Mapeo Digital del Carbono Orgánico del Suelo Usando Algoritmos de Aprendizaje Automático en el Alto Valle del Brahmaputra del Noreste de India
Autores: Kumar, Amit; Moharana, Pravash Chandra; Jena, Roomesh Kumar; Malyan, Sandeep Kumar; Sharma, Gulshan Kumar; Fagodiya, Ram Kishor; Shabnam, Aftab Ahmad; Jigyasu, Dharmendra Kumar; Kumari, Kasthala Mary Vijaya; Doss, Subramanian Gandhi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mapeo Digital del Carbono Orgánico del Suelo Usando Algoritmos de Aprendizaje Automático en el Alto Valle del Brahmaputra del Noreste de India
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Carbon orgánico del suelo
Modelos de aprendizaje automático
Variables topográficas
Imágenes satelitales de Landsat
Técnicas de aprendizaje automático
Modelo de bosque aleatorio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El carbono orgánico del suelo (COS) es un indicador crucial de la salud del ecosistema y la calidad del suelo. Los modelos de aprendizaje automático (AA) que predicen la calidad del suelo en función de parámetros ambientales están siendo cada vez más prevalentes. Sin embargo, los estudios aún no han examinado qué tan bien se desempeña cada técnica de AA al predecir y mapear el COS, particularmente a altas resoluciones espaciales. Los predictores del modelo incluyen variables topográficas generadas a partir del DEM de SRTM; índices de vegetación y suelo derivados de imágenes satelitales de Landsat predicen el COS para el distrito de Lakhimpur en el valle superior del Brahmaputra en Assam, India. Se utilizaron cuatro modelos de AA, Bosque Aleatorio (BA), Cubista, Aumento de Gradiente Extremo (XGBoost) y Máquina de Vectores de Soporte (MVS), para predecir el COS para la capa superior del suelo (0-15 cm) a una resolución de 30 m. Los resultados mostraron que las estadísticas descriptivas de los conjuntos de calibración y validación estaban lo suficientemente cerca de los datos del conjunto total y del conjunto de calibración, representando las muestras completas. El contenido de COS medido varió del 0.10 al 1.85%. El rendimiento del modelo BA fue óptimo en los conjuntos de calibración y validación (R2c = 0.966, RMSEc = 0.159%, R2v = 0.418, RMSEv = 0.377%). El modelo MVS, por otro lado, tuvo la siguiente precisión más baja, explicando el 47% de la variación (R2c = 0.471, RMSEc = 0.293, R2v = 0.081, RMSEv = 0.452), mientras que el modelo Cubista tuvo el peor desempeño en ambos conjuntos de calibración y validación. La variable más crítica en el modelo BA para predecir el COS fue la elevación, seguida por MAT y MRVBF. Las variables esenciales para el modelo Cubista fueron la pendiente, TRI, MAT y Band4. AP y LS fueron los factores más esenciales en los modelos XGBoost y MVS. El COS predicho varió del 0.44 al 1.35%, del 0.031 al 1.61%, del 0.035 al 1.71% y del 0.47 al 1.36% en los modelos BA, Cubista, XGBoost y MVS, respectivamente. En comparación con diferentes modelos de AA, el BA fue óptimo (alta precisión y baja incertidumbre) para predecir el COS en la región investigada. Según los resultados de modelado actuales, el COS puede determinarse de manera simple y precisa. En general, los mapas de alta resolución podrían ser útiles para los tomadores de decisiones, partes interesadas y solicitantes en las prácticas de gestión sericultora hacia una sericultura de precisión.
Descripción
El carbono orgánico del suelo (COS) es un indicador crucial de la salud del ecosistema y la calidad del suelo. Los modelos de aprendizaje automático (AA) que predicen la calidad del suelo en función de parámetros ambientales están siendo cada vez más prevalentes. Sin embargo, los estudios aún no han examinado qué tan bien se desempeña cada técnica de AA al predecir y mapear el COS, particularmente a altas resoluciones espaciales. Los predictores del modelo incluyen variables topográficas generadas a partir del DEM de SRTM; índices de vegetación y suelo derivados de imágenes satelitales de Landsat predicen el COS para el distrito de Lakhimpur en el valle superior del Brahmaputra en Assam, India. Se utilizaron cuatro modelos de AA, Bosque Aleatorio (BA), Cubista, Aumento de Gradiente Extremo (XGBoost) y Máquina de Vectores de Soporte (MVS), para predecir el COS para la capa superior del suelo (0-15 cm) a una resolución de 30 m. Los resultados mostraron que las estadísticas descriptivas de los conjuntos de calibración y validación estaban lo suficientemente cerca de los datos del conjunto total y del conjunto de calibración, representando las muestras completas. El contenido de COS medido varió del 0.10 al 1.85%. El rendimiento del modelo BA fue óptimo en los conjuntos de calibración y validación (R2c = 0.966, RMSEc = 0.159%, R2v = 0.418, RMSEv = 0.377%). El modelo MVS, por otro lado, tuvo la siguiente precisión más baja, explicando el 47% de la variación (R2c = 0.471, RMSEc = 0.293, R2v = 0.081, RMSEv = 0.452), mientras que el modelo Cubista tuvo el peor desempeño en ambos conjuntos de calibración y validación. La variable más crítica en el modelo BA para predecir el COS fue la elevación, seguida por MAT y MRVBF. Las variables esenciales para el modelo Cubista fueron la pendiente, TRI, MAT y Band4. AP y LS fueron los factores más esenciales en los modelos XGBoost y MVS. El COS predicho varió del 0.44 al 1.35%, del 0.031 al 1.61%, del 0.035 al 1.71% y del 0.47 al 1.36% en los modelos BA, Cubista, XGBoost y MVS, respectivamente. En comparación con diferentes modelos de AA, el BA fue óptimo (alta precisión y baja incertidumbre) para predecir el COS en la región investigada. Según los resultados de modelado actuales, el COS puede determinarse de manera simple y precisa. En general, los mapas de alta resolución podrían ser útiles para los tomadores de decisiones, partes interesadas y solicitantes en las prácticas de gestión sericultora hacia una sericultura de precisión.