Estimación de la sección control de humedad del suelo mediante Mapeo Digital de Suelo - DSM
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La Sección de Control de la Humedad del Suelo (SCHS) es un componente fundamental para comprender la dinámica hidrofísica del suelo y apoyar procesos de gestión y planificación territorial. El objetivo de este trabajo fue estimar la SCHS mediante técnicas de Mapeo Digital de Suelos (MDS) en la altillanura plana del departamento del Meta, Colombia. En el análisis se incorporaron como covariables parámetros morfométricos derivados del Modelo Digital de Elevación de 30 m, índices espectrales de vegetación obtenidos de imágenes Sentinel-2, variables de retrodispersión provenientes de imágenes SAR ALOS PALSAR (banda L), variables climáticas (precipitación y temperaturas máxima y mínima) y variables edafológicas (unidades cartográficas de suelo y stock de carbono orgánico). Se evaluaron modelos de aprendizaje automático Random Forest (RF), Máquinas de Vectores de Soporte (SVM), Extreme Gradient Boosting (XGBoost) y un esquema de ensamble RF–SVM, cuyo desempeño se analizó mediante el coeficiente de determinación (R²) y el error cuadrático medio (RMSE) en un conjunto de prueba independiente. Para el Límite Superior (Lim_sup), los RMSE_test fueron 6,73 (RF), 6,57 (SVM), 6,62 (XGBoost) y 7,03 (RF–SVM), con el mayor R²_test para SVM (0,24). En el Límite Inferior (Lim_inf), los RMSE_test fueron 21,17 (RF), 20,36 (SVM), 21,47 (XGBoost) y 21,30 (RF–SVM), donde SVM alcanzó el mayor R²_test (0,41). En conjunto, los resultados evidencian que SVM presentó el mejor desempeño predictivo en los conjuntos de prueba, mientras que los demás modelos mostraron comportamientos comparables. Estos hallazgos confirman la utilidad de las técnicas DSM basadas en aprendizaje automático para la estimación espacial de la SCHS en la altillanura plana del Meta. (Texto tomado de la fuente)
Abstract
The Soil Moisture Control Section (SMCS) is a fundamental component for understanding soil hydrophysical dynamics and supporting land management and planning processes. The objective of this work was to estimate the SMCS using Digital Soil Mapping (DSM) techniques in the flat high plains of the Meta Department, Colombia. The analysis incorporated as covariates morphometric parameters derived from the 30 m Digital Elevation Model, vegetation spectral indices obtained from Sentinel-2 images, backscatter variables from ALOS PALSAR SAR images (L-band), climatic variables (precipitation and maximum and minimum temperatures), and edaphological variables (soil mapping units and organic carbon stock). Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), and an RF-SVM ensemble machine learning model were evaluated. Their performance was analyzed using the coefficient of determination (R²) and root mean square error (RMSE) on an independent test set. For the upper limit (Lim_sup), the RMSE values were 6.73 (RF), 6.57 (SVM), 6.62 (XGBoost), and 7.03 (RF-SVM), with the highest R² value for SVM (0.24). For the lower limit (Lim_inf), the RMSE values were 21.17 (RF), 20.36 (SVM), 21.47 (XGBoost), and 21.30 (RF-SVM), with SVM achieving the highest R² value (0.41). Overall, the results show that SVM exhibited the best predictive performance in the test sets, while the other models showed comparable behavior. These findings confirm the usefulness of machine learning-based DSM techniques for the spatial estimation of the SCHS in the flat high plains of Meta.
Descripción
ilustraciones a color, diagramas, mapas, tablas