Un PTF espectral que mejora la predicción del contenido de agua en el suelo de la zona minera: combinando la...

Área de la Ciencia:

• Ciencias del suelo
• Detección remota
• Aprendizaje automático

Sus antecedentes:

• La medición convencional del contenido de agua del suelo (SWC) requiere mucha mano de obra.
• Las funciones de pedo-transferencia (PTF) ofrecen eficiencia pero se enfrentan a limitaciones de precisión regionales.
• Las áreas de hundimiento inducidas por la minería presentan desafíos únicos para el análisis del suelo.

Objetivo del estudio:

• Mejorar la precisión de las estimaciones de SWC en diversas áreas de hundimiento inducido por la minería.
• Desarrollar un modelo robusto que integre datos multimodales para la predicción de la SWC.
• Superar las limitaciones regionales de los PTF existentes.

Principales métodos:

• Se recogieron 383 muestras de suelo de áreas de hundimiento inducidas por la minería.
• Construido un conjunto de datos multimodal que incluye propiedades del suelo, indicadores de cultivos, datos espectrales e imágenes 2Dcos.
• Desarrolló un modelo híbrido de ResGRU (ResNet + GRU) para la predicción de SWC.

Principales resultados:

• El modelo ResGRU logró una alta precisión (R2=0.94, RMSE=0.01) mediante la fusión de imágenes 2Dcos, datos espectrales e indicadores de cultivo del suelo.
• La precisión de la predicción mejoró en un 9-25% en comparación con los PTF tradicionales y otros modelos de aprendizaje automático.
• Se ha demostrado un rendimiento superior en la estimación de la SWC en suelos complejos afectados por la minería.

Conclusiones:

• El modelo multimodal de ResGRU propuesto ofrece un enfoque superior para la estimación de SWC en entornos difíciles.
• Este método aborda efectivamente las limitaciones regionales de los PTF tradicionales.
• Destaca el potencial de la integración de la espectroscopia y el aprendizaje automático avanzado para las aplicaciones de la ciencia del suelo.