Evaluación de técnicas de regresión basadas en el aprendizaje automático para el relleno de lagunas espaciales de la base de datos de humedad del suelo de CCI en la Península Ibérica

• Laura Almendra-Martín ^[1] ; J. Martínez-Fernández ^[1] ; Á. González-Zamora ^[1] ; P. Benito-Verdugo ^[1] ; M. Piles ^[2]
  1. [1] Universidad de Salamanca

     Universidad de Salamanca

     Salamanca, España

     
  2. [2] Universitat de València

     Universitat de València

     Valencia, España

     
• Localización: Estudios en la zona no saturada del suelo. Vol. XV, ZNS'21, A Coruña, 9-10 noviembre 2021: trabajos presentados en las XV Jornadas de Investigación en la Zona no Saturada del Suelo / Javier Samper (ed. lit.), Antonio Paz González (ed. lit.), Jorge Dafonte Dafonte (ed. lit.), Eva Vidal-Vázquez (ed. lit.), 2021, ISBN 978-84-9749-821-0, págs. 223-229
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • 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.