SoilGrids250m: Información global de suelos en cuadrícula basada en aprendizaje automático

Este artículo describe el desarrollo técnico y la evaluación de precisión de la versión más reciente y mejorada del sistema SoilGrids a una resolución de 250 m (actualización de junio de 2016). SoilGrids proporciona predicciones globales para propiedades numéricas estándar del suelo (carbono orgánico, densidad aparente, Capacidad de Intercambio Catiónico (CEC), pH, fracciones de textura del suelo y fragmentos gruesos) a siete profundidades estándar (0, 5, 15, 30, 60, 100 y 200 cm), además de predicciones de profundidad hasta la roca base y distribución de clases de suelo basadas en los sistemas de clasificación de la World Reference Base (WRB) y USDA (aprox. 280 capas raster en total). Las predicciones se basaron en aproximadamente 150,000 perfiles de suelo utilizados para el entrenamiento y un conjunto de 158 covariables de suelo basadas en teledetección (principalmente derivadas de productos de tierra MODIS, derivados de DEM SRTM, imágenes climáticas y mapas globales de formas del terreno y litología), que se utilizaron para ajustar un conjunto de métodos de aprendizaje automático: bosques aleatorios y potenciación de gradientes y/o regresión logística multinomial, según se implementa en los paquetes de R ranger, xgboost, nnet y caret. Los resultados de la validación cruzada de 10 pliegues muestran que los modelos en conjunto explican entre el 56% (fragmentos gruesos) y el 83% (pH) de la variación, con un promedio general del 61%. Las mejoras en la precisión relativa considerando la cantidad de variación explicada, en comparación con la versión anterior de SoilGrids a una resolución espacial de 1 km, oscilan entre el 60 y el 230%. Las mejoras pueden atribuirse a: (1) el uso de aprendizaje automático en lugar de regresión lineal, (2) a inversiones considerables en la preparación de capas de covariables de menor resolución y (3) a la inserción de perfiles de suelo adicionales. Un desarrollo adicional de SoilGrids podría incluir la refinación de los métodos para incorporar incertidumbres de entrada y la derivación de distribuciones de probabilidad posteriori (por píxel), así como una mayor automatización del modelado espacial para que se puedan generar mapas de suelos para potencialmente cientos de variables de suelo. Otra área de investigación futura es el desarrollo de métodos para la fusión multiescalar de predicciones de SoilGrids con productos de suelo en cuadrícula locales y/o nacionales (p. ej., hasta 50 m de resolución espacial) para que se pueda producir información global del suelo cada vez más precisa, completa y consistente. SoilGrids está disponible bajo la Licencia de Base de Datos Abierta.