Introducción

Las zonas hiperáridas, áridas, semiáridas y subhúmedas secas ocupan aproxima damente el 47% de la superficie terrestre y de ellas dependen 2,6 mil millones de personas (^{Koutroulis, 2019}). Se carac terizan, entre otras cosas, por presentar bajas precipitaciones y suelos con insu ficiente humedad, por lo que el agua se constituye como el principal factor limi tante (^{UNCCD, 2012}). En consecuencia, la producción de alimentos depende en gran medida de la irrigación artificial y, en este contexto, ciertas prácticas pue den causar distintos procesos de degra dación. En particular, la irrigación puede desencadenar procesos de salinización secundaria de suelos. Esto ocurre por que, o bien los flujos que ingresan al sis tema infiltran en el subsuelo provocando el ascenso del nivel freático y la concen tración de sales cerca de la superficie por evaporación, o bien las sales se depositan gradualmente en suelos con dificulta des de drenaje y los flujos que ingresan al sistema son insuficientes para lavar y lixiviar las sales (^{Peña, 2016}). De cual quier manera, este proceso difiere de la salinización primaria del suelo, la cual ocurre cuando las sales se acumulan en la superficie durante el desarrollo natural de un paisaje (^{Zhou et al., 2013}).

Los suelos afectados por sales ocupan más del 20% de las áreas irrigadas glo balmente; en algunos países este por centaje representa más de la mitad de las tierras irrigadas (^{Qadir et al., 2014}). Al gunas estimaciones señalan una pérdida mundial de 1.5 millones de hectáreas de tierras cultivables por año (^{Foley et al., 2005}). La salinización del suelo es uno de los principales problemas de las regiones áridas y semiáridas dado que reduce la calidad del suelo, limita el crecimiento de los cultivos, restringe la productivi dad agrícola y también puede conducir al abandono de la tierra (^{Amezketa, 2006}). Aumentar la producción de alimentos para una población en crecimiento y evitar la expansión de la frontera agro pecuaria por sus amenazas a la biodi versidad implica mejorar el rendimiento de las tierras agrícolas existentes (^{Foley et al., 2011}). Gran parte de las tierras cultivables del mundo experimentan las denominadas “brechas de rendimiento”, definidas como limitaciones a la produc tividad debido a deficiencias de manejo (^{Foley et al., 2011}). Estas brechas son particularmente grandes en las regiones áridas y semiáridas, donde la ocurrencia de eventos asociados al cambio climático amenazan la seguridad alimentaria de la población local (^{García-Palacios et al., 2019}). Dichas brechas requieren nuevos abordajes para ser cerradas sin causar mayor degradación (^{Foley et al., 2011}). Por lo tanto, generar soluciones para re vertir la salinización secundaria de sue los constituye una prioridad global.

Esta problemática puede abordarse desde la restauración ecológica a partir de la recuperación de los agroecosiste mas degradados en beneficio de las co munidades locales. En este sentido, se adoptan los principios de la restauración ecológica e implementan métodos y he rramientas adecuados a las condiciones locales para recuperar los agroecosiste mas. Estas iniciativas han sido denomi nadas en términos generales como acti vidades “restaurativas”, para distinguirlas de la restauración ecológica propiamente dicha. La restauración en sentido estric to pretende recuperar un ecosistema que ha sido degradado, transformado e in cluso totalmente destruido como resul tado de las actividades del hombre, con el objetivo de restablecer su integridad, resiliencia y sustentabilidad, y devol verlo a su estado prístino (^{Aronson et al., 1993}; ^{SER, 2004}). En el contexto de la degradación producida por las activi dades agropecuarias, se restauran tierras agrícolas abandonadas para recuperar hábitat para las especies (^{Miguel et al., 2020}). En cambio, las actividades “res taurativas” tienen por objetivo aumentar los servicios ecosistémicos y reducir los impactos ambientales al tiempo que me joran la sostenibilidad ecológica y los sis temas de producción (^{McDonald et al., 2016}). Entre estas actividades se encuen tra la “restauración productiva”, que se define como la recuperación de algunos elementos de la estructura y función del ecosistema original, junto con una pro ducción sustentable que genere bienes económicos para la población local, uti lizando principalmente técnicas agrofo restales y agroecológicas (^{Ceccon, 2013}).

En sitios con niveles intermedios o elevados de degradación, como es el caso de las áreas irrigadas salinizadas, es necesario realizar intervenciones ac tivas que recuperen los componentes abióticos del ecosistema (^{McDonald et al., 2016}). Esta etapa no puede evitarse en la recuperación de estos agroecosis temas dado que la presencia de sales en el suelo provoca, en plantas no halófitas, una sintomatología relacionada con una inhibición irreversible del crecimien to (^{Porta Casanellas et al., 2003}). Entre las medidas que se han puesto a prueba para recuperar suelos afectados por sa linización secundaria en zonas áridas y semiáridas se incluyen, por ejemplo, la reforestación, ya que promueve el des censo del nivel freático (“biodrenaje”), o la fitorremediación que remueve sales del suelo aprovechando el carácter bio-acumulador de ciertas especies halófitas (^{Guida-Johnson et al., 2017}). Por ejem plo, se ha encontrado que la fitorreme diación de los primeros 15 cm de suelo, la profundidad más importante para la mayoría de los cultivos, demora solo dos años (^{Jesus et al., 2015}). Una vez que se han revertido los procesos de salini zación secundaria, pueden establecerse cultivos tradicionales en sistemas de ma nejo agroecológicos. De esta manera, la restauración productiva permite que los agroecosistemas recuperados vuelvan a ser utilizados por las poblaciones locales para la producción de alimentos, lo que contribuye al cierre de las mencionadas brechas de rendimiento.

La planificación de la restauración a escala de paisaje permite identificar sitios prioritarios mediante el uso de la telede tección y los sistemas de información geográfica, lo que representa un paso fundamental en cualquier proyecto dado que maximiza el éxito de las acciones (^{Orsi & Geneletti, 2010}; ^{Guida-Johnson & Zuleta, 2017}). Asimismo, la informa ción derivada de sensores remotos per mite monitorear y evaluar el éxito de las intervenciones de restauración (^{Meroni et al., 2017}; ^{del Río-Mena et al., 2020}), y facilita realizar ajustes a dichas inter venciones en caso de ser necesario. En el contexto de la salinización secundaria, los sitios afectados pueden ser mapeados a partir de imágenes satelitales ya que las sales se concentran en la superficie del suelo y las mismas pueden detectarse directamente a partir de su identifica ción en afloramientos o costras salinas, o indirectamente a partir del tipo de ve getación y su crecimiento (^{Metternicht & Zinck, 2003}). Existen diversos índices de salinidad (^{Douaoui et al., 2006}; ^{Elhag, 2016}) y de vegetación (^{Fernández Buces et al., 2006}; ^{Zhang et al., 2011}; ^{Muller & van Niekerk, 2016}), que se calculan a partir de imágenes satelitales para iden tificar sitios salinizados. En este contex to, el objetivo de este trabajo es delinear una herramienta que permita detectar y monitorear sitios afectados por salinidad del suelo a partir de sensores remotos en una región árida y semiárida irrigada, el Oasis Norte de Mendoza (Argentina), a fin de orientar acciones de restauración productiva.

Materiales y métodos

Mendoza se localiza en las tierras secas de Argentina, las cuales ocupan el 69% del territorio nacional (^{ONDTyD, 2010}) e incluyen regiones hiperáridas, áridas, semiáridas y subhúmedas secas. El sitio de estudio de este trabajo corresponde a las áreas áridas y semiáridas irrigadas ubicadas al norte de la provincia, cono cidas como “Oasis Norte”, localizadas aproximadamente entre las latitudes 32°28’20.37”S y 33°21’7.59”S y las lon gitudes 69°1’35.07”O y 67°31’36.93”O. En esta región, la irrigación se realiza con agua obtenida del derretimiento de las nieves de la cordillera de los Andes y agua subterránea. Los principales cul tivos incluyen vid, olivo, frutales, horta lizas y especies forrajeras (^{IDR, 2005}). En particular, existen antecedentes de productores agroecológicos de vid, olivo, frutales y hortalizas en las áreas irriga das de Mendoza (^{Pereyra, 2019}; ^{Van den Bosch et al., 2015}).

El ecosistema de referencia es la Pro vincia Biogeográfica del Monte (^{Villagra et al., 2009}) en la cual se han identificado muchas especies vegetales nativas con potencial para la restauración produc tiva de ambientes degradados y salinos (^{Villagra et al., 2020}). Entre ellas, se en cuentran las especies tolerantes a la salinidad del género Prosopis, mientras que otras son conocidas además por acumu lar sales en sus tejidos, tales como Allen rolfea vaginata, Allenrolfea patagonica, Atriplex cordobensis, Atriplex undulata, Suaeda divaricata, Pappophorum philli pianum, o Trichloris crinita (^{Villagra et al., 2020}). Especies de los géneros Atri plex y Suaeda han sido utilizadas en ex perimentos de fitorremediación en los que se detectó una disminución de la salinidad del suelo (^{Qadir et al., 2000}, ²⁰⁰⁷; ^{Hasanuzzaman et al., 2014}; ^{Jes us et al., 2015}). Si bien algunas especies han sido estudiadas ampliamente, otras son prácticamente desconocidas con re lación a su fisiología y comportamiento en diferentes condiciones (^{Villagra et al., 2020}).

Variable respuesta

En el año 2002 se realizó un muestreo sistemático en el Oasis Norte para eva luar la conductividad eléctrica (CE) del extracto de saturación para cada capa de suelo encontrada (ver detalles sobre el muestreo en ^{Morábito et al., 2004}). En este trabajo se utilizaron los datos correspondientes a 978 de esos sitios de muestreo, los cuales se localizaron en las cuencas del río Mendoza, el río Tunuyán y el río Desaguadero (Figura 1).

Figura 1:  Localización del área de estudio y puntos de muestreo de suelos Figure 1: Location of the study area and soil sampling points 

Se consi deró como la variable respuesta a los va lores de CE de la primera capa del suelo de cada sitio. La misma fue transformada mediante el cálculo del logaritmo natural ya que en otros trabajos se encontraron relaciones exponenciales entre la CE y variables obtenidas de sensores remotos (^{Fernández Buces et al., 2006}; ^{Abbas et al., 2013}; ^{Nguyen et al., 2020}).

Variables explicativas

Se utilizaron imágenes satelitales Land sat 7 ETM+ (resolución espacial 30 m) contemporáneas al muestreo de suelos realizado por ^{Morábito et al. (2004}), por lo que se seleccionaron escenas obteni das en 2002. Las variables explicativas incluyeron: tres bandas correspondien tes a la región del visible del espectro electromagnético (B1 en azul, B2 en verde y B3 en rojo) y una en el infrarro jo cercano (B4), dado que en estudios previos se encontraron relaciones sig nificativas entre estas y la CE (^{Davis et al., 2019}; ^{Nguyen et al., 2020}); 14 índices de salinidad y cinco índices de vegeta ción (Tabla 1), utilizados en la literatura para detectar suelos salinos (^{Douaoui et al., 2006}; ^{Fernández Buces et al., 2006}; ^{Abbas et al., 2013}; ^{Lhissoui et al., 2014}; ^{Scudiero et al., 2015}; ^{Elhag, 2016}; ^{Davis et al., 2019}; ^{Gorji et al., 2020}; ^{Nguyen et al., 2020}; ^{Wang et al., 2020}).

Tabla 1: Índices de salinidad y vegetación evaluados para detectar suelos salinos o saliniza dos mediante sensores remotos. La letra B corresponde a la banda de la región del espectro electromagnético correspondiente al azul, G a la banda del verde, R a la banda del rojo y NIR a la banda del infrarrojo cercano. L es el factor de corrección del suelo, el cual disminuye las distorsiones que introduce la presencia de suelo expuesto Table 1: Salinity and vegetation indices were evaluated to detect saline or salinized soils using remote sensing. The letter B corresponds to the band of the electromagnetic spectrum region corresponding to blue, G to the green band, R to the red band, and NIR to the near-infrared band. L is the soil correction factor, which reduces the distortions introduced by the presence of exposed soil 

Se compuso un mosaico libre de nubes a partir de es cenas del repositorio disponible en Goo gle Earth Engine (^{Gorelick et al., 2017}) de imágenes Landsat 7 transformadas a reflectancia en superficie. Dichas escenas han sido corregidas atmosféricamente y, a pesar de las advertencias que se rea lizan sobre su uso en sitios de estudio localizados en grandes latitudes, son re comendadas cuando deben componerse mosaicos a partir de más de una escena, como en este caso (^{Young et al., 2017}). Los mosaicos fueron descargados desde la plataforma de Google Earth Engine y todos los índices se calcularon en un sis tema de información geográfica.

Adicionalmente, se incluyeron como covariables explicativas a factores am bientales y antrópicos dado que se ha reconocido que mejoran el ajuste de la relación existente entre la CE del suelo y los índices calculados a partir de imá genes satelitales (^{Scudiero et al., 2015}). En este trabajo, se consideraron factores que habían sido analizadas en un estudio previo como causales de la salinización en el Oasis Norte de Mendoza (^{Guida-Johnson et al., 2020}). Los factores am bientales incluidos fueron la elevación y la pendiente, extraídas a partir de da tos de elevación obtenidos por la Mi sión Topográfica Shuttle Radar (SRTM, acrónimo de Shuttle Radar Topography Mission) (^{Jarvis et al., 2008}). Los factores antrópicos fueron la distancia y la den sidad de los canales de riego y los po zos de extracción de agua subterránea, como medidas del impacto del riego en el proceso de salinización secundaria. La información sobre la localización de los canales y los pozos fue otorgada por el Departamento General de Irrigación (DGI) de Mendoza.

Resultados

Las bandas en el visible y el infrarrojo cercano de Landsat 7 ETM+ y los índices de salinidad y de vegetación, así como los factores ambientales y antrópicos considerados en este trabajo explicaron una baja proporción de la variabilidad de la CE del suelo medida a campo. Asi mismo, todos los modelos seleccionados incluyeron alguna variable derivada de imágenes satelitales y al menos una o más covariables ambientales o antrópi cas. Este resultado sugiere que los facto res ambientales y antrópicos son de gran importancia para explicar la CE en el área de estudio.

Al analizar los datos para todas las cuencas del área de estudio simultánea mente (Tabla 2), los valores del coefi ciente de determinación resultaron ba jos cuando no se dividieron los datos de acuerdo al nivel de salinidad (R² = 0,07).

Tabla 2: Modelos de regresión múltiple con mayores valores del coeficiente de determinación (R2), considerando a la conductividad eléctrica (CE) como la variable respuesta. Se evaluaron los datos para todas las cuencas y se dividieron de acuerdo a rangos de CE. Se indican las variables explicativas y su valor p Table 2: Multiple regression models with the highest values for the coefficient of determination (R2), considering electrical conductivity (CE) as the response variable. Data for all basins were evaluated and divided according to CE ranges. Explanatory variables and their p-value are indicated 

Sin embargo, al dividir los datos en ran gos de CE, se obtuvo una leve mejora en el ajuste de los modelos de regresión múltiple. En este caso, los sitios fuerte mente y muy fuertemente salinos resul taron ser aquellos para los que se obtuvo el mejor ajuste entre las variables (R² = 0,19). Las variables explicativas incluidas en los modelos que resultaron estadísti camente significativas (p < 0.05) fueron: una banda de la región del visible (ver de), un índice de salinidad (BI) y tres índices de vegetación (VSSI, COSRI y CRSI). Las covariables estadísticamente significativas fueron: uno de los factores ambientales (elevación) y los cuatro fac tores antrópicos considerados (distancia y densidad de canales de riego y pozos de extracción de agua subterránea).

La proporción de la variabilidad de la CE explicada por los modelos mejo ró cuando se dividió el área irrigada de acuerdo a las cuencas en las que se lo calizaron los sitios de muestreo de sue los (Tabla 3).

Tabla 3: Modelos de regresión múltiple con mayores valores del coeficiente de determinación (R ² ), considerando a la conductividad eléctrica (CE) como la variable respuesta. Se evaluaron los datos divididos por cuenca y se subdividieron de acuerdo a rangos de CE. Se indican las variables explicativas y su valor p Table 3: Multiple regression models with the highest values for the coefficient of determination (R ² ), considering electrical conductivity (EC) as the response variable. Data was divided by basins and subdivided according to EC ranges. Explanatory variables and their p-value are indicated 

En este caso, se detectó el mismo patrón, dado que los datos subdi vididos de acuerdo al nivel de salinidad mostraron un mejor ajuste (R² entre 0,00 y 0,55) que cuando se analizó el rango completo de CE (R² entre 0,03 y 0,14). Nuevamente, los sitios fuertemente y muy fuertemente salinos resultaron ser aquellos en los que las variables deriva das de sensores remotos junto a los fac tores ambientales y antrópicos explica ron una mayor proporción de la CE. En particular, los coeficientes de determina ción fueron mayores en la cuenca del río Mendoza (R² = 0,40) y en la del río Des aguadero (R² = 0,55). Las variables expli cativas que resultaron estadísticamente significativas fueron: cuatro índices de salinidad (SI1, SI2, SI5 y I2) y los mis mos tres índices de vegetación que en el caso anterior (VSSI, CRSI y COSRI). Las covariables estadísticamente significati vas fueron: ambos factores ambientales analizados (elevación y pendiente) y tres factores antrópicos (distancia a pozos de extracción de agua subterránea y densi dad de canales de riego y pozos).

Discusión

En Argentina, una dimensión aún pen diente por explorar es la recuperación de sitios degradados por actividades agríco las en las tierras secas irrigadas (^{Guida-Johnson et al., 2017}). De acuerdo con los resultados de una revisión bibliográfica realizada a partir de trabajos publicados e indexados en la base de datos de Scopus (^{Rovere, 2015}), no existirían anteceden tes de investigación científica básica ni aplicada orientada a la restauración pro ductiva en nuestro país. Posiblemente, la ausencia de legislación ambiental en relación a la restauración de territorios afectados por actividades agropecuarias sea al menos una de las causas de este va cío de información (^{Zuleta et al., 2015}; ^{Pérez et al., 2018}). Sin embargo, más recientemente, distintas investigacio nes han indagado sobre la fisiología de algunas especies con potencial para ser utilizadas en proyectos de restauración productiva en zonas áridas y semiáridas (^{Paredes et al., 2019}; ^{Rodríguez Araujo et al., 2019}; ^{Milano, 2018}; ^{Villagra et al., 2019}). Dichos antecedentes, junto con las experiencias de cultivos agroecológi cos que existen en las áreas irrigadas de Mendoza, destacan el potencial de esta propuesta para abordar el problema de la salinización secundaria.

En este trabajo se identificaron varia bles derivadas de imágenes satelitales, en particular bandas e índices de salinidad y vegetación, para ser utilizadas en la detección y monitoreo de sitios afecta dos por salinidad del suelo en las áreas irrigadas de Mendoza. En este contexto, deben señalarse varios aspectos. En pri mer lugar, no existe un índice universal que pueda aplicarse a todos los casos, ya que los niveles de salinidad y cobertura vegetal son muy variables (^{Gorji et al., 2019}). Incluso, al comparar los resulta dos obtenidos con aquellos reportados en la literatura, se encuentran varias di vergencias que se desarrollan a continua ción. Por lo tanto, es necesario abordar estudios de caso específicos. En segundo lugar, la tecnología de sensores remotos ofrece amplias ventajas para monitorear los procesos de salinización con alta eficiencia, bajo costo y gran resolución temporal (^{Muller & van Niekerk, 2016}; ^{Wang et al., 2020}). Este tipo de enfoque resulta especialmente valioso si se consi deran los altos costos y esfuerzos invo lucrados en los métodos tradicionales de muestreo a campo (^{Abbas et al., 2013}; ^{Davis et al., 2019}). En tercer lugar, si bien se encontraron niveles de ajuste modera dos para los modelos de regresión ana lizados, cabe destacar que otros trabajos publicados en la literatura también re portan valores bajos de ajuste (^{Douaoui et al., 2006}; ^{Lhissoui et al., 2014}; ^{Davis et al., 2019}). De todas maneras, una re gresión con valores intermedios para el coeficiente de determinación puede igualmente utilizarse para orientar la detección de zonas afectadas a partir de la elaboración de mapas de calor (^{Davis et al., 2019}), los cuales señalan sitios con mayor probabilidad de afectación. Por todo lo expuesto, los resultados emer gentes de este trabajo tienen gran poten cial de aplicación.

En el caso del área de estudio anali zada, se encontró mejor ajuste de los modelos al analizar los datos divididos de acuerdo a la cuenca en la que se loca lizaron los sitios de muestreo de suelos. Esto sugiere que la extensión y heteroge neidad de condiciones del área irrigada generan una gran variabilidad en la res puesta del suelo y la vegetación a la sali nidad, lo que se traduce en una respuesta poco consistente de la reflectancia. Ana lizando la literatura, los mayores niveles de ajuste observados en otros estudios (R² > 0.80) se asocian con áreas entre 2 y 100 veces menores que la analizada en este trabajo y conjuntos de datos de cali bración entre 6 y 24 veces menores que los utilizados aquí (^{Fernández Buces et al., 2006}; ^{Abbas et al., 2013}; ^{Elhag, 2016}; ^{Wang et al., 2020}). Posiblemente si se analizaran territorios menos extensos y más homogéneos en el Oasis Norte (en cuanto al uso del suelo, el tipo de cultivo, la historia de uso y las prácticas de ma nejo implementadas) se encuentren re laciones más robustas entre las variables derivadas de imágenes satelitales y la sa linidad del suelo. Por otro lado, al dividir los datos de acuerdo a los rangos de CE, tanto para el conjunto de datos completo como dividido por cuenca, se encontró mejor ajuste de los modelos para los si tios fuertemente y muy fuertemente sa linos. A la inversa, ^{Douaoui et al. (2006}) encontraron menores coeficientes de correlación para sitios asociados a CE mayor a 8 dS/m comparados con el con junto completo de datos.

Con respecto a las variables explicati vas incluidas, las bandas de la región del visible y del infrarrojo cercano del espec tro electromagnético fueron evaluadas porque se reportaron relaciones signifi cativas entre estas y la CE (^{Davis et al., 2019}; ^{Nguyen et al., 2020}). Sin embargo, solo uno de los modelos retuvo una ban da como variable explicativa y la misma resultó estadísticamente significativa: la banda de la región del verde de Land sat 7 ETM+. Mientras que ^{Nguyen et al. (2020}) encontraron asociaciones entre la CE y las bandas del infrarrojo cercano y el infrarrojo medio; ^{Davis et al. (2019}) encontraron mejores ajustes con las ban das de la región del azul y el rojo. Asimis mo, se incluyeron 14 índices de salinidad utilizados en la literatura como variables explicativas. De los seleccionados en los modelos con mejor ajuste, solo cinco fueron estadísticamente significativos: tres versiones del Salinity Index (SI), dos incluyen solo las bandas del azul y el rojo en su expresión, mientras que el tercero se calcula a partir de las bandas del verde, el rojo y el infrarrojo cercano; el Brightness Index (BI), que se calcula a partir de las bandas del rojo y el infra rrojo cercano; y una versión del Intensity index (I) calculado a partir de las bandas del verde, el rojo y el infrarrojo cercano (^{Douaoui et al., 2006}; ^{Abbas et al., 2013}; ^{Lhissoui et al., 2014}; ^{Elhag, 2016}; ^{Ngu yen et al., 2020}; ^{Wang et al., 2020}). De los índices de vegetación evaluados como variables explicativas, solo resultaron estadísticamente significativos aquellos índices elaborados específicamente para detectar vegetación afectada por salini dad: Vegetation Soil Salinity Index (VSSI) (^{Nguyen et al., 2020}), Canopy Response Salinity Index (CRSI) (^{Scudiero et al., 2015}) y Combined Spectral Response In dex (COSRI) (^{Fernández Buces et al., 2006}).

Con relación a las covariables expli cativas, cabe destacar el rol que tuvieron los factores ambientales y antrópicos considerados dado que fueron incluidos en todos los modelos seleccionados. To das las covariables analizadas han sido asociadas como factores causales del proceso de salinización en el Oasis Norte (^{Guida-Johnson et al., 2020}). En dicho estudio, a partir de la implementación de un modelo espacialmente explícito que consideró características del sopor te físico (elevación, pendiente, índice de aridez, textura del suelo y cantidad de calcáreo total) y del uso antrópico (dis tancia y densidad de canales de riego y pozos de extracción de agua subterrá nea), se identificó la elevación, la textura del suelo y la cantidad de calcáreo total del suelo como las variables que más ex plican la variación espacial de la salini dad del suelo. En este trabajo, analizando las covariables explicativas que fueron retenidas en los modelos y resultaron es tadísticamente significativas, se encontró que 7 de los 18 modelos seleccionados incluyeron la elevación, 5 incluyeron la densidad de canales de riego, y 3 incluye ron la pendiente o la densidad de pozos de extracción de agua subterránea. La elevación se encuentra correlacionada con la profundidad al nivel freático (^{Mo rábito et al., 2004}; ^{Mirábile et al., 2006}), mientras que la pendiente puede estar relacionada con la escorrentía. Tanto la densidad de canales de riego como de pozos de extracción de agua dan cuenta de la infraestructura del sistema de rie go. Esto parecería indicar que la relación entre las variables derivadas de sensores remotos y la salinidad varían con el con tenido de humedad del suelo. Estudios previos han determinado que la hume dad del suelo afecta la reflectancia de las sales presentes en el mismo (^{Metternicht & Zinck, 2003}; ^{Howari, 2003}).

Conclusiones

Este trabajo constituye una primera aproximación al diseño de una herra mienta que permita detectar y monito rear sitios afectados por salinidad del suelo a partir de sensores remotos en las áreas irrigadas de Mendoza. Las reco mendaciones que surgen a partir de los resultados obtenidos son: la utilización de índices de salinidad (tales como Sa linity Index, Brightness Index o Intensity index) e índices de vegetación elabora dos específicamente para detectar vege tación afectada por salinidad (Vegetation Soil Salinity Index, Canopy Response Sali nity Index o Combined Spectral Response Index), así como la inclusión de covaria bles explicativas vinculadas al contenido de humedad del suelo; la selección de un área de estudio más homogénea; y el análisis de los niveles de salinidad del suelo en rangos. Las ecuaciones de re gresión que se obtengan de los modelos seleccionados permitirán extrapolar los valores de salinidad a otros sitios no me didos en campo y así localizar fácilmente áreas afectadas. Esta posibilidad, junto con la disponibilidad libre de imágenes satelitales como las que se utilizaron en este trabajo, resalta el potencial de una herramienta de este tipo. La misma per mitiría la planificación de la restauración a escala de paisaje, lo que resulta fun damental para orientar las acciones de restauración productiva a fin de cerrar las brechas de rendimiento en las tierras irrigadas de regiones áridas y semiáridas.