Combinando covariables digitales y modelos de aprendizaje automático para predecir la variación espacial de la capacidad de intercambio catiónico del suelo
Autores: Kaya, Fuat; Mishra, Gaurav; Francaviglia, Rosa; Keshavarzi, Ali
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Combinando covariables digitales y modelos de aprendizaje automático para predecir la variación espacial de la capacidad de intercambio catiónico del suelo
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Propiedad del suelo
Disponibilidad de nutrientes
Fertilizante aplicado
Mapeo digital del suelo
Algoritmos de aprendizaje automático
Covariables climáticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La capacidad de intercambio catiónico (CIC) es una propiedad del suelo que determina significativamente la disponibilidad de nutrientes y la efectividad de los fertilizantes aplicados en tierras bajo diferentes manejos. Se necesita información espacial precisa y de alta resolución sobre la CIC para la sostenibilidad del manejo agrícola en las granjas del estado de Nagaland (noreste de India), que están fragmentadas e interconectadas con el ecosistema forestal. El estudio actual aplicó la metodología de mapeo digital de suelos (MDS), basada en los valores de CIC determinados en muestras de suelo obtenidas de 305 puntos en la región, que es montañosa y de difícil acceso. En primer lugar, se obtuvieron datos auxiliares digitales de tres fuentes de acceso abierto, incluidos índices generados a partir de la serie temporal del satélite Landsat 8 OLI, variables topográficas derivadas de un modelo digital de elevación (MDE) y el conjunto de datos WorldClim. Además, los valores de CIC y los datos auxiliares se utilizaron para modelar la regresión Lasso (RL), el aumento de gradiente estocástico (GBM), la regresión de soporte vectorial (SVR), el bosque aleatorio (RF) y los algoritmos de aprendizaje automático (ML) de K-vecinos más cercanos (KNN), que se compararon sistemáticamente en el Programa R-Core. El rendimiento del modelo se evaluó con el error cuadrático medio (RMSE), el coeficiente de determinación (R2) y el error absoluto medio (MAE) de la validación cruzada de 10 pliegues (CV). El RMSE más bajo se obtuvo con el algoritmo RF con 4.12 cmolc kg-1, mientras que los demás estaban en el siguiente orden: SVR (4.27 cmolc kg-1) < KNN (4.45 cmolc kg-1) < RL (4.67 cmolc kg-1) < GBM (5.07 cmolc kg-1). En particular, las covariables climáticas basadas en WorldClim, como la temperatura media anual (BIO-1), la precipitación anual (BIO-12), la elevación y la radiación solar, fueron las variables más importantes en todos los algoritmos. Se han encontrado valores de alta incertidumbre (SD) en áreas con baja densidad de muestreo de suelo y este hallazgo debe ser considerado en futuras encuestas de suelo.
Descripción
La capacidad de intercambio catiónico (CIC) es una propiedad del suelo que determina significativamente la disponibilidad de nutrientes y la efectividad de los fertilizantes aplicados en tierras bajo diferentes manejos. Se necesita información espacial precisa y de alta resolución sobre la CIC para la sostenibilidad del manejo agrícola en las granjas del estado de Nagaland (noreste de India), que están fragmentadas e interconectadas con el ecosistema forestal. El estudio actual aplicó la metodología de mapeo digital de suelos (MDS), basada en los valores de CIC determinados en muestras de suelo obtenidas de 305 puntos en la región, que es montañosa y de difícil acceso. En primer lugar, se obtuvieron datos auxiliares digitales de tres fuentes de acceso abierto, incluidos índices generados a partir de la serie temporal del satélite Landsat 8 OLI, variables topográficas derivadas de un modelo digital de elevación (MDE) y el conjunto de datos WorldClim. Además, los valores de CIC y los datos auxiliares se utilizaron para modelar la regresión Lasso (RL), el aumento de gradiente estocástico (GBM), la regresión de soporte vectorial (SVR), el bosque aleatorio (RF) y los algoritmos de aprendizaje automático (ML) de K-vecinos más cercanos (KNN), que se compararon sistemáticamente en el Programa R-Core. El rendimiento del modelo se evaluó con el error cuadrático medio (RMSE), el coeficiente de determinación (R2) y el error absoluto medio (MAE) de la validación cruzada de 10 pliegues (CV). El RMSE más bajo se obtuvo con el algoritmo RF con 4.12 cmolc kg-1, mientras que los demás estaban en el siguiente orden: SVR (4.27 cmolc kg-1) < KNN (4.45 cmolc kg-1) < RL (4.67 cmolc kg-1) < GBM (5.07 cmolc kg-1). En particular, las covariables climáticas basadas en WorldClim, como la temperatura media anual (BIO-1), la precipitación anual (BIO-12), la elevación y la radiación solar, fueron las variables más importantes en todos los algoritmos. Se han encontrado valores de alta incertidumbre (SD) en áreas con baja densidad de muestreo de suelo y este hallazgo debe ser considerado en futuras encuestas de suelo.