Predicción espacial de propiedades agroquímicas a escala de un solo campo utilizando métodos de aprendizaje automático basados en datos de teledetección
Autores: Sahabiev, Ilnas; Smirnova, Elena; Giniyatullin, Kamil
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Predicción espacial de propiedades agroquímicas a escala de un solo campo utilizando métodos de aprendizaje automático basados en datos de teledetección
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Propiedades agroquímicas
Mapas digitales
Métodos de aprendizaje automático
Datos de teledetección
Nitrógeno
Fósforo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Crear mapas digitales precisos de las propiedades agroquímicas de los suelos a escala de campo con un conjunto de datos limitado es un problema que ralentiza la introducción de la agricultura de precisión. El uso de métodos de aprendizaje automático basados en el uso de predictores directos e indirectos de cambios espaciales en las propiedades agroquímicas de los suelos es prometedor. Los indicadores espectrales de suelo abierto basados en datos de teledetección, así como las propiedades del suelo, se utilizaron para crear mapas digitales de las formas disponibles de nitrógeno, fósforo y potasio. Se demostró que los métodos de aprendizaje automático basados en vectores de soporte (SVMr) y bosques aleatorios (RF) utilizando datos de reflectancia espectral son igualmente precisos en la predicción espacial. Se obtuvo una predicción aceptable para nitrógeno disponible y potasio disponible; la variabilidad de fósforo disponible se modeló con menos precisión. El coeficiente de determinación (R) del mejor modelo para nitrógeno es R = 0.90 (Landsat 8 OLI) y R = 0.79 (Sentinel 2), para potasio-R = 0.82 (Landsat 8 OLI) y R = 0.77 (Sentinel 2), para fósforo-R = 0.68 (Landsat 8 OLI), R = 0.64 (Sentinel 2). Los modelos basados en datos de teledetección se refinaron cuando la materia orgánica del suelo (SOC) y las fracciones de textura (Limo, Arcilla) se incluyeron como predictores. Los modelos SVMr fueron los más precisos. Para Landsat 8 OLI, el modelo SVMr tiene un valor de R: nitrógeno-R = 0.95, potasio-R = 0.89 y fósforo-R = 0.65. Basado en Sentinel 2, nitrógeno-R = 0.92, potasio-R = 0.88, fósforo-R = 0.72. La predicción espacial del contenido de nitrógeno está influenciada por SOC, potasio por SOC y textura, fósforo por textura. La validación de los modelos finales se realizó en una muestra independiente de suelos de una zona de chernozem. Para nitrógeno basado en Landsat 8 OLI R = 0.88, para potasio R = 0.65, y para fósforo R = 0.31. Basado en Sentinel 2, para nitrógeno R = 0.85, para potasio R = 0.62, y para fósforo R = 0.71. La inclusión de SOC y textura en modelos de aprendizaje automático basados en teledetección permite mejorar la predicción espacial de la disponibilidad de nitrógeno, fósforo y potasio de los suelos en zonas de chernozem y potencialmente puede ser ampliamente utilizada para crear mapas agroquímicos digitales a escala de un solo campo.
Descripción
Crear mapas digitales precisos de las propiedades agroquímicas de los suelos a escala de campo con un conjunto de datos limitado es un problema que ralentiza la introducción de la agricultura de precisión. El uso de métodos de aprendizaje automático basados en el uso de predictores directos e indirectos de cambios espaciales en las propiedades agroquímicas de los suelos es prometedor. Los indicadores espectrales de suelo abierto basados en datos de teledetección, así como las propiedades del suelo, se utilizaron para crear mapas digitales de las formas disponibles de nitrógeno, fósforo y potasio. Se demostró que los métodos de aprendizaje automático basados en vectores de soporte (SVMr) y bosques aleatorios (RF) utilizando datos de reflectancia espectral son igualmente precisos en la predicción espacial. Se obtuvo una predicción aceptable para nitrógeno disponible y potasio disponible; la variabilidad de fósforo disponible se modeló con menos precisión. El coeficiente de determinación (R) del mejor modelo para nitrógeno es R = 0.90 (Landsat 8 OLI) y R = 0.79 (Sentinel 2), para potasio-R = 0.82 (Landsat 8 OLI) y R = 0.77 (Sentinel 2), para fósforo-R = 0.68 (Landsat 8 OLI), R = 0.64 (Sentinel 2). Los modelos basados en datos de teledetección se refinaron cuando la materia orgánica del suelo (SOC) y las fracciones de textura (Limo, Arcilla) se incluyeron como predictores. Los modelos SVMr fueron los más precisos. Para Landsat 8 OLI, el modelo SVMr tiene un valor de R: nitrógeno-R = 0.95, potasio-R = 0.89 y fósforo-R = 0.65. Basado en Sentinel 2, nitrógeno-R = 0.92, potasio-R = 0.88, fósforo-R = 0.72. La predicción espacial del contenido de nitrógeno está influenciada por SOC, potasio por SOC y textura, fósforo por textura. La validación de los modelos finales se realizó en una muestra independiente de suelos de una zona de chernozem. Para nitrógeno basado en Landsat 8 OLI R = 0.88, para potasio R = 0.65, y para fósforo R = 0.31. Basado en Sentinel 2, para nitrógeno R = 0.85, para potasio R = 0.62, y para fósforo R = 0.71. La inclusión de SOC y textura en modelos de aprendizaje automático basados en teledetección permite mejorar la predicción espacial de la disponibilidad de nitrógeno, fósforo y potasio de los suelos en zonas de chernozem y potencialmente puede ser ampliamente utilizada para crear mapas agroquímicos digitales a escala de un solo campo.