Segmentación de suelos de acuerdo con sus características fisicoquímicas a través modelos de aprendizaje automático
Compartir en:
- Views
- Downloads
Date
2021Publicador
Fundación Universitaria Los Libertadores. Sede Bogotá.
Documentos PDF
Abstract
La segmentación de la calidad fisicoquímica del suelo permite establecer zonas que requieren manejos similares o zonas con vulnerabilidades en las que se deben enfocar estrategias para su conservación y/o recuperación; en este sentido, se tomaron 1139 muestras de suelos en predios en la zona rural de los municipios de Córdoba, Cuaspud, Iles, Ipiales y Potosí del departamento de Nariño a las que se les realizó análisis fisicoquímicos (contenidos de arenas, limos y arcillas, pH, conductividad eléctrica, contenido de materia orgánica, nitrógeno, fosforo intercambiable, azufre, calcio, magnesio, potasio, capacidad de intercambio catiónico efectiva, aluminio, hierro, manganeso, cobre, zinc, boro, saturación de aluminio, saturación de magnesio, saturación de potasio, saturación de calcio, relación calcio y magnesio, relación calcio y potasio, relación magnesio y potasio, relación calcio, magnesio y potasio); para establecer como se podrían segmentar estas muestras, inicialmente se realizó una correlación de Pearson para conocer relaciones lineales entre variables, para luego implementar un análisis de componentes principales (PCA); con esta información se aplicó varios modelos de aprendizaje no supervisado para determinar el número óptimo de clusters en los que segmentar la información; posteriormente, se decidió realizar un modelo supervisado, Random Forest (RF), teniendo en cuenta la información del PCA y de clusters, para determinar las variables originales con mayor importancia relativa en el agrupamiento de la información; finalmente se logró establecer las variables y los valores de estas que permitían el agrupamiento aplicando el modelo Decision Tree (DT); en este sentido, se logró establecer que la mejor forma de segmentar la información de las muestras de suelo es a través de tres clusters, y que las variables que mayor peso tienen en la generación de estos grupos son los contenidos de Arena y Limo, la relación Ca/Mg/K y la relación Ca/K, denotando diferencias principalmente entre suelos Franco arenosos y franco.