Mapping physicochemical properties of soils and reservoir sediments by multi- and hyperspectral satellite data in the Brazilian semiarid region to support the sediment reuse technique

Resumen Técnico: Mapeo de Propiedades Fisicoquímicas de Suelos y Sedimentos de Embalses en la Región Semiárida de Brasil

Planteamiento del Problema
La reutilización de los sedimentos acumulados en embalses de aguas superficiales ofrece una alternativa sostenible a los fertilizantes químicos en la agricultura de subsistencia, proporcionando nutrientes y materia orgánica al tiempo que reduce la huella de carbono agrícola. Sin embargo, la integración efectiva de la reutilización de sedimentos en la gestión agrícola requiere un conocimiento exhaustivo de las propiedades fisicoquímicas (específicamente conductividad eléctrica, carbono orgánico y contenido de arcilla) en grandes escalas espaciales. El análisis tradicional de laboratorio es lento, costoso y a menudo inviable para los cientos de embalses en regiones semiáridas como el Noreste de Brasil, donde las propiedades de los sedimentos exhiben una alta heterogeneidad espacial. Si bien la teledetección satelital ofrece una solución escalable, existe una brecha en la aplicación de estas técnicas específicamente a los sedimentos de embalses, que difieren de los suelos agrícolas en sus procesos de deposición y composición. Además, los estudios existentes suelen centrarse únicamente en suelos agrícolas, dejando poco explorado el potencial de los datos multiespectrales e hiperespectrales para la caracterización de sedimentos en entornos semiáridos.

Metodología
El estudio se llevó a cabo en la cuenca del río Banabuiú, en el noreste de Brasil, una zona caracterizada por ríos intermitentes y una densa red de más de 1,000 embalses. La investigación utilizó un enfoque de datos de múltiples fuentes:

• Datos Satelitales: Se adquirieron imágenes el 4 de diciembre de 2022, de tres sensores: Sentinel-2 (multiespectral), PRISMA (hiperespectral) y EnMAP (hiperespectral).
• Verdad de Campo: Una campaña de campo en enero de 2023 recolectó 31 muestras de suelo superficial (20 suelos agrícolas, 11 sedimentos de embalses). Estas fueron complementadas con una base de datos histórica que contenía más de 168 muestras de sedimentos y 200 muestras de suelo recolectadas entre 2015 y 2022.
• Análisis de Laboratorio: Las muestras fueron analizadas para Conductividad Eléctrica (CE), Carbono Orgánico del Suelo (COS) y contenido de arcilla. También se midieron los espectros de reflectancia de laboratorio utilizando un espectrorradiómetro ASD FieldSpec Pro (350–2500 nm).
• Procesamiento de Datos: Los píxeles de suelo desnudo se aislaron de las imágenes satelitales utilizando índices espectrales (por ejemplo, NDVI, NDRBI, NBR) para excluir la vegetación y el agua. Las técnicas de preprocesamiento espectral incluyeron el suavizado de Savitzky–Golay de la primera derivada (FD-SG) y la eliminación de la continuidad (CR).
• Modelado: El estudio empleó dos enfoques principales de modelado:
  1. Índices Espectrales: Modelos de regresión lineal utilizando índices de Diferencia (DI), Diferencia Normalizada (NDI) y Ratio (RI) para la CE; índices específicos (SOC1-3) para el COS; y SWIRFI/CRAD para el contenido de arcilla.
  2. Regresión de Mínimos Cuadrados Parciales (PLSR): Modelos multivariados desarrollados para conjuntos de datos solo de suelo, solo de sedimento y combinados, utilizando validación cruzada de dejar uno fuera (LOOCV).

Contribuciones Clave

1. Aplicabilidad a los Sedimentos: El estudio evalúa la transferibilidad de los índices espectrales y los modelos PLSR, tradicionalmente utilizados para suelos, a los sedimentos de embalses en un contexto semiárido.
2. Comparación de Sensores: Proporciona una comparación directa del rendimiento entre los datos satitales multiespectrales (Sentinel-2) e hiperespectrales (PRISMA y EnMAP) para la predicción de propiedades del suelo y del sedimento.
3. Recomendaciones Metodológicas: La investigación investiga el impacto de la composición del conjunto de datos (separación de suelo vs. sedimento) y el preprocesamiento espectral en la precisión del modelo.
4. Mapeo Espacial: Genera mapas espaciales de CE, COS y contenido de arcilla para un embalse específico, demostrando la viabilidad del uso de la teledetección para guiar las decisiones de reutilización de sedimentos sin un muestreo de campo exhaustivo.

Resultados

• Conductividad Eléctrica (Salinidad): Los índices espectrales generalmente superaron a los modelos PLSR para los datos satitales. El Índice de Ratio (RI) combinado con el preprocesamiento FD-SG produjo la mayor precisión, particularmente con los datos de EnMAP ($R^2 = 0.91$). Los modelos PLSR para datos satitales mostraron un desempeño deficiente ($RPD < 1.2$), mientras que los modelos PLSR a escala de laboratorio fueron fiables ($RPD = 1.41$).
• Carbono Orgánico del Suelo (COS): La predicción del COS fue un desafío en todas las escalas. Los índices espectrales funcionaron deficientemente en los datos satitales ($RPD < 1.4$). Curiosamente, un modelo PLSR utilizando datos de Sentinel-2 en un conjunto de datos exclusivo de sedimentos logró el mejor desempeño para el COS ($R^2 = 0.6$, $RPD > 1.4$), lo que sugiere que los datos multiespectrales pueden ser suficientes para subconjuntos específicos.
• Contenido de Arcilla: El índice CRAD fue el que mejor funcionó para la estimación de arcilla. Los datos hiperespectrales (EnMAP y PRISMA) superaron a Sentinel-2. Los mejores resultados se obtuvieron con el índice CRAD en espectros brutos de EnMAP para conjuntos de datos exclusivos de sedimentos ($R^2 = 0.54$, $RPD = 1.47$).
• Impacto del Preprocesamiento: Aunque FD-SG y CR mejoraron el desempeño de los índices espectrales para la salinidad, a menudo degradaron el desempeño de los modelos PLSR. Los espectros no transformados (brutos) frecuentemente produjeron mejores resultados de PLSR para COS y arcilla.
• Separación de Conjuntos de Datos: Los modelos construidos por separado para suelo y sedimento generalmente funcionaron mejor que los modelos combinados, reflejando las distintas características fisicoquímicas y espectrales de ambos materiales.

Significancia y Reivindicaciones
Los autores afirman que la combinación de la espectroscopia de reflectancia con los índices espectrales y las técnicas multivariantes proporciona un enfoque efectivo y rentable para el mapeo de las propiedades del suelo y del sedimento en regiones semiáridas. El estudio demuestra que, si bien los datos hiperespectrales (EnMAP, PRISMA) ofrecen una mayor precisión para el mapeo de salinidad y arcilla debido a su mayor resolución espectral, los datos multiespectrales (Sentinel-2) aún pueden ser efectivos para propiedades específicas como el COS cuando se aplican a conjuntos de datos dirigidos.

La principal significancia de este trabajo radica en su apoyo a la "técnica de reutilización de sedimentos". Al permitir la identificación de áreas con propiedades de sedimento adecuadas (baja salinidad, alto carbono orgánico y arcilla adecuada) y señalar áreas no aptas (alta salinidad), la teledestención puede guiar la excavación y aplicación de sedimentos como acondicionadores de suelo. Esto reduce la necesidad de un muestreo de laboratorio costoso y a gran escala en regiones con redes densas de embalses, facilitando la implementación de prácticas agrícolas sostenibles en entornos con escasez de agua. Los autores señalan modestamente que la precisión de los modelos está actualmente limitada por la escasez de píxeles de sedimento expuesto en las imágenes satitales y recomiendan trabajos futuros para expandir las bibliotecas espectrales y separar el mapeo de suelo/sedimento a medida que se disponga de más datos.