Mejor comprensión de las propiedades clave del suelo en el norte de Xinjiang utilizando conjuntos de datos de agua-calor-espectro basados en directrices bioclimáticas
Autores: Wang, Fei; Wei, Yang; Yang, Shengtian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mejor comprensión de las propiedades clave del suelo en el norte de Xinjiang utilizando conjuntos de datos de agua-calor-espectro basados en directrices bioclimáticas
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Mapeo digital de suelos
Propiedades del suelo
Aprendizaje por transferencia
Algoritmos de aprendizaje automático
Base de datos espectral-agua-calor
Carbono orgánico del suelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El mapeo digital actual de las propiedades del suelo (carbono orgánico del suelo, COS; conductividad eléctrica, CE; y pH) se basa principalmente en el aprendizaje por transferencia, lo cual es inadecuado en términos de precisión para el área de la llanura norte de Xinjiang. Para abordar este problema, se requiere urgentemente establecer un nuevo modelo que pueda mejorar nuestra comprensión de las propiedades del suelo en esta región. Con este fin, basado en las variables bioclimáticas globales y las transiciones de humedad superficial seca-húmeda y húmeda-seca, el estudio desarrolló una base de datos espectral-agua-calor (SWHD). Luego, el estudio incorporó esta base de datos y datos de fondo en algoritmos de aprendizaje automático (XGBoost, LightGBM y bosque aleatorio) para establecer modelos aplicables al área de estudio y trazar cambios espaciales en las propiedades clave del suelo. Nuestros hallazgos revelaron que el contenido de carbono orgánico era el más alto en pastizales, mientras que los matorrales tenían alta salinidad del suelo. El valor de pH indicó una alcalinidad general en el área de estudio. Además, las predicciones basadas en SWHD superaron a los conjuntos de datos de valor medio o máximo, siendo LightGBM el que mostró un rendimiento superior entre todos los modelos. Además, la precisión de validación obtenida a través de nuestro algoritmo óptimo fue significativamente mayor que la obtenida por otros productos, como la Base de Datos Mundial de Suelos Armonizada (HWSD) y SoilGrid250, probablemente debido a las limitaciones de estos conjuntos de datos, que pueden representar propiedades históricas del suelo en lugar de variaciones actuales en las propiedades del suelo en la región. El estudio también observó que los valores medios de COS y CE disminuyeron significativamente en comparación con los datos históricos, mientras que la disminución del pH fue menor pero no significativa. El modelado de ecuaciones estructurales y el análisis de importancia de variables revelaron que las variables con mayor influencia en el modelado de COS, CE y pH fueron BIO10, DTW2021_406-426_B3 (reflexión superficial adquirida en primavera) y el tipo de uso del suelo. Nuestro modelo mejorado desarrollado con base en el conjunto de datos SWHD ofrece evidencia científica importante y apoyo en la toma de decisiones para la gestión del uso del suelo y proporciona una base sólida para futuras investigaciones en este campo.
Descripción
El mapeo digital actual de las propiedades del suelo (carbono orgánico del suelo, COS; conductividad eléctrica, CE; y pH) se basa principalmente en el aprendizaje por transferencia, lo cual es inadecuado en términos de precisión para el área de la llanura norte de Xinjiang. Para abordar este problema, se requiere urgentemente establecer un nuevo modelo que pueda mejorar nuestra comprensión de las propiedades del suelo en esta región. Con este fin, basado en las variables bioclimáticas globales y las transiciones de humedad superficial seca-húmeda y húmeda-seca, el estudio desarrolló una base de datos espectral-agua-calor (SWHD). Luego, el estudio incorporó esta base de datos y datos de fondo en algoritmos de aprendizaje automático (XGBoost, LightGBM y bosque aleatorio) para establecer modelos aplicables al área de estudio y trazar cambios espaciales en las propiedades clave del suelo. Nuestros hallazgos revelaron que el contenido de carbono orgánico era el más alto en pastizales, mientras que los matorrales tenían alta salinidad del suelo. El valor de pH indicó una alcalinidad general en el área de estudio. Además, las predicciones basadas en SWHD superaron a los conjuntos de datos de valor medio o máximo, siendo LightGBM el que mostró un rendimiento superior entre todos los modelos. Además, la precisión de validación obtenida a través de nuestro algoritmo óptimo fue significativamente mayor que la obtenida por otros productos, como la Base de Datos Mundial de Suelos Armonizada (HWSD) y SoilGrid250, probablemente debido a las limitaciones de estos conjuntos de datos, que pueden representar propiedades históricas del suelo en lugar de variaciones actuales en las propiedades del suelo en la región. El estudio también observó que los valores medios de COS y CE disminuyeron significativamente en comparación con los datos históricos, mientras que la disminución del pH fue menor pero no significativa. El modelado de ecuaciones estructurales y el análisis de importancia de variables revelaron que las variables con mayor influencia en el modelado de COS, CE y pH fueron BIO10, DTW2021_406-426_B3 (reflexión superficial adquirida en primavera) y el tipo de uso del suelo. Nuestro modelo mejorado desarrollado con base en el conjunto de datos SWHD ofrece evidencia científica importante y apoyo en la toma de decisiones para la gestión del uso del suelo y proporciona una base sólida para futuras investigaciones en este campo.