Segmentación de suelos de acuerdo con sus características fisicoquímicas a través modelos de aprendizaje automático
| dc.contributor.advisor | González Veloza, José John Fredy | |
| dc.contributor.author | Ortiz Rios, Juan Carlos | |
| dc.creator.email | jcortizr01@libertadores.edu.co | spa |
| dc.date.accessioned | 2022-08-23T18:53:43Z | |
| dc.date.available | 2022-08-23T18:53:43Z | |
| dc.date.created | 2021 | |
| dc.description | 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. | spa |
| dc.description.abstract | The segmentation of the physicochemical quality of the soil makes it possible to establish areas that require similar management or areas with vulnerabilities in which strategies for their conservation and/or recovery should be focused; In this sense, 1139 soil samples were taken from properties in the rural area of the municipalities of Córdoba, Cuaspud, Iles, Ipiales and Potosí in the department of Nariño, on which physicochemical analyzes were carried out (contents of sand, silt and clay, pH, electrical conductivity, organic matter content, nitrogen, exchangeable phosphorus, sulfur, calcium, magnesium, potassium, effective cation exchange capacity, aluminum, iron, manganese, copper, zinc, boron, aluminum saturation, magnesium saturation, saturation potassium, calcium saturation, calcium and magnesium ratio, calcium and potassium ratio, magnesium and potassium ratio, calcium, magnesium and potassium ratio); To establish how these samples could be segmented, a Pearson correlation was initially performed to determine linear relationships between variables, and then a principal component analysis (PCA) was implemented; With this information, several unsupervised learning models were applied to determine the optimal number of clusters in which to segment the information; subsequently, it was decided to carry out a supervised model, Random Forest (RF), taking into account the information from the PCA and clusters, to determine the original variables with greater relative importance in the grouping of information; finally, it was possible to establish the variables and their values that allowed the grouping by applying the Decision Tree (DT) model; In this sense, it was possible to establish that the best way to segment the information of the soil samples is through three clusters, and that the variables that have the greatest weight in the generation of these groups are the contents of Sand and Silt, the Ca/Mg/K ratio and the Ca/K ratio, denoting differences mainly between sandy loam and loam soils. | spa |
| dc.format | spa | |
| dc.identifier.uri | http://hdl.handle.net/11371/4976 | |
| dc.language.iso | spa | spa |
| dc.publisher | Fundación Universitaria Los Libertadores. Sede Bogotá. | spa |
| dc.rights.acceso | Abierto (Texto Completo) | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.subject.lemb | Aptitud de aprendizaje | spa |
| dc.subject.lemb | Machine learning | spa |
| dc.subject.lemb | Suelos - Composición | spa |
| dc.subject.lemb | Bioquímica de suelos | spa |
| dc.subject.proposal | Aprendizaje no supervisado | spa |
| dc.subject.proposal | Calidad del suelo | spa |
| dc.subject.proposal | Análisis multivariado | spa |
| dc.subject.proposal | Aprendizaje supervisado | spa |
| dc.subject.subjectenglish | Unsupervised learning | spa |
| dc.subject.subjectenglish | Soil quality | spa |
| dc.subject.subjectenglish | Multivariate analysis | spa |
| dc.subject.subjectenglish | Supervised learning | spa |
| dc.title | Segmentación de suelos de acuerdo con sus características fisicoquímicas a través modelos de aprendizaje automático | spa |
| dc.type | info:eu-repo/semantics/bachelorThesis | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Ortiz_Rios_Juan_Carlos_2021.pdf
- Tamaño:
- 1001.14 KB
- Formato:
- Adobe Portable Document Format
- Descripción: