Resumen

Las redes neuronales artificiales para la estimación de la curva de retención de agua del suelo se han desarrollado teniendo en cuenta datos medidos y requieren una gran cantidad de muestras de suelo, ya que sólo se pueden utilizar los datos de la curva de retención obtenidos para un mismo conjunto de potenciales mátricos. Para evitar este inconveniente, presentamos dos modelos de RNA que probaron el rendimiento de las RNA entrenadas con datos de contenido de agua ajustados. Estos modelos se compararon con un nuevo enfoque reciente de RNA para predecir la curva de retención de agua, las funciones de pedotransferencia pseudocontinuas (PTF), que también es un intento de tratar con datos limitados. Además, se llevó a cabo un análisis de sensibilidad para verificar la influencia de cada parámetro de entrada en cada salida. Los resultados mostraron que las RNA ajustadas proporcionaron índices estadísticos similares en la predicción del contenido de agua a los obtenidos por el método pseudocontinuo. El análisis de sensibilidad reveló que la densidad aparente y la porosidad son los parámetros más importantes para predecir los contenidos de agua en régimen húmedo, mientras que los contenidos de arena y arcilla son más significativos en condiciones más secas. El análisis de sensibilidad para el método pseudocontinuo demostró que el logaritmo natural del potencial mátrico se convirtió en el parámetro más importante, y las influencias de todos los demás insumos se redujeron hasta no ser relevantes, excepto la densidad aparente.

• Materias:Análisis de suelos Composición de suelos Metales Sodio nitrógeno líquido Biosólidos
• Subjects:Soil testing Soils composition Metals Sodium liquid nitrogen Biosolids
• Palabras claves:análisis de sensibilidad, curva de retención de agua, potencial mátrico, métodos pseudocontinuos, densidad aparente, parámetros importantes, rendimiento de los anns, cantidad de suelo, nuevo enfoque ann, red neuronal artificial
• Keywords:sensitivity analysis, water retention curve, matric potential, pseudocontinuous methods, bulk density, important parameters, performance of anns, quantity of soil, new ann approach, artificial neural network