Mapeo del Almacén de Carbono Orgánico del Suelo y las Incertidumbres en un Valle Alpino (Norte de Italia) Utilizando Modelos de Aprendizaje Automático
Autores: Agaba, Sara; Ferré, Chiara; Musetti, Marco; Comolli, Roberto
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mapeo del Almacén de Carbono Orgánico del Suelo y las Incertidumbres en un Valle Alpino (Norte de Italia) Utilizando Modelos de Aprendizaje Automático
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Stock de carbono orgánico del suelo
Distribución espacial
Mapeo digital del suelo
Modelos de aprendizaje automático
Covariables ambientales
Evaluación de la incertidumbre
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En este estudio, realizamos un análisis exhaustivo de la distribución espacial del stock de carbono orgánico del suelo (stock de SOC) y las incertidumbres asociadas en dos capas de suelo (0-10 cm y 0-30 cm; stock de SOC 10 y stock de SOC 30, respectivamente), en Valchiavenna, un valle alpino ubicado en el norte de Italia (450 km2). Empleamos el enfoque de mapeo digital del suelo (DSM) dentro de diferentes modelos de aprendizaje automático, incluyendo splines de regresión adaptativa multivariante (MARS), bosque aleatorio (RF), regresión de vectores de soporte (SVR) y red elástica (ENET). Nuestro conjunto de datos comprendía datos de suelo de 110 perfiles, con cálculos de stock de SOC para todos los puntos de muestreo basados en la densidad aparente (BD), ya sea medida o estimada, considerando la presencia de fragmentos de roca. Como covariables ambientales para nuestra investigación, utilizamos variables ambientales, en particular, parámetros geomorfológicos derivados de un modelo digital de elevación (con una resolución de píxel de 20 m), datos de uso del suelo y mapas climáticos. Para evaluar la efectividad de nuestros modelos, evaluamos su capacidad para predecir el stock de SOC 10 y el stock de SOC 30 utilizando el coeficiente de determinación (R2). Los resultados para el stock de SOC 10 fueron los siguientes: MARS 0.39, ENET 0.41, RF 0.69 y SVR 0.50. Para el stock de SOC 30, los valores correspondientes de R2 fueron: MARS 0.45, ENET 0.48, RF 0.65 y SVR 0.62. Además, calculamos el error cuadrático medio (RMSE), el error absoluto medio (MAE), el sesgo y el coeficiente de correlación de concordancia de Lin (LCCC) para una evaluación adicional. Para mapear la distribución espacial del stock de SOC y abordar las incertidumbres en ambas capas de suelo, elegimos el modelo RF, debido a su mejor rendimiento, como lo indica el R2 más alto y el RMSE y MAE más bajos. Los mapas de stock de SOC resultantes utilizando el modelo RF demostraron una precisión de RMSE = 1.35 kg m-2 para el stock de SOC 10 y RMSE = 3.36 kg m-2 para el stock de SOC 30. Para evaluar e ilustrar aún más la precisión de nuestros mapas de suelo, realizamos una evaluación de incertidumbre y mapeo analizando la desviación estándar (SD) de 50 iteraciones del modelo RF de mejor rendimiento. Este análisis destacó efectivamente la alta precisión lograda en nuestros mapas de suelo. Los mapas de incertidumbre demostraron que el modelo RF predice mejor el stock de SOC 10 en comparación con el stock de SOC 30. Predecir los rangos correctos de los stocks de SOC se identificó como la principal limitación de la metodología.
Descripción
En este estudio, realizamos un análisis exhaustivo de la distribución espacial del stock de carbono orgánico del suelo (stock de SOC) y las incertidumbres asociadas en dos capas de suelo (0-10 cm y 0-30 cm; stock de SOC 10 y stock de SOC 30, respectivamente), en Valchiavenna, un valle alpino ubicado en el norte de Italia (450 km2). Empleamos el enfoque de mapeo digital del suelo (DSM) dentro de diferentes modelos de aprendizaje automático, incluyendo splines de regresión adaptativa multivariante (MARS), bosque aleatorio (RF), regresión de vectores de soporte (SVR) y red elástica (ENET). Nuestro conjunto de datos comprendía datos de suelo de 110 perfiles, con cálculos de stock de SOC para todos los puntos de muestreo basados en la densidad aparente (BD), ya sea medida o estimada, considerando la presencia de fragmentos de roca. Como covariables ambientales para nuestra investigación, utilizamos variables ambientales, en particular, parámetros geomorfológicos derivados de un modelo digital de elevación (con una resolución de píxel de 20 m), datos de uso del suelo y mapas climáticos. Para evaluar la efectividad de nuestros modelos, evaluamos su capacidad para predecir el stock de SOC 10 y el stock de SOC 30 utilizando el coeficiente de determinación (R2). Los resultados para el stock de SOC 10 fueron los siguientes: MARS 0.39, ENET 0.41, RF 0.69 y SVR 0.50. Para el stock de SOC 30, los valores correspondientes de R2 fueron: MARS 0.45, ENET 0.48, RF 0.65 y SVR 0.62. Además, calculamos el error cuadrático medio (RMSE), el error absoluto medio (MAE), el sesgo y el coeficiente de correlación de concordancia de Lin (LCCC) para una evaluación adicional. Para mapear la distribución espacial del stock de SOC y abordar las incertidumbres en ambas capas de suelo, elegimos el modelo RF, debido a su mejor rendimiento, como lo indica el R2 más alto y el RMSE y MAE más bajos. Los mapas de stock de SOC resultantes utilizando el modelo RF demostraron una precisión de RMSE = 1.35 kg m-2 para el stock de SOC 10 y RMSE = 3.36 kg m-2 para el stock de SOC 30. Para evaluar e ilustrar aún más la precisión de nuestros mapas de suelo, realizamos una evaluación de incertidumbre y mapeo analizando la desviación estándar (SD) de 50 iteraciones del modelo RF de mejor rendimiento. Este análisis destacó efectivamente la alta precisión lograda en nuestros mapas de suelo. Los mapas de incertidumbre demostraron que el modelo RF predice mejor el stock de SOC 10 en comparación con el stock de SOC 30. Predecir los rangos correctos de los stocks de SOC se identificó como la principal limitación de la metodología.