Combinando sensores próximos y remotos en la predicción espacial de cinco micronutrientes y textura del suelo en un estudio de caso a escala de tierras de cultivo en el sureste de Brasil
Autores: Pierangeli, Luiza Maria Pereira; Silva, Sérgio Henrique Godinho; Teixeira, Anita Fernanda dos Santos; Mancini, Marcelo; Andrade, Renata; de Menezes, Michele Duarte; Marques, João José; Weindorf, David C.; Curi, Nilton
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Combinando sensores próximos y remotos en la predicción espacial de cinco micronutrientes y textura del suelo en un estudio de caso a escala de tierras de cultivo en el sureste de Brasil
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Sensores proximales
Datos detectados de forma remota
Textura del suelo
Micronutrientes
Fluorescencia de rayos X portátil
Susceptibilidad magnética.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
A pesar de la creciente adopción de sensores próximos en todo el mundo, raras obras han acoplado datos próximos con datos obtenidos de forma remota para predecir espacialmente las propiedades del suelo. Este estudio evaluó la contribución de datos próximos y datos obtenidos de forma remota para predecir la textura del suelo y los contenidos disponibles de micronutrientes utilizando espectrometría portátil de fluorescencia de rayos X (pXRF), susceptibilidad magnética (MS) y atributos del terreno (TA) a través del algoritmo de bosque aleatorio. Las muestras se recolectaron en Brasil de suelos con altos, moderados y bajos grados de meteorización (Oxisoles, Ultisoles, Inceptisoles, respectivamente), y se analizaron mediante pXRF y MS y para textura y micronutrientes disponibles. Diecisiete TA fueron generados a partir de un modelo digital de elevación de resolución espacial de 12.5 m. Las predicciones se realizaron a través de: (i) TA; (ii) TA + pXRF; (iii) TA + MS; (iv) TA + MS + pXRF; (v) MS + pXRF; y (vi) pXRF; y se validaron a través del error cuadrático medio (RMSE) y el coeficiente de determinación (R). Las mejores predicciones se lograron con: el conjunto de datos pXRF solo para Cu disponible (R^2 = 0.80) y contenido de arcilla (R = 0.67); el conjunto de datos MS + pXRF para Fe disponible (R = 0.68) y contenido de arena (R = 0.69); el conjunto de datos TA + pXRF + MS para Mn disponible (R = 0.87). Los datos de pXRF fueron clave para las mejores predicciones. Los mapas de propiedades del suelo creados a partir de estas predicciones apoyaron la adopción de prácticas sostenibles de manejo del suelo.
Descripción
A pesar de la creciente adopción de sensores próximos en todo el mundo, raras obras han acoplado datos próximos con datos obtenidos de forma remota para predecir espacialmente las propiedades del suelo. Este estudio evaluó la contribución de datos próximos y datos obtenidos de forma remota para predecir la textura del suelo y los contenidos disponibles de micronutrientes utilizando espectrometría portátil de fluorescencia de rayos X (pXRF), susceptibilidad magnética (MS) y atributos del terreno (TA) a través del algoritmo de bosque aleatorio. Las muestras se recolectaron en Brasil de suelos con altos, moderados y bajos grados de meteorización (Oxisoles, Ultisoles, Inceptisoles, respectivamente), y se analizaron mediante pXRF y MS y para textura y micronutrientes disponibles. Diecisiete TA fueron generados a partir de un modelo digital de elevación de resolución espacial de 12.5 m. Las predicciones se realizaron a través de: (i) TA; (ii) TA + pXRF; (iii) TA + MS; (iv) TA + MS + pXRF; (v) MS + pXRF; y (vi) pXRF; y se validaron a través del error cuadrático medio (RMSE) y el coeficiente de determinación (R). Las mejores predicciones se lograron con: el conjunto de datos pXRF solo para Cu disponible (R^2 = 0.80) y contenido de arcilla (R = 0.67); el conjunto de datos MS + pXRF para Fe disponible (R = 0.68) y contenido de arena (R = 0.69); el conjunto de datos TA + pXRF + MS para Mn disponible (R = 0.87). Los datos de pXRF fueron clave para las mejores predicciones. Los mapas de propiedades del suelo creados a partir de estas predicciones apoyaron la adopción de prácticas sostenibles de manejo del suelo.