Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia

Laura Isabel Arango Carvajal

doi:10.22490/21456453.6755

Vol. 15 Núm. 1 (2024)

Publicado 19-12-2023

ANEXOS

Licencia

Derechos de autor 2023 Revista de Investigación Agraria y Ambiental

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cuando RIAA recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. RIAA autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Área Ambiental

Conservación

Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia

DOI: https://doi.org/10.22490/21456453.6755

Laura Isabel Arango Carvajal Universidad Nacional de Colombia

PDF

Visor

Movil

HTML

Epub

Resumen
Referencias

Contextualización: actualmente, el conocimiento de fenómenos naturales asociados a la preservación de los sistemas es de interés tanto para investigadores de las ciencias naturales, como para las autoridades ambientales encargadas de la toma de decisiones sobre el manejo de los recursos. En ese sentido, se ha venido trabajando en la interpretación y predicción de diferentes fenómenos físicos como la erosión, a fin de crear escenarios que permitan fortalecer los criterios de respuesta frente a la conservación del capital natural del suelo.

Vacío de conocimiento: la capacidad de predecir el fenómeno de la erosión es limitada en muchas ocasiones, debido a la cantidad y variabilidad de los parámetros y variables que son relacionados a la erosión. Además, en muchos casos se requiere de un alto procesamiento computacional para lograr que se asocien entre sí.

Propósito: se busca implementar un modelo de machine learning como herramienta alternativa para la modelación y predicción de la erosión.

Metodología: en este estudio, se desarrolla una modelación a partir del entrenamiento del método no paramétrico Random Forest, mediante el aprendizaje supervisado, para predecir la ocurrencia de la erosión en la cuenca de Río Grande, considerando las variables que previamente han sido empleadas en otros métodos para modelar este fenómeno.

Resultados y conclusiones: los resultados mostraron una capacidad para predecir la erosión en la cuenca con una precisión aproximada del 77%, por lo que este método puede ser aplicado para obtener predicciones rápidas y confiables. Además, se encontró que las variables empleadas en el modelo RUSLE explican mayoritariamente la ocurrencia, o no, de la erosión. Finalmente, se resalta la importancia de la variable “temperatura” introducida en el modelo.

Palabras clave: Erosión, Random Forest, modelos no paramétricos de clasificación

Barral, M. P. (2016). Tutorial para el mapeo de funciones ecosistémicas y servicios ecosistémicos con protocolo ECOSER (Vol. 1). Unidad Integrada Balcarce (EEA INTA Balcarce – Facultad de Ciencias Agrarias, UniversidadNacional de Mar del Plata

Barrera, J. E., Rivera, J. H., y Cadena, M. E. (2013). Influencia del sistema radical de cuatro especies vegetales en la estabilidad de laderas a movimientos masales. Cenicafé, 64(2), 59-77. http://biblioteca.cenicafe.org/bitstream/10778/531/1/arc064%2802%2959-77.pdf

Burkhard, B., Kandziora, M., Hou, Y., & Müller, F. (2014). Ecosystem service potentials, flows and demands-concepts for spatial localisation, indication and quantification. Landscape Online, 34(1), 1-32. https://doi.org/10.3097/LO.201434

Cárdenas, J. A. (2019). Clasificación de aceptación de campañas para una entidad financiera, usando random forest con datos balanceados y datos no balanceados. [Tesis de Maestría]. Universidad Ricardo Palma Escuela de Posgrado.

Corantioquia y UNAL. (2015). Actualización y ajuste Plan de Ordenación y Manejo de la Cuenca de los ríos Grande y Chico. Contrato 967 de 2013.

Criminisi, A., & Shotton, J. (2013). Decision forests for computer vision and medical image analysis. Springer Science & Business Media. https://doi.org/10.1007/978-1-4471-4929-3

Duan, X., Chen, Y., Wang, L., Zheng, G., & Liang, T. (2023). The impact of land use and land cover changes on the landscape pattern and ecosystem service value in Sanjiangyuan region of the Qinghai-Tibet Plateau. Journal of Environmental Management, 325(PB), 116539. https://doi.org/10.1016/j.jenvman.2022.116539

García-Leoz, V., Villegas, J. C., Suescún, D., Flórez, C. P., Merino-Martín, L., Betancur, T., & León, J. D. (2018). Land cover effects on water balance partitioning in the Colombian Andes: improved water availability in early stages of natural vegetation recovery. Regional Environmental Change, 18(4), 1117-1129. https://doi.org/10.1007/s10113-017-1249-7

Genuer, & Poggi, J. (2020). Random Forests with R. In Use R. https://doi.org/10.1007/978-3-030-56485-8

Gómes, N., & Carmona, M. (2022). An application of Machine learning Techniques to the Prediction of Purchase in the Tourism Sector. EasyChair.

Hao, J., & Ho, T. K. (2019). Machine Learning Made Easy: A Review of Scikit-learn Package in Python Programming Language. Journal of Educational and Behavioral Statistics, 44(3), 348-361. https://doi.org/10.3102/1076998619832248

Le Clec’h, S., Oszwald, J., Decaens, T., Desjardins, T., Dufour, S., Grimaldi, M., Jegou, N., & Lavelle, P. (2016). Mapping multiple ecosystem services indicators : Toward an objective-oriented approach. Ecological Indicators, 69, 508-521. https://doi.org/10.1016/j.ecolind.2016.05.021

Louppe, G. (2014). Understanding Random Forests: From Theory to Practice. July. http://arxiv.org/abs/1407.7502

Machado, J. (2018). Impacto Potencial de pérdida del servicio ecosistémico intermedio de control de erosión por cambios en el capital natural del suelo. Caso de estudio: Cuenca de Riogrande, Departamento de Antioquia [Universidad Nacional de Colombia]. https://doi.org/10.1016/j.ecolind.2017.07.051

Machado, J., Villegas-Palacio, C., Loaiza, J. C., & Castañeda, D. A. (2019). Soil natural capital vulnerability to environmental change. A regional scale approach for tropical soils in the Colombian Andes. Ecological Indicators, 96(May 2018), 116-126. https://doi.org/10.1016/j.ecolind.2018.08.060

Martín-López, B., González, J., & Vilardy, S. (2012). Guía Docente Ciencias de la Sostenibilidad. CO-BAC. https://doi.org/10.1016/j.ajhg.2011.11.018

Martínez-Harms, M. J., & Balvanera, P. (2012). Methods for mapping ecosystem service supply : a review. International Journal of Biodiversity Science, Ecosystem Services & Management, 8(1-2), 17-25. https://doi.org/10.1080/21513732.2012.663792

Medina-Merino, R. F., y Ñique-Chacón, C. I. (2017). Bosques aleatorios como extensión de los árboles de clasificación con los programas R y Python. Interfases, 0(010), 165. https://doi.org/10.26439/interfases2017.n10.1775

Mohammed, S., Alsafadi, K., Talukdar, S., Kiwan, S., Hennawi, S., Alshihabi, O., Sharaf, M., & Harsanyie, E. (2020). Estimation of soil erosion risk in southern part of Syria by using RUSLE integrating geo informatics approach. Remote Sensing Applications: Society and Environment, 20(2019), 100375. https://doi.org/10.1016/j.rsase.2020.100375

Probst, P., Wright, M. N., & Boulesteix, A. L. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(3). https://doi.org/10.1002/widm.1301

Ramírez, C. D., Orrego, S. A., & Schneider, L. C. (2018). Identifying Drivers and Spatial Patterns of Deforestation in the Río Grande Basin, Colombia. Journal of Latin American Geography, 17(1), 108-138. https://doi.org/10.1353/lag.2018.0005

Sepúlveda, L. (2013). Modelo para la definición de áreas estratégicas para la conservación de suelos a partir de la determinación de la susceptibilidad a la erosión hídrica. Universidad de Antioquia.

Suescún, D., León, J. D., Villegas, J. C., García-Leoz, V., Correa-Londoño, G. A., & Flórez, C. P. (2018). ENSO and rainfall seasonality affect nutrient exchange in tropical mountain forests. Ecohydrology, e2056, 1-10. https://doi.org/10.1002/eco.2056

Suescún, D., Villegas, J. C., León, J. D., Flórez, C. P., García-Leoz, V., & Correa-Londoño, G. A. (2017). Vegetation cover and rainfall seasonality impact nutrient loss via runoff and erosion in the Colombian Andes. Regional Environmental Change, 17(3), 827-839. https://doi.org/10.1007/s10113-016-1071-7

UPRA, U. de P. R. A.-. (2021). Evaluaciones Agropecuarias Municipales – EVA. Módulo de Consulta de Información. https://www.upra.gov.co/web/guest/consulta-de-informacion

Wang, P., Li, R., Liu, D., & Wu, Y. (2022). Dynamic characteristics and responses of ecosystem services under land use/land cover change scenarios in the Huangshui River Basin, China. Ecological Indicators, 144(May), 109539. https://doi.org/10.1016/j.ecolind.2022.109539

Wischmeier, W. H., & Smith, D. D. (1978). Predicting rainfall erosion losses: a guide to conservation planning. Department of Agriculture, Science and Education Administration.

Licencia

Cómo citar

Arango Carvajal, L. I. (2023). Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia. Revista De Investigación Agraria Y Ambiental, 15(1), 317-339. https://doi.org/10.22490/21456453.6755

Descargar cita

Almétricas

Métricas

Cargando métricas ...