Desarrollo del Índice de Fertilidad del Suelo Utilizando Aprendizaje Automático y Espectroscopía en el Visible y el Infrarrojo Cercano
Autores: Jia, Xiaolin; Fang, Yi; Hu, Bifeng; Yu, Baobao; Zhou, Yin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Desarrollo del Índice de Fertilidad del Suelo Utilizando Aprendizaje Automático y Espectroscopía en el Visible y el Infrarrojo Cercano
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Evaluación
Fertilidad del suelo
Productividad agrícola
Gestión sostenible de la tierra
Espectroscopía en el visible y el infrarrojo cercano
Modelos de predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Una evaluación precisa de la fertilidad del suelo es crucial para monitorear las dinámicas ambientales, mejorar la productividad agrícola y lograr una gestión y utilización sostenible de la tierra. La complejidad inherente y la heterogeneidad espaciotemporal de los suelos presentan desafíos significativos en la evaluación de la fertilidad del suelo. Por lo tanto, este estudio se centró en desarrollar un enfoque rápido, económico y preciso para evaluar la fertilidad del suelo mediante la aplicación de espectroscopia en el visible y cercano infrarrojo (VNIR). Para lograr esto, utilizamos el conjunto de datos de la Encuesta de Uso y Cobertura del Suelo (LUCAS) y empleamos una variedad de modelos de predicción, incluyendo regresión de mínimos cuadrados parciales, máquinas de soporte vectorial (SVM), bosques aleatorios y redes neuronales convolucionales, para estimar diversas propiedades del suelo y la fertilidad general del suelo. Los resultados mostraron que el modelo SVM tuvo la mayor precisión de predicción, particularmente para el contenido de arcilla (coeficiente de determinación (R2) = 0.79, relación de rendimiento a rango intercuartílico (RPIQ) = 3.04), pH (R2 = 0.84, RPIQ = 4.54), nitrógeno total (N) (R2 = 0.80, RPIQ = 2.40) y capacidad de intercambio catiónico (CEC) (R2 = 0.83, RPIQ = 3.16). Se desarrolló un índice de fertilidad del suelo (SFI) basado en análisis factorial, integrando nueve propiedades esenciales del suelo: contenido de arcilla, contenido de limo, contenido de arena, pH, contenido de carbonatos, N, fósforo soluble, potasio soluble y CEC. Comparamos modelos de predicción directos e indirectos para estimar el SFI y encontramos que ambos modelos mostraron alta precisión (valor medio de R2 = 0.80, valor medio de RPIQ = 2.21). Además, el SFI se clasificó en cinco clases para proporcionar información para la agricultura de precisión. El coeficiente kappa fue de 0.63, lo que indicó que los resultados de la evaluación del SFI entre VNIR y análisis químico fueron relativamente consistentes. Este estudio proporciona una base teórica para el monitoreo en tiempo real de la fertilidad del suelo para la optimización de las prácticas agrícolas.
Descripción
Una evaluación precisa de la fertilidad del suelo es crucial para monitorear las dinámicas ambientales, mejorar la productividad agrícola y lograr una gestión y utilización sostenible de la tierra. La complejidad inherente y la heterogeneidad espaciotemporal de los suelos presentan desafíos significativos en la evaluación de la fertilidad del suelo. Por lo tanto, este estudio se centró en desarrollar un enfoque rápido, económico y preciso para evaluar la fertilidad del suelo mediante la aplicación de espectroscopia en el visible y cercano infrarrojo (VNIR). Para lograr esto, utilizamos el conjunto de datos de la Encuesta de Uso y Cobertura del Suelo (LUCAS) y empleamos una variedad de modelos de predicción, incluyendo regresión de mínimos cuadrados parciales, máquinas de soporte vectorial (SVM), bosques aleatorios y redes neuronales convolucionales, para estimar diversas propiedades del suelo y la fertilidad general del suelo. Los resultados mostraron que el modelo SVM tuvo la mayor precisión de predicción, particularmente para el contenido de arcilla (coeficiente de determinación (R2) = 0.79, relación de rendimiento a rango intercuartílico (RPIQ) = 3.04), pH (R2 = 0.84, RPIQ = 4.54), nitrógeno total (N) (R2 = 0.80, RPIQ = 2.40) y capacidad de intercambio catiónico (CEC) (R2 = 0.83, RPIQ = 3.16). Se desarrolló un índice de fertilidad del suelo (SFI) basado en análisis factorial, integrando nueve propiedades esenciales del suelo: contenido de arcilla, contenido de limo, contenido de arena, pH, contenido de carbonatos, N, fósforo soluble, potasio soluble y CEC. Comparamos modelos de predicción directos e indirectos para estimar el SFI y encontramos que ambos modelos mostraron alta precisión (valor medio de R2 = 0.80, valor medio de RPIQ = 2.21). Además, el SFI se clasificó en cinco clases para proporcionar información para la agricultura de precisión. El coeficiente kappa fue de 0.63, lo que indicó que los resultados de la evaluación del SFI entre VNIR y análisis químico fueron relativamente consistentes. Este estudio proporciona una base teórica para el monitoreo en tiempo real de la fertilidad del suelo para la optimización de las prácticas agrícolas.