Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia

Laura Isabel Arango Carvajal
{"title":"Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia","authors":"Laura Isabel Arango Carvajal","doi":"10.22490/21456453.6755","DOIUrl":null,"url":null,"abstract":"Contextualización: actualmente, el conocimiento de fenómenos naturales asociados a la preservación de los sistemas es de interés tanto para investigadores de las ciencias naturales, como para las autoridades ambientales encargadas de la toma de decisiones sobre el manejo de los recursos. En ese sentido, se ha venido trabajando en la interpretación y predicción de diferentes fenómenos físicos como la erosión, a fin de crear escenarios que permitan fortalecer los criterios de respuesta frente a la conservación del capital natural del suelo. Vacío de conocimiento: la capacidad de predecir el fenómeno de la erosión es limitada en muchas ocasiones, debido a la cantidad y variabilidad de los parámetros y variables que son relacionados a la erosión. Además, en muchos casos se requiere de un alto procesamiento computacional para lograr que se asocien entre sí. Propósito: se busca implementar un modelo de machine learning como herramienta alternativa para la modelación y predicción de la erosión. Metodología: en este estudio, se desarrolla una modelación a partir del entrenamiento del método no paramétrico Random Forest, mediante el aprendizaje supervisado, para predecir la ocurrencia de la erosión en la cuenca de Río Grande, considerando las variables que previamente han sido empleadas en otros métodos para modelar este fenómeno. Resultados y conclusiones: los resultados mostraron una capacidad para predecir la erosión en la cuenca con una precisión aproximada del 77%, por lo que este método puede ser aplicado para obtener predicciones rápidas y confiables. Además, se encontró que las variables empleadas en el modelo RUSLE explican mayoritariamente la ocurrencia, o no, de la erosión. Finalmente, se resalta la importancia de la variable “temperatura” introducida en el modelo.","PeriodicalId":508668,"journal":{"name":"Revista de Investigación Agraria y Ambiental","volume":"184 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-12-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista de Investigación Agraria y Ambiental","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.22490/21456453.6755","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Contextualización: actualmente, el conocimiento de fenómenos naturales asociados a la preservación de los sistemas es de interés tanto para investigadores de las ciencias naturales, como para las autoridades ambientales encargadas de la toma de decisiones sobre el manejo de los recursos. En ese sentido, se ha venido trabajando en la interpretación y predicción de diferentes fenómenos físicos como la erosión, a fin de crear escenarios que permitan fortalecer los criterios de respuesta frente a la conservación del capital natural del suelo. Vacío de conocimiento: la capacidad de predecir el fenómeno de la erosión es limitada en muchas ocasiones, debido a la cantidad y variabilidad de los parámetros y variables que son relacionados a la erosión. Además, en muchos casos se requiere de un alto procesamiento computacional para lograr que se asocien entre sí. Propósito: se busca implementar un modelo de machine learning como herramienta alternativa para la modelación y predicción de la erosión. Metodología: en este estudio, se desarrolla una modelación a partir del entrenamiento del método no paramétrico Random Forest, mediante el aprendizaje supervisado, para predecir la ocurrencia de la erosión en la cuenca de Río Grande, considerando las variables que previamente han sido empleadas en otros métodos para modelar este fenómeno. Resultados y conclusiones: los resultados mostraron una capacidad para predecir la erosión en la cuenca con una precisión aproximada del 77%, por lo que este método puede ser aplicado para obtener predicciones rápidas y confiables. Además, se encontró que las variables empleadas en el modelo RUSLE explican mayoritariamente la ocurrencia, o no, de la erosión. Finalmente, se resalta la importancia de la variable “temperatura” introducida en el modelo.
利用随机森林预测土壤侵蚀:安蒂奥基亚省格兰德河流域案例研究。
背景:目前,自然科学研究人员和负责资源管理决策的环境部门都对与系统保护相关的自然现象知识很感兴趣。从这个意义上讲,已经开展了对不同物理现象(如侵蚀)的解释和预测工作,以便创建情景,从而加强保护土壤自然资本的响应标准。知识差距:由于与侵蚀有关的参数和变量的数量和可变性,预测侵蚀现象的能力往往有限。此外,在许多情况下,需要进行高水平的计算处理才能将它们相互联系起来。目的:采用机器学习模型作为侵蚀建模和预测的替代工具。方法:在本研究中,基于非参数随机森林方法的训练,通过监督学习开发了一个模型,用于预测格兰德河流域侵蚀现象的发生,同时考虑到之前在其他方法中用于模拟这一现象的变量。结果和结论:结果表明,该方法能够预测该流域的侵蚀现象,准确率约为 77%,因此该方法可用于获得快速可靠的预测结果。此外,还发现 RUSLE 模型中使用的变量在很大程度上可以解释侵蚀的发生与否。最后,还强调了模型中引入的变量 "温度 "的重要性。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信