Clasificación del suelo en la Sabana del Sudán utilizando productos Sentinel e información topográfica con modelos de aprendizaje automático

Por qué importa conocer el terreno bajo nuestros pies

En el corazón semiárido de África Occidental, los agricultores dependen del sorgo y otros cultivos básicos que se cultivan en un paisaje donde las lluvias son erráticas y los suelos pueden cambiar drásticamente en apenas unos cientos de metros. Sin embargo, a menudo faltan mapas de suelos detallados, los necesarios para decidir qué cultivos sembrar y cómo gestionarlos. Este estudio muestra cómo imágenes satelitales gratuitas y técnicas modernas de aprendizaje computacional pueden combinarse para elaborar mapas de suelos mucho más precisos para la Sabana del Sudán en Burkina Faso, ofreciendo una herramienta práctica para mejorar las cosechas y la gestión del terreno.

Un paisaje que oculta patrones a simple vista

La investigación se centró en la cuenca de Doulou, en el centro de Burkina Faso, una meseta suavemente ondulada con pequeñas colinas, valles poco profundos y una estación de lluvias corta pero intensa. Trabajos de campo anteriores habían mostrado que los principales tipos de suelo en esta región se alinean de forma estrecha con la posición en la ladera: suelos someros y pedregosos en la meseta superior; suelos moderadamente profundos en las pendientes medias; suelos más profundos y fértiles hacia la parte baja; y suelos anegados en los cauces. Estas diferencias importan para las raíces de los cultivos, el almacenamiento de agua y la fertilidad. Pero hasta ahora, agricultores y planificadores solo disponían de mapas de suelos nacionales y continentales muy generales, que suavizaban la mayor parte de esta variación a pequeña escala.

Vigilando el suelo desde el espacio

Para captar este patrón oculto, el equipo combinó tres tipos de información. Primero, utilizaron imágenes del satélite europeo Sentinel‑2, que registra la luz solar reflejada en varios colores, incluidas longitudes de onda sensibles a minerales del suelo y humedad. Segundo, añadieron datos de radar del Sentinel‑1, que pueden detectar la rugosidad superficial y la humedad incluso a través de nubes. Tercero, calcularon un índice de “humedad” a partir de un modelo digital de elevación de alta resolución, esencialmente una imagen tridimensional del terreno. Este índice estima dónde tiende a acumularse o escurrirse el agua de lluvia, enlazando directamente con cómo se forman los suelos a lo largo de las pendientes. Científicos de campo habían excavado o muestreado previamente 141 perfiles de suelo y los habían clasificado en cuatro grandes grupos, proporcionando la verdad de terreno necesaria para entrenar y evaluar los modelos computacionales.

Enseñando a las máquinas a leer el terreno

Los investigadores probaron entonces tres métodos populares de aprendizaje automático —Random Forest, Extreme Gradient Boosting (XGBoost) y máquinas de vectores de soporte— para ver cuál podía asociar mejor las características derivadas de satélite con los tipos de suelo conocidos. Ensayaron varias combinaciones de entrada, como usar solo datos radar, solo datos ópticos o mezclas de estos con el índice de humedad basado en la topografía. El claro vencedor fue XGBoost alimentado con la información óptica de Sentinel‑2 más el índice de humedad, alcanzando una precisión global de aproximadamente cuatro predicciones correctas de cada cinco. Random Forest rindió algo menos y la máquina de vectores de soporte quedó rezagada. Cuando el equipo examinó qué entradas eran más relevantes, el índice de humedad destacó en primer lugar, subrayando cuán fuertemente el flujo y la acumulación de agua controlan los patrones de suelo en esta sabana. También puntuaron alto ciertas bandas del infrarrojo de onda corta de Sentinel‑2, porque detectan la textura y la humedad del suelo.

Trazando un mapa más nítido para los agricultores

Con el modelo de mejor rendimiento, los científicos produjeron un mapa de suelos detallado de la cuenca. La imagen resultante muestra suelos someros y grava dominando la meseta superior, suelos de profundidad media en las pendientes medias, suelos más profundos y fértiles cerca del río y suelos húmedos y mal drenados confinados a los canales de baja cota. En comparación con productos a escala continental y rejillas globales de suelos, este mapa afila los límites entre las zonas de suelo y corrige clasificaciones generales erróneas. Estos detalles más finos coinciden mejor con lo sugerido por las encuestas de campo y el conocimiento local, y se alinean con cómo el agua y los sedimentos descienden por la ladera durante lluvias intensas. Esta información puede guiar dónde plantar sorgo u otros cultivos, dónde esperar encharcamientos y dónde la conservación del suelo o la plantación de árboles podría ser más urgente.

Qué significa esto para la alimentación y la planificación futura

Para los no especialistas, el mensaje clave es que ya es posible crear mapas de suelos prácticos a escala de campo en regiones con pocos datos sin necesitar años de costosos sondeos. Al permitir que los satélites “lean” el terreno y emplear aprendizaje automático para reconocer patrones entre pendiente, humedad y suelo, este estudio ofrece una herramienta que puede ayudar a los agricultores a elegir cultivos con más criterio, orientar la aplicación de fertilizantes y proteger áreas frágiles de la erosión. Si bien el enfoque aún depende de cierto muestreo en campo y necesita validación en áreas mayores, apunta hacia un futuro en el que el conocimiento detallado del suelo —una vez confinado a pozos dispersos e informes de expertos— pueda hacerse disponible de forma amplia en la Sabana del Sudán y en regiones secas similares.

Cita: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

Palabras clave: mapeo digital del suelo, teledetección, aprendizaje automático, Sabana del Sudán, planificación agrícola