Mapeo de alta resolución y evaluación de la afectación por salinidad en tierras de cultivo mediante la combinación de aprendizaje conjunto y geoestadística multivariada
Autores: Hateffard, Fatemeh; Balog, Kitti; Tóth, Tibor; Mészáros, János; Árvai, Mátyás; Kovács, Zsófia Adrienn; Szcs-Vásárhelyi, Nóra; Koós, Sándor; László, Péter; Novák, Tibor József; Pásztor, László; Szatmári, Gábor
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Mapeo de alta resolución y evaluación de la afectación por salinidad en tierras de cultivo mediante la combinación de aprendizaje conjunto y geoestadística multivariada
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Salinización del suelo
Impactos
Mapeo
Afectación por sal
Aprendizaje automático
Geoestadística
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
La salinización del suelo es una de las principales amenazas para los suelos en todo el mundo, lo que tiene serios impactos en las funciones del suelo. Nuestro objetivo fue mapear y evaluar la afectación por sales en tierras de cultivo (0,85 km) en Hungría, con alta resolución espacial, utilizando una combinación de aprendizaje automático de conjunto y geoestadística multivariada en tres indicadores de suelo afectados por sales (es decir, alcalinidad, conductividad eléctrica y relación de adsorción de sodio (= 85 muestras de suelo)). El modelado de conjunto con cinco aprendices base (es decir, bosque aleatorio, aumento extremo del gradiente, máquina de vectores de soporte, red neuronal y modelo lineal generalizado) se llevó a cabo y los resultados mostraron que el modelado de conjunto superó a los aprendices base para la alcalinidad y la relación de adsorción de sodio con valores de R de 0,43 y 0,96, respectivamente, mientras que solo la predicción del bosque aleatorio fue aceptable para la conductividad eléctrica. Se realizó geoestadística multivariada en los residuos estocásticos derivados del modelado de aprendizaje automático, ya que podríamos asumir razonablemente que existe interdependencia espacial entre los indicadores de suelo afectados por sales seleccionados. Utilizamos validación cruzada de 10 pliegues para verificar el rendimiento de las predicciones espaciales y las cuantificaciones de incertidumbre, que proporcionaron resultados aceptables para cada indicador de suelo afectado por sales seleccionado (para el valor de pH, la conductividad eléctrica y la relación de adsorción de sodio, los valores de error cuadrático medio fueron 0,11, 0,86 y 0,22, respectivamente). Nuestros resultados mostraron que la metodología aplicada en este estudio es eficiente para mapear y evaluar la afectación por sales en tierras de cultivo con alta resolución espacial. Un mapa de probabilidad para la relación de adsorción de sodio representa suelos sódicos que superan un valor umbral de 13, donde es más probable que tengan problemas de deterioro de la estructura del suelo y de infiltración de agua. Este mapa puede ayudar al usuario de la tierra a seleccionar la operación agrotecnológica adecuada para mejorar la calidad del suelo y el rendimiento.
Descripción
La salinización del suelo es una de las principales amenazas para los suelos en todo el mundo, lo que tiene serios impactos en las funciones del suelo. Nuestro objetivo fue mapear y evaluar la afectación por sales en tierras de cultivo (0,85 km) en Hungría, con alta resolución espacial, utilizando una combinación de aprendizaje automático de conjunto y geoestadística multivariada en tres indicadores de suelo afectados por sales (es decir, alcalinidad, conductividad eléctrica y relación de adsorción de sodio (= 85 muestras de suelo)). El modelado de conjunto con cinco aprendices base (es decir, bosque aleatorio, aumento extremo del gradiente, máquina de vectores de soporte, red neuronal y modelo lineal generalizado) se llevó a cabo y los resultados mostraron que el modelado de conjunto superó a los aprendices base para la alcalinidad y la relación de adsorción de sodio con valores de R de 0,43 y 0,96, respectivamente, mientras que solo la predicción del bosque aleatorio fue aceptable para la conductividad eléctrica. Se realizó geoestadística multivariada en los residuos estocásticos derivados del modelado de aprendizaje automático, ya que podríamos asumir razonablemente que existe interdependencia espacial entre los indicadores de suelo afectados por sales seleccionados. Utilizamos validación cruzada de 10 pliegues para verificar el rendimiento de las predicciones espaciales y las cuantificaciones de incertidumbre, que proporcionaron resultados aceptables para cada indicador de suelo afectado por sales seleccionado (para el valor de pH, la conductividad eléctrica y la relación de adsorción de sodio, los valores de error cuadrático medio fueron 0,11, 0,86 y 0,22, respectivamente). Nuestros resultados mostraron que la metodología aplicada en este estudio es eficiente para mapear y evaluar la afectación por sales en tierras de cultivo con alta resolución espacial. Un mapa de probabilidad para la relación de adsorción de sodio representa suelos sódicos que superan un valor umbral de 13, donde es más probable que tengan problemas de deterioro de la estructura del suelo y de infiltración de agua. Este mapa puede ayudar al usuario de la tierra a seleccionar la operación agrotecnológica adecuada para mejorar la calidad del suelo y el rendimiento.