíz cuadrada del cuadrado medio del error (Rms), la cual resulta ser baja para todos los tipos de suelos estudiados. Conclusiones Los análisis de conglomerados son una herramienta para evaluar todo el perfil espectral e identificar la heterogeneidad u homogeneidad de los perfiles espectrales en el nivel subgrupo taxonómico de suelos. su uso en este estudio permitió definir los perfiles espectrales para el desarrollo de las librerías espectrales. Existen diferencias para los perfiles espectrales a nivel de subgrupo taxonómico entre los 400 y 2.500 nm. sin embar- go, para poder correlacionar la información de los perfiles espectrales con concentración de minerales arcillosos es preciso tener información cuantitativa. Para este propósito, el modelo linear spectral unmixing puede ser más apropiado que los resultados semi-cuantitativos proporcionados con el análisis de difracción de rayos X. Los modelos para clasificación de materiales en imáge- nes de satélite, como es el caso del modelo linear spectral unmixing, pueden ser implementados para extraer las concentraciones de minerales arcillosos de manera ob- jetiva, utilizando perfiles espectrales de suelos y librerías espectrales de minerales. además, abren la posibilidad de cuantificar la abundancia de otros compuestos en el suelo de interés agronómico. El uso de modelos espectrales como redes neuronales se recomienda en futuros estudios con la utilización de la librería espectral de astER para la selección de los end- members. agradecimientos Este estudio fue financiado por la Unión Europea, con el proyecto “Caracterización Radiométrica de los suelos y del Cultivo de la Caña de azúcar en el Valle del Río Cauca”. Los autores agradecen a Paulo José murillo de Cenicaña por su colaboración en la lectura de los perfiles espectrales, y a Bernardo Chávez de la Universidad Nacional de Colombia por la implementación del análisis de conglomerados. literatura citada adams, J.B., m.o. smith y P.E. Johnson. 1986. spectral mixture modeling: a new analysis of rock and soil types at the Viking Lander 1 site. J. geophys. Res. 91, 8098-8112. atkinson, P.m. y a.R.L. tatnall. 1997. Neural networks in remote sensing. int. J. Remote sens. 18, 699-709. Baldridge, a.m., s.J. Hook, C.i. grove y g. Rivera. 2009. The astER spectral library version 2.0. Remote sens. Environ. 113, 711-715. Ben-Dor, E. y a. Banin. 1994. Visible and near-infrared (0.4 – 1.1 µm) analysis of arid and semiarid soils. Remote sens. Environ. 48, 261-274. Ben-Dor, E., s. Chabrillat, J.a.m. Demattê, g.R. taylor, J. Hill, m.L. Whiting y s. sommer. 2009. Using imaging spectroscopy to study soil properties. Remote sens. Environ. 113 (sup. 1), 38-55. REVAgronomiaCol 28(2).indb 300 27/11/2010 12:24:47 p.m. 3012010 Bastidas-Obando y Carbonell: Caracterización espectral y mineralógica de los suelos del valle del río Cauca por espectroscopía... Ben-Dor, E., y. inbar e y. Chen. 1997. The reflectance spectra of organic matter in the visible near-infrared and short wave infrared region (400-2.500 nm) during a controlled decom- position process. Remote sens. Environ. 61, 1-15. Ben-Dor, E., J.R. irons y g.F. Epema. 1999. soil reflectance. pp. 111-188. En: Rencz, a.N. (ed.). Remote sensing for the earth sciences: manual of remote sensing. Vol. 3. 3a ed. John Wiley & sons inc., New york, Ny. Ben-Dor, E., K. Patkin, a. Banin y a. Karnieli. 2002. mapping of several soil properties using Dais-7915 hyperspectral scanner data - a case study over clayey soils in israel. int. J. Remote sens. 23, 1043-1062. Braswell, B.H., s.C. Hagen, s.E. Frolking y W.a. salas. 2003. a multivariable approach for mapping sub-pixel land cover distributions using misR and moDis: application in the Brazilian amazon region. Remote sens. Environ. 87, 243-256. Brown, D.J., K.D. shepherd, m.g. Walsh, m. Dewayne mays y t.g. Reinsch. 2006. global soil characterization with VNiR diffuse reflectance spectroscopy. geoderma 132, 273-290. Condit, H.R. 1970. The spectral reflectance of american soils. Pho- togramm. Eng. 36, 955-966. Demattê, J.a.m., R.C. Campos, m.C. alves, P.R. Fiorio y m.R. Nanni. 2004a. Visible-NiR reflectance: a new approach on soil evaluation. geoderma 121, 95-112. Demattê, J.a.m., m.a.P. gama, m. Cooper, J.C. araújo, m.R. Nan- ni y P.R. Fiorio. 2004b. Effect of fermentation residue on the spectral reflectance properties of soils. geoderma 120, 187-200. ENVi Research systems inc. 2003. Environment for visualizing images. Version 4.0. Boulder, Co. Foody, g.m. y a. mathur. 2004. a relative evaluation of multiclass image classification by support vector machines. iEEE trans. geosci. Remote sens. 42, 1335-1343. Hauff, P.L., F.a. Krauseand y m. Thiry. 1990. spectral identification and characterization of kaolinite/smectite clays in weathering environments. pp. 898-905. En: Proc. australian Remote sens. Conf. 5th. Perth, australia. Hill, J. y B. schütt. 2000. mapping complex patterns of erosion and stability in dry mediterranean ecosystems. Remote sens. Environ. 74, 557-569. igaC, instituto geográfico agustín Codazzi. 2005. Estudio deta- llado de suelos y capacidad de uso de las tierras sembradas con caña de azúcar localizadas en el valle geográfico del río Cauca. Bogotá. Lobell, D.B. y g.P. asner. 2004. Cropland distributions from tem- poral unmixing of moDis data. Remote sens. Environ. 93, 412-422. malagón-Castro, D., C. Pulido-Roa, R.D. Llinás-Rivera, C. Chamo- rro-Bello y J. Fernández-Lamus. 1995. suelos de Colombia: orí- gen, evolución, clasificación, distribución y uso. subdirección de agrología, instituto geográfico agustín Codazzi, Bogotá. Nanni, m.R., J.a.m. Demattê y P.R. Fiorio. 2004. análise discrimi- nante dos solos por meio da resposta spectral no nível terrestre. Pesq. agropec. Bras. 39(10), 995-1006. Roberts, D.a., m. gardner, R. Church, s. Ustin, g. scheer y R.o. green. 1998. mapping chaparral in the santa monica moun- tains using multiple endmember spectral mixture models. Remote sens. Environ. 65, 267-279. sas institute inc. 2001. sas User ś guide. Version 8.1. ed. sas institute, Cary, NC. sherman, D.m. y t.D. Waite. 1985. Electronic spectra of Fe+3 oxides and oxide hydroxides in the near iR to near U.V. amer. miner. 70, 1262-1269. soil survey staff. 2003. Key to soil taxonomy. 9a ed. UsDa-Natural Resources Conservation service, Washington, DC. stoner, E.R. y m.F. Baumgardner. 1981. Characteristic variations in reflectance of surface soils. soil sci. soc. amer. J. 45, 1161-1165. Van der meer, F. 1999. Can we map swelling clays with remote sen- sing? int. J. appl. Earth observ. geoinfor. 1(1), 27-35. REVAgronomiaCol 28(2).indb 301 27/11/2010 12:24:47 p.m. REVAgronomiaCol 28(2).indb 302 27/11/2010 12:24:47 p.m.