Probando la Aplicabilidad y Transferibilidad de Modelos Geoespaciales Basados en Datos para Predecir la Erosión del Suelo en Viñedos
Autores: Takáts, Tünde; Pásztor, László; Árvai, Mátyás; Albert, Gáspár; Mészáros, János
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Enfoques basados en la empiría
Ecuación universal de pérdida de suelo
Imágenes de teledetección
Técnicas de aprendizaje automático
Mapeo digital de suelos
Erosión del suelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
Los enfoques basados en la empiria, como la Ecuación Universal de Pérdida de Suelo (USLE), son apropiados para estimar el movimiento de masa atribuido a la erosión por surcos. La USLE y sus asociados se han vuelto ampliamente utilizados incluso en estudios espaciales extendidos a pesar de su concepto original a nivel de parcela, así como con ciertas limitaciones en el suministro de datos espaciales de entrada adecuados. Al mismo tiempo, hay una oportunidad y oferta en constante expansión para la aplicación de imágenes de teledetección (RS) junto con técnicas de aprendizaje automático (ML) para modelar y monitorear varios procesos ambientales aprovechando sus beneficios versátiles. El presente estudio se centró en la aplicabilidad de modelos geoespaciales basados en datos para predecir la erosión del suelo en tres viñedos en la Región Vitivinícola de Pannonia Superior, Europa Central, considerando la variación estacional en los factores influyentes. La pérdida de suelo fue modelada anteriormente por la USLE, proporcionando así conjuntos de datos de referencia no basados en observaciones para la calibración de modelos de predicción específicos de parcelas utilizando varios métodos de ML (Bosque Aleatorio, Aumento de Gradiente Extremo, Máquina de Soporte Regularizada con Núcleo Lineal), que es un enfoque bien establecido en el mapeo digital de suelos (DSM). Las predicciones utilizaron covariables espaciales exhaustivas, auxiliares y ambientales. Los datos de RS fueron representados por datos de imágenes satelitales multitemporales de Sentinel-2, que fueron complementados por (i) covariables topográficas derivadas de un modelo de superficie digital basado en UAV y (ii) mapas digitales de propiedades primarias del suelo. Además de cuantificar espacialmente la erosión del suelo, se probó la viabilidad de transferir los modelos inferidos entre viñedos cercanos con resultados ambiguos. Nuestros resultados indican que los modelos de ML pueden reemplazar de manera factible el modelo empírico USLE para la predicción de erosión. Sin embargo, se necesita más investigación para evaluar la transferibilidad del modelo incluso a parcelas cercanas.
Descripción
Los enfoques basados en la empiria, como la Ecuación Universal de Pérdida de Suelo (USLE), son apropiados para estimar el movimiento de masa atribuido a la erosión por surcos. La USLE y sus asociados se han vuelto ampliamente utilizados incluso en estudios espaciales extendidos a pesar de su concepto original a nivel de parcela, así como con ciertas limitaciones en el suministro de datos espaciales de entrada adecuados. Al mismo tiempo, hay una oportunidad y oferta en constante expansión para la aplicación de imágenes de teledetección (RS) junto con técnicas de aprendizaje automático (ML) para modelar y monitorear varios procesos ambientales aprovechando sus beneficios versátiles. El presente estudio se centró en la aplicabilidad de modelos geoespaciales basados en datos para predecir la erosión del suelo en tres viñedos en la Región Vitivinícola de Pannonia Superior, Europa Central, considerando la variación estacional en los factores influyentes. La pérdida de suelo fue modelada anteriormente por la USLE, proporcionando así conjuntos de datos de referencia no basados en observaciones para la calibración de modelos de predicción específicos de parcelas utilizando varios métodos de ML (Bosque Aleatorio, Aumento de Gradiente Extremo, Máquina de Soporte Regularizada con Núcleo Lineal), que es un enfoque bien establecido en el mapeo digital de suelos (DSM). Las predicciones utilizaron covariables espaciales exhaustivas, auxiliares y ambientales. Los datos de RS fueron representados por datos de imágenes satelitales multitemporales de Sentinel-2, que fueron complementados por (i) covariables topográficas derivadas de un modelo de superficie digital basado en UAV y (ii) mapas digitales de propiedades primarias del suelo. Además de cuantificar espacialmente la erosión del suelo, se probó la viabilidad de transferir los modelos inferidos entre viñedos cercanos con resultados ambiguos. Nuestros resultados indican que los modelos de ML pueden reemplazar de manera factible el modelo empírico USLE para la predicción de erosión. Sin embargo, se necesita más investigación para evaluar la transferibilidad del modelo incluso a parcelas cercanas.