Predicción de la humedad del suelo profundo basada en IA para evaluar la coherencia pasada y futura de los datos de la NOAA

• Guillermo Montilla Yttrium-Technology Corp., Panama City, Panama https://orcid.org/0000-0002-1777-6353
• Sergio Villazana Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0002-4495-1479
• Vicente Torres National Academy of Research and Development, Cuernavaca, Mexico. Faculty of Engineering, DICT, National Autonomous University of Mexico https://orcid.org/0009-0006-1888-8740
• Egilda Pérez Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0002-0633-8200
• Héctor Reverón Yttrium-Technology Corp., Panama City, Panama https://orcid.org/0009-0009-6142-4900
• César Seijas Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0001-6050-4436

Palabras clave: contenido de humedad profunda del suelo, propiedades del suelo, inteligencia artificial

Resumen

La modelación precisa de la humedad del suelo profundo es fundamental para la agricultura, especialmente en regiones con precipitaciones impredecibles que afectan la sanidad y el rendimiento de los cultivos. Comprender esta dinámica es crucial para evaluar la vulnerabilidad a la sequía y promover prácticas agrícolas sostenibles. Este estudio evalúo la consistencia de los datos climáticos de la NOAA a lo largo de cinco años mediante un modelo de humedad del suelo profundo desarrollado con inteligencia artificial. Sus objetivos incluyeron la evaluación de la coherencia de los datos históricos y futuros de la NOAA y la predicción de la humedad del suelo a profundidades de 40 cm y 100 cm en la región occidental de Panamá. El modelo de regresión CNN-BiLSTM integró datos meteorológicos y propiedades del suelo (arcilla, limo y arena) provenientes de la NOAA y del Centro Internacional de Referencia e Información de Suelos. El modelo transformó estos datos en características espaciales y temporales, y los conjuntos de entrenamiento, validación y prueba se basaron en los datos de 2021. La capacidad de generalización del modelo se evaluó con datos de 2019, 2020, 2022 y 2023, validando predicciones con dos años anteriores y dos años posteriores. Los resultados indicaron que el modelo de 40 cm alcanzó valores de MAE, RMSE, MAPE y R² de 0,007112 m³.m^-3, 0,012662 m³.m^-3, 3,55 % y 0,97, respectivamente. El modelo de 100 cm registró valores de 0,011019 m³.m^-3, 0,017334 m³.m^-3, 4,92 % y 0,95, respectivamente. El modelo demostró coherencia a lo largo de cinco años, lo que confirma la consistencia de los datos de la NOAA.

Citas

Basir, M., Noel, S., Buckmaster, D., & Ashik-E-Rabbani, M. (2024). Enhancing subsurface soil moisture forecasting: A long short-term memory network model using weather data. Agriculture, 14(3), 333. https://doi.org/10.3390/agriculture14030333
Filipović, N., Brdar, S., Mimić, G., Marko, O., & Crnojević, V. (2022). Regional soil moisture prediction system based on long short-term memory network. Biosystems Engineering, 213, 30-38. https://doi.org/10.1016/j.biosystemseng.2021.11.019
Fischler, M., & Bolles, R. (1981). Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communication of the ACM, 24(6), 381-395. https://doi.org/10.1145/358669.358692
Geng, Q., Yan, S., Li Q., & Zhang, C. (2024). Enhancing data-driven soil moisture modeling with physically-guided LSTM networks. Frontiers in Forests and Global Change, 7, 1-12. https://doi.org/10.3389/ffgc.2024.1353011
Han, H., Choi, C., Kim, J., Morrison, R., Jung, J., & Kim, H. (2021). Multiple-Depth soil moisture estimates using artificial neural network and long short-term memory models. Water, 13(8), 2584. https://doi.org/10.3390/w13182584
Ministerio de Ambiente de Panamá. (2020). Cuarta comunicación nacional sobre cambio climático de Panamá ante la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC). Ministerio de Ambiente; Programa de las Naciones Unidas para el Desarrollo. https://transparencia-climatica.miambiente.gob.pa/wp-content/uploads/2023/08/4CNCC_2023_L.pdf
Munro, R., Lyons, W. F., Shao, Y., Wood, M., Hood, L. M., & Leslie, L. (1998). Modeling land surface-atmosphere interactions over the Australian continent with an emphasis on the role of soil moisture. Environmental Modeling and Software, 13(3-4), 333-339. https://doi.org/10.1016/s1364-8152(98)00038-3
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N., Zsoter, E., Buontempo, C., & Thépaut, J. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349-4383. https://doi.org/10.5194/essd-13-4349-2021
National Centers for Environmental Prediction. (2015). NCEP GDAS/FNL 0.25 Degree Global Tropospheric Analyses and Forecast Grids. rda.ucar.edu at the National Center for Atmospheric Research, Computational and Information Systems Laboratory. https://doi.org/10.5065/D65Q4T4Z
O'Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H., Invernizzi, L., & others. (2019). KerasTuner [Software]. GitHub. https://github.com/keras-team/keras-tuner
Pan, F., Nieswiadomy, M., & Shuan, Q. (2015). Application of a soil moisture diagnostic equation for estimating root-zone soil moisture in arid and semi-arid regions. Journal of Hydrology, 524, 296-310. https://doi.org/10.1016/j.jhydrol.2015.02.044
Poggio, L., de Sousa, L., Batjes, N., Heuvelink, G., Kempen, B., Ribeiro, E., & Rossiter, D. (2021). SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. SOIL, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021
Thenkabail, P., Knox, J., Ozdogan, M., Gumma, M., Congalton, R., Wu, Z., Milesi, C., Finkral, A., Marshall, M., Mariotto, I., You, S., Giri, C., & Nagler, P. (2016). NASA Making Earth System Data Records for Use in Research Environments (MEaSUREs) Global Food Security Support Analysis Data (GFSAD) Crop Dominance 2010 Global 1 km V001 [Data set]. NASA EOSDIS Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MEaSUREs/GFSAD/GFSAD1KCD.001
Tong, Y., Wang, Y., Song, Y., Sun, H., Sun, H., & Xu, Y. (2020). Spatiotemporal variations in deep soil moisture and its response to land-use shifts in the Wind-Water erosion crisscross region in the critical zone of the loess Plateau (2011-2015), China. Catena, 193, 104643. https://doi.org/10.1016/j.catena.2020.104643
Wang, A., Liu, B., Wang, Z., & Liu, G. (2016). Monitoring and predicting the soil water content in the deeper soil profile of loess Plateau, China. International Soil and Water Conservation Research, 4(1), 6-11. https://doi.org/10.1016/j.iswcr.2016.02.001
Yu, J., Tang, S., Zhangzhong, L., Zheng, W., Huang, C., Wang, L., Wong, A., & Xu, L. (2020). A deep learning approach for multi-depth soil water content prediction in summer maize growth period. IEEE Access, 8, 199097-199110. https://doi.org/10.1109/access.2020.3034984