Examinando por Materia "redes neuronales"

Mostrando1 - 1 de 1
  • Miniatura
    Publicación
    Acceso abierto
    Desarrollo de funciones de edafotransferencia para suelos andinos neotropicales
    (Universidad del Tolima, 2020) Izquierdo Bautista, Jaime
    El contenido de agua en el suelo relaciona la capacidad de campo y el punto de marchitez permanente, fundamental para el riego en la agricultura, la disponibilidad del agua potable, la generación de energía, la industria y el comportamiento de los ecosistemas, entre otros. Para su determinación exacta hacen falta recursos humanos, técnicos y económicos. Por lo anterior, se han desarrollado funciones que pueden calcular los valores de retención de agua en el suelo, lo cual los hace mucho más económicos y permiten ahorrar tiempo. Sin embargo, no todas las funciones propuestas por diferentes investigadores son precisas para aplicar en todos los lugares. En esta investigación se escogieron 80 lugares entre los departamentos del Tolima y Quindío para la toma de muestras, a las cuales se les tomaron datos de campo como la ubicación y cobertura. Estas se llevaron al laboratorio donde se realizaron análisis de textura, densidad aparente, y puntos de retención de humedad a 0,3, 1, 5, 10 y 15 bar; también se les halló el contenido de materia orgánica. En cuanto a la evaluación de redes neuronales artificiales, árboles altamente aleatorizados (ET) e investigadores de funciones de edafotransferencia, estos se usaron para predecir el contenido de agua disponible para las plantas en el suelo (AW), el punto de marchitez permanente (WP), la capacidad de campo (FC) y la densidad aparente (BD) en suelos del Tolima y Quindío en Colombia. Para ello, se tomaron 175 muestras de suelo a diferentes profundidades en 80 puntos y, de este modo, generar funciones de edafotransferencia con las redes neuronales y la clasificación de las variables de mayor influencia con los árboles altamente aleatorizados. Con respecto a las funciones de edafotransferencia propuestas por Baumer, Rawls, Brakiensek, Hutson, British Soils, Manrique, Tomasella, Saxton, RETC y Rosetta, estas no arrojaron buenos resultados de predicción. Así, los R2 máximos alcanzados fueron de 0,18 —obtenidos por Baumer— al predecir BD. En la predicción de AW, FC y WP los R2 oscilaron entre 0,06 y 0,01. A su vez, el RMSE alcanzó valores de 0,40 y 0,04, donde se observó claramente que estos no reflejan bien la predicción para este tipo de suelos; además, utilizan la textura y la densidad aparente como variables para calcular el agua disponible en el suelo. En lo que concierne a las variables de entrada procedentes de los datos tomados en campo, laboratorio, como del modelo de elevación digital, se utilizaron las siguientes 12: latitud, elevación, pendiente, curvatura del terreno, drenaje acumulado, espesor del horizonte, profundidad al centroide, % de arenas, % de arcillas, carbono orgánico, cobertura y densidad aparente. En relación con las redes neuronales se seleccionaron las variables más relevantes por el método paso a paso. De esta forma, se escogieron aquellas de entrada de la red para la predicción de BD: latitud, carbono orgánico, altura, % de arenas, pendiente, % de arcillas y la cobertura. Para la predicción AW se eligieron las variables: elevación, latitud, densidad aparente, espesor del horizonte, carbono orgánico, cobertura y % de arenas. Para la predicción de la FC se seleccionaron la densidad aparente, la latitud, la pendiente, la altura y la cobertura. Para WP se eligieron la densidad aparente, la latitud, la elevación, la pendiente y el % de arcillas. En lo que respecta a las redes neuronales, los datos se dividieron en tres grupos: el 70 % para el entrenamiento, el 15 % para la validación y 15 % para la prueba final. Con relación a WP, el coeficiente de determinación (R2) varió entre 0,64 y 0,79, y la raíz del error cuadrático medio (RMSE) entre 0,17 y 0,23. En cuanto a FC el R2 estuvo entre 0,74 y 0,75, mientras que RMSE varió entre 0,18 y 0,20. En lo concerniente a AW el R2 osciló entre 0,75 y 0,84, y el RMSE se encontró entre 0,06 y 0,10. Por último, en BD el R2 estuvo entre 0,76 y 0,78, y el RMSE entre 0,11 y 0,19. En lo que respecta a los ET se utilizaron las mismas 12 variables seleccionadas previamente, se generaron 100 modelos y se escogió el de mejor rendimiento en R2 —tanto en validación como en calibración— al utilizarse la validación cruzada. En AW el R2 alcanzó los 0,94 en calibración y 0,56 en validación, al seleccionarse tres variables relevantes (la altura, la densidad aparente y la curvatura del terreno). Para FC el R2 fue de 0,94 en calibración y 0,60 en validación, donde dos variables (la densidad aparente y la latitud) fueron las más destacadas. En cuanto a WP, el R2 en calibración alcanzó el valor de 0,96 y en validación el 0,59 con tres variables principales (latitud, densidad aparente y altura). Finalmente, para BD en calibración el R2 fue de 0,98 y en validación 0,54, donde cuatro variables (carbono orgánico, % de arcillas, latitud y drenaje acumulado) fueron seleccionadas. Con relación a las redes neuronales, estas presentaron gran capacidad de predicción de las variables. Si bien, los ET no alcanzaron el mismo rendimiento que las redes neuronales, estos representan una alternativa para la predicción de AW, FC, WP y BD en los suelos del Tolima y el Quindío sobre la cordillera central. A su vez, las ecuaciones propuestas por investigadores de otras latitudes no ofrecen confiablidad en sus predicciones en cuanto al contenido de agua en el suelo y densidad aparente.