Un enfoque híbrido para la detección de anomalías en el nitrógeno total del suelo integrando el aprendizaje automático y la estadística espacial
Autores: Zheng, Wengang; Lan, Renping; Zhangzhong, Lili; Yang, Linnan; Gao, Lutao; Yu, Jingxin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque híbrido para la detección de anomalías en el nitrógeno total del suelo integrando el aprendizaje automático y la estadística espacial
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Nitrógeno total del suelo
Anomalías
Algoritmo de Bosque Aislado
Análisis de autocorrelación espacial local
Valores atípicos
Decisiones de manejo de nutrientes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
El nitrógeno total del suelo es uno de los indicadores básicos más importantes para la toma de decisiones sobre fertilizantes, pero se han acumulado decenas de millones de datos de muestreo de nitrógeno total del suelo, formando una enorme base de datos. En esta gran base de datos, hay una gran cantidad de datos anómalos, que pueden interferir con el análisis de datos, afectar la construcción de modelos de interpolación espacial y predicción, y luego afectar la precisión de las decisiones de gestión de nutrientes. El método tradicional para identificar anomalías en el nitrógeno total del suelo basado en diagramas de caja presenta problemas al no poder identificar anomalías locales, lo que puede llevar fácilmente a la clasificación errónea de datos anómalos de nitrógeno total del suelo, y la eficiencia de detección no es alta. Proponemos un método para identificar valores atípicos de nitrógeno total del suelo combinando el algoritmo de Bosques Aislados y el análisis de autocorrelación espacial local, que puede detectar simultáneamente valores atípicos globales y locales a partir de grandes cantidades de datos y combinar la materia orgánica como indicador auxiliar en el análisis espacial para ayudar a juzgar valores atípicos locales. Finalmente, los resultados de anomalías globales y locales se combinaron para proporcionar una evaluación integral de los datos de nitrógeno del suelo, evitando el error de juicio u omisión de juicio que puede ocurrir al utilizar un solo método. Usando 25,930 datos de prueba de suelo de la provincia de Yunnan en 2009 como ejemplo, comparamos y analizamos el método típico de diagrama de caja y el método no supervisado OneClassSVM y evaluamos el rendimiento de cada método en términos de tasa de detección correcta, tasa de falsos positivos y tasa de falsos negativos. Los resultados muestran que el método propuesto tiene una tasa de detección correcta (TR) del 99.97%, una tasa de falsos positivos (FPR) del 8.06% y una tasa de falsos negativos (FNR) del 0.01% en los datos, lo que muestra una alta validez y precisión; también es comparable con los bosques aislados independientes (FNR = 4.76%), diagrama de caja (FNR = 3.90%) y OneClassSVM (FNR = 4.77%), y la tasa de falsos negativos se reduce en un 4.75%, 3.89% y 4.76%, respectivamente.
Descripción
El nitrógeno total del suelo es uno de los indicadores básicos más importantes para la toma de decisiones sobre fertilizantes, pero se han acumulado decenas de millones de datos de muestreo de nitrógeno total del suelo, formando una enorme base de datos. En esta gran base de datos, hay una gran cantidad de datos anómalos, que pueden interferir con el análisis de datos, afectar la construcción de modelos de interpolación espacial y predicción, y luego afectar la precisión de las decisiones de gestión de nutrientes. El método tradicional para identificar anomalías en el nitrógeno total del suelo basado en diagramas de caja presenta problemas al no poder identificar anomalías locales, lo que puede llevar fácilmente a la clasificación errónea de datos anómalos de nitrógeno total del suelo, y la eficiencia de detección no es alta. Proponemos un método para identificar valores atípicos de nitrógeno total del suelo combinando el algoritmo de Bosques Aislados y el análisis de autocorrelación espacial local, que puede detectar simultáneamente valores atípicos globales y locales a partir de grandes cantidades de datos y combinar la materia orgánica como indicador auxiliar en el análisis espacial para ayudar a juzgar valores atípicos locales. Finalmente, los resultados de anomalías globales y locales se combinaron para proporcionar una evaluación integral de los datos de nitrógeno del suelo, evitando el error de juicio u omisión de juicio que puede ocurrir al utilizar un solo método. Usando 25,930 datos de prueba de suelo de la provincia de Yunnan en 2009 como ejemplo, comparamos y analizamos el método típico de diagrama de caja y el método no supervisado OneClassSVM y evaluamos el rendimiento de cada método en términos de tasa de detección correcta, tasa de falsos positivos y tasa de falsos negativos. Los resultados muestran que el método propuesto tiene una tasa de detección correcta (TR) del 99.97%, una tasa de falsos positivos (FPR) del 8.06% y una tasa de falsos negativos (FNR) del 0.01% en los datos, lo que muestra una alta validez y precisión; también es comparable con los bosques aislados independientes (FNR = 4.76%), diagrama de caja (FNR = 3.90%) y OneClassSVM (FNR = 4.77%), y la tasa de falsos negativos se reduce en un 4.75%, 3.89% y 4.76%, respectivamente.