Enfoque de Red Neuronal Artificial para Mapear Prácticas de Labranza Contrastantes
Autores: Sudheer, K. P.; Gowda, Prasanna; Chaubey, Indrajeet; Howell, Terry
Idioma: Inglés
Editor: Molecular Diversity Preservation International
Año: 2010
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencia y tecnología de los recursos naturales
Palabras clave
Cultivo
Teledetección
Red neuronal artificial
Precisión de clasificación
Landsat TM
Prácticas contrastantes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La información sobre labranza es crucial para la modelización ambiental, ya que afecta directamente la evapotranspiración, la infiltración, el escurrimiento, la captura de carbono y las pérdidas de suelo debido a la erosión por viento y agua en los campos agrícolas. Sin embargo, recopilar esta información puede ser costoso y llevar mucho tiempo. Los enfoques de teledetección son prometedores para la recopilación rápida de información sobre labranza en campos individuales en grandes áreas. Existen numerosos modelos basados en regresión disponibles para derivar información sobre labranza a partir de datos de teledetección. Sin embargo, estos modelos requieren información sobre la compleja naturaleza de las características y procesos de la cuenca subyacente. A diferencia de los modelos basados en regresión, las Redes Neuronales Artificiales (ANN) ofrecen una alternativa eficiente para mapear relaciones no lineales complejas entre conjuntos de datos de entrada y salida sin requerir un conocimiento detallado de las relaciones físicas subyacentes. Actualmente, existe información limitada o nula que cuantifique la capacidad de los modelos ANN para identificar prácticas de labranza contrastantes a partir de datos de teledetección. En este estudio, se desarrolló un conjunto de modelos ANN basados en Landsat TM para identificar prácticas de labranza contrastantes en las Llanuras Altas de Texas. Se utilizaron datos de labranza observados de los condados de Moore y Ochiltree para desarrollar y evaluar los modelos, respectivamente. La precisión general de clasificación para los 15 modelos desarrollados con el conjunto de datos del condado de Moore varió del 74% al 91%. La evaluación estadística de estos modelos contra el conjunto de datos del condado de Ochiltree produjo resultados con una precisión general de clasificación que varió del 66% al 80%. Los modelos ANN basados en la banda 5 de TM o índices de la banda 5 de TM pueden proporcionar información sobre labranza consistente y precisa cuando se aplican a las Llanuras Altas de Texas.
Descripción
La información sobre labranza es crucial para la modelización ambiental, ya que afecta directamente la evapotranspiración, la infiltración, el escurrimiento, la captura de carbono y las pérdidas de suelo debido a la erosión por viento y agua en los campos agrícolas. Sin embargo, recopilar esta información puede ser costoso y llevar mucho tiempo. Los enfoques de teledetección son prometedores para la recopilación rápida de información sobre labranza en campos individuales en grandes áreas. Existen numerosos modelos basados en regresión disponibles para derivar información sobre labranza a partir de datos de teledetección. Sin embargo, estos modelos requieren información sobre la compleja naturaleza de las características y procesos de la cuenca subyacente. A diferencia de los modelos basados en regresión, las Redes Neuronales Artificiales (ANN) ofrecen una alternativa eficiente para mapear relaciones no lineales complejas entre conjuntos de datos de entrada y salida sin requerir un conocimiento detallado de las relaciones físicas subyacentes. Actualmente, existe información limitada o nula que cuantifique la capacidad de los modelos ANN para identificar prácticas de labranza contrastantes a partir de datos de teledetección. En este estudio, se desarrolló un conjunto de modelos ANN basados en Landsat TM para identificar prácticas de labranza contrastantes en las Llanuras Altas de Texas. Se utilizaron datos de labranza observados de los condados de Moore y Ochiltree para desarrollar y evaluar los modelos, respectivamente. La precisión general de clasificación para los 15 modelos desarrollados con el conjunto de datos del condado de Moore varió del 74% al 91%. La evaluación estadística de estos modelos contra el conjunto de datos del condado de Ochiltree produjo resultados con una precisión general de clasificación que varió del 66% al 80%. Los modelos ANN basados en la banda 5 de TM o índices de la banda 5 de TM pueden proporcionar información sobre labranza consistente y precisa cuando se aplican a las Llanuras Altas de Texas.