Modelos de Aprendizaje Automático para la Predicción de Propiedades del Suelo en los Bosques Riparios
Autores: Zolfaghari Nia, Masoud; Moradi, Mostafa; Moradi, Gholamhosein; Taghizadeh-Mehrjardi, Ruhollah
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelos de Aprendizaje Automático para la Predicción de Propiedades del Suelo en los Bosques Riparios
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Variabilidad espacial
Propiedades del suelo
Modelos de mapeo digital del suelo
Márgenes ribereños
Modelos de aprendizaje automático
Datos auxiliares
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La variabilidad espacial de las propiedades del suelo es un factor crítico para la planificación, gestión y explotación de los recursos del suelo. Así, el uso de diferentes modelos de mapeo digital del suelo para proporcionar precisión juega un papel crucial en la elaboración de mapas de propiedades fisicoquímicas del suelo. La variabilidad espacial del suelo en los bosques no se conoce bien en Irán. Mientras tanto, los márgenes ribereños son importantes para varios servicios, como proporcionar alta calidad del agua, reciclaje de nutrientes y amortiguación de la producción agrícola. En consecuencia, en esta investigación, se tomaron 103 muestras de suelo utilizando el método hipercúbico latino en el bosque ribereño de Maroon en Behbahan y tierras agrícolas en las cercanías del bosque para evaluar la variabilidad espacial del nitrógeno del suelo, potasio, carbono orgánico, relación C:N, pH, carbonato de calcio, arena, limo, arcilla y densidad aparente. Se utilizaron diferentes modelos de aprendizaje automático, incluidos redes neuronales artificiales, bosque aleatorio, árbol de regresión cubista y vecino más cercano, para comparar la estimación de las propiedades del suelo. Además, se utilizaron tres fuentes principales de información espacial, incluidas imágenes de teledetección, modelo digital de elevación y parámetros climáticos como datos auxiliares. Nuestros resultados indicaron que el modelo de bosque aleatorio tiene los mejores resultados en la estimación del pH del suelo, nitrógeno, potasio y densidad aparente. En contraste, el árbol de regresión cubista indicó la mejor estimación para el carbono orgánico, la relación C:N, fósforo y arcilla. Además, las redes neuronales artificiales mostraron la mejor estimación para el contenido de carbonato de calcio, arena y limo. Nuestros resultados revelaron que la información geoespacial, como los parámetros del terreno, los parámetros climáticos y las imágenes satelitales, podría utilizarse bien como datos auxiliares para el mapeo espacial de las propiedades fisicoquímicas del suelo en bosques ribereños y tierras agrícolas. En conclusión, se necesita utilizar un modelo específico de aprendizaje automático para cada propiedad del suelo para proporcionar mapas altamente precisos con menos error.
Descripción
La variabilidad espacial de las propiedades del suelo es un factor crítico para la planificación, gestión y explotación de los recursos del suelo. Así, el uso de diferentes modelos de mapeo digital del suelo para proporcionar precisión juega un papel crucial en la elaboración de mapas de propiedades fisicoquímicas del suelo. La variabilidad espacial del suelo en los bosques no se conoce bien en Irán. Mientras tanto, los márgenes ribereños son importantes para varios servicios, como proporcionar alta calidad del agua, reciclaje de nutrientes y amortiguación de la producción agrícola. En consecuencia, en esta investigación, se tomaron 103 muestras de suelo utilizando el método hipercúbico latino en el bosque ribereño de Maroon en Behbahan y tierras agrícolas en las cercanías del bosque para evaluar la variabilidad espacial del nitrógeno del suelo, potasio, carbono orgánico, relación C:N, pH, carbonato de calcio, arena, limo, arcilla y densidad aparente. Se utilizaron diferentes modelos de aprendizaje automático, incluidos redes neuronales artificiales, bosque aleatorio, árbol de regresión cubista y vecino más cercano, para comparar la estimación de las propiedades del suelo. Además, se utilizaron tres fuentes principales de información espacial, incluidas imágenes de teledetección, modelo digital de elevación y parámetros climáticos como datos auxiliares. Nuestros resultados indicaron que el modelo de bosque aleatorio tiene los mejores resultados en la estimación del pH del suelo, nitrógeno, potasio y densidad aparente. En contraste, el árbol de regresión cubista indicó la mejor estimación para el carbono orgánico, la relación C:N, fósforo y arcilla. Además, las redes neuronales artificiales mostraron la mejor estimación para el contenido de carbonato de calcio, arena y limo. Nuestros resultados revelaron que la información geoespacial, como los parámetros del terreno, los parámetros climáticos y las imágenes satelitales, podría utilizarse bien como datos auxiliares para el mapeo espacial de las propiedades fisicoquímicas del suelo en bosques ribereños y tierras agrícolas. En conclusión, se necesita utilizar un modelo específico de aprendizaje automático para cada propiedad del suelo para proporcionar mapas altamente precisos con menos error.