Método basado en el aprendizaje automático para la medición in situ de CH4 de alta frecuencia en campos de arroz...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencias Agrícolas
• Química de la atmósfera

Sus antecedentes:

• El monitoreo preciso y de alta frecuencia de las emisiones de metano (CH4) de los arrozales es vital para el control de las emisiones de carbono.
• Existen desafíos debido a las fluctuaciones de las emisiones y a los entornos de campo complejos.

Objetivo del estudio:

• Desarrollar un nuevo método de medición in situ de CH4 de alta frecuencia utilizando el aprendizaje automático y los factores ambientales.
• Identificar las principales variables ambientales que influyen en la producción y el transporte de CH4 en los arrozales.

Principales métodos:

• Utilizó algoritmos de aprendizaje automático, específicamente árboles de decisión (DTR), para la inversión del flujo de CH4.
• Se analizó el impacto de varios factores ambientales (suelo, agua, aire) en las emisiones de CH4.
• Se ha validado el método utilizando datos medioambientales del agua, el suelo y el aire medibles mediante sensores.

Principales resultados:

• El suelo y el agua de los arrozales influyen significativamente en la producción y el transporte de CH4.
• La profundidad del agua del arroz, la conductividad eléctrica del suelo (CE) y la temperatura del suelo (Ts) se correlacionan positivamente con el flujo de CH4.
• El potencial redox del suelo (Eh) mostró una correlación negativa (p < 0,05).
• El modelo de árbol de decisión con factores de suelo alcanzó la mayor precisión (R2 = 0,84).
• Se han identificado las variables de entrada esenciales: Eh, CE, pH del suelo y Ts (R2 > 0,80).

Conclusiones:

• El método desarrollado ofrece una alta frecuencia, precisión y rentabilidad para el monitoreo del CH4.
• Permite el monitoreo y el control en tiempo real de las emisiones de CH4 de los campos de arroz.
• Proporciona nuevos conocimientos para el monitoreo de CH4 en varias masas de agua pequeñas.