Uso de algoritmos de aprendizaje automático para estimar la variabilidad del carbono orgánico del suelo con variables ambientales e indicadores de nutrientes del suelo en un suelo aluvial
Autores: JOHN, Kingsley; Abraham Isong, Isong; Michael Kebonye, Ndiye; Okon Ayito, Esther; Chapman Agyeman, Prince; Marcus Afu, Sunday
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Uso de algoritmos de aprendizaje automático para estimar la variabilidad del carbono orgánico del suelo con variables ambientales e indicadores de nutrientes del suelo en un suelo aluvial
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Carbono orgánico del suelo
Fertilidad del suelo
Algoritmos de aprendizaje automático
Predictores
Muestras de suelo
Rendimiento del modelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El carbono orgánico del suelo (COS) es un indicador importante de la calidad del suelo y determina directamente la fertilidad del suelo. Por lo tanto, es necesario comprender su distribución espacial y los factores de control para una gestión eficiente y sostenible de los nutrientes del suelo. En este estudio, se eligieron algoritmos de aprendizaje automático, incluidos la red neuronal artificial (RNA), la máquina de soporte vectorial (MSV), la regresión cubista, los bosques aleatorios (BA) y la regresión lineal múltiple (RLM) para avanzar en la predicción del COS. Se recolectaron un total de sesenta (n = 60) muestras de suelo dentro del área de investigación a una profundidad de 30 cm y se midió el contenido de COS utilizando el método de Walkley-Black. De estas muestras, el 80% se utilizó para el entrenamiento del modelo y se incluyeron 21 datos auxiliares como predictores. Los predictores incluyen la capacidad de intercambio catiónico efectiva (CICE), la saturación básica (SB), la relación calcio-magnesio (Ca_Mg), la relación potasio-magnesio (K_Mg), la relación potasio-calcio (K_Ca), la elevación, la curvatura del plano, el área total de captación, el nivel base de la red de canales, el índice de humedad topográfica, el índice de arcilla, el índice de hierro, el índice de acumulación de diferencia normalizada (NDBI), el índice de vegetación de diferencia normalizada (RVI), el índice de vegetación ajustado al suelo (SAVI), el índice de diferencia de vegetación normalizada (NDVI), el índice de diferencia de humedad normalizada (NDMI) y la temperatura de la superficie terrestre (LST). Se utilizaron el error absoluto medio (EAM), el error cuadrático medio (ECM) y R2 para determinar el rendimiento del modelo. El resultado mostró que el COS medio era del 1.62% con un coeficiente de variación (CV) del 47%. El modelo con mejor rendimiento fue BA (R2 = 0.68), seguido del modelo cubista (R2 = 0.51), MSV (R2 = 0.36), RNA (R2 = 0.36) y RLM (R2 = 0.17). Los indicadores de nutrientes del suelo, el índice de humedad topográfica y el área total de captación se consideraron un indicador para la predicción espacial del COS en topografía plana homogénea. Los estudios futuros deberían incluir otros predictores auxiliares (por ejemplo, propiedades físicas y químicas del suelo, y datos litológicos) así como abarcar una gama más amplia de tipos de suelo para mejorar el rendimiento del modelo.
Descripción
El carbono orgánico del suelo (COS) es un indicador importante de la calidad del suelo y determina directamente la fertilidad del suelo. Por lo tanto, es necesario comprender su distribución espacial y los factores de control para una gestión eficiente y sostenible de los nutrientes del suelo. En este estudio, se eligieron algoritmos de aprendizaje automático, incluidos la red neuronal artificial (RNA), la máquina de soporte vectorial (MSV), la regresión cubista, los bosques aleatorios (BA) y la regresión lineal múltiple (RLM) para avanzar en la predicción del COS. Se recolectaron un total de sesenta (n = 60) muestras de suelo dentro del área de investigación a una profundidad de 30 cm y se midió el contenido de COS utilizando el método de Walkley-Black. De estas muestras, el 80% se utilizó para el entrenamiento del modelo y se incluyeron 21 datos auxiliares como predictores. Los predictores incluyen la capacidad de intercambio catiónico efectiva (CICE), la saturación básica (SB), la relación calcio-magnesio (Ca_Mg), la relación potasio-magnesio (K_Mg), la relación potasio-calcio (K_Ca), la elevación, la curvatura del plano, el área total de captación, el nivel base de la red de canales, el índice de humedad topográfica, el índice de arcilla, el índice de hierro, el índice de acumulación de diferencia normalizada (NDBI), el índice de vegetación de diferencia normalizada (RVI), el índice de vegetación ajustado al suelo (SAVI), el índice de diferencia de vegetación normalizada (NDVI), el índice de diferencia de humedad normalizada (NDMI) y la temperatura de la superficie terrestre (LST). Se utilizaron el error absoluto medio (EAM), el error cuadrático medio (ECM) y R2 para determinar el rendimiento del modelo. El resultado mostró que el COS medio era del 1.62% con un coeficiente de variación (CV) del 47%. El modelo con mejor rendimiento fue BA (R2 = 0.68), seguido del modelo cubista (R2 = 0.51), MSV (R2 = 0.36), RNA (R2 = 0.36) y RLM (R2 = 0.17). Los indicadores de nutrientes del suelo, el índice de humedad topográfica y el área total de captación se consideraron un indicador para la predicción espacial del COS en topografía plana homogénea. Los estudios futuros deberían incluir otros predictores auxiliares (por ejemplo, propiedades físicas y químicas del suelo, y datos litológicos) así como abarcar una gama más amplia de tipos de suelo para mejorar el rendimiento del modelo.