Aplicación de UAVs y Métodos de Aprendizaje Automático para Mapear y Evaluar la Salinidad en Campos Agrícolas en el Sur de Kazajistán
Autores: Mukhamediev, Ravil I.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Aplicación de UAVs y Métodos de Aprendizaje Automático para Mapear y Evaluar la Salinidad en Campos Agrícolas en el Sur de Kazajistán
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Salinización del suelo
Tierras cultivables
UAV
Cámara multiespectral
Modelos de aprendizaje automático
Conductividad eléctrica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La salinización del suelo es un factor negativo importante que reduce la fertilidad de las tierras de cultivo irrigadas. Los campos en el sur de Kazajistán están en alto riesgo de salinización debido al clima árido y seco. En algunos casos, incluso la capa superior del suelo tiene un grado significativo de salinización. El uso de un UAV equipado con una cámara multiespectral puede ayudar en la cartografía rápida y altamente detallada de la salinidad en las tierras de cultivo. Este artículo describe el proceso de preparación de los datos etiquetados para evaluar la salinidad de la capa superior del suelo y los resultados comparativos obtenidos gracias al uso de métodos de aprendizaje automático en dos distritos diferentes. Durante una expedición a los campos de la región de Turkestán en Kazajistán, se realizaron encuestas en los campos utilizando una cámara multiespectral montada en un UAV; simultáneamente, se recolectaron muestras de suelo. La conductividad eléctrica de las muestras de suelo se midió luego en condiciones de laboratorio, y se desarrolló un conjunto de programas para configurar modelos de aprendizaje automático y mapear los resultados obtenidos posteriormente. Un análisis comparativo de los resultados muestra que las condiciones locales tienen un impacto significativo en la calidad de los modelos en diferentes áreas de la región, lo que resulta en diferencias en la composición y significancia de los parámetros de entrada del modelo. Para los campos del distrito de Zhetisay, se logró el mejor resultado utilizando el modelo de regresión de aumento de gradiente extremo (coeficiente de correlación lineal Rp = 0.86, coeficiente de determinación R2 = 0.42, error absoluto medio MAE = 0.49, error cuadrático medio MSE = 0.63). Para los campos en el distrito de Shardara, los mejores resultados se lograron utilizando el modelo de máquinas de soporte vectorial (Rp = 0.82, R2 = 0.22, MAE = 0.41, MSE = 0.46). Este artículo presenta los resultados, discute las limitaciones de la tecnología desarrollada para la cartografía operativa de salinidad y esboza las tareas para futuras investigaciones.
Descripción
La salinización del suelo es un factor negativo importante que reduce la fertilidad de las tierras de cultivo irrigadas. Los campos en el sur de Kazajistán están en alto riesgo de salinización debido al clima árido y seco. En algunos casos, incluso la capa superior del suelo tiene un grado significativo de salinización. El uso de un UAV equipado con una cámara multiespectral puede ayudar en la cartografía rápida y altamente detallada de la salinidad en las tierras de cultivo. Este artículo describe el proceso de preparación de los datos etiquetados para evaluar la salinidad de la capa superior del suelo y los resultados comparativos obtenidos gracias al uso de métodos de aprendizaje automático en dos distritos diferentes. Durante una expedición a los campos de la región de Turkestán en Kazajistán, se realizaron encuestas en los campos utilizando una cámara multiespectral montada en un UAV; simultáneamente, se recolectaron muestras de suelo. La conductividad eléctrica de las muestras de suelo se midió luego en condiciones de laboratorio, y se desarrolló un conjunto de programas para configurar modelos de aprendizaje automático y mapear los resultados obtenidos posteriormente. Un análisis comparativo de los resultados muestra que las condiciones locales tienen un impacto significativo en la calidad de los modelos en diferentes áreas de la región, lo que resulta en diferencias en la composición y significancia de los parámetros de entrada del modelo. Para los campos del distrito de Zhetisay, se logró el mejor resultado utilizando el modelo de regresión de aumento de gradiente extremo (coeficiente de correlación lineal Rp = 0.86, coeficiente de determinación R2 = 0.42, error absoluto medio MAE = 0.49, error cuadrático medio MSE = 0.63). Para los campos en el distrito de Shardara, los mejores resultados se lograron utilizando el modelo de máquinas de soporte vectorial (Rp = 0.82, R2 = 0.22, MAE = 0.41, MSE = 0.46). Este artículo presenta los resultados, discute las limitaciones de la tecnología desarrollada para la cartografía operativa de salinidad y esboza las tareas para futuras investigaciones.