logo móvil
Contáctanos

Análisis comparativo de modelos de aprendizaje automático para la estimación de la humedad del suelo a partir de datos de teledetección de alta resolución

Autores:

Idioma: Inglés

Editor: Christine Fürst

Año: 2024

Ver Artículo OA

Acceso abierto

Artículo OA


Categoría

Ciencias Medioambientales

Subcategoría

Ciencia y tecnología de los recursos naturales

Palabras clave

Aprendizaje automático tradicional
Aprendizaje profundo
Apilamiento
Humedad del suelo
Sentinel-1
Sentinel-2

Licencia

CC BY – Atribución

Consultas: 2

Citaciones: Mapeo y analisis digital de suelos con IA y drones


Descripción

Este estudio evalúa y compara sistemáticamente el rendimiento de modelos de aprendizaje automático y aprendizaje profundo para estimar la humedad del suelo a 5 cm de profundidad, integrando datos espectrales de Sentinel-2, señales de radar SAR de Sentinel-1 y variables topográficas (NASADEM) junto con codificaciones espacio-temporales Para llevar a cabo la investigación, se evaluaron cuatro algoritmos basados en árboles (Random Forest, XGBoost, LightGBM y CatBoost), tres redes profundas (DNN, CNN y GRU) y cuatro arquitecturas de fusión tipo Stacking, validando los modelos con datos de 34 estaciones in situ en la cuenca del río ShanDian en China. Los resultados mostraron que los modelos de árboles superaron a las redes profundas, destacando LightGBM como el mejor algoritmo individual (R2=0.858). Además, el modelo Stacking compuesto por métodos de boosting (SABM) obtuvo la mayor precisión (R2=0.861, RMSE=0.025cm3/cm3), demostrando la gran eficacia de la combinación entre sensores multiespectrales, radar y ensamble de algoritmos para el monitoreo agrícola e hidrológico.

Otros recursos que podrían interesarte

    Temas Virtualpro