Se ha desarrollado un modelo de aprendizaje automático de vanguardia para predecir los niveles de carbono orgánico del suelo (COS), un factor crucial para la salud del suelo y la productividad de los cultivos.
por la Universidad de Wuhan
Este innovador enfoque utiliza datos hiperespectrales para identificar bandas espectrales clave, ofreciendo un método más preciso y eficiente para evaluar la calidad del suelo y promover prácticas agrícolas sostenibles.
La salud del suelo impacta profundamente la productividad agrícola y la estabilidad ecológica. Evaluar con precisión los niveles de COS es vital para mejorar el rendimiento de los cultivos y la sostenibilidad ambiental . Los métodos tradicionales suelen carecer de precisión y detalle.
El nuevo Índice de Carbono del Suelo Perimetral-Área (PASCI) aborda estas deficiencias mediante el uso de imágenes hiperespectrales y algoritmos de aprendizaje automático para capturar las características completas del suelo. Este enfoque no solo perfecciona la estimación del COS, sino que también apoya estrategias agrícolas específicas y el monitoreo ambiental , lo que representa avances significativos con respecto a los métodos convencionales.
El 19 de mayo de 2023, en la revista Geo-spatial Information Science , los investigadores presentaron su investigación de la Universidad Estatal Central. La innovadora herramienta, PASCI, emplea aprendizaje automático para analizar datos hiperespectrales, lo que mejora significativamente la medición del carbono del suelo. PASCI ofrece un recurso novedoso para que científicos y agricultores puedan mapear y evaluar la salud del suelo de forma más eficaz.
PASCI se distingue por analizar simultáneamente múltiples bandas espectrales para predecir el carbono orgánico del suelo, un método no disponible en los índices actuales. Este índice utiliza un modelo matemático único para calcular la relación entre el perímetro y el área bajo las curvas espectrales, identificando las bandas espectrales esenciales que indican los niveles de COS.
Este enfoque revela detalles más precisos sobre la composición del suelo y sus variaciones en diferentes paisajes, lo que mejora significativamente la precisión de las predicciones del COS. La robustez del PASCI se validó mediante un exhaustivo análisis de regresión, que demostró una fuerte correlación con las mediciones reales del COS (r² = 0,76). El amplio alcance del índice permite una mejor adaptación a diversos entornos agrícolas, lo que podría resultar en prácticas agrícolas más precisas y un mejor rendimiento de los cultivos.
El investigador principal afirma: «Nuestros hallazgos representan un gran avance en la teledetección del carbono orgánico del suelo. La capacidad de PASCI para integrar diversas regiones espectrales proporciona una medición más precisa y matizada del COS, vital para el avance de la agricultura de precisión y la promoción del uso sostenible de la tierra».
La aplicabilidad de PASCI es amplia y ofrece la posibilidad de integrarse con tecnologías de imágenes hiperespectrales y multiespectrales. Este avance podría permitir el mapeo detallado a gran escala del carbono orgánico del suelo , lo cual resulta beneficioso para la planificación agrícola y el monitoreo ambiental.
El desarrollo del índice se alinea con la creciente necesidad de herramientas para evaluar y gestionar la salud del suelo, prometiendo mejorar las prácticas agrícolas y contribuir a los esfuerzos de sostenibilidad global.
Más información: Eric Ariel L. Salas et al., Índice de Carbono del Suelo Perimetral-Área (PASCI): modelado y estimación del carbono orgánico del suelo utilizando variables explicativas relevantes de banda de onda en un entorno de aprendizaje automático, Geo-spatial Information Science (2023). DOI: 10.1080/10095020.2023.2211612
