Modelización espacial de propiedades edáficas con Random Forest: aplicación al Parque Natural los Alcornocales (Andalucía, sur de España)
DOI:
https://doi.org/10.18172/cig.7283Palabras clave:
Suelo, Cartografía digital de suelos, Modelización, Random Forest , ecosistemas mediterráneosResumen
El suelo es un elemento clave para sostener la vida y el equilibrio de los ecosistemas, pues provee nutrientes y participa en procesos como el ciclo del agua y la captura de carbono. Por ello, analizar su estado y promover su conservación es una prioridad ante el cambio climático. Uno de los principales retos en su gestión es la representación espacial, dado que la heterogeneidad de las propiedades edáficas y la variabilidad ambiental dificultan una caracterización precisa del territorio. Este desafío es especialmente relevante porque una representación precisa permite identificar patrones de distribución, áreas vulnerables y zonas de alta calidad ambiental, facilitando la toma de decisiones informadas. En este contexto, el objetivo principal de este estudio es caracterizar el suelo del Parque Natural Los Alcornocales (Andalucía, sur de España) desde una perspectiva física, orgánica e hídrica mediante técnicas avanzadas de modelización espacial. Para ello, se utilizó el algoritmo Random Forest (RF), basado en árboles de decisión. Este algoritmo permite integrar múltiples variables ambientales e incrementar la exactitud de los resultados. La modelización se fundamentó en el análisis de 461 muestras de suelo (0-10 cm de profundidad) y la validación se efectuó mediante un enfoque dual: una validación externa con un 10 % de los datos como conjunto independiente y la validación interna Out-of-Bag (OOB) del algoritmo RF. Los indicadores de error y precisión evidenciaron la solidez del modelo RF para la generación de cartografía predictiva en un parque natural con elevada heterogeneidad eco-geomorfológica (CC, R² = 0,937; Factor K, R2 0,935; COS, R² = 0,918). Los resultados evidenciaron que los factores bióticos, derivados de datos espectrales, tienen un papel determinante en la distribución espacial de los indicadores edáficos analizados (carbono orgánico, capacidad de retención hídrica y erodabilidad del suelo). Esta información constituye una herramienta clave para orientar la planificación y gestión sostenible del territorio, presentando un elevado potencial de aplicabilidad en otros contextos mediterráneos similares.
Descargas
Citas
AEMET. Agencia Estatal de Meteorología (2024). Mapas climáticos de España (1991–2020) y ETo (1996–2020). Ministerio para la Transición Ecológica y el Reto Demográfico.
Alaminos-Fernández, A. (2022). Árboles de decisión en R con Random Forest. Limencop, 2022. https://hdl.handle.net/10045/133067
Armas, D., Guevara, M., Alcaraz-Segura, D., Vargas, R., Soriano-Luna, M.A., Durante, P., Oyonarte, C. (2017). Mapa digital del perfil del carbono orgánico en los suelos de Andalucía, España. Ecosistemas, 26(3), 80–88. https://doi.org/10.7818/ECOS.2017.26-3.10 DOI: https://doi.org/10.7818/ECOS.2017.26-3.10
Belgiu, M., Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 DOI: https://doi.org/10.1016/j.isprsjprs.2016.01.011
Blanco Bernardeau, A., Alonso-Sarria, F., Gomáriz-Castillo, F.G. (2014). Elaboración de un mapa de carbono orgánico del suelo en la Región de Murcia. In: Tecnologías de la información para nuevas formas de ver el territorio: XVI Congreso Nacional de Tecnologías de la Información Geográfica (pp. 284–292). https://doi.org/10.13140/2.1.2817.0568
Breiman, L. (2001). Random forests. Machine learning. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
Bünemann, E.K., Bongiorno, G., Bai, Z., Creamer, R.E., De Deyn, G., de Goede, R., Fleskens, L., Geissen, V., Kuyper, T.W., Mäder, P., Pulleman, M., Sukkel, W., van Groenigen, J.W., Brussaard, L. (2018). Soil quality – A critical review. Soil Biology and Biochemistry, 120, 105–125. https://doi.org/10.1016/j.soilbio.2018.01.030 DOI: https://doi.org/10.1016/j.soilbio.2018.01.030
Cassel, D.K., Nielsen, D.R. (1986). Field capacity and available water capacity. In A. Klute (Ed.), Methods of Soil Analysis. Part 1. Physical and Mineralogical Methods (2nd ed., Agronomy Monograph No. 9, pp. 901–926). American Society of Agronomy / Soil Science Society of America. https://doi.org/10.2136/sssabookser5.1.2ed.c36 DOI: https://doi.org/10.2136/sssabookser5.1.2ed.c36
De Caires, S.A., St Martin, C., Atwell, M.A., Kaya, F., Wuddivira, G.A., Wuddivira, M.N. (2025). Advancing soil mapping and management using geostatistics and integrated machine learning and remote sensing techniques: a synoptic review. Discover Soil., 2(1). https://doi.org/10.1007/s44378-025-00082-z DOI: https://doi.org/10.1007/s44378-025-00082-z
Dragović, N., Vulević, T. (2021). Procesos de degradación del suelo, causas y enfoques de evaluación. En: Leal Filho, W., Azul, A.M., Brandli, L., Lange Salvia, A., Wall, T. (eds.) Vida en la tierra. Enciclopedia de los Objetivos de Desarrollo Sostenible de la ONU. Springer, Cham. https://doi.org/10.1007/978-3-319-95981-8_86 DOI: https://doi.org/10.1007/978-3-319-95981-8_86
Durán-Sandoval, D., Uleri, F., Durán-Romero, G., López, A.M. (2023). Food, Climate Change, and the Challenge of Innovation. Encyclopedia, 3(3): 839–852. https://doi.org/10.3390/encyclopedia3030060. DOI: https://doi.org/10.3390/encyclopedia3030060
Esri. (2024). ArcGIS Pro 3.4 [Software]-
Gaitan, J., Navarro, M.F., Tenti, L., Carfagno, P., Pizarro, M.J., Rigo, S. (2017). Estimación de la pérdida de suelo por erosión hídrica en la República Argentina. INTA. https://www.researchgate.net/publication/321758306
Guitián, F., Carballas, T. (1976). Técnicas de análisis de suelos. Pico Sacro, Santiago de Compostela.
Gutiérrez-Mas, J.M., Gracia Prieto, J., Luján Martínez, M., Sánchez Bellón, Á. (2016). Geología del Campo de Gibraltar. En Geología 16: Geolodía Cádiz. Universidad de Cádiz; Ilustre Colegio Oficial de Geólogos de Andalucía.
Helfenstein, A., Mulder, V.L., Hack-ten Broeke, M.J.D., van Doorn, M., Teuling, K., Walvoort, D.J.J., Heuvelink, G.B.M. (2024). BIS-4D: Mapping soil properties and their uncertainties at 25 m resolution in the Netherlands. Earth System Science Data, 16(6), 2941–2970. https://doi.org/10.5194/essd-16-2941-2024 DOI: https://doi.org/10.5194/essd-16-2941-2024
Heung, B., Bulmer, C.E., Schmidt, M.G. (2014). Predictive soil parent material mapping at a regional-scale: A Random Forest approach. Geoderma, 214–215, 141–154. https://doi.org/10.1016/j.geoderma.2013.09.016 DOI: https://doi.org/10.1016/j.geoderma.2013.09.016
IGME. Instituto Geologico y Minero de España (2003). MAGNA 50 - Mapa Geológico de España a escala 1:50.000 (2ª Serie).
IUSS Working Group WRB. (2022). World reference base for soil resources. International soil classification system for naming soils and creating legends for soil maps (4th ed.). International Union of Soil Sciences (IUSS).
Jeong, M., Koo, H. (2025). Evaluating Spatio-Temporal Kriging with Machine Learning Considering the Sources of Spatio-Temporal Variation. ISPRS International Journal of Geo-Information, 14(6), 224. https://doi.org/10.3390/ijgi14060224 DOI: https://doi.org/10.3390/ijgi14060224
López-Senespleda, E., Calama Sainz, R.A., Menéndez-Miguélez, M., del Río, M., Montero, G., Ruiz-Peinado, R. (2022). Estimación del carbono acumulado en la capa orgánica del suelo de las masas forestales en la España peninsular y Baleares. In: La Ciencia Forestal y su contribución a los Objetivos de Desarrollo Sostenible, 8ª Congreso Forestal Español. Sociedad Española de Ciencias Forestales. http://hdl.handle.net/10261/279824
Marañés Corbacho, A., Sánchez Garrido, J.A., De Haro Lozaño, S., Sánchez Gomez, S.T., Lozano Cantarero, F.J. (1994). Análisis de suelo, metodología e interpretación. Servicio de Publicaciones de la Universidad de Almería.
McBratney, A., Santos, M.M., Minasny, B. (2003). On digital soil mapping. Geoderma, 117(1-2), 3-52. https://doi.org/10.1016/s0016-7061(03)00223-4 DOI: https://doi.org/10.1016/S0016-7061(03)00223-4
McBratney, A., Field, D.J., Koch, A. (2014). The dimensions of soil security. Geoderma, 213, 203–213. https://doi.org/10.1016/j.geoderma.2013.08.013 DOI: https://doi.org/10.1016/j.geoderma.2013.08.013
Mesele, S.A., Mechri, M., Okon, M.A., Isimikalu, T.O., Wassif, O.M., Asamoah, E., Ahmad, H.A., Moepi, P.I., Gabasawa, A.I., Bello, S.K., Ayamba, B.E., Owonubi, A., Olayiwola, V.A., Soremi, P.A.S., Khurshid, C. (2025). Current Problems Leading to Soil Degradation in Africa: Raising Awareness and Finding Potential Solutions. European Journal Of Soil Science, 76(1). https://doi.org/10.1111/ejss.70069 DOI: https://doi.org/10.1111/ejss.70069
Minasny, B., McBratney, A.B. (2016). Digital soil mapping: A brief history and some lessons. Geoderma, 264(Part B), 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 DOI: https://doi.org/10.1016/j.geoderma.2015.07.017
Morgan, R.P.C., Nearing, M.A. (Eds.). (2011). Handbook of erosion modelling. Wiley-Blackwell. DOI: https://doi.org/10.1002/9781444328455
Nolet, C., Carranza, C., Pezij, M., van der Ploeg, M. (2021). Root zone soil moisture estimation with Random Forest. Journal of Hydrology, 593, 125840. https://doi.org/10.1016/j.jhydrol.2020.125840 DOI: https://doi.org/10.1016/j.jhydrol.2020.125840
Panagea, I.S., Berti, A., Čermak, P., Diels, J., Elsen, A., Kusá, H., Piccoli, I., Poesen, J., Stoate, C., Tits, M., Toth, Z., Wyseure, G. (2021). Soil water retention as affected by management induced changes of soil organic carbon: Analysis of long-term experiments in Europe. Land, 10(12). https://doi.org/10.3390/land10121362 DOI: https://doi.org/10.3390/land10121362
Pérez-De-Los-Reyes, A.C., Pérez-De-Los-Reyes, M.L., Chocano, D., Sánchez-Ormeño, M., Bravo, S., Ángel, J.A., García, N.F.J. (2018). Estudio de las propiedades de retención de humedad de suelos vitícolas en Castilla-La Mancha (España). E3S Web Of Conferences, 50, 01034. https://doi.org/10.1051/e3sconf/20185001034 DOI: https://doi.org/10.1051/e3sconf/20185001034
Peri, P.L., Gaitán, J., Mastrangelo, M., Nosetto, M., Villagra, P.E., Balducci, E., Pinazo, M., Eclesia, R.P., Von Wallis, A., Villarino, S., Alaggia, F., Polo, M.G., Manrique, S., Meglioli, P.A., Rodríguez-Souilla, J., Mónaco, M., Chaves, J.E., Medina, A., Gasparri, I., Pastur, G.M. (2024). Soil organic carbon stocks in native forest of Argentina: a useful surrogate for mitigation and conservation planning under climate variability. Ecological Processes, 13(1), 1. https://doi.org/10.1186/s13717-023-00474-5 DOI: https://doi.org/10.1186/s13717-023-00474-5
Pouladi, N., Møller, A.B., Tabatabai, S., Greve, M.H. (2019). Mapping soil organic matter contents at field level with Cubist, Random Forest and kriging. Geoderma, 342, 85–92. https://doi.org/10.1016/j.geoderma.2019.02.019 DOI: https://doi.org/10.1016/j.geoderma.2019.02.019
Ren, T., Cai, A. (2025). Global patterns and drivers of soil dissolved organic carbon concentrations. Earth Syst. Sci. Data, 17, 2873–2885, https://doi.org/10.5194/essd-17-2873-2025 DOI: https://doi.org/10.5194/essd-17-2873-2025
Rivas-Martínez, S. (1987). Memoria del Mapa de Series de Vegetación de España. Escala 1:400.000. Instituto para la Conservación de la Naturaleza (ICONA), Ministerio de Agricultura.
Rubio, A.M. (2010). La densidad aparente en suelos forestales del Parque Natural Los Alcornocales. Proyecto Fin de Carrera. https://digital.csic.es/handle/10261/57951
Ruiz-Sinoga, J.D., Romero-Diaz, A. (2010). Soil degradation factors along a Mediterranean pluviometric gradient in Southern Spain. Geomorphology, 118(3–4), 359–368. https://doi.org/10.1016/j.geomorph.2010.02.003 DOI: https://doi.org/10.1016/j.geomorph.2010.02.003
Sharpley, N.A., Williams, R.J. (1990). EPIC—Erosion/Productivity Impact Calculator I: Model documentation. U.S. Department of Agriculture, Technical Bulletin. Beltsville, MD, United States.
Sillero-Medina, J.A., Pérez-González, M.E., Martínez-Murillo, J.F., Ruiz-Sinoga, J.D. (2020). Factors affecting eco-geomorphological dynamics in two contrasting Mediterranean environments. Geomorphology, 352, 106996. https://doi.org/10.1016/j.geomorph.2019.106996 DOI: https://doi.org/10.1016/j.geomorph.2019.106996
Sillero-Medina, J.A., Hueso-González, P., Ruiz-Sinoga, J.D. (2020b). Differences in the Soil Quality Index for Two Contrasting Mediterranean Landscapes in Southern Spain. Land, 9(11), 405. https://doi.org/10.3390/land9110405 DOI: https://doi.org/10.3390/land9110405
Sillero-Medina, J.A., Rodrigo-Comino, J. Ruiz-Sinoga, J.D. (2021) Factors determining the soil available water during the last two decades (1997–2019) in southern Spain. Arab J Geosci, 14, 1971. https://doi.org/10.1007/s12517-021-08265-y DOI: https://doi.org/10.1007/s12517-021-08265-y
Sillero-Medina, J.A. (2022). Repercusiones eco-geomorfológicas de la dinámica paisajística reciente, en ambientes mediterráneos contrastados. [Tesis doctoral, Universidad de Málaga]. http://hdl.handle.net/10630/24375
Subburayalu, S.K., Slater, B.K. (2013). Soil Series Mapping by Knowledge Discovery from an Ohio County Soil Map. Soil Science Society of America Journal, 77(4), 1254-1268. https://doi.org/10.2136/sssaj2012.0321 DOI: https://doi.org/10.2136/sssaj2012.0321
Szabó, B., Szatmári, G., Takács, K., Laborczi, A., Makó, A., Rajkai, K., Pásztor, L. (2019). Mapping soil hydraulic properties using random-forest-based pedotransfer functions and geostatistics, Hydrol. Earth Syst. Sci., 23, 2615–2635, https://doi.org/10.5194/hess-23-2615-2019. DOI: https://doi.org/10.5194/hess-23-2615-2019
Tamara Polo, L.A., Ducuara, J. (2016). Capacidad de campo y punto de marchitez permanente. [Informe de prácticas, Universidad de Sucre].
Tian, Z., Liu, F., Liang, Y., Zhu, X. (2022). Mapping soil erodibility in southeast China at 250 m resolution: Using environmental variables and random forest regression with limited samples. International Soil and Water Conservation Research, 10(1), 62-74. https://doi.org/10.1016/j.iswcr.2021.06.005 DOI: https://doi.org/10.1016/j.iswcr.2021.06.005
Townend, J., Reeve, M.J., Carter, A. (2001). Water release characteristic. In K. A. Smith and C. E. Mullins (Eds.), Soil and Environmental Analysis: Physical Methods (2nd ed., pp. 107–152). CRC Press / Marcel Dekker. https://doi.org/10.1201/9780203908600-8 DOI: https://doi.org/10.1201/9780203908600.ch3
Trinco, F.D., Zeraatpisheh, M., Turner, H.C., El Mujtar, V., Tittonell, P.A., Galford, G.L. (2025). High-resolution soil organic carbon mapping for enhancing predictive accuracy of environmental drivers in heterogeneous and mountainous landscapes in Patagonia. Catena, 259, 109353. https://doi.org/10.1016/j.catena.2025.109353 DOI: https://doi.org/10.1016/j.catena.2025.109353
Valera, A. (2023). Técnicas de cartografía digital para la evaluación del carbono orgánico del suelo. Digital Mapping Techniques for Soil Organic Carbon Assessment. In: XXIII Congreso Venezolano de la Ciencia del Suelo, pp. 274-282. https://doi.org/10.13141/RG.2.2.36528.02668
Varvaris, I., Pittaki, Z., Themistokleous, G., Koumoulidis, D., Ouerfelli, D., Eliades, M., Themistocleous, K., Hadjimitsis, D. (2025). Remote Sensing-Based Mapping of Soil Health Descriptors Across Cyprus. Environments, 12(8), 283. https://doi.org/10.3390/environments12080283 DOI: https://doi.org/10.3390/environments12080283
Wadoux, A.M., Minasny, B., McBratney, A.B. (2020). Machine learning for digital soil mapping: Applications, challenges and suggested solutions. Earth-Science Reviews, 210, 103359. https://doi.org/10.1016/j.earscirev.2020.103359 DOI: https://doi.org/10.1016/j.earscirev.2020.103359
Wang, B., Waters, C., Orgill, S., Cowie, A., Clark, A., Li Liu, D., Simpson, M., McGowen, I., Sides, T. (2018). Estimating soil organic carbon stocks using different modelling techniques in the semi-arid rangelands of eastern Australia. Ecological Indicators, 88, 425–438. https://doi.org/10.1016/j.ecolind.2018.01.049 DOI: https://doi.org/10.1016/j.ecolind.2018.01.049
Worsham, L., Markewitz, D., Nibbelink, N. (2010). Incorporating Spatial Dependence into Estimates of Soil Carbon Contents under Different Land Covers. Soil Science Society of America Journal, 74(2), 635-646. https://doi.org/10.2136/sssaj2008.0412 DOI: https://doi.org/10.2136/sssaj2008.0412
Yang, R.-M., Zhang, G.-L., Liu, F., Lu, Y.-Y., Yang, F., Yang, F., Yang, M., Zhao, Y.-G., Li, D.-C. (2016). Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem. Ecological Indicators, 60, 870–878. https://doi.org/10.1016/j.ecolind.2015.08.036 DOI: https://doi.org/10.1016/j.ecolind.2015.08.036
Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S., Finke, P. (2019). Digital mapping of soil properties using multiple machine learning in a semi-arid region, central Iran. Geoderma, 338, 445–452. https://doi.org/10.1016/j.geoderma.2018.09.006 DOI: https://doi.org/10.1016/j.geoderma.2018.09.006
Zhu, C., Wei, Y., Zhu, F., Lu, W., Fang, Z., Li, Z., Pan, J. (2022). Digital Mapping of Soil Organic Carbon Based on Machine Learning and Regression Kriging. Sensors, 22(22), 8997. https://doi.org/10.3390/s22228997 DOI: https://doi.org/10.3390/s22228997
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 José Antonio Ortega-Pino, José Antonio Sillero-Medina, Paloma Hueso-González, José Damián Ruiz-Sinoga
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El autor o autora conserva todos los derechos sobre su artículo y cede a la revista el derecho de la primera publicación, no siendo necesaria la autorización de la revista para su difusión una vez publicado. Una vez publicada la versión del editor el autor está obligado a hacer referencia a ella en las versiones archivadas en los repositorios personales o institucionales.
El artículo se publicará con una licencia Creative Commons de Atribución, que permite a terceros utilizar lo publicado siempre que se mencione la autoría del trabajo y la primera publicación en esta revista.
Se recomienda a los autores/as el archivo de la versión de editor en repositorios institucionales.
