Salamanca, España
Valencia, España
La disponibilidad de series de humedad del suelo (SM) largas y continuas en espacio y tempo es fundamental para un gran número de aplicaciones. En este trabajo se analiza la idoneidad de diferentes técnicas de regresión basadas en el aprendizaje automático, aplicadas al dominio espacial, para rellenar las lagunas del producto de SM de la Climate Change Initiative (CCI) en la Península Ibérica entre 1991-2019. Los algoritmos evaluados han sido: Support Vector Machine (SVM), Random Forest (RF) y Gaussian Processes (GP). Las variables que se incorporaron como inputs en cada modelo fueron la textura del suelo, las coordenadas geográficas y la SM del día precedente. Además, se comparó la precisión de cada método con los parámetros recomendados por defecto por la implementación del software y una vez optimizados. Los tres métodos han demostrado ser suficientemente adecuados para rellenar las lagunas de CCI, siendo el GP el que proporcionabamayor precisión.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados