Niveles de salinidad del suelo, utilizando imágenes de vehículos aéreos no tripulados, redes neuronales y árboles de decisión
Palabras clave:
agricultura de precisión, drones, imágenes multiespectrales, índices de salinidad, reflectancias.Resumen
La salinidad del suelo es un problema mundial que amenaza el crecimiento y rendimiento de los cultivos e impide el desarrollo sostenible de la agricultura moderna, los principales cultivos básicos no pueden completar su ciclo de vida cuando las concentraciones de NaCl en el suelo superan los 200 mM. Más de un tercio de las parcelas de riego del mundo están afectadas por la salinización. Los vehículos aéreos no tripulados ofrecen una alternativa viable para adquirir datos de teledetección. Una manera para clasificar y detectar variables de salinidad en el suelo son las redes neuronales y los árboles de decisión. El objetivo de este trabajo es la detección y clasificación de la salinidad del suelo mediante el uso de imágenes multiespectrales capturadas mediante drones, así como el uso de modelos de árboles de decisión y redes neuronales, para estimar variables de salinidad: Porciento de Sodio Intercambiable (PSI), Relación de Adsorción de Sodio ajustado (RASaj) y concentración de sodio (mEq L-1). Se muestreó suelo agrícola con problemas de salinidad, se procesaron en laboratorio, los resultados se interpretaron y se clasificaron de acuerdo a sus niveles de salinidad. Se realizó un sobrevuelo con un dron que capturó imágenes y se extrajeron las reflectancias de las cuatro bandas multiespectrales (Green, red, red edge y near infrared), se calcularon los índices de salinidad para clasificar la salinidad del suelo usando redes neuronales y árboles de decisión. Las redes neuronales clasificaron el 82.6% de las muestras en la categoría de nivel medio en la estimación de PSI. El modelo también presentó una precisión del 71.88% cuando se determinó la concentración de sodio en la red neuronal. El trabajo de investigación demostró que es posible clasificar la salinidad del suelo con aceptable precisión a partir de las imágenes capturadas con vehículos aéreos no tripulados. Los modelos de redes neuronales mostraron mejor precisión en la estimación de los indicadores de salinidad del suelo con respecto a los árboles de decisión, estos procedimientos tecnológicos pueden aplicarse en el mapeo de la salinidad del suelo para conocer las áreas afectadas de una manera fácil y rápida.
Referencias
1. Chunzhao, Z., Heng, Z., Chunpeng, S., Jian-Kang, Z. and Shabala, S. (2020) “Mechanisms of Plant Responses and Adaptation to Soil Salinity”. The Innovation, 1: (1), 100017. https://doi.org/10.1016/j.xinn.2020.100017
2. Finger, R., Scott, M. S., Benni, N. L and Walter, A. (2019) “Precision Farming at the nexus of agricultural production and the environment”. Annual Review of Resource Economics, (1): 313-335. https://doi.org/10.1146/annurev-resource-100518-093929
3. Boursianis, A. D., Papadopoulou, M. S., Diamantoulakis, P., Liopa, T. A., Barouchas, P., Salahas, G., Karagiannidis, G., Wan, S. and Goudos, S. K. (2020) “Internet of Things (IoT) and Agricultural Unmanned Aerial Vehicles (UAVs) in smart farming: A comprehensive review”. Internet of Things, 1001187, 2542-6605. https://doi.org/10.1016/j.iot.2020.100187.
4. Klemas, V. V. (2015) “Coastal and environmental remote sensing from unmanned aerial vehicles: An Overview”. Journal of Coastal Research, 31(5): 1260-1267. https://doi.org/10.2112/JCOASTRES-D-15-00005.1.
5. Sacristan, F. R. (2006) “La tecnología al servicio del medio ambiente”. Revista de la Facultad Nacional de Salud Pública. 24: 1. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-386X2006000100014&lng=en&nrm=iso>. ISSN 0120-386X.
6. Abbas, A., Khan, S., Hussai, N., Hanjra, M. A. and Akbar, S. (2013) “Characterizing soil salinity in irrigated agriculture using a remote sensing approach”. Physics and Chemistry of the Earth, 55-57, 43-52. https://doi.org/10.1016/j.pce.2010.12.004
7. Daliakopoulos, I.N. and Tsanis, I. K. (2014) Greece: Agro-pastoral over-exploitation and its implications in Messara Valley (Crete). Paris, CIHEAM. CIHEAM Watch Letter 28, Land issues in the mediterranean countries.
8. Torres, J. A. I. (2018) Deep learnig. Introducción practicas con Keras (primera parte). Barcelona, Ed. What this space.
9. Wang, F., Nie, F., Li, Z., Yu, W. and Ren, F. (2020) “A linear multivariate binary decision tree classifier based on K-means splitting”. Pattern Recognition, (107): 107521. https://doi.org/10.1016/j.patcog.2020.107521
10. SEGOB, Secretaría de Gobernación (2000) Norma Oficial Mexicana NOM-021-RECNAT-2000, Que establece las especificaciones de fertilidad, salinidad y clasificación de suelos, estudios, muestreo y análisis. Diario Oficial de la Federación. Ciudad de México. Edición 31 de diciembre de 2002. 64 p.
11. Clesceri, L. S., Greenberg, A. E. and Eaton, A. D. (1998) Estandar methods for examination of water and wastewater. Washington, D. C. U.S.A 20 ed. American Public Health Association (APHA), American Water Works Association. Water Pollution Control Federation.
12. Richards, L. A. (1982) Suelos Salinos y Sódicos. Ciudad de México. Editorial Limusa.
13. Can, C. A., Ramírez, A. C., Ortega, E. H. M., Trejo, L. C. and Cruz, D. J., (2008) “Evaluación de la relación de adsorción de sodio en las aguas del río Tulancingo, estado de Hidalgo, México”. Terra Latinoamericana, 26 (3), 243-252.
14. Bower, C. A., Ogata, G. and Tucker, J. M. (1968) “Sodium hazard of irrigation waters as influenced by leaching fraction and by precipitation or solution of calcium carbonate”. Soil Science, 106: (1), 29-34.
15. Aceves, N. E. (2011). El ensalitramiento de los suelos bajo riego. Cd de México. Editorial Biblioteca Básica de Agricultura.
16. Allbed, A., Kumar, L. and Aldakheel, Y. Y. (2014) “Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region”. Geoderma, 230-231, 1-8. http://dx.doi.org/10.1016/j.geoderma.2014.03.025
17. Allbed, A. and Kumar, L. (2013) “Soil salinity mapping and monitoring in arid and semi-arid regions using remote rensing technology: A review”. Advances in remote sensing, 2: 373-385. DOI:10.4236/ars.2013.24040
18. Statgraphics, Neural network classifier (2020) Classifierneuralclassifier.sgp. (Consultado el 12 de agosto de 2020).
19. Phillips, N. D., Neth, H., Woike, J. K. and Gaissmaier, W. (2017) “FFTrees: A toolbox to create, visualize and evaluate fast-and-frugal decision tres”. Judgment and Decision Making, 12: (4), 344-368. http://journal.sjdm.org/17/17217/jdm17217.pdf
20. Alexakis, D. D., Daliakopoulos, I. N., Panagea, I. S. and Tsanis, I. K. (2018). “Assessing soil salinity using WorldView-2 multispectral images in Timpaki, Crete, Greece”. Geocarto International, 33: (4) 321–338. DOI: 10.1080/10106049.2016.1250826.
21. Rhyma, P.P., Norizah, K., Hamdan, O., Faridah, I. H. and Zulfa, A. W. (2020) “Integration of normalised different vegetation index and Soil-Adjusted Vegetation Index for mangrove vegetation delineation”. Remote sensing applications: Society and environment, 17: 100280. https://doi.org/10.1016/j.rsase.2019.100280
22. Taghizadeh, M. R., Schmitdt, K., Toomanian, N., Heung, B., Behrens, T., Mosavi, A., Band, S.S., Amirian, C. A., Fathabadi, A. and Scholten, T. (2021) “Improving the spatial prediction of soil salinity in arid regions using wavelet transformation and support vector regression models”. Geoderma, 383: 114793. https://doi.org/10.1016/j.geoderma.2020.114793
23. Gadzinski, G. and Castello, A. (2020) “Fast and frugal heuristics augmented: when machine learning quantifies bayesian uncertainty”. Journal of behavioral and experimental finance, 26: 100293. 10.1016/j.jbef.2020.100293.
24. Amir, D. M., Naderi, A., Ghorbani, Y., Mehrpouyan, A. and Bakhshi, A. (2020) “Nity mapping by remote sensing south of Urmia Lake, Iran”. Geoderma Regional, 22: e00317. https://doi.org/10.1016/j.geodrs.2020.e00317
25. Zewdu, S., Suryabhagavan, K. V. and Balakrishnan, M. (2017) “Geo-spatial approach for soil salinity mapping in sego irrigation farm, South Ethiopia”. Journal of the Saudi Society of Agricultural Sciences, 16: (1), 16-24. https://doi.org/10.1016/j.jssas.2014.12.003.
26. Ramos, T. B., Castanheira, N., Oliveira, A. R., Paz, A. M., Darouich, H., Simionesei, L., Farzamian, M. and Goncalvez, M. C. (2020) “Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral data, application to Lezíria Grande, Portugal”. Agricultural Water Management, 241: 106387. https://doi.org/10.1016/j.agwat.2020.106387
