Modeling Soil Volumetric Water Content Based on Climatic Factors in the Tripoli Region (Libya) Using Multiple Linear Regression

Resumen Técnico: Modelado del Contenido Volumétrico de Agua en el Suelo en Trípoli, Libia

Planteamiento del Problema
La humedad del suelo es un componente crítico de los ciclos de agua y energía de la Tierra, lo que influye en la productividad agrícola, la gestión de los recursos hídricos y la frecuencia de eventos climáticos extremos como sequías e inundaciones. En Libia, un país caracterizado por climas semiáridos a áridos, comprender la dinámica del agua en el suelo es esencial para la seguridad alimentaria y la mitigación de riesgos de desastres. Sin embargo, el monitoreo a largo plazo de la humedad del suelo mediante mediciones de campo es limitado. Si bien la teledetección ofrece una alternativa, existe la necesidad específica de modelar cuantitativamente la relación entre los factores climáticos locales y el contenido volumétrico de agua en el suelo (VWC, por sus siglas en inglés) utilizando métodos estadísticos. Este estudio aborda la brecha en el análisis cuantitativo sobre cómo variables climáticas específicas influyen en la humedad del suelo en la región de Trípoli, particularmente en el contexto de las proyecciones de cambio climático que indican una disminución de las precipitaciones y un aumento de las temperaturas para el norte de África.

Metodología
El estudio utilizó datos mensuales que abarcan 297 lecturas desde 2001 hasta 2024, obtenidos del conjunto de datos ERA5 (Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo). El análisis se realizó utilizando el software estadístico R.

• Variables:
  • Variable Dependiente ($Y$): Contenido volumétrico medio de agua en el suelo a través de cuatro profundidades de suelo.
  • Variables Independientes Iniciales: Humedad relativa, precipitación, temperatura media del suelo (a través de cuatro profundidades), temperatura del aire, velocidad del viento, evaporación potencial y profundidad del nivel freático.
• Enfoque Estadístico:
  1. Análisis Descriptivo: Se examinó la distribución y la tendencia central de todas las variables.
  2. Evaluación de la Multicolinealidad: Se realizó una matriz de correlación y un análisis del Factor de Inflación de la Varianza (VIF). El análisis inicial reveló una severa multicolinealidad entre varias variables (por ejemplo, la temperatura del aire, la temperatura del suelo y la evaporación potencial tenían valores VIF superiores a 12, muy por encima del umbral aceptable de 5).
  3. Selección de Variables: Para garantizar la estabilidad del modelo, se excluyeron las variables con valores VIF elevados. El modelo final retuvo tres variables independientes con puntuaciones VIF aceptables: Humedad Relativa ($X_1$), Precipitación ($X_2$) y Temperatura Media del Suelo ($X_3$).
  4. Construcción del Modelo: Se desarrolló un modelo de Regresión Lineal Múltiple (MLR) para predecir el VWC del suelo basado en los factores climáticos seleccionados.
  5. Validación del Modelo: Las suposiciones se verificaron mediante gráficos de residuos (Residuos vs. Ajustados) y gráficos Q-Q para comprobar la homocedasticidad y la normalidad de los residuos.

Resultos Clave

• Estadísticas Descriptivas: El contenido volumétrico medio de agua en el suelo fue de 0.02 con una desviación estándar baja, lo que indica consistencia. La precipitación mostró una alta variabilidad (media de 0.92 mm), mientras que la humedad relativa promedió 44.10%.
• Análisis de Correlación:
  • Se encontró una fuerte correlación positiva entre el VWC del suelo y la Humedad Relativa ($r = 0.638$).
  • Existió una moderada correlación positiva entre el VWC del suelo y la Precipitación ($r = 0.528$).
  • Se observó una moderada correlación negativa entre el VWC del suelo y la Temperatura Media del Suelo ($r = -0.559$).
• Desempeño del Modelo de Regresión:
  • La ecuación del modelo final es: $\hat{Y} = 0.01378 + (7.0 \times 10^{-5} \times X_1) + (4.22 \times 10^{-4} \times X_2) - (9.8 \times 10^{-5} \times X_3)$.
  • Significancia: Los tres predictores fueron estadísticamente significativos ($p < 0.001$).
    • Precipitación: Identificada como el factor más influyente ($\beta = 4.22 \times 10^{-4}$). Un aumento de 1 mm en la precipitación resulta en un incremento directo de 0.000422 en el promedio de la humedad del suelo.
    • Humedad Relativa: Muestra un efecto positivo ($\beta = 7.0 \times 10^{-5}$), atribuido a la reducción de la evaporación.
    • Temperatura del Suelo: Muestra un efecto negativo significativo ($\beta = -9.8 \times 10^{-5}$), atribuido al aumento de la evaporación y la filtración.
  • Poder Explicativo: El valor de $R^2$ ajustado es 0.477, lo que indica que el modelo explica aproximadamente el 48% de la variación en el contenido volumétrico de agua en el suelo.
  • Ajuste Global: La prueba F confirmó la significancia estadística global del modelo ($F \approx 91$, $p < 0.001$). Los gráficos de diagnóstico confirmaron que los residuos se distribuyeron aleatoriamente y siguieron una distribución normal, validando las suposiciones del modelo.

Significancia y Reivindicaciones
El artículo afirma que el estudio establece con éxito una relación estadísticamente significativa entre los factores climáticos seleccionados y el contenido volumétrico de agua en el suelo en la región de Trípoli. Al aislar la precipitación, la humedad relativa y la temperatura del suelo como los principales impulsores, la investigación proporciona una herramienta predictiva para comprender la dinámica de la humedad del suelo en un entorno semiárido.

Los autores sostienen que este enfoque de modelado apoya la gestión de los recursos hídricos y la planificación agrícola, lo cual es crítico dado que las proyecciones climáticas para el norte de África predicen una disminución del 10–20% en las precipitaciones y un aumento de 2–3 °C en la temperatura para 2050. El estudio concluye que, si bien el modelo explica casi la mitad de la varianza (un valor considerado bueno para estudios ambientales), resalta eficazmente el impacto directo de la precipitación y el impacto inverso de la temperatura sobre la humedad del suelo. Los autores recomiendan el uso de estas variables clave para evaluaciones futuras en regiones áridas y sugieren que modelos más avanzados (por ejemplo, de series temporales o no lineales) podrían mejorar aún más la precisión predictiva.