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
Acceso abierto
Categoría
Subcategoría
Palabras clave
Licencia
Consultas: 2
Citaciones: Mapeo y analisis digital de suelos con IA y drones
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.
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.