Un sistema de productividad del suelo revela que la mayoría de las tierras agrícolas brasileñas están por debajo de su máximo potencial

Scientific Reports volumen 13, número de artículo: 14103 (2023) Citar este artículo

Detalles de métricas

La producción de alimentos depende en gran medida del suelo. Brasil juega un papel importante en la cadena mundial de producción de alimentos. Aunque sólo el 30% del total de las áreas agrícolas brasileñas se utilizan para cultivos y ganadería, es necesario evaluar todo el potencial de producción del suelo debido a la imposibilidad ambiental y legal de expandir la agricultura a nuevas áreas. Se presenta un enfoque novedoso para evaluar el potencial productivo de los suelos, denominado “SoilPP” y basado en análisis de suelos (0–100 cm) - que expresan su información edafológica - y aprendizaje automático. Se analizaron rendimientos históricos de caña de azúcar y soja, permitiendo identificar dónde aún es posible mejorar los rendimientos de los cultivos. Los rendimientos de la soja estuvieron por debajo del SoilPP estimado en el 46% de los condados brasileños y podrían mejorarse mediante prácticas de gestión adecuadas. En caña de azúcar se pueden mejorar el 38% de las áreas. Esta técnica nos permitió comprender y mapear la situación del rendimiento alimentario en grandes áreas, lo que puede ayudar a los agricultores, consultores, industrias, formuladores de políticas y la planificación de la seguridad alimentaria mundial.

La demanda continua de alimentos y combustible aumenta la presión sobre las zonas agrícolas de todo el mundo1. Las estrategias para afrontar estas demandas han llevado a mejoras en la producción de alimentos mediante la optimización de los recursos naturales que aún están disponibles para la agricultura2,3. Brasil es uno de los productores y exportadores de productos agrícolas más importantes del mundo4, con el 30% de su territorio (263 millones de hectáreas) utilizado para actividades agrícolas5. La agroindustria contribuyó aproximadamente el 27% al PIB brasileño en 2020, siendo la soja y la caña de azúcar los principales productos básicos producidos4. Según FAOSTAT4, Brasil fue el mayor productor mundial de soja (134,9 millones de toneladas) y caña de azúcar (715,7 millones de toneladas) en 2021. Por lo tanto, la importancia y la competitividad de Brasil en la producción agrícola en el mundo es notable. Aunque todavía hay margen para la expansión agrícola, algunos autores sugirieron que ésta no se considera una opción viable para satisfacer las demandas futuras de alimentos6. Se deben desarrollar nuevas estrategias sostenibles para mejorar los rendimientos donde ya se cultivan cultivos, lo que permitirá optimizar el uso de los recursos naturales7,8, especialmente el suelo, que está bajo constante presión antropogénica9.

Los suelos tienen una capacidad inherente para satisfacer las demandas de los cultivos en términos de disponibilidad de nutrientes y agua, influyendo en el proceso fotosintético de la planta y en consecuencia en la producción de biomasa, que puede definirse como su potencial productivo (SoilPP). Hay algunos ejemplos de medición del potencial productivo de las tierras agrícolas. Vogel et al.10 evaluaron el potencial de los suelos alemanes a nivel de finca para producir trigo utilizando la disponibilidad de agua y la textura del suelo como indicadores. Huang et al.11 evaluaron el efecto de la textura y la concentración (indicadores) de carbono orgánico (COS) del suelo en las respuestas del rendimiento de siete cultivos principales cultivados en los Estados Unidos de América entre 1958 y 2019. Descubrieron que los rendimientos de los cultivos eran mayores en suelos con textura fina y mayor concentración de COS, debido al aumento de agua disponible, estructura del suelo y retención de nutrientes11. En Brasil existe un método denominado Sistema Ambiental de Producción “PSA”12,13,14,15,16 basado en la textura del suelo10,11, fertilidad del suelo17, retención de agua11,18, profundidad del suelo18 y clasificación del suelo19. La combinación de todos estos factores da un sistema de clasificación empírico que varía de A (alto potencial) a G (bajo potencial), que se ha utilizado en los últimos 30 años para comprender el potencial del suelo para producir caña de azúcar12,16. En conclusión, los mapas pedológicos del suelo expresan la dinámica de la solución del suelo, impulsada por los horizontes A (superficial) y B (inferior) y, por tanto, su impacto en la productividad del suelo.

La información sobre el potencial del suelo para producir biomasa puede ayudarnos a comprender dónde aún se pueden mejorar los rendimientos agrícolas. Esta información también es útil para la formulación de políticas. Un ejemplo es la 'Clasificación de adaptabilidad del maíz de Iowa para su granja'20, en la que el rendimiento del maíz se estima en bolsas/acre en función de la información del suelo, las propiedades del terreno y la clasificación del suelo. Esta estrategia puede ayudar en la gestión de recursos agrícolas, la aplicación de tasas variables que reducen el uso de insumos y el impacto ambiental, la planificación de cultivos y la seguridad del suelo21,22,23 ayudando a equilibrar el rendimiento alimentario entre países. Mellor24 indicó que para comprender las necesidades y el potencial de las políticas, es necesario comprender la naturaleza subyacente de los actuales desequilibrios alimentarios mundiales. Por tanto, conocer el potencial de los suelos podría sacar a la luz varias oportunidades como la comprensión y optimización de los sistemas agrícolas. Sin embargo, existe la necesidad de técnicas que se centren en la medición sistemática de extensiones continentales a escala fina, con análisis de suelos subsuperficiales, como indican Bishopp y Lynch18. Aunque el SoilPP puede estimarse mediante la evaluación de sus propiedades químicas, físicas y biológicas25, existe una falta de conocimiento sobre el potencial del suelo para producir biomasa y si puede usarse como indicador para identificar si se puede aumentar el rendimiento de los cultivos.

Esta es una tarea desafiante en grandes extensiones territoriales con diferencias notables en biomas, clima y suelo, características típicas del territorio brasileño19,25,26. Una alternativa para llenar este vacío es el marco Digital Soil Mapping (DSM), que se considera una herramienta útil para trabajar con predicciones espaciales, permitiendo predecir las propiedades del suelo a escalas globales27. El DSM se define como la “creación y población de sistemas de información espacial del suelo mediante modelos numéricos que infieren las variaciones espaciales y temporales de los tipos y propiedades del suelo a partir de la observación y el conocimiento del suelo y de las variables ambientales relacionadas”28. Los enfoques DSM se utilizan específicamente para obtener mapas espaciales de propiedades físicas, químicas y biológicas del suelo o clases de suelo, que pueden usarse junto con métodos de puntuación21,29,30 para evaluar y cuantificar espacialmente el potencial intrínseco del suelo10.

En este estudio, se desarrolló una estrategia para mapear el potencial productivo de los suelos agrícolas brasileños en una resolución de escala fina (30 m), correspondiente a aproximadamente 260 M ha. Se utilizó información sobre las propiedades del suelo y estadísticas multivariadas para construir un sistema de puntuación denominado SoilPP, que varió de 0 a 100 (que expresa la información pedológica del sitio), los valores más altos representan un alto potencial de los suelos para producir biomasa. El SoilPP se evaluó frente al rendimiento histórico de caña de azúcar y soja a nivel distrital, considerando la importancia económica de estos dos cultivos.

El potencial productivo de las áreas agrícolas brasileñas (mapa SoilPP) hasta 1 m de profundidad dividido en siete clases (A a G) se muestra en la Fig. 1 y representa alrededor de 203 millones de hectáreas (M ha). Las áreas agrícolas (píxeles) con los valores más altos de SoilPP (clases A, B y C) son las mejores en términos de potencial productivo. Las clases E, F y G son aquellas que tienen los valores más bajos del puntaje SoilPP. Los suelos pertenecientes a la clase 'A' (SoilPP: muy alto) (Fig. 1) presentan mayor profundidad, buen drenaje, textura fina y suficientes nutrientes para las plantas. El relieve puede ser variable pero sin presencia de afloramientos rocosos. Por el contrario, las principales características de los suelos que pertenecen a la clase 'G' (SoilPP: muy bajo) son la baja capacidad de aportar nutrientes a las plantas, la textura gruesa (arenosa), la baja retención de agua y, en consecuencia, la baja disponibilidad para la planta, la profundidad variada y, en algunos casos, elevada presencia de cálculos. Las categorías B y C' tienen una mayor similitud con la clase 'A', mientras que las categorías 'E y F' se acercan más a la clase 'G'.

El mapa de Potencial Productivo del Suelo (SoilPP) para las áreas agrícolas brasileñas está clasificado en siete grupos de A a G, que representan potenciales productivos muy altos y muy bajos. SoilPPscore: Puntuación del potencial productivo del suelo (valor en píxeles). La figura fue creada por el equipo de desarrollo de software QGIS (2021). Versión 3.22. http://qgis.osgeo.org y Proyecto Inkscape (2021). Versión 1.1. https://inkscape.org.

Los suelos agrícolas brasileños presentaron un PP de suelo muy alto (clase A) representado por el color verde (Fig. 1), correspondiente a aproximadamente 11,1 M ha (5% del área agrícola total). El SoilPP alto (clase B) tuvo una superficie de 15 M ha (7% del total) mientras que el SoilPP medio-alto (clase C) correspondió a 45 M ha (22% del total). Estas son las áreas agrícolas que tienen mayor potencial productivo, correspondientes a alrededor del 34% del área agrícola total. Las áreas medias de SoilPP ocuparon aproximadamente 50 M ha (24,5% del área total). Las áreas con PP de suelo media/baja, baja y muy baja ocuparon 44,1, 20,8 y 18,5 M ha, lo que representa 21,5, 10 y 9% del área agrícola total, respectivamente. En esta representación se consideraron los usos de cultivos agrícolas y pastos (Fig. 1).

En el bioma amazónico, 35,5 millones de hectáreas (17,5%) se utilizan para la agricultura (Fig. 2a). La mayoría de los suelos agrícolas en el bioma amazónico tenían SoilPP que variaba de muy alto a medio. Los SoilPP muy alto, alto, medio/alto y medio corresponden a áreas de 3,2, 4,4, 15,5 y 8,8 M ha, respectivamente. Alrededor del 10% de las tierras agrícolas en la Amazonía tenían un PP del suelo bajo (medio/bajo, bajo y muy bajo). Aproximadamente 5,5 millones de hectáreas (15,5%) de las áreas agrícolas del bioma amazónico están ocupadas por cultivos de soja (Tabla S1). El bioma Cerrado es el mayor uso territorial para actividades agrícolas en Brasil, ocupando alrededor de 81,9 M ha (Fig. 2b). La mayoría de los suelos agrícolas ubicados en el Cerrado mostraron una PP del suelo media/alta a media/baja con una superficie de 52,8 M ha (65% del bioma). La SoilPP baja y muy baja en el bioma Cerrado representa un área de 24,7 M ha, mientras que la SoilPP alta y muy alta se distribuye en 4,4 M ha. El Cerrado es el bioma con mayor ocupación de su superficie agrícola con cultivo de soja, con alrededor de 18,5 M ha (22,5%), y el segundo para caña de azúcar, ocupando 2,8 M ha (3,5%) (Cuadro S1).

Distribución de clases de SoilPP para cada bioma en millones de hectáreas (M ha). (a) Amazonía (b) Cerrado (c) Caatinga (d) Pantanal (e) Bosque Atlántico y (f) biomas de Pampa. La letra A representa un potencial muy alto mientras que la letra G representa suelos con un potencial muy bajo. Las letras entre estos dos extremos (B, C, D, E y F) representan potenciales alto, medio/alto, medio, medio/bajo y bajo, respectivamente. La figura fue creada por el equipo de desarrollo de software QGIS (2021). Versión 3.22. http://qgis.osgeo.org y Proyecto Inkscape. (2021). Versión 1.1. https://inkscape.org.

Se estima que el bioma Caatinga tenía 29 millones de hectáreas ocupadas para uso agrícola (Fig. 2c). La mayoría de los suelos agrícolas en el bioma Caatinga muestran un SoilPP de medio a muy bajo (96% de los suelos agrícolas en la Caatinga). El bioma Pantanal tenía la mayoría de los suelos agrícolas que iban desde clases media/alta a media/baja, con 2 M ha (Fig. 2d). La Mata Atlántica (Fig. 2e) es el segundo bioma brasileño más grande en términos de uso de suelo para actividades agrícolas, ocupando un área de aproximadamente 46,3 M ha. La mayoría de los suelos agrícolas ubicados en la Mata Atlántica tuvieron un SoilPP que oscilaba entre muy alto y medio (70% del territorio de la Mata Atlántica). Los suelos con SoilPP baja y muy baja se distribuyen en 4,7 M ha (10%). La Mata Atlántica es el segundo bioma con mayor ocupación territorial por cultivo de soja, con cerca de 10,2 M ha (22%), detrás del Cerrado. Sin embargo, presenta la mayor superficie ocupada por caña de azúcar, con alrededor de 5,8 M ha (12,5%) (Cuadro S1). Finalmente, el bioma Pampa (Fig. 2f) tiene la mayoría de sus suelos con SoilPP medio (3.3 M ha); sin embargo, una parte importante del área tiene suelos con potencial muy alto a medio/alto (38% del total de tierras agrícolas de la Pampa). Alrededor de 3,9 millones de hectáreas (48%) de la Pampa están ocupadas por el cultivo de soja.

Se realizó un análisis del nivel de rendimiento promedio municipal de soja y caña de azúcar, utilizando los rendimientos promedio de cinco cultivos (2016/17–2020/21) recopilados de la plataforma SIDRA, donde se pueden encontrar estadísticas por país de productos agrícolas (https: //sidra.ibge.gov.br/home/lspa/brasil)4. Los datos históricos de rendimiento se clasificaron en siete grupos para ambos cultivos para poder compararlos con las clases de SoilPP. Luego de eso, restamos el potencial productivo del suelo del nivel de rendimiento promedio municipal para los respectivos cultivos, lo que resultó en tres resultados diferentes: (i) valores positivos, lo que significa que el rendimiento real del condado está por encima del potencial del suelo. , es decir, en promedio los cultivos están bien manejados en el condado en cuestión; (ii) resultado igual a 0, significa que el nivel de rendimiento promedio municipal es equivalente al potencial productivo del suelo, es decir, el estado real y potencial son iguales; (iii) valores negativos, significa que el rendimiento promedio municipal (real) está por debajo del potencial del suelo, es decir, se puede incrementar el rendimiento promedio del cultivo en el cantón, lo que posiblemente esté enfrentando un problema en la cadena productiva de la cultura.

En total, se analizaron 2304 condados brasileños con un rendimiento promedio de soja superior a 1500 kg ha-1 (Fig. 3a). Después de restar el nivel de rendimiento histórico del SoilPP, encontramos que para la soja, 896 condados mostraron valores positivos (Fig. 3c). Sólo unos pocos condados (356) tuvieron un nivel de rendimiento igual a SoilPP, lo que representa niveles de rendimiento en los que los cultivos de soja se encuentran en niveles medios, pero sus rendimientos se pueden aumentar en estos condados. Se observaron bajos niveles de rendimiento en 1052 condados, que están representados por valores negativos en la Fig. 3c. Para la caña de azúcar, se analizaron 2119 condados con un rendimiento promedio superior a 35 toneladas ha-1 (Fig. 3d). 1014 condados productores de caña de azúcar mostraron valores de nivel de rendimiento positivos, es decir, el rendimiento de las plantaciones de caña de azúcar en estos condados está por encima de SoilPP (Fig. 3f). Por otro lado, 296 condados tuvieron un nivel de rendimiento igual a SoilPP, es decir, el nivel de rendimiento de los cultivos de caña de azúcar se encuentra en niveles adecuados, pero su rendimiento aún se puede aumentar en estos condados (Fig. 3f). Finalmente, 809 municipios presentaron rendimiento de caña de azúcar por debajo de su potencial, lo que significa que puede ser mejorado mediante gestión.

Clase de rendimiento, puntuación SoilPP y nivel de rendimiento de soja (a–c) y caña de azúcar (d–f) a nivel municipal. La figura fue creada por el equipo de desarrollo de software QGIS (2021). Versión 3.22. http://qgis.osgeo.org y Proyecto Inkscape. (2021). Versión 1.1. https://inkscape.org.

Para validar nuestro producto se realizó un análisis comparativo entre el mapa SoilPP y el Sistema Ambiental de Producción (PES) a nivel de finca. El PES fue desarrollado luego de algunos estudios empíricos iniciados por Copersucar16 y ratificados por Landell et al.12, quienes observaron una fuerte relación entre los tipos de suelo y el rendimiento de la caña de azúcar. Los autores enfatizan que una clase de suelo trae las características del horizonte B, que es la posición que más impacta la productividad potencial del suelo. Las bases (pilares) de este sistema son el tipo de suelo (clasificación), textura, fertilidad, profundidad, retención de agua (de la superficie al subsuelo, 1 m) y el clima. El PES se clasifica en siete clases diferentes (Fig. 4), que representan el potencial del suelo para producir caña de azúcar (en toneladas ha-1) y se representan mediante un color específico.

(a) Límite del área de estudio (Rafard Farm); (b) Entorno empírico de producción de caña de azúcar; (c) Mapa de SoilPP. (d) Rendimiento de caña de azúcar en el ambiente A. (e) Rendimiento de caña de azúcar en el ambiente F. Categorías de rendimiento de caña de azúcar: A: mayor a 100 toneladas ha-1; B: 90–100 toneladas ha-1; C:86–90 toneladas ha-1; D: 81–85 toneladas ha-1; E: 76–80 toneladas ha-1; F: 71–75 toneladas ha-1; G: menos de 70 toneladas ha−1. La figura fue creada por el equipo de desarrollo de software QGIS (2021). Versión 3.22. http://qgis.osgeo.org y Proyecto Inkscape. (2021). Versión 1.1. https://inkscape.org.

El área tiene 182 ha (ubicada en la ciudad de Rafard, estado de São Paulo) (Fig. 4a). La Figura 4b presenta el PSA para la finca de caña de azúcar. La Figura 4d ejemplifica las condiciones del suelo para el ambiente 'A' que tiene una mayor producción de biomasa vegetal donde el suelo tiene una textura arcillosa y una saturación de bases (V%) superior al 50%. La Figura 4e demuestra las condiciones del suelo y las plantas de un ambiente 'F', donde este suelo tiene una textura muy arenosa, una saturación de bases inferior al 50% y la presencia de Al3+. El mapa SoilPP se representa en la Fig. 4c, permitiendo comparar sus similitudes y diferencias con el PES (Fig. 4b) para el cultivo de caña de azúcar. Es notable la correspondencia entre las áreas con mayores SoilPP (A) y unidades cartográficas de PES con mayores rendimientos de caña de azúcar (A) (Fig. 4b y c), es decir, los ambientes más productivos clasificados en campo presentan similitudes al relacionarse con los mejores. Clases de suelo PP.

Se realizó Análisis de Correspondencia Múltiple (MCA) con PES versus SoilPP, para verificar la asociación de grupos categóricos entre ambos sistemas. La asociación espacial entre las clases SoilPP y PES12,13,14,15,16 se confirma mediante análisis de correspondencia (Fig. 5). Las muestras de suelo que obtuvieron mayores puntajes (clase A) vía índice de potencial productivo del suelo, expresan una asociación significativa con la clase A vía “PES” determinado en campo. Por lo tanto, los suelos que tuvieron mayor potencial productivo muestran alta similitud con las mejores categorías de ambientes de producción. Las muestras de suelo que tuvieron los puntajes más bajos de SoilPP (clases F y G) presentaron mayor correspondencia con las peores clases de PES (Clases F y G) evaluadas en campo. La categoría "D" expresó una baja correspondencia entre los dos métodos (Fig. 5). Las categorías B y C mostraron una buena correspondencia entre los diferentes métodos. Por lo tanto, es de destacar que el sistema numérico que evalúa SoilPP a través de la puntuación de las propiedades del suelo corresponde a un método empírico de PES determinado en campo.

Análisis de correspondencia entre el Sistema Ambiental de Producción (PES) y SoilPP. La figura fue creada por el software R Core Team (2021). Versión 4.1.2. https://cran.r-project.org/bin/windows/base/old/4.1.2/

Los suelos agrícolas brasileños que tienen el SoilPP más alto (Clase A, B y C) están ubicados en áreas de material fuente de rocas volcánicas, como el basalto (Figs. S1 y S2)31. El basalto es reconocido por desarrollar suelos productivos17, formando suelos con buena fertilidad natural debido a la disponibilidad de nutrientes (es decir, entre ellos P, K, Ca, Mg y Fe) y menor granulometría, lo que favorece el almacenamiento y disponibilidad de agua para las plantas10. . En consecuencia, los suelos brasileños con SoilPP muy alta y alta se encuentran en áreas de alta fertilidad del suelo, de acuerdo con los resultados encontrados por Embrapa32, que representó la fertilidad de los suelos brasileños. El gradiente textural es la relación entre el porcentaje de arcilla en el horizonte subsuperficial comparado con el del horizonte superficial19. Esta característica suele estar presente en Argissolos/Lixisoles, que es el segundo suelo más frecuente en las áreas agrícolas de Brasil (Fig. S1b). Estos suelos tienen mayor disponibilidad de agua debido a su diferencia textural, aumentando el tiempo de residencia del agua en el perfil del suelo19. Cuando las raíces están debajo de la superficie, tienen más posibilidades de absorber agua y nutrientes y, por lo tanto, aumentar la productividad.

Además, las áreas de suelos agrícolas con SoilPP muy alto y alto tienen las concentraciones más altas de COS (Fig. S2). De acuerdo con Huang et al.11, el COS tiene el potencial de mejorar la estructura del suelo (como la estabilidad de los agregados) y la retención de agua y nutrientes (como el nitrógeno) en los suelos11. Otros estudios indican que aumentar las reservas de COS puede aumentar la calidad del suelo (mejora en el desempeño de ciertas funciones del suelo, como la retención de agua, la agregación y la capacidad de intercambio catiónico) y mejorar el rendimiento de los cultivos33,34,35. Esto está de acuerdo con nuestros hallazgos. Los territorios con mayor concentración de COS en las áreas agrícolas brasileñas36 corresponden a los valores más altos de SoilPP, ya que el COS tiene influencia directa en la producción de biomasa de las plantas cultivadas11.

Puede alentar a los agricultores a mejorar la gestión para aumentar el contenido de materia orgánica del suelo (MOS), intensificando los sistemas de producción, como la rotación y diversificación de cultivos (p. ej., pastos y leguminosas), que son estrategias eficientes para aumentar el contenido de C del suelo37,38,39 . En otras palabras, la contribución agrícola puede ocurrir con iniciativas globales como “Soil Carbon 4 per Mille”, que propuso aumentar el secuestro de COS, mitigando los efectos nocivos de las emisiones antropogénicas globales de gases de efecto invernadero40. Para aumentar la seguridad alimentaria mundial para una población en rápido crecimiento en un clima cambiante, se deben adoptar mejores prácticas de gestión para mejorar la estructura del suelo y las reservas de COS para mejorar el almacenamiento de agua, la retención de nutrientes y la conservación de energía11.

La mayor concentración de áreas agrícolas con SoilPP (media/alta a media/baja) se ubica principalmente en los biomas Cerrado (52,8 M ha) y Bosque Atlántico (29,8 Mh ha) (Fig. 1). Las áreas con SoilPP (baja a muy baja) se ubican principalmente en los biomas Caatinga (9,7 M ha) y Cerrado (24,7 M ha). Según MapBiomas5, el bioma Cerrado tiene una superficie de pasto equivalente a 47 M ha, donde el 57,9% (27 M ha) se encuentran en niveles de degradación severo o moderado. El bioma Caatinga tiene alrededor de 18 M ha ocupadas por pastos5. Sin embargo, el 70,3% (12,6 M ha) de este cultivo se encuentran en niveles de degradación severo o moderado. Por lo tanto, estas áreas de pastos degradados pueden estar relacionadas con áreas de SoilPP baja a muy baja, debido a limitaciones químicas y físicas del suelo.

Las áreas con baja a muy baja SoilPP en el Cerrado tienen baja saturación de bases, bajo pH y alta concentración de aluminio32, lo que junto con la gran cantidad de óxidos de Fe y Al (suelos altamente meteorizados)19,41,42, generan problemas de restricción de fósforo. La acidificación de los suelos agrícolas es un problema mundial y revertirla mejora la absorción de nutrientes, el crecimiento de las raíces y el rendimiento de los cultivos17,43. Por lo tanto, el potencial de estas áreas se puede aumentar mediante el manejo, como la neutralización de suelos ácidos (encalado), la reducción de la toxicidad de los metales (p. ej., niveles de aluminio y manganeso) y el aumento de la disponibilidad de P, especialmente en suelos ácidos tropicales altamente meteorizados donde los óxidos metálicos se unen. fuertemente a las reservas restantes de P17. Estos factores afectan directamente la capacidad del suelo para producir biomasa. Es necesario destacar que estas características suelen darse en todos los perfiles (0-100 cm). Sin embargo, la comunidad brasileña de agricultura de suelos ha trabajado intensamente en el manejo químico en los últimos 30 años en la superficie del suelo. Con esto, se ha corregido la mayor parte del suelo agrícola del Cerrado (en capas superficiales) y se ha mejorado la productividad. El aumento de la productividad mediante el manejo de la química del suelo es un hecho, pero el tema aquí es decir que no alcanzó el máximo de su potencial. Esto es cierto cuando vemos los fundamentos de SoilPP y los 30 años de experiencia en eucalipto y caña de azúcar usando PES, que residen en el análisis del suelo en el subsuelo (80-100 cm). Es hasta esta profundidad que las raíces tienen más posibilidades de absorber agua y nutrientes provenientes del drenaje del suelo, como lo preconiza12.

Los mejores suelos agrícolas de Brasil por su extensión territorial que pertenecen a las categorías SoilPP “muy alto y alto” se encuentran en la Mata Atlántica (11,8 M ha), Amazonia (7,6 M ha) y Cerrado (4,4 M ha). ) (Fig. 2a, b y e). Estos tres biomas juntos representan alrededor del 81% del área agrícola evaluada, siendo los más expresivos en producción de soja y caña de azúcar en términos de cantidad (Tabla S1). El 13,5% del bioma amazónico está ocupado por la agricultura. Sin embargo, los suelos ubicados en la Amazonía son extremadamente frágiles en términos químicos y físicos, ya que el ciclo de la materia orgánica es uno de los principales factores que ayudan en la disponibilidad de nutrientes44,45. Otra limitación es la ocurrencia de áreas inundables debido a las altas precipitaciones que se presentan en el bioma46. Además, la ley federal nº 12.651/2012, que prevé la protección de la vegetación nativa, exige que todas las propiedades rurales ubicadas en la Amazonia mantengan el 80% del área cubierta por vegetación nativa44.

A través del análisis del nivel de rendimiento de 2304 condados productores de soja brasileños, se identificaron alrededor de 1052 condados que podrían aumentar sus niveles de producción (Fig. 3c). Para la caña de azúcar, se evaluaron 2119 condados productores, de los cuales 809 condados podrían aumentar el rendimiento de los cultivos (Fig. 3f). Algunos condados brasileños tuvieron rendimientos promedio altos para ambos cultivos incluso con valores bajos de SoilPP, como las regiones Sudeste, Medio Oeste y Noreste (Fig. 3a, b, d y e). Esto posiblemente esté asociado con el nivel de inversión tecnológica de los condados en las respectivas regiones47. Por ejemplo, las regiones con adopción de prácticas de riego tienen el mayor rendimiento promedio por municipio, lo que se puede verificar a través del mapa de áreas agrícolas irrigadas de Brasil (Agencia Nacional de Agua y Saneamiento48). Otro factor son las grandes reservas brasileñas de fósforo (P) residual acumuladas durante décadas de cultivo, lo que se denomina “legado del P”. Pavinato et al.49 demostraron esto al mapear la distribución espaciotemporal del legado de P en los últimos 50 años en Brasil. Algunas regiones con la mayor acumulación de legado de P en el suelo brasileño (más de 300 kg ha-1) demuestran la intensa inversión tecnológica en condados con bajo PP de suelo para aprovechar los niveles de producción de soja y caña de azúcar49.

Los valores más altos del Producto Interno Bruto “PIB” per cápita en 201950 corresponden a regiones de áreas irrigadas que pertenecen a algunas fronteras agrícolas de fuerte expansión en Brasil48. El alto rendimiento podría estar asociado con una alta inversión tecnológica en estas regiones, como la fertilización49 y el riego48. Así, el desarrollo de políticas públicas para aumentar la inversión tecnológica en condados con un nivel de rendimiento negativo (Fig. 3c yf) podría resultar en un aumento de su rendimiento promedio sin la explotación de nuevas áreas agrícolas, contribuyendo a la seguridad alimentaria11,22. De acuerdo con Strassburg et al.45, “Brasil tiene suficiente tierra dedicada a la producción agrícola para satisfacer el aumento de la demanda futura de productos agrícolas, ahorrando tierra para la naturaleza, es decir, combinando un mayor rendimiento agrícola con la conservación y restauración de ambientes naturales”. Por lo tanto, es posible afrontar los desafíos de la seguridad alimentaria y la sostenibilidad de las próximas décadas, pero requerirá cambios considerables en la gestión de los nutrientes y el agua47.

La caña de azúcar, cultivada extensivamente en suelos muy erosionados, genera aproximadamente 43 mil millones de dólares al año para la economía brasileña17. Los entornos de producción con mayores rendimientos de caña de azúcar (Fig. S3) tienen suelos más profundos, de textura fina y mayor fertilidad19,51,52. La información del suelo subsuperficial impacta directamente en la producción de cultivos debido a su exploración radicular en busca de agua y nutrientes, lo que justifica por qué el potencial productivo del suelo es mayor en ambientes de producción con mayores rendimientos18. Los peores suelos del área clasificada por el mapa PES y SoilPP son de textura gruesa (arenosa) y químicamente pobres51. La acidificación del suelo reduce la absorción de nutrientes, el crecimiento de las raíces y el rendimiento de los cultivos17,43. La neutralización de suelos ácidos sería una alternativa eficiente para mejorar el aprovechamiento del potencial productivo del suelo17. Existe una relación directa entre SoilPP y ambos usos de la información de atributos del suelo bajo la superficie (al menos 1 m). La diferencia es que PES usa una clasificación de mapas de suelos y SoilPP puede usar análisis de suelos directamente. A pesar de esto, SoilPP integró el carbono en el sistema de manera diferente a los PES. En ambos casos, se demostró que el análisis del subsuelo da una inferencia importante sobre los tipos de suelo e impacta directamente en la productividad potencial.

Los mapas de suelos heredados apoyaron firmemente la expansión agrícola brasileña53. Sin embargo, los mapas de suelos en Brasil datan de los años 70 y 80 “RadamBrasil” y tienen poco detalle cartográfico (1:500.000 a 1:5.000.000). Sin embargo, a pesar de la baja resolución de estos mapas de suelos, contribuyeron en gran medida al desarrollo agrícola en varias zonas de Brasil, promoviendo un uso más eficiente y sostenible de la tierra36. Actualmente, existe un gran interés en la elaboración de mapas detallados, promoviendo un uso más eficiente y sostenible del suelo36. Estas técnicas pueden ayudar a aumentar la seguridad alimentaria global11,22, a través de la ayuda de formulaciones de políticas a escala nacional, como el “Programa Nacional de Suelos de Brasil”—PronaSolos53 y Iowa Corn Suitability20. También pueden contribuir a la gestión de los recursos agrícolas y la seguridad del suelo21,22,23.

Las principales limitaciones de nuestro producto (mapa SoilPP) (Fig. 1) están relacionadas con la baja precisión del modelo de pronóstico y con las áreas agrícolas sin información sobre la reflectancia del suelo expuesto, lo que nos permitió evaluar el 80% (203 M ha) de la total de áreas agrícolas brasileñas (263 M ha)5. Las técnicas para el manejo del suelo y la nutrición de las plantas, como la aplicación de piedra caliza y fertilizantes, la labranza cero y la fijación biológica de nitrógeno, justifican la alta dinámica de los atributos químicos del suelo17. La baja precisión del modelo de predicción posiblemente esté asociada con la evaluación de atributos químicos en SoilPP, lo que se observó en las predicciones de atributos químicos mediante aprendizaje automático36,42,54,55. A pesar de la complejidad de trabajar con el mapeo de grandes territorios, es destacable la importancia de evaluar el potencial de los suelos agrícolas brasileños, proporcionando conocimientos relacionados con las limitaciones del suelo en diferentes lugares y apuntando a aumentar el rendimiento agrícola de manera sostenible.

El método presentado en este trabajo basado en las propiedades del suelo (indicadores) asociados al mapeo digital de suelos representó el potencial productivo de los suelos agrícolas en Brasil. El mapa SoilPP presentó las siguientes limitaciones: (1) la representatividad de la muestra para todo tipo de suelos agrícolas; (2) una baja precisión del modelo de predicción, posiblemente relacionada con la alta variación de la química y (c) no pudo crear un guión para cada cultura. A pesar de esto, se cartografiaron alrededor de 203 Mha (80% del total de áreas agrícolas) con información del suelo hasta 1 m de profundidad y una resolución espacial de 30 m.

El sistema fue analizado utilizando modelos empíricos y datos de rendimiento reales con buena correspondencia. El 46% de los municipios brasileños con cultivo de soja podrían aumentar el rendimiento. Para la caña de azúcar, el 38% de los municipios evaluados tuvieron un rendimiento promedio real inferior al potencial del suelo. Por lo tanto, para algunos condados, la cantidad de caña de azúcar y soja producida podría aumentar donde los cultivos ya se cultivan (brecha de rendimiento) si se aumentara su rendimiento municipal promedio (Tablas S2 y S3). Los resultados respaldan la importancia de los datos del suelo subterráneo en el impacto de la producción. La comunidad debería darle más importancia a la información del subsuelo del suelo ya que a mayor número de raíces, mayor absorción de nutrientes y agua. Hasta ahora, la agricultura ha prestado demasiada atención a las condiciones de la superficie que limitan el potencial real de la productividad del suelo. Para ello, se debe prestar atención al estudio del suelo (mapeo pedológico del suelo), que saca a la luz la dinámica del drenaje del suelo y el estado de la superficie. Además, el sistema indicó que el 13,5% del bioma amazónico ya se encuentra bajo agricultura. Por lo tanto, una vez elaborado el conjunto de datos, se generó información importante a escala fina, con un abordaje relevante de varias áreas como políticas públicas, conocer el destino de determinados terrenos, precios del suelo, optimización del manejo del suelo, áreas elegidas para el manejo. de los cultivos y aumentar el rendimiento. Esto afectará a la reducción de la degradación de la tierra, mitigará la deforestación y contribuirá a la seguridad alimentaria mundial.

La secuencia para la obtención del SoilPP se realizó en cuatro pasos principales. La organización de la base de datos nacional de suelos (Paso 1). El proceso de puntuación de cada muestra de suelo mediante Análisis de Componentes Principales (Paso 2). El mapa de predicción SoilPP para todo el territorio utilizando el marco DSM (Paso 3). Finalmente, la evaluación SoilPP utiliza rendimientos reales de caña de azúcar y soja a nivel de condado y entornos de producción a nivel de finca (Paso 4). La selección de cultivos de caña de azúcar y soja para validar este producto responde a dos razones principales: (i) la importancia de estos dos cultivos para la economía brasileña4 y (ii) su amplia distribución en todo el país.

El área de estudio comprende todas las tierras agrícolas de Brasil. Se utilizó la Colección 6.0 del programa MapBiomas para seleccionar las áreas en las que la agricultura era el principal uso del suelo, resultando 263.045.118 M ha5. La extensión territorial brasileña muestra una amplia biodiversidad, con seis biomas y diferentes condiciones climáticas26,56. Los principales tipos de suelos derivan de rocas sedimentarias e ígneas, como Ferralsoles y Acrisoles, cubriendo cerca del 60% del territorio brasileño19. El bioma amazónico representa el 49% de Brasil, con un clima tropical húmedo (Af, Am y Aw). El Cerrado (sabanas brasileñas) es el segundo bioma más grande, cubre el 22% del territorio, con un clima predominantemente semihúmedo (Aw). El bioma de la Mata Atlántica, que se extiende hacia el este de Brasil, presenta la mayor diversidad de ambientes y existen varios tipos de climas (Cfb, Cfa, Cwb, Aw y As). El bioma Caatinga es el más seco, bajo un clima semiárido (Bsh). El bioma del Pantanal se caracteriza por largos períodos de inundaciones, con un clima estacional clasificado como Aw. El bioma pampeano está cubierto por pastizales templados de clima Cfa.

Las muestras de suelo georreferenciadas fueron seleccionadas a partir de estudios de suelo realizados en áreas agrícolas por el grupo de Geotecnologías en Ciencias del Suelo57 de la Universidad de São Paulo. Se analizaron los atributos físicos y químicos del suelo de todos los puntos de muestreo en tres capas de profundidad (capa A: 22,122; capa B: 21,160; capa C: 25,992). Los análisis de laboratorio físico-químicos siguieron los estándares brasileños32. Se obtuvieron los siguientes atributos del suelo: contenidos de arcilla, limo y arena (g kg-1); carbono orgánico del suelo (COS, g kg-1); materia orgánica del suelo (MOS, g kg−1); pH en agua (pHH2O); pH en KCl (pHKCl); capacidad de intercambio catiónico (CEC pH7); Ca2+ (mmolc kg-1); Mg2+ (mmolc kg-1); K+ (mmolc kg-1); Al3+ (mmolc kg-1); H + Al (mmolc kg−1) suma de bases (mmolc kg−1); saturación de bases (V%); y saturación de aluminio (m%). La densidad aparente del suelo (BD, g cm-3) se estimó utilizando una función de pedotransferencia para suelos brasileños calibrados con contenidos de arcilla y COS, que tuvo un valor R2 de 0,63 y un error estándar de 0,11 g cm-358. El ∆pH, el índice de meteorización del suelo (Ki) y la actividad de la arcilla se calcularon según Prado et al.59. Además, la pendiente (º) de la superficie se calculó a partir del conjunto de datos ALOS Landform, en la plataforma Google Earth Engine utilizando la función TAGEE36. El relieve es un factor de formación del suelo, en el que las mayores pendientes del terreno presentan suelos menos profundos y susceptibles a la erosión60. Se extrajo información sobre la pendiente del terreno del archivo ráster para cada punto de muestra de suelo georreferenciado.

El índice de rendimiento potencial del suelo (SoilPP) se desarrolló considerando la literatura sobre calidad del suelo y los métodos de indexación21,29. Para construir el SoilPP, las propiedades del suelo se calificaron con valores que van de 0 a 100. Las funciones de puntuación se dividen en tres tipos: índice 'más es mejor' (MBI), lo que significa que valores más altos del atributo del suelo indican un SoilPP más alto; índice 'menos es mejor' (LBI), en el que valores más bajos indican un alto PP del suelo; y “punto medio óptimo” (OMI), donde un valor intermedio indica una condición superior del suelo29. Para la actividad de arcilla, limo, SOC, SOM, Ca2+, Mg2+, K+, CECpH7, SB, V%, Ki y arcilla se utilizó el MBI (Ec. 1). Arena, BD, Al3+, H+ + Al3+, m%, ∆pH y Pendiente se calificaron usando LBI (Ec. 2), y solo se calificó el pHH2O usando OMI (Eq. 3).

donde MBI(1), LBI(2) y OMI(3) son las funciones de puntuación 'más es mejor', 'menos es mejor' y 'punto medio óptimo', respectivamente; 'a' es el valor de puntuación máximo (100), 'S' es la pendiente de la ecuación, definida como − 2,5; 'B' es el valor inicial que tiene una puntuación del 50% (mediana); 'UL' es el límite superior (máximo) del valor del atributo del suelo; 'LL' es el límite inferior (mínimo) de los valores de los atributos del suelo; 'BL' es la línea de base inferior de la curva del 'punto medio ideal', con una puntuación del 50%; 'BU' es la línea de base superior de la curva del 'punto medio ideal', con una puntuación del 50%; 'O' es el valor de puntuación óptimo, igual al 100%; y 'x' es el valor real del atributo del suelo.

Cada atributo del suelo se parametrizó con líneas de base (mediana), límites (superior e inferior) y valores óptimos mediante reducciones estadísticas (percentiles) de muestras de suelo (Tabla 1). Posteriormente, se evaluaron y puntuaron los atributos de cada muestra de suelo. Este enfoque se utilizó para restringir los parámetros funcionales a los atributos del suelo obtenidos mediante el análisis del suelo.

Se utilizó el análisis de componentes principales (PCA) para crear un índice de artificio ponderado denominado SoilPP (Ec. 5), evaluando todas las puntuaciones de los atributos del suelo de las ecuaciones MBI, LBI y OMI, utilizando la metodología descrita por Cherubin et al.29. Debido a los diferentes rangos de valores y unidades de medida de los atributos del suelo, sus valores se estandarizaron (media 0 y desviación estándar 1) utilizando el puntaje z, el cual se puede calcular con la siguiente fórmula:

donde z es la puntuación z, x es el valor del atributo del suelo, x̅ es la media y σ es la desviación estándar.

A través del PCA, cada atributo del suelo se ponderó según la proporción de varianza explicada por cada componente (es decir, % de variación explicada por cada componente dividido por la variación total acumulada de todos los componentes seleccionados). Los valores ponderados para todos los atributos utilizados en el cálculo de SoilPP resultante del PCA están disponibles en el material complementario (Tablas S4 y S5). El número de componentes principales seleccionados para realizar el cálculo de SoilPP se basó en el valor de desviación estándar (SD) resultante del componente principal (PC) superior a 1 (Tabla S5). Para calcular el SoilPP se utilizó la siguiente ecuación:

donde 'n' es el número de atributos del suelo, 'AS' es la puntuación obtenida por cada atributo del suelo en cada muestra de suelo, 'WI' valor ponderado del atributo dentro de cada componente principal proporcionado a través de PCA, 'PCn' es la proporción de varianza de el componente principal. Finalmente, todas las muestras de suelo de cada capa se calificaron en una escala de 0 a 100. Cuanto más cerca esté la puntuación de la muestra de 100, mayor será el potencial productivo del suelo. El análisis de componentes principales (PCA) se realizó utilizando los paquetes “factoextra”, “lifecycle” y “psych” en el entorno R61.

Se utilizó una imagen sintética del suelo (SySI), obtenida aplicando el método GEOS362 junto con los atributos del terreno63 para estimar el SoilPP para las áreas agrícolas brasileñas, utilizando mapas digitales de suelos. Se utilizó un conjunto de árboles de regresión aleatoria y de arranque de la biblioteca scikit-learn de Python64. En lugar de ajustar árboles de regresión simples, emulamos el algoritmo Random Forest65 generando árboles de arranque para agregarlos por la media, utilizando la metodología descrita en Safanelli et al.36. El número óptimo de árboles de arranque (tamaño del bosque), el número de covariables que se muestrearán en las divisiones de los árboles y el tamaño del árbol se definieron con una búsqueda de cuadrícula de hiperparámetros que busca minimizar el sobreajuste durante la calibración. El rango de valores probados para el tamaño del bosque fue de 30, 60, 100, 200, 300 y 500 árboles. Se investigó la cantidad de 1, 2, 3, 5, 8, 11 y 13 predictores para utilizarlos aleatoriamente en tres divisiones. Para el número mínimo de observaciones sobre las hojas, que definía el tamaño o profundidad individual del árbol, se probaron valores de 10, 20, 30, 40, 50, 100, 200 y 500 observaciones. La información detallada está disponible en el material complementario.

El mapa de SoilPP previsto se cruzó con datos de rendimiento medio de cultivos de soja y caña de azúcar de los condados brasileños, promediados durante cinco años (2016/17–2020/21). Para realizar esta evaluación a escala nacional se utilizaron el mapa SoilPP y los datos de rendimiento promedio municipal para los respectivos cultivos. Los datos de rendimiento de los condados se obtuvieron como archivos vectoriales de la base de datos del Instituto Brasileño de Geografía y Estadística (IBGE, https://sidra.ibge.gov.br/tabela/6957). En el análisis se consideraron los municipios que tuvieron una producción promedio superior a 35 toneladas ha-1 de caña de azúcar y 1500 kg ha-1 de soja. Los valores de rendimiento promedio de cada municipio para soja y caña de azúcar se categorizaron en base a cuartiles (Cuadro 2), es decir, cada categoría tiene el mismo número de municipios, con el fin de minimizar la sobreestimación del aumento del rendimiento. Después de elaborar el mapa SoilPP, se realizó el promedio de los suelos agrícolas que componen cada municipio brasileño, es decir, el resultado es un valor promedio del potencial del suelo para cada municipio, que fue categorizado como 'SoilPPc' ​​(Tabla 2). Los valores de rendimiento promedio municipal para los cultivos de soja y caña de azúcar (Cuadro 2) concuerdan con los valores encontrados en la literatura66,67,68,69. Los valores de los municipios brasileños con rendimiento promedio de soja y caña de azúcar se dividieron en siete clases diferentes, denominadas Clase de Rendimiento 'Yc'. Las variables SoilPPc y Cy están disponibles en el Cuadro 2 y se utilizaron para calcular el nivel de rendimiento.

Con el objetivo de verificar el estado actual del rendimiento municipal de los cultivos de soja y caña de azúcar (cosechas 2016/17 a 2020/21) en relación al potencial promedio de los suelos agrícolas de cada municipio brasileño. Se realizó el análisis del nivel de rendimiento municipal. A través de este análisis, es posible ver si el rendimiento municipal promedio del respectivo cultivo se puede incrementar en las tierras agrícolas donde ya se cultiva, o si es necesario abrir nuevas áreas agrícolas para producir más. 'SoilPPc' ​​e 'Yc' se clasificaron para cada condado brasileño de acuerdo con la Tabla 2. 'SoilPPc' ​​se restó de 'Yc' para obtener un mapa de diferencias:

La ecuación representa la diferencia entre el estado real (rendimiento real) y el estado potencial (SoilPP) del suelo para producir biomasa. Si el valor resultante del “Nivel de rendimiento” es positivo, significa que el rendimiento promedio municipal (real) está por encima del potencial del suelo, es decir, las áreas agrícolas cultivadas con soja o caña de azúcar, en promedio los cultivos están bien. gestionado en el condado en cuestión. Por el contrario, si el valor resultante es negativo, significa que el rendimiento promedio municipal (real) está por debajo del potencial del suelo, es decir, se puede aumentar el rendimiento promedio de los cultivos en el condado, que posiblemente esté enfrentando algunos problemas durante la producción. (factor climático, competencia por malezas o ataque de plagas y enfermedades). Los municipios que obtuvieron un resultado igual a 0, demuestran que los estados real y potencial son iguales, es decir que se está explorando todo el potencial del suelo. Sin embargo, aún se pueden aumentar los rendimientos de los cultivos.

Se realizó un estudio de caso en una finca de caña de azúcar, ubicada en el municipio de Rafard (estado de São Paulo). La superficie de la finca es de aproximadamente 182 ha. Usamos este ejemplo como base para la validación del mapa SoilPP y la comparación con el PES69. Este marco consiste en desarrollar 'zonas de gestión' utilizando información sobre la clase, textura, fertilidad del suelo y rendimiento del suelo. El PES tiene siete categorías diferentes basadas en el rendimiento de la caña de azúcar (A: más de 100 toneladas por hectárea; B: 91 a 100 toneladas; C: 86 a 90 toneladas; D: 81 a 85 toneladas, E: 76 a 80 toneladas; 70 a 75 toneladas y G: < 70 toneladas por hectárea). También se analizaron las relaciones de los mapas de SoilPP con la geología y la clasificación del suelo del área a través de mapas de campo heredados, lo que permitió una mejor comprensión de las características de un entorno determinado. El mapa SoilPP de las áreas agrícolas brasileñas fue cortado según el perímetro de la finca Rafard (estado de São Paulo), presentando una resolución espacial de 30 m e información del suelo hasta una profundidad de un metro. El PES se generó a partir de las propiedades físicas, químicas y biológicas del suelo, la evapotranspiración de las plantas y el rendimiento, las cuales fueron evaluadas en campo.

Se realizó un Análisis de Correspondencia Múltiple (MCA) utilizando 21.000 muestras de suelo evaluadas en campo mediante PES y utilizadas en la predicción del mapa SoilPP, para verificar la asociación de grupos categóricos entre ambos sistemas. Las variables analizadas fueron el puntaje SoilPP comparado con PES, el cual se categoriza mediante clasificación edafológica, con información sobre textura, fertilidad y evapotranspiración de la planta69. El PSA se divide en siete categorías diferentes (A, B, C, D, E, F y G) en función del rendimiento de la caña de azúcar, como se describe en el punto anterior. Con esto, es posible analizar si el sistema categórico SoilPP (Ec. 5) se corresponde con el sistema categórico empírico realizado mediante la metodología de Demattê y Demattê69. Se aplicó la prueba de Chi-cuadrado para evaluar la significancia de la asociación entre las categorías de ambos métodos.

Los datos generados y/o analizados durante el estudio actual están disponibles en el repositorio (https://esalqgeocis.wixsite.com/english/lucas-greschuk-soil-pp-map). Algunos datos utilizados y/o analizados durante el presente estudio pueden estar disponibles por el autor correspondiente previa solicitud por correo electrónico [email protected]. Esta investigación se desarrolló con base en información real de campo y rendimiento municipal.

Vågsholm, I., Arzoomand, NS y Boqvist, S. Seguridad alimentaria, inocuidad y sostenibilidad: lograr las compensaciones correctas. Frente. Sostener. Sistema de alimentación. 4, 16 (2020).

Artículo de Google Scholar

Ferreira, MDP & Féres, JG Tamaño de finca y eficiencia en el uso de la tierra en la Amazonia brasileña. Política de Uso de Suelo 99, 104901 (2020).

Artículo de Google Scholar

Fróna, D., Szenderák, J. & Harangi-Rákos, M. El desafío de alimentar al mundo. Sostenibilidad 11, 5816 (2019).

Artículo de Google Scholar

FAOSTAT. FAOSTAT. https://www.fao.org/faostat/en/#data/QC/visualize (2022).

Mapabiomas. Mapabiomas Brasil. https://mapbiomas.org/colecoes-mapbiomas-1?cama_set_language=pt-BR (2022).

Bordonal, RDO et al. Sostenibilidad de la producción de caña de azúcar en Brasil. Una revisión. Agrón. Sostener. Desarrollo. 38(2), 1–23 (2018).

Artículo de Google Scholar

Gerland, P. y col. La estabilización de la población mundial es poco probable en este siglo. Ciencia 1979(346), 234–237 (2014).

ADS del artículo Google Scholar

Runyan, CW & Stehm, J. Cambio de uso de la tierra, deforestación y competencia por la tierra debido a la producción de alimentos. Encíclica. Sostenimiento de la seguridad alimentaria. https://doi.org/10.1016/B978-0-08-100596-5.21995-1 (2019).

Artículo de Google Scholar

Montanarella, L. et al. Los suelos del mundo están amenazados. Suelo 2, 79–82 (2016).

Artículo ADS CAS Google Scholar

Vogel, HJ y cols. Evaluación cuantitativa de las funciones del suelo: Potencial y estado. Frente. Reinar. Ciencia. 7, 164 (2019).

Artículo de Google Scholar

Huang, J., Hartemink, AE y Kucharik, CJ Respuestas dependientes del suelo de los rendimientos de los cultivos estadounidenses a la variabilidad climática y la profundidad de las aguas subterráneas. Agrícola. Sistema. 190, 103085 (2021).

Artículo de Google Scholar

Landell, MGDA y cols. Atributos químicos del subsuelo de Oxisol relacionados con la productividad de la caña de azúcar. Ciencia. Agrícola. 60, 741–745 (2003).

Artículo CAS Google Scholar

de Moraes Barbosa, A., Rebes Zilliani, R., Tiritan, CS, Maia Souza, G. & de Almeida Silva, M. Eficiencia de conversión de energía en cultivares de caña de azúcar en función de los entornos de producción en Brasil. Renovar. Sostener. Energía Rev. 150, 111500 (2021).

Artículo de Google Scholar

Mendes, WDS & Demattê, JAM Resultados de mapeo digital de suelos sobre clasificación de suelos y producción de caña de azúcar en Brasil. JS Am. Ciencia de la Tierra. 116, 103881 (2022).

Artículo CAS Google Scholar

Sanches, GM et al. Ambientes de producción de precisión para campos de caña de azúcar. Ciencia. Agrícola. 76, 10-17 (2019).

Artículo de Google Scholar

Cavalcante, EP & Prado, H. Ambientes de producción de caña de azúcar en oxisoles de la región de Araxá-MG. Núcleo 7, 115-124 (2010).

Beerling, DJ y cols. Cultivar con cultivos y rocas para abordar el clima global, la seguridad alimentaria y del suelo. Nat. Plantas 4(3), 138–147 (2018).

Artículo PubMed Google Scholar

Bishopp, A. & Lynch, JP La mitad oculta del rendimiento de los cultivos. Nat. Plantas 1(8), 1–2 (2015).

Artículo de Google Scholar

Santos et al. Sistema brasileño de clasificación de suelos. Embrapa Suelos (2018).

Calcular la calificación de idoneidad del maíz de Iowa para su granja | Tomador de decisiones agrícolas. IOWA https://www.extension.iastate.edu/agdm/wholefarm/html/c2-87.html (2013).

Lehmann, J., Bossio, DA, Kögel-Knabner, I. & Rillig, MC El concepto y las perspectivas futuras de la salud del suelo. Nat. Rev. Medio Ambiente Tierra. 1(10), 544–553 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

McBratney, A., Field, DJ y Koch, A. Las dimensiones de la seguridad del suelo. Geoderma 213, 203–213 (2014).

ADS del artículo Google Scholar

Mulder, VL, de Bruin, S., Schaepman, ME y Mayr, TR El uso de la teledetección en la cartografía del suelo y el terreno: una revisión. Geoderma 162, 1-19 (2011).

Artículo ADS CAS Google Scholar

Mellor, JW Balances alimentarios mundiales y seguridad alimentaria. Desarrollo mundial. 16, 997–1011 (1988).

Artículo de Google Scholar

de Araújo, FM, Ferreira, LG & Arantes, AE Patrones de distribución de áreas quemadas en los biomas brasileños: un análisis basado en datos satelitales para el período 2002-2010. Sensores remotos 4, 1929-1946 (2012).

ADS del artículo Google Scholar

Guerra, A. et al. Restauración ecológica en biomas brasileños: identificando avances y brechas. Para. Ecológico. Gestionar. 458, 117802 (2020).

Artículo de Google Scholar

McBratney, AB, Mendonça Santos, ML & Minasny, B. Sobre la cartografía digital del suelo. Geoderma 117, 3–52 (2003).

ADS del artículo Google Scholar

Lagacherie, P. Mapeo digital de suelos: un estado del arte. Mapeo digital de suelos con datos limitados 3–14 (2008) https://doi.org/10.1007/978-1-4020-8592-5_1/COVER/.

Cherubin, MR et al. Estrategias de indexación de la calidad del suelo para evaluar la expansión de la caña de azúcar en Brasil. MÁS UNO 11, e0150860 (2016).

Artículo PubMed PubMed Central Google Scholar

Kumar, U., Kumar, N., Mishra, VN y Jena, RK Evaluación de la calidad del suelo mediante el proceso de jerarquía analítica (AHP). 1–18 (2019) https://doi.org/10.4018/978-1-5225-7784-3.ch001.

Gómez, J., Schobbenhaus, C. & Montes NE Mapa Geológico de América del Sur 2019. Escala 1:5 000 000. (2019).

Embrapa. Mapa de fertilidad del suelo en Brasil. (1980).

Lal, R. Impactos del secuestro de carbono del suelo en el cambio climático global y la seguridad alimentaria. Ciencia 1979 (304), 1623–1627 (2004).

ADS del artículo Google Scholar

Williams, A. y col. La capacidad de retención de agua del suelo mitiga el riesgo de caída y la volatilidad del maíz de secano en EE. UU.: ¿Es hora de invertir en materia orgánica del suelo? MÁS UNO 11, e0160974 (2016).

Artículo PubMed PubMed Central Google Scholar

Yost, JL & Hartemink, AE Efectos del carbono en el almacenamiento de humedad en suelos de Wisconsin Central Sands, EE. UU. EUR. J. Ciencia del suelo. 70, 565–577 (2019).

Artículo CAS Google Scholar

Safanelli, JL y cols. Aprovechar la aplicación de datos de observación de la Tierra para mapear suelos de tierras de cultivo en Brasil. Geoderma 396, 115042 (2021).

Artículo ADS CAS Google Scholar

Paustian, K. y col. Suelos climáticamente inteligentes. Naturaleza 532 (7597), 49–57 (2016).

Artículo ADS CAS PubMed Google Scholar

Tiefenbacher, A. y col. Optimización del secuestro de carbono en tierras de cultivo: una síntesis. Agronomía 11, 882 (2021).

Artículo de Google Scholar

Lange, M. y col. La diversidad de plantas aumenta la actividad microbiana del suelo y el almacenamiento de carbono en el suelo. Nat. Comunitario. 6(1), 1–8 (2015).

Artículo ADS MathSciNet Google Scholar

Minasny, B. et al. Carbono del suelo 4 por mil. Geoderma 292, 59–86 (2017).

ADS del artículo Google Scholar

Poppiel, RR y cols. Mapeo con una resolución de 30 m de los atributos del suelo a múltiples profundidades en el medio oeste de Brasil. Sensores remotos 11, 2905 (2019).

ADS del artículo Google Scholar

Poppiel, RR y cols. Mapeo de edafología y clases de suelos a partir de datos de detección proximal y remota. Geoderma 348, 189–206 (2019).

ADS del artículo Google Scholar

Gillman, GP El efecto de la escoria de basalto triturada sobre las propiedades de intercambio catiónico de un suelo muy erosionado. Ciencia del suelo. Soc. Soy. J. 44, 465–468 (1980).

Artículo ADS CAS Google Scholar

Sparovek, G., Berndes, G., Klug, ILF & Barretto, AGOP Legislación agrícola y ambiental brasileña: situación y desafíos futuros. Reinar. Ciencia. Tecnología. 44, 6046–6053 (2010).

Artículo ADS CAS PubMed Google Scholar

Estrasburgo, BBN et al. Cuando ya debería ser suficiente: Mejorar el uso de las actuales tierras agrícolas podría satisfacer las demandas de producción y preservar los hábitats naturales en Brasil. Globo. Reinar. Chang. 28, 84–97 (2014).

Artículo de Google Scholar

Álvares, CA et al. Mapa de clasificación climática de Köppen para Brasil. https://doi.org/10.1127/0941-2948/2013/0507.

Mueller, ND y cols. Cerrar las brechas de rendimiento mediante la gestión de nutrientes y agua. Naturaleza 490 (7419), 254–257 (2012).

Artículo ADS CAS PubMed Google Scholar

ANA-Agencia Nacional de Agua y Saneamiento Básico. Riego Atlas. Uso del agua en la agricultura de regadío. Agencia Nacional de Agua y Saneamiento Básico (2021).

Pavinato, PS et al. Revelar el legado de fósforo del suelo para promover la agricultura sostenible en Brasil. Ciencia. Rep. 10(1), 1-11 (2020).

Artículo de Google Scholar

IBGE. Producto Interno Bruto de los Estados. Instituto Brasileño de Estadística y Geografía 57, 1–2 (2019).

Google Académico

Bazaglia Filho, O. et al. Comparación entre mapas de suelos digitales y convencionales detallados de un área con geología compleja. Rev. Bras. Ciencia Solo 37, 1136–1148 (2013).

Artículo de Google Scholar

Mello, D. y col. Espectrometría de rayos gamma aplicada para evaluar procesos y atributos de suelos tropicales. Geoderma 381, 114736 (2021).

ADS del artículo Google Scholar

POLIDORO, J. C. Programa Nacional de Solos do Brasil (PronaSolos). Programa Nacional de Solos do Brasil (PronaSolos) (2016).

Mendes, WDS et al. ¿Es posible mapear los atributos del suelo del subsuelo mediante modelos de transferencia espectral satelital? Geoderma 343, 269–279 (2019).

ADS del artículo Google Scholar

Rizzo, R., Demattê, JAM, Lepsch, IF, Gallo, BC y Fongaro, CT Mapeo digital de suelos a escala local utilizando una biblioteca espectral Vis-NIR de profundidad múltiple y atributos del terreno. Geoderma 274, 18-27 (2016).

ADS del artículo Google Scholar

Gomes, LC et al. Modelización y mapeo de reservas de carbono orgánico del suelo en Brasil. Geoderma 340, 337–350 (2019).

Artículo ADS CAS Google Scholar

Bellinaso, H., Demattê, JAM & Romeiro, SA Biblioteca espectral de suelos y su uso en la clasificación de suelos. Rev. Bras. Ciencia. Solo 34, 861–870 (2010).

Artículo CAS Google Scholar

Benites, VM, Machado, PLOA, Fidalgo, ECC, Coelho, MR & Madari, BE Funciones de pedotransferencia para estimar la densidad aparente del suelo a partir de informes de estudios de suelos existentes en Brasil. Geoderma 139, 90–97 (2007).

ADS del artículo Google Scholar

Prado, H.do. Pedología fácil. 3ªEd. (2011).

Brady, N. & Weil, RR Elementos de la naturaleza y propiedades del suelo (Bookman, 2012).

Google Académico

TRDC, T. El Proyecto R para Computación Estadística. http://www.r-project.org (2008).

Demattê, JAM, Fongaro, CT, Rizzo, R. & Safanelli, JL Sistema de detección de suelo geoespacial (GEOS3): un potente procedimiento de extracción de datos para recuperar la reflectancia espectral del suelo a partir de imágenes de satélite. Sensores remotos. Medio ambiente. 212, 161-175 (2018).

ADS del artículo Google Scholar

Safanelli, JL y cols. Análisis del terreno en motor Google Earth: un método adaptado para análisis de alto rendimiento a escala global. ISPRS Int. J. Geo-Inf. 9, 400 (2020).

Artículo de Google Scholar

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

Breiman, L. Bosques aleatorios. En t. J. Adv. Computadora. Ciencia. Aplica. https://doi.org/10.1023/A:1010933404324 (2001).

Artículo MATEMÁTICAS Google Scholar

Abraham, ER et al. Predicción de series de tiempo con redes neuronales artificiales: un análisis utilizando la producción de soja brasileña. Agricultura 10, 475 (2020).

Artículo de Google Scholar

Amorim, MTA et al. Impacto de los tipos de suelo en el desarrollo de la caña de azúcar monitoreado en el tiempo mediante teledetección. Precis Agrícola. 23, 1532-1552 (2022).

Artículo de Google Scholar

Rodrigues De Amorim, F. et al. Prácticas de cultivo de la caña de azúcar: un análisis de la competitividad de los proveedores de caña de azúcar en Brasil. Tecnología del azúcar. 23, 476–483 (2021).

Artículo de Google Scholar

Demattê, JLI & Demattê, JAM Los ambientes productivos como estrategia de gestión en el cultivo de caña de azúcar. Información agrícola 10–18 (2009).

Descargar referencias

Grupo de Geotecnologías en Ciencias del Suelo (GeoCiS, https://esalqgeocis.wixsite.com/english), Fundación de Apoyo Financiero de São Paulo (FAPESP), número de proceso, 2014-22262-0, 2021/05129-8 y 2023/00438- 8, Coordinación para el Perfeccionamiento del Personal de Educación Superior—Brasil (CAPES)—Código de Finanzas 88887.513392/2020-00, Fundación Luiz de Queiroz de Estudios Agrarios (FEALQ).

Departamento de Ciencias del Suelo, Universidad de São Paulo (ESALQ/USP), Av. Pádua Dias, 11, Piracicaba, SP, 13418-900, Brasil

Lucas T. Greschuk, Joseph AM Dematte, Nelida EQ Silvero y Nicholas August Rosin

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

LTG creó y preparó todas las figuras y mapas utilizando el equipo de desarrollo de QGIS (2021). Versión 3.22. “http://qgis.osgeo.org" e Inkscape Project. (2021). Versión 1.1. https://inkscape.org Los autores LTG, NEQS y NAR procesaron los datos. LTG, JAMD, NEQS y NAR escribieron el manuscrito.

Correspondencia a José AM Demattê.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Greschuk, LT, Demattê, JAM, Silvero, NEQ et al. Un sistema de productividad del suelo revela que la mayoría de las tierras agrícolas brasileñas están por debajo de su máximo potencial. Representante científico 13, 14103 (2023). https://doi.org/10.1038/s41598-023-39981-y

Descargar cita

Recibido: 02 de febrero de 2023

Aceptado: 03 de agosto de 2023

Publicado: 29 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39981-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.