Un enfoque de dos etapas para la estimación del almacenamiento de carbono orgánico del suelo de alta resolución con buena capacidad de extensión
Autores: Wei, Sunwei; Zhao, Zhengyong; Yang, Qi; Ding, Xiaogang
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un enfoque de dos etapas para la estimación del almacenamiento de carbono orgánico del suelo de alta resolución con buena capacidad de extensión
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Almacenamiento de carbono orgánico del suelo
Estimación
Red neuronal artificial
Luoding
Provincia de Guangdong
China
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La estimación del almacenamiento de carbono orgánico del suelo (SOCS) es una rama crucial del estudio del ciclo de carbono atmosférico-vegetación-suelo en el contexto del cambio climático global. La investigación sobre SOCS ha aumentado en todo el mundo. El objetivo de este estudio es desarrollar un enfoque de dos etapas con buena capacidad de extensión para estimar el SOCS. En la primera etapa, se adopta un modelo de red neuronal artificial (ANN) para estimar el SOCS basado en 255 muestras de suelo con cinco capas de suelo (incrementos de 20 cm hasta 100 cm) en Luoding, provincia de Guangdong, China. Este método se compara con tres métodos comunes: el método de tipo de suelo (STM), kriging ordinario (OK) e interpolación de función de base radial (RBF). En la segunda etapa, se introduce un modelo lineal para capturar las diferencias regionales y mejorar aún más la precisión de la estimación del modelo ANN basado en Luoding al extenderlo a Xinxing, provincia de Guangdong. Esto se realiza después de evaluar la generalizabilidad de los cuatro métodos anteriores con 120 muestras de suelo de Xinxing. Los resultados de la primera etapa muestran que el modelo ANN tiene una precisión de estimación mucho mejor que STM, OK y RBF, con el error cuadrático medio (RMSE) promedio de las cinco capas de suelo disminuyendo en 0.62-0.90 kg·m-2, R2 aumentando de 0.54 a 0.65, y el error absoluto medio disminuyendo de 0.32 a 0.42. Además, los mapas de distribución espacial producidos por el modelo ANN son más precisos que los de otros métodos para describir el SOCS general y local en detalle. Los resultados de la segunda etapa indican que STM, OK y RBF tienen una mala generalizabilidad (R2 < 0.1), y el valor de R2 obtenido con el método ANN también es 43-56% más bajo para las cinco capas de suelo en comparación con la precisión de estimación lograda en Luoding. Sin embargo, el R2 de los modelos lineales construidos con el 20% de las muestras de suelo de Xinxing son 0.23-0.29 más altos para las cinco capas de suelo. Por lo tanto, el modelo ANN es un método efectivo para estimar con precisión el SOCS a escala regional con un pequeño número de muestras de campo. El modelo lineal podría extender fácilmente el modelo ANN a áreas externas donde el modelo ANN fue desarrollado originalmente con un mejor nivel de precisión.
Descripción
La estimación del almacenamiento de carbono orgánico del suelo (SOCS) es una rama crucial del estudio del ciclo de carbono atmosférico-vegetación-suelo en el contexto del cambio climático global. La investigación sobre SOCS ha aumentado en todo el mundo. El objetivo de este estudio es desarrollar un enfoque de dos etapas con buena capacidad de extensión para estimar el SOCS. En la primera etapa, se adopta un modelo de red neuronal artificial (ANN) para estimar el SOCS basado en 255 muestras de suelo con cinco capas de suelo (incrementos de 20 cm hasta 100 cm) en Luoding, provincia de Guangdong, China. Este método se compara con tres métodos comunes: el método de tipo de suelo (STM), kriging ordinario (OK) e interpolación de función de base radial (RBF). En la segunda etapa, se introduce un modelo lineal para capturar las diferencias regionales y mejorar aún más la precisión de la estimación del modelo ANN basado en Luoding al extenderlo a Xinxing, provincia de Guangdong. Esto se realiza después de evaluar la generalizabilidad de los cuatro métodos anteriores con 120 muestras de suelo de Xinxing. Los resultados de la primera etapa muestran que el modelo ANN tiene una precisión de estimación mucho mejor que STM, OK y RBF, con el error cuadrático medio (RMSE) promedio de las cinco capas de suelo disminuyendo en 0.62-0.90 kg·m-2, R2 aumentando de 0.54 a 0.65, y el error absoluto medio disminuyendo de 0.32 a 0.42. Además, los mapas de distribución espacial producidos por el modelo ANN son más precisos que los de otros métodos para describir el SOCS general y local en detalle. Los resultados de la segunda etapa indican que STM, OK y RBF tienen una mala generalizabilidad (R2 < 0.1), y el valor de R2 obtenido con el método ANN también es 43-56% más bajo para las cinco capas de suelo en comparación con la precisión de estimación lograda en Luoding. Sin embargo, el R2 de los modelos lineales construidos con el 20% de las muestras de suelo de Xinxing son 0.23-0.29 más altos para las cinco capas de suelo. Por lo tanto, el modelo ANN es un método efectivo para estimar con precisión el SOCS a escala regional con un pequeño número de muestras de campo. El modelo lineal podría extender fácilmente el modelo ANN a áreas externas donde el modelo ANN fue desarrollado originalmente con un mejor nivel de precisión.