[Aprendizaje automático integrado hiperespectral acoplado e interpretable basado en el suelo para la inversión de la...

Área de la Ciencia:

• Ciencias Agrícolas Ciencias Agrícolas
• La detección remota con sensores.
• Ciencias del suelo Ciencias del suelo.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La salinidad y la alcalinidad del suelo son limitaciones críticas para la agricultura sostenible.
• Los datos precisos de salinidad del suelo (SSC) y pH son esenciales para un manejo eficaz del suelo y la fertilidad.
• La llanura de Hetao enfrenta desafíos con salinidad y alcalinidad del suelo de leves a moderadas, exhibiendo una significativa variabilidad espacial.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para invertir la salinidad del suelo (SSC) y el pH utilizando datos de teledetección hiperspectrales y de microondas.
• Identificar las bandas espectrales características para SSC y pH utilizando técnicas avanzadas de procesamiento de señales y selección de bandas.
• Analizar la contribución de varias fuentes de datos (bandas de onda, clima, atributos del suelo, datos de microondas) a la precisión de los modelos de SSC y de inversión de pH.

Principales métodos:

• Los datos de reflectancia hiperespectrales se sometieron a una transformación de corrección de señal ortogonal (OSC).
• Se empleó el muestreo adaptativo reponderado competitivo (CARS, por sus siglas en inglés) para seleccionar bandas espectrales características para SSC y pH.
• Se utilizaron seis algoritmos integrados de aprendizaje automático, incluidos XGBoost, AdaBoost y Random Forest (RF), para construir modelos de inversión para SSC y pH, incorporando datos de detección remota ambiental y de microondas.
• Las explicaciones aditivas de Shapley (SHAP) se utilizaron para la visualización del modelo y el análisis de la importancia de la variable.

Principales resultados:

• La transformación de OSC optimizó la estructura de datos espectrales, mejorando la resolución bajo fondos complejos.
• CARS identificó efectivamente bandas espectrales clave: 13 para el SSC (por ejemplo, 450, 470, 600 nm) y 15 para el pH (por ejemplo, 680, 730, 740 nm).
• El modelo AdaBoost logró una inversión óptima del SSC (Rp2=0.852, RMSE=1.352, RPD=2.88), mientras que XGBoost se destacó en la inversión del pH (Rp2=0.908, RMSE=0.151, RPD=3.31).
• El análisis SHAP reveló efectos sinérgicos: la banda de ondas y los factores climáticos dominaron el modelado de SSC (contribución del 80,8%), mientras que los atributos del suelo fueron más influyentes para el pH (contribución del 24,88%).

Conclusiones:

• La integración de datos de múltiples fuentes, particularmente las variables hiperspectrales y ambientales, apoya significativamente el monitoreo preciso de la salinización y la alcalinización del suelo.
• Los modelos de aprendizaje automático, especialmente AdaBoost y XGBoost, demuestran una alta eficacia en la inversión de la salinidad y el pH del suelo.
• Los hallazgos proporcionan una base sólida para promover prácticas sostenibles de manejo de la tierra y mejorar la eficiencia de la producción agrícola en regiones salinizadas y alcalinizadas.