Selección de sitios de estudio

Los perfiles de suelo evaluados en el presente estudio se seleccionaron de veintidós sitios distribuidos en el territorio de Costa Rica: Bagatzí, Altos del Socorro y San Isidro de Monterromo (Provincia de Guanacaste), Palmar, El Guayacán, Biolley, Rincón de Osa y Estación la Gamba (Provincia de Puntarenas), Crucitas de Cutris, Termales, Palmira y Santa Gertrudis (Provincia de Alajuela), Chinchilla, Irazú, Instituto, Potrero Cerrado y Chicuá (Provincia de Cartago), La Ceniza, El Porvenir, y Colorado de Acosta (Provincia de San José), Los Ángeles y Cerro Coronel (Provincia de Limón). Estos sitios se seleccionaron con base en dos criterios: 1) representan una diversidad de condiciones climáticas, geomorfológicas, y edáficas que permiten una evaluación comprensiva de las propiedades del suelo y las distintas regiones agrícolas de Costa Rica ^{(Camacho-Umaña et al. 2024)}; 2) dichos perfiles contaban con valores de propiedades físicas de interés. La localización geográfica, y la clasificación taxonómica a nivel de Familia taxonómica se resume en la Tabla 1.

Caracterización de las propiedades del suelo

Dichos perfiles cuentan con una caracterización detallada de sus propiedades morfológicas, físicas, químicas y mineralógicas de cada horizonte genético, las cuales se encuentran disponibles en la página web del National Cooperative Soil Survey ^{(NCSS 2024)} y en el trabajo realizado por ^{Camacho et al. (2021)}.

Para cada uno de los perfiles mencionados se consultaron los datos de distribución del tamaño de partículas (PSDA) para arena (%), limo (%) y arcilla (%), la clase textural asociada a dichos porcentajes, densidad aparente (g cm^-3), carbono orgánico (%), el contenido de humedad retenido a dos puntos específicos: 1) 33 kPa (capacidad de campo, CC) y 2) 1500 kPa (punto de marchitez permanente, PMP). Un resumen de los valores obtenidos de esta base de datos se detalla en la Tabla 2, para un total de 116 horizontes genéticos evaluados.

La determinación de estas propiedades físicas se llevó a cabo siguiendo los lineamientos del Kellog Soil Survey Laboratory Methods Manual ^{(Soil Survey Staff 2022)}, donde se describe en detalle los siguientes procedimientos de laboratorio: 1) La distribución del tamaño de partículas se determinó mediante el método de la pipeta; 2) La densidad aparente se determinó mediante el método del agregado estructural; 3) El contenido de carbono orgánico se estimó mediante una combustión seca en un analizador automatizado; 4) el contenido de humedad a 33 kPa se determinó equilibrando una muestra de suelo no alterada mediante una olla de presión y platos cerámicos porosos, para posteriormente determinar su humedad gravimétrica; y 5) el contenido de humedad a 1500 kPa se determinó equilibrando una muestra de suelo alterada (tamizada a <2 mm) mediante una cámara de presión y una membrana porosa. Las metodologías para las determinaciones realizadas para los otros suelos se detallan en ^{Camacho et al. (2021)}.

Ecuaciones empíricas para el cálculo de CC y PMP con datos limitados

Las ecuaciones empíricas por evaluar en el presente trabajo se denominan: 1) Ecuación de Peele, la cual permite el cálculo del contenido de humedad retenido a 33 kPa o CC; 2) Ecuación de Brigss, la cual permite el cálculo del contenido de humedad retenido a 1500 kPa o PMP ^{(Calvo 2005}, ^{Fuentes 1996)}. Dichas ecuaciones se derivan del modelo de cálculo de la humedad equivalente propuesta por Gardner ^{(Briggs y Shantz 1912)}:

donde H _e es el equivalente de humedad gravimétrico (%), A es el contenido de arcilla (%), l es el contenido de limo (%) y a corresponde al contenido de arena (%).

^{Peele y Beale (1950)} propusieron una ecuación lineal para la estimación de la humedad a capacidad de campo (CC) inferida de la humedad equivalente:

dónde CC es la humedad gravimétrica a capacidad de campo (%).

Al sustituir en la ecuación 2 el término H _e por la ecuación 1 se obtiene la ecuación de Peele:

donde CC _i es la humedad gravimétrica a capacidad de campo estimada (%) estimada para la “i”-ésima observación.

Para el cálculo de la humedad a punto de marchitez permanente se utilizó el modelo de ^{Briggs y Shantz (1912)}, el cual deriva de la humedad equivalente:

donde W _c es el coeficiente de marchitez permanente (%).

Al sustituir en la ecuación 4 el término H e por la ecuación 1 se obtiene la ecuación de Briggs:

donde Wci es la humedad gravimétrica a punto de marchitez permanente estimada (%) estimada para la “i”-ésima observación.

Para expresar dichos valores CC _i W _ci como contenido volumétrico de agua se utilizó la siguiente ecuación siguiendo la recomendación de ^{Topp y Ferré (2002)}:

donde w es el contenido gravimétrico de humedad (g g^-1) correspondiente a cada valor de CC _i W _ci , θ es el contenido volumétrico (cm ³ cm^-3), ρ _b es el valor correspondiente de densidad aparente del suelo (g cm^-3) y ρ _w la densidad del agua (~1,00 g cm^-3).

Funciones de Pedotransferencia (PTFs) disponibles en Rosetta

Se evaluaron las funciones de pedotransferencia del programa informático Rosetta versiones Rosetta1 y Rosetta3. Dichas funciones calculan los parámetros de ajuste de la ecuación propuesta por ^{van Genuchten (1980)} para la estimación de la retención de agua y la conductividad hidráulica no saturada del suelo.

La función de ^{van Genuchten (van Genuchten 1980)} estima el contenido de humedad del suelo asociado a un valor de potencial hídrico en el suelo, mediante la siguiente ecuación:

donde θ _h define el contenido de agua θ (cm³ cm^-3) en función de la presión del agua en el suelo h (cm H₂O), θ _r y θ _s (cm³ cm^-3) son los contenidos de agua residual y saturado respectivamente, mientras que α (1/cm), n, y m (1 - 1/n) son parámetros de ajuste que definen la forma de la curva.

Las funciones de pedotransferencia desarrolladas por ^{Schaap et al. (2001)} en la versión Rosetta1 se generaron mediante algoritmos basados en utiliza redes neuronales artificiales (ANN) combinadas con un método de remuestreo del tipo “Bootstrap” para estimar los parámetros de la ecuación de van Genuchten (θ_s, θ_r, α, n, y m) a partir de la información correspondiente de PSDA (% arena, % limo, y % arcilla), densidad aparente, carbono orgánico, y los contenidos de de humedad obtenidos a 33 kPa (CC) y a 1500 kPa (PMP). Este remuestreo del tipo Bootstrap, se utiliza para restringir la incertidumbre estadística de los datos de entrada.

Recientemente, ^{Zhang y Schaap (2017)} recalibraron estas PTFs mediante bases de datos con una mayor cantidad de perfiles de suelo y remuestreos del tipo “Bootstrap” muchos más intensivos, lo cual incrementó su precisión en la estimación de los parámetros de ajuste de la ecuación de van Genuchten. Dicha recalibración se denominó Rosetta3, y el código para ejecutar dichas PTFs se liberó para su acceso libre y potencial uso de forma gratuita para el apoyo en futuros estudios hidrológicos (Zhang y Schaap 2017).

Análisis estadístico

Para evaluar la similitud de los valores calculados con las PTFs y las ecuaciones empíricas contra los correspondientes valores determinados en el laboratorio, se ajustó un modelo de regresión lineal mediante la siguiente ecuación:

donde y es la variable dependiente correspondiente a los valores estimados, x es la variable independiente correspondiente a los valores determinados o medidos, β ₁ es la pendiente y β ₀ es el intercepto. Los supuestos de normalidad, homogeneidad de varianzas fueron evaluados siguiendo los lineamientos de descritos por ^{Kozak y Piepho (2018)}.

Para la evaluación de la precisión y alcance de las ecuaciones empíricas y PTFs evaluadas, se calculó cuatro indicadores de desempeño de modelos, siendo estos el error cuadrático medio estándar (RMSE), el indicador de sesgo o error absoluto medio (MBA), y los índices de concordancia de Willmott (d-Index) y de eficiencia de Nash-Sutcliffe (NSE).

En este cálculo, se utilizaron los valores de humedad obtenidos a 33 kPa (CC), a 1500 kPa (PMP), el agua disponible (AD) calculada como una diferencia entre CC y PMP provenientes de la base de datos del ^{NCSS (2024)} y ^{Camacho et al. (2021)} como valores determinados o medidos, mientras que los valores estimados con las PTFs de Rosetta1 y Rosetta3 y las ecuaciones de Peele y Briggs, se denominaron como calculados. Estos indicadores de desempeño se determinaron mediante las siguientes fórmulas:

Error cuadrático medio estándar (RMSE):

Donde n = número de observaciones totales; θ _o = Humedad determinada para la “i”-ésima observación, θ _e = humedad estimada para la “i”-ésima observación, y θ _Ô = el valor promedio de las observaciones. Todos estos procedimientos de cálculo de los indicadores de desempeño anteriormente mencionados se realizaron utilizando el programa estadístico R Studio (R v. 4.0.4, 2021-02-15) “Lost Library Book” ^{(Team R Studio 2015)}.

Desempeño de dos ecuaciones empíricas en la estimación de la retención de humedad en suelos de Costa Rica

Los descriptores estadísticos del desempeño de predicción de las dos ecuaciones empíricas evaluadas para la estimación del contenido de agua a capacidad de campo (CC), punto de marchitez permanente (PMP), así como el agua disponible (AD) se detallan en el Tabla 3. Los valores obtenidos con ambas ecuaciones empíricas presentaron desvíos considerables respecto a sus correspondientes valores obtenidos en el laboratorio, expresados como valores de error cuadrático medio (RMSE) superiores a 0,12 cm³ cm^-3, con un valor máximo de 0,18 cm³ cm^-3 para la ecuación de Peele (Tabla 3).

Estos comportamientos se describen de forma más clara en la Figura 1, donde se comparan los valores de humedad calculados con ambas ecuaciones, así como el valor de agua disponible calculados como la diferencia entre CC y PMP. Los valores calculados con la ecuación de Peele y sus correspondientes valores medidos no presentaron una tendencia evidente (Figura 1A), donde su correspondiente modelo de regresión no presentó significancia estadística (p-value > 0,05). Por otro lado, los valores calculados con la ecuación de Briggs y sus correspondientes valores medidos presentaron una tendencia más clara (Figura 1B), con un modelo de regresión que presentó un coeficiente de determinación R² de 0,448, y un valor de la pendiente de 0,47 (p-value < 0,05). Al evaluar los resultados obtenidos para el agua disponible (Figura 1C), los valores calculados mediante las ecuaciones empíricas y sus correspondientes valores medidos presentaron una tendencia inversa, donde su correspondiente modelo de regresión lineal presentó una pendiente negativa (-0,278) y un coeficiente de determinación bajo (R² = 0,319) con significancia estadística (p-value < 0,05)

Figura 1 Comparación entre los resultados obtenidos de dos ecuaciones empíricas (Peele y Briggs) y los valores correspondientes obtenidos de los análisis de laboratorio para los contenidos de humedad de órdenes de suelos de Costa Rica: A) determinados a 33 kPa (CC); B) determinados a 1500 kPa (PMP), y C) el contenido de agua disponible del suelo (AD). Líneas discontinuas representan una relación 1:1 de los ejes del gráfico. Línea negra continua representa el modelo de mejor ajuste (y= β ₁ x+ β ₀ ) entre las variables. Figure 1. Comparison between the results obtained using two empirical equations (Peele and Briggs) and the corresponding laboratory-measured values of soil moisture content for soil orders in Costa Rica: A) determined at 33 kPa (FC); B) determined at 1500 kPa (PWP); and C) plant-available water content (AW). Dashed lines represent the 1:1 relationship between axes. The solid black line represents the best-fit model (y= β ₁ x+ β ₀ ) between variables. 

Parámetros de ajuste del modelo de van Genuchten obtenidos mediante funciones de pedotransferencia en suelos de Costa Rica

Los parámetros de ajuste obtenidos a partir de la función de pedrotransferencia Rosetta1 para los horizontes evaluados se resumen en el Tabla 4. Al evaluar dichos parámetros en las tres categorías de horizontes genéticos (A, B y C), se observó que el parámetro α presentó la mayor variabilidad (expresada como coeficiente de variación CV) en los horizontes clasificados como A y B (valores de CV entre102,72 y 62,50%, respectivamente), mientras que en los horizontes C el parámetro θ _r presentó la mayor variabilidad (CV = 121,95%) (Tabla 4). Este mismo parámetro (θ _r ) presentó una variabilidad considerable (la segunda en magnitud) en los horizontes A y B (CV = 55,91 y 44,47%, respectivamente). Curiosamente, al evaluar los parámetros en los horizontes C, el parámetro α presentó la segunda mayor variabilidad (CV = 48,79%) (Tabla 4). Los valores de los parámetros de humedad residual (θ _r ) y humedad a saturación (θ _s ) presentaron respectivamente, valores promedio de 0,12 y 0,57 cm³ cm^-3 en los horizontes A, mientras que en los horizontes B, dichos valores fueron 0,15 y 0,58 cm³ cm^-3. Particularmente, al evaluar estos parámetros en los horizontes C los valores de θ _r y θ _s fueron menores (0,06 y 0,38 cm³ cm^-3, respectivamente) (Tabla 4).

Por otro lado, al evaluar estos mismos parámetros de ajuste obtenidos a partir de la función de pedotransferencia Rosetta3, se observaron valores más bajos en los coeficientes de variación que los obtenidos con Rosetta1 (Tabla 5). En general, las tendencias en los parámetros de ajuste resultaron muy similares a las obtenidas por Rosetta1. El parámetro α presentó la mayor variabilidad en los horizontes A y B (CV = 76,73 y 49,44%, respectivamente), mientras que en los horizontes C el parámetro θ _r presentó la mayor variabilidad (CV = 98,68%) (Tabla 5). Nuevamente, los parámetros θ _r y α presentaron la segunda mayor variabilidad en magnitud en los horizontes A y C (CV = 38,83 y 33,30%, respectivamente), mientras que en los horizontes B el parámetro m presentó un CV = 37,04% (Tabla 5). En adición, los valores de los parámetros humedad residual (θ _r ) y humedad a saturación (θ _s ) evaluados en los horizontes A presentaron respectivamente, valores promedio de 0,14 y 0,55 cm³ cm^-3, mientras que en los horizontes B, dichos valores fueron 0,18 y 0,56 cm³ cm^-3. De forma similar, los valores de θ _r y θ _s en los horizontes C (0,08 y 0,38 cm³ cm^-3, respectivamente) fueron menores que los observados en los horizontes A y B (Tabla 5).

Desempeño de funciones de pedotransferencia en la estimación de la retención de humedad en suelos de Costa Rica

Los descriptores estadísticos del desempeño de predicción de las funciones de pedotransferencia (PTFs) Rosetta1 y Rosetta3 para la estimación del contenido de agua a CC, PMP, y AD se detallan en la Tabla 6. Los valores de humedad para CC y PMP estimados con las funciones de pedotransferencia de Rosetta3 presentaron los menores desvíos con respecto a sus correspondientes valores medidos, expresados como los valores más bajos en los siguientes descriptores estadísticos: 1) RMSE (0,036 y 0,057 cm³ cm^-3; respectivamente) y 2) MBA (-0,0258 y -0,0446 cm³ cm^-3) al compararlos con los obtenidos mediante las funciones de Rosetta1 (Tabla 6).

De forma similar, los resultados obtenidos mediante las funciones de Rosetta3 presentaron los mejores valores para los índices de Nash-Suttcliffe (NSE) e índice de concordancia de Willmott (d-Index) al compararlos con los obtenidos para la función Rosetta1. En ese sentido, para CC se obtuvo un NSE de 0,832 y un d-Index de 0,9515, valores muy cercanos a 1. En el caso de PMP, los valores obtenidos para estos dos índices fueron menores (0,6729 y 0,8980; respectivamente), pero fueron más elevados que los obtenidos para los resultados correspondientes estimados mediante Rosetta1 (Tabla 6). Estos comportamientos se describen de forma más clara en las Figuras 2 y 3, donde se comparan los valores de humedad calculados con los parámetros de ajuste de la ecuación de van Genuchten obtenidos con ambas Rosetta1 y Rosetta3, respectivamente. Al ajustar los modelos de regresión lineal entre los valores medidos en laboratorio y los estimados utilizando Rosetta1 (Figura 2) para cada contenido de agua (CC, PMP, y AD) los coeficientes de determinación (R²) fueron para CC 0,951, PMP 0,931 y AD 0,892, con significancia estadística (p-value < 0,05). Pese a lo anterior, se observaron algunas desviaciones notables de esta tendencia, puntualmente en el orden Andisoles, donde ciertos horizontes en un perfil de suelo específico (señalados con flechas) se desviaron considerablemente en los valores CC (medido a 33kPa) y el agua disponible (Figura 2A y C).

Por otro lado, al evaluar los resultados obtenidos con Rosetta3 se observó comportamientos similares en el rendimiento predictivo en las mismas condiciones (Figura 3). Los coeficientes de determinación (R²) de los modelos de regresión lineales ajustados para Rosetta3, alcanzaron valores de 0,934, 0,908 y 0,895 para los valores de capacidad de campo, punto de marchitez permanente y agua disponible, respectivamente.

Figura 2 Comparación entre los resultados obtenidos de las funciones de pedotransferencia incluidas en el modelo Rosetta1 y los valores correspondientes obtenidos de los análisis de laboratorio para los contenidos de humedad de órdenes de suelos de Costa Rica: A) determinados a 33 kPa (CC); B) determinados a 1500 kPa (PMP), y C) el contenido de agua disponible del suelo (AD). Líneas discontinuas representan una relación 1:1 de los ejes del gráfico. Línea negra continua representa el modelo de mejor ajuste (y= β ₁ x+ β ₀ ) entre las variables. Flechas negras señalan valores atípicos, los cuales no se incluyeron en los análisis de regresión. Figure 2. Comparison between the results obtained using the pedotransfer functions implemented in the Rosetta1 model and the corresponding laboratory-measured values of soil moisture content for soil orders in Costa Rica: A) determined at 33 kPa (FC); B) determined at 1500 kPa (PWP); and C) plant-available water content (AW). Dashed lines represent the 1:1 relationship between axes. The solid black line represents the best-fit model (y= β ₁ x+ β ₀ ) between variables. Black arrows indicate outliers, which were excluded from the regression analyses. 

Figura 3 Comparación entre los resultados obtenidos de las funciones de pedotransferencia incluidas en el modelo Rosetta3 y los valores correspondientes obtenidos de los análisis de laboratorio para los contenidos de humedad de órdenes de suelos de Costa Rica: A) determinados a 33 kPa (CC); B) determinados a 1500 kPa (PMP), y C) el contenido de agua disponible del suelo (AD). Líneas discontinuas representan una relación 1:1 de los ejes del gráfico. Línea negra continua representa el modelo de mejor ajuste (y= β ₁ x+ β ₀ ) entre las variables. Flechas negras señalan valores atípicos, los cuales no se incluyeron en los análisis de regresión. Figure 3. Comparison between the results obtained using the pedotransfer functions implemented in the Rosetta3 model and the corresponding laboratory-measured values of soil moisture content for soil orders in Costa Rica: A) determined at 33 kPa (FC); B) determined at 1500 kPa (PWP); and C) plant-available water content (AW). Dashed lines represent the 1:1 relationship between axes. The solid black line represents the best-fit model (y= β ₁ x+ β ₀ ) between variables. Black arrows indicate outliers, which were excluded from the regression analyses. 

Desempeño de funciones de pedotransferencia en suelos de Costa Rica Ecuaciones empíricas de Peele y Briggs

Los resultados obtenidos en el presente estudio (Figura 1 y Tabla 3) demostraron un desempeño pobre de ambas ecuaciones para una estimación confiable del contenido de humedad retenido a CC y PMP, así como el AD inferido a partir de estos dos valores. La ausencia de una tendencia evidente y lógica en los valores obtenidos con estas ecuaciones empíricas cuestiona fehacientemente su uso en otros estudios y aplicaciones, pese a su recomendación ante la ausencia de valores de laboratorio ^{(Calvo 2005}, ^{Fuentes 1996)}.

Dichas ecuaciones empíricas se fundamentan en la relación entre la distribución del tamaño de partículas (textura del suelo) y un concepto antiguo denominado “humedad equivalente” ^{(Nemes y Rawls 2004)}. La determinación de la humedad equivalente se realizaba por medio de la aplicación de fuerza centrífuga (de magnitud 1000 veces la fuerza de gravedad) a una muestra de suelo húmedo, la cual posteriormente se le determina su contenido de humedad gravimétrica ^{(Briggs y McLane 1910)}. Posteriormente, este equivalente de humedad se relacionó con los valores de humedad a marchitez permanente ^{(Briggs y Shantz 1912)} y capacidad de campo ^{(Peele y Beale 1950)}, para lo cual se desarrollaron ecuaciones que incluyeron los porcentajes de arena, limo y arcilla. Dichos conceptos son obsoletos en la actualidad, y cayeron en desuso a partir de la introducción de las metodologías de platos porosos y cámaras de presión de ^{Richards (Richards y Fireman 1943)} así como el uso de técnicas más modernas para la determinación de la retención de humedad (Hidalgo-Campos y ^{Camacho-Umaña 2024)}.

El uso de estas dos ecuaciones empíricas como alternativa ante la falta de datos de retención de humedad tendría serias repercusiones en la estimación de la lámina de riego, especialmente en Alfisoles, Ultisoles y Oxisoles, donde los valores de agua disponible se sobreestiman en hasta un 100% (Figura 1C). Generalmente, estos suelos altamente meteorizados suelen presentar contenidos bajos (< 0,10 m³ m^-3) de agua disponible, asociado con contenidos elevados de caolinita, óxidos de Fe y Al y bajos contenidos de materia orgánica ^{(West et al. 1997}, ^{Buol y Eswaran 1999}, Boul et al. 2011, ^{Camacho et al. 2021)}.

Funciones de pedotransferencia disponibles en Rosetta 1 y Rosetta 3

Los resultados obtenidos en el presente estudio (Figuras 2 y 3) sugieren que las funciones de pedotransferencia presenta un buen desempeño en la determinación de los parámetros de ajuste de la ecuación de van Genuchten. Además, de un desempeño medio en la subsecuente estimación del contenido de humedad (Tabla 6) a capacidad de campo (33 kPa) y en punto de marchitez permanente (1500 kPa), ya que los parámetros estadísticos indican desvíos considerables desde la perspectiva del contenido de agua en el suelo (Tabla 6). Al respecto, ^{Camacho-Umaña et al. (2025)} en su estudio sobre la estimación del régimen de humedad del suelo y el balance hídrico en suelos altamente meteorizados, evaluaron las ecuaciones de pedotransferencia disponibles en Rosetta1 como alternativa a la determinación directa de la retención de humedad del suelo. Los autores encontraron un bajo desempeño de dichas PTFs en la estimación de los valores de CC, PMP y AD, con una tendencia a sobrestimar el contenido de agua útil (con valores de RMSE de 0,04 cm³cm^-3).

^{da Silva et al. (2017)} evaluaron el desempeño de las funciones de pedotransferencia (PTFs) Splintex y Rosetta para estimar la variabilidad espacial de propiedades hidráulicas del suelo (CC, PMP y AD). Sus resultados indican que ambas PTFs fueron efectivas, aunque su precisión varía debido a la heterogeneidad del suelo y las condiciones ambientales, ya que los mapas hidráulicos calculados para dichas propiedades fueron diferentes a los mapas de los datos medidos. Lo anterior demuestra que las PTFs deben usarse con cuidado, siendo crucial la validación con datos de campo o laboratorio para asegurar la fiabilidad de las estimaciones ^{(Patil y Singh 2016)}. ^{Hodnett y Tomassella (2002)} desarrollaron PTFs para la estimación de los parámetros de van Genuchten en suelos tropicales de Brasil. Estos autores compararon sus resultados con otras PTFs desarrolladas en regiones de clima templado, y encontraron diferencias significativas (p-value < 0,001) en los parámetros de ajuste de la ecuación de van Genuchten, cuyas diferencias se pueden deber a la génesis del suelo, los minerales secundarios imperantes (caolinita vs montmorillonita) y una subrepresentación de muestras con clases texturales finas y muy finas en las bases de datos empleadas para el desarrollo de las PTFs en regiones templadas (como por ejemplo Rosetta1 y Rosetta3).

Las bases de datos utilizadas en el desarrollo de las funciones de pedotransferencia (PTF) pueden no representar adecuadamente la diversidad de suelos de una región o a nivel global (^{(Hodnett y Tomassella 2002}, ^{Tomasella et al. 2000)}. Esto da como resultado que las PTFs tiendan a estar sesgadas hacia las características de las bases de datos en las que se calibraron ^{(Schaap y Leij 1998)}. Esta limitación resalta la necesidad de una validación cuidadosa y el uso de datos locales para mejorar la precisión de las estimaciones obtenidas con estas funciones ^{(Van Looy et al. 2017)}.

^{Kubát et al. (2024)} evaluaron el impacto de las funciones de pedotransferencia y las condiciones iniciales de humedad en la infiltración del agua en el suelo. Encontraron que los parámetros para modelar la infiltración presentaron mayor sensibilidad al utilizar Rosetta3 en comparación con otras PTFs. Además, estos autores resaltaron la importancia de no depender de las propiedades hidráulicas del suelo provenientes de bases de datos sin vínculos con mediciones de campo, lo que pone en duda su correlación. Dicho estudio enfatiza en la necesidad de contar con datos de suelo de alta calidad, aunque resulten costosos y requieran tiempo para mejorar la precisión de los modelos.

Implicaciones de las PTFs en el manejo de sistemas productivos de Costa Rica

El uso de las funciones de pedotransferencia evaluadas en el presente estudio podrían tener serias repercusiones en la gestión de los recursos suelo y agua en las distintas regiones agrícolas de Costa Rica, donde la agricultura representa la principal actividad socioeconómica ^{(Camacho-Umaña et al. 2024)}. Por lo tanto, las estimaciones del contenido de humedad a CC y PMP obtenidas mediante las PTFs disponibles en Rosetta1 y Rosetta3 podrían ajustarse muy bien a los valores obtenidos mediante otros métodos directos de determinación de la retención de humedad ^{(Dane y Hopmans 2002}, ^{Hidalgo-Campos y Camacho-Umaña 2024)} tal como se ha reportado de forma previa en la literatura para otros suelos Tropicales ^{Hodnett y Tomassella 2002}, ^{Tomasella et al. 2000)}. Sin embargo, es importante considerar que gran parte de estos buenos ajustes se deben a la inclusión en el cómputo de los valores de humedad medidos a CC y PMP (variables de forzamiento), lo cual mejora en gran medida el ajuste del modelo de van Genuchten para el suelo en estudio, y limitando el enfoque de la estimación del agua disponible a partir de otras variables físicas del suelo.

Si bien, los resultados obtenidos en el presente trabajo sugieren un buen desempeño en la estimación de los parámetros de van Genuchten, al evaluar las potenciales predicciones derivadas (en este caso, CC, PMP y AD) podrían presentar diferencias considerables y potenciales errores en la estimación del contenido de humedad del suelo.

Lo anterior coincide con lo reportado por ^{Botula et al. (2012)} para suelos en la República Democrática del Congo, quienes evaluaron PTF’s desarrolladas tanto en regiones templadas como en otras regiones tropicales. Los autores explican que estas desviaciones se deben a las diferencias en los procesos pedogenéticos imperantes en las distintas regiones donde se ajustaron las PTF’s, dando como resultado divergencia en los minerales de arcilla ^{(Botula et al. (2012)}. En ese sentido, las arcillas de baja actividad como la Caolinita y los oxihidróxidos de Fe y Al tienen a una menor retención de humedad en comparación con minerales del tipo esmectítico (Montmorillionitas), lo que podría explicar dichas diferencias en las estimaciones del contenido de humedad del suelo, pese que se presente un valor total similar del contenido de arcilla ^{(Medina et al. 2002)}.

De forma similar a lo anteriormente mencionado, al contrastar los valores obtenidos mediante análisis de laboratorio contra los estimamos mediante Rosetta1 y Rosetta3 en horizontes A_p con texturas arena franca y franco arenosa (pedones Irazú y Chicuá) se encontró concordancia elevada (Figura 4A y B). Sin embargo, estas mismas funciones generaron valores que se desvían dramáticamente de los obtenidos a partir de muestras de laboratorio, como en el caso de dos horizontes B obtenidos en el pedón Palmira (Figura 4 C y D), con texturas muy similares al horizonte Ap del pedón Chicuá (Figura 4 B). Al evaluar los posibles valores de agua útil que se calculan a partir de la información obtenida tanto con las PTFs como con los valores medidos para estos cuatro horizontes, se observan diferencias evidentes (Figura 4C y D). El horizonte B_h presenta un valor medido de agua útil de 0,44 cm³ cm^-3 el cual contrasta con 0,16 cm³ cm^-3 calculado a partir de los parámetros obtenidos mediante Rosetta1 y Rosetta3. De forma similar, en el horizonte B_w del pedón Palmira se observó un valor medido de agua útil de 0,46 cm³ cm^-3 que es casi ocho veces mayor que el calculado a partir de las PTFs (0,057 cm³ cm^-3).

Estas diferencias anteriormente mencionadas se pueden asociar con la génesis de estos suelos, la cual les confiere propiedades fisicoquímicas particulares. De forma general, los Andisoles presentan texturas francas y franco arenosas, valores bajos de densidad aparente (<0,9 Mg m^-3), altos contenidos de carbono orgánico, y una elevada capacidad de retención de humedad ^{(Nanzyo et al. 1993}, ^{Buol et al. 2011)}.

Figura 4 Evaluación del desempeño de las funciones de pedotransferencia incluidas en los modelos Rosetta1 y Rosetta3, sobre la estimación de los contenidos de humedad (θ) a dos puntos (CC y PMP) y su contraste con los valores determinados en laboratorio para cuatro horizontes de suelos de Costa Rica. A) Horizonte A de Irazú. B) Horizonte A_p de Chicuá. C) Horizonte B_h de Palmira. D) Horizonte B_w de Palmira. Líneas azules representan los valores calculados a partir de los resultados obtenidos con Rosetta1, mientras que las líneas rojas representan los obtenidos con Rosetta3. Círculos azules representan los valores obtenidos en laboratorio. Figure 4. Performance assessment of the pedotransfer functions implemented in the Rosetta1 and Rosetta3 models for estimating soil moisture content (θ) at two reference points (FC and PWP), compared against laboratory-determined values for four soil horizons in Costa Rica. A) A horizon from Irazú. B) A_p horizon from Chicuá. C) B_h horizon from Palmira. D) B_w horizon from Palmira. Blue lines represent values calculated using Rosetta1, while red lines represent those obtained using Rosetta3. Blue circles indicate laboratory-measured values. 

La presencia de arcillas del tipo alofanas les permite la retención de elevadas cantidades de agua a valores elevados de tensión, debido a su capacidad de acomodo de moléculas de agua en los vacíos inter e intraesféricos de estos coloides ^{(Nanzyo et al. 1993)}. Este aspecto resulta de suma importancia en la consideración y evaluación de estas PTF’s en suelos volcánicos tropicales, de los cuales no se cuenta con reportes en la literatura. Si bien existen estudios como el de ^{Cichota et al. (2013)} quienes evaluaron PTF’s para la retención de humedad en suelos volcánicos de Nueva Zelanda, dichos Andisoles presentan mecanismos pedogenéticos divergentes, lo cual le da un valor agregado los resultados obtenidos en el presente estudio.

Estas discrepancias entre los valores medidos y estimados tienen serias implicaciones en el manejo del riego, ya que al utilizar ambos valores de agua útil (medido vs estimado con PTFs) en el cálculo de la lámina de riego, se podrían obtener diferencias de entre tres y ocho veces la cantidad de agua necesaria para mantener las necesidades de riego ^{(Calvo 2005)}. En ese sentido estas diferencias observadas en la Figura 4 no solamente repercuten en el costo económico del recuso agua como insumo fundamental en los sistemas agrícolas, sino también podrían afectar el recurso suelo, ya que la sobreestimación de la capacidad de almacenamiento de agua en el suelo generaría un exceso de aplicación de agua para riego que podría causar problemas de erosión por escorrentía superficial y pérdida de nutrientes por lixiviación. Por el lado contrario, por subestimar la capacidad de almacenamiento de agua en el suelo generaría un déficit de aplicación de agua para riego que podría causar pérdidas en la producción del cultivo. Estos potenciales problemas también se han señalado en la literatura, donde la escogencia de un método de análisis para determinar el agua útil para el cultivo puede generar repercusiones técnicas y económicas importantes en los distintos sistemas agrícolas (Hidalgo-Campos y ^{Camacho-Umaña 2024)}.

Por otro lado, si bien los resultados obtenidos señalan que las funciones de pedotransferencia evaluadas presentan un buen desempeño en la estimación de los parámetros de van Genuchten, estas funciones requieren una cantidad substancial de parámetros de entrada, así como parámetros de forzamiento, incluyendo los valores de humedad determinados a CC y PMP ^{(Schaap et al. 2001}; ^{Zhang y Schaap 2017)}. En ese sentido, el uso de las funciones de pedotransferencia resulta impráctico en sitios carentes de estos datos, en especial si el objetivo de uso es la estimación de la lámina de riego, ya que la determinación directa de estos valores sería más adecuada.

Pese a lo anterior, las funciones de pedotransferencia podrían ser útiles para otras aplicaciones como el modelado hidrológico mediante software como HYDRUS^®, donde se requiere los parámetros de ajuste de la ecuación de van Genuchten como variables de entrada para la simulación del movimiento de agua y solutos en el suelo ^{(Šimůnek et al. 2016)}, simulaciones de productividad de los cultivos y manejo del agua ^{(Raes et al. 2009)}, o estudios sobre modelizado hidrológico superficial y subterráneo ^{(Jaber y Shukla, 2012)}.

Esto anterior representa una oportunidad para el desarrollo de estudios exploratorios sobre los procesos físicos del suelo e hidrológicos en sitios con disponibilidad de datos como la densidad aparente, contenido de carbono, distribución del tamaño de partículas y los valores de retención de humedad a capacidad de campo y punto de marchitez permanente.