Predicción del Carbono Orgánico del Suelo Superficial en Tierras de Cultivo Kársticas Basada en Datos de Teledetección Multi-Temporales y Método de Ensamble por Apilamiento
Autores: Li, Kaiping; Li, Yuan; Wu, Wenxian; Yang, Leping
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Predicción
Carbono orgánico del suelo
Tierras de cultivo
Mapeo digital del suelo
Teledetección
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La predicción precisa del carbono orgánico del suelo (COS) en tierras de cultivo es importante para la producción de alimentos, la gestión sostenible del suelo y la captura de carbono. Aunque la cartografía digital del suelo (CDS) se ha utilizado ampliamente en la predicción del COS, la mayoría de los estudios actuales de CDS utilizan solo una única imagen de teledetección y un único enfoque de aprendizaje automático (AM), y pocos estudios aplican imágenes de teledetección multitemporales y métodos de ensamblaje. Este estudio explora la precisión de la predicción del COS superficial en tierras de cultivo al comparar la teledetección multitemporal de Sentinel-2A con bosque aleatorio (BA), máquina de soporte vectorial (MSV), árboles de decisión potenciados por gradiente (ADPG), árboles de decisión potenciados por gradiente extremo (XGBoost) y un método de ensamblaje por apilamiento que consiste en estos cuatro enfoques de AM. Se discute el potencial de los datos de teledetección multitemporales y el método de ensamblaje por apilamiento para la predicción del COS. Para ello, se seleccionaron 76 puntos de muestreo en el área de estudio, se recolectaron muestras de suelo a profundidades de 0-10 cm y 10-20 cm para cada perfil de suelo, y se obtuvieron un total de 152 muestras de suelo. Se utilizaron variables de teledetección extraídas de la topografía, el clima y las imágenes de Sentinel-2A del 13 de enero y el 31 de agosto de 2023 como variables predictoras. Los resultados mostraron que el método de ensamblaje por apilamiento con variables predictoras multitemporales superó a todos los modelos individuales y combinaciones de variables. Sin embargo, la precisión predictiva general se mantuvo moderada, con el mejor rendimiento para 0-10 cm (R2 = 0.386, RMSE = 4.782, MAE = 3.36) y 10-20 cm (R2 = 0.425, RMSE = 4.484, MAE = 4.031). Los valores de R2 relativamente bajos, a pesar del uso de métodos avanzados, destacan los desafíos inherentes a la predicción del COS en tierras de cultivo kársticas altamente fragmentadas. Este estudio demuestra el beneficio incremental, en lugar de una alta precisión universal, de combinar imágenes multitemporales de Sentinel-2 con un ensamblaje por apilamiento para mejorar el mapeo del COS en tales entornos complejos.
Descripción
La predicción precisa del carbono orgánico del suelo (COS) en tierras de cultivo es importante para la producción de alimentos, la gestión sostenible del suelo y la captura de carbono. Aunque la cartografía digital del suelo (CDS) se ha utilizado ampliamente en la predicción del COS, la mayoría de los estudios actuales de CDS utilizan solo una única imagen de teledetección y un único enfoque de aprendizaje automático (AM), y pocos estudios aplican imágenes de teledetección multitemporales y métodos de ensamblaje. Este estudio explora la precisión de la predicción del COS superficial en tierras de cultivo al comparar la teledetección multitemporal de Sentinel-2A con bosque aleatorio (BA), máquina de soporte vectorial (MSV), árboles de decisión potenciados por gradiente (ADPG), árboles de decisión potenciados por gradiente extremo (XGBoost) y un método de ensamblaje por apilamiento que consiste en estos cuatro enfoques de AM. Se discute el potencial de los datos de teledetección multitemporales y el método de ensamblaje por apilamiento para la predicción del COS. Para ello, se seleccionaron 76 puntos de muestreo en el área de estudio, se recolectaron muestras de suelo a profundidades de 0-10 cm y 10-20 cm para cada perfil de suelo, y se obtuvieron un total de 152 muestras de suelo. Se utilizaron variables de teledetección extraídas de la topografía, el clima y las imágenes de Sentinel-2A del 13 de enero y el 31 de agosto de 2023 como variables predictoras. Los resultados mostraron que el método de ensamblaje por apilamiento con variables predictoras multitemporales superó a todos los modelos individuales y combinaciones de variables. Sin embargo, la precisión predictiva general se mantuvo moderada, con el mejor rendimiento para 0-10 cm (R2 = 0.386, RMSE = 4.782, MAE = 3.36) y 10-20 cm (R2 = 0.425, RMSE = 4.484, MAE = 4.031). Los valores de R2 relativamente bajos, a pesar del uso de métodos avanzados, destacan los desafíos inherentes a la predicción del COS en tierras de cultivo kársticas altamente fragmentadas. Este estudio demuestra el beneficio incremental, en lugar de una alta precisión universal, de combinar imágenes multitemporales de Sentinel-2 con un ensamblaje por apilamiento para mejorar el mapeo del COS en tales entornos complejos.