3.01 Tesis doctorado

Permanent URI for this collection

https://repositorio.uc.cl/handle/11534/3278

Browse

Browsing 3.01 Tesis doctorado by Author "Acevedo Godoy, Sara Ester"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Evaluation of machine learning algorithms for estimating soil water characteristics obtained by basic soil data in Central Chile
    (2023) Acevedo Godoy, Sara Ester; Bonilla Meléndez, Carlos Alberto; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Las curvas de retención de agua en el suelo (SWRC) son mediciones hidrofísicas de alto costo y que requieren mucho tiempo, y que a menudo no son incluidas en los estudios de suelos ni en los análisis de rutina. Esta falta de mediciones hidrofísicas del suelo hace necesario el desarrollo de funciones de pedotransferencia (PTF), para determinados valores de succión (PTF puntuales) o para parámetros de forma de la curva (PTF paramétricas). Por lo tanto, la construcción de PTFs específicas de una región requiere conjuntos de datos detallados ricos en variabilidad, que son escasos. El objetivo de este estudio fue desarrollar un conjunto de datos hidrofísicos de suelos para los suelos chilenos, con el fin de complementar la falta de mediciones regionales de capacidad de campo (FC) y los parámetros de van Genuchten. La medición de la capacidad de campo (FC) es importante para comprender con precisión la dinámica hídrica del suelo. Por lo tanto, la FC debe obtenerse a partir de muestras de suelo inalteradas, para representar la condición natural del suelo. La reducida disponibilidad de datos de FC inalterada y la llegada de mediciones alternativas (métodos simplificados de evaporación y punto de rocío) han abierto muchas oportunidades para el desarrollo de funciones de pedotransferencia (PTFs) y la exploración de variables predictoras. Además, en este estudio se desarrolló un conjunto de datos hidrofísicos del suelo para comparar el ajuste VG unimodal con el bimodal en una amplia gama de propiedades del suelo. Basándose en este conjunto de datos, se evaluaron algoritmos de aprendizaje automático (redes neuronales artificiales, bosque aleatorio y Cubist) para la estimación de parámetros individuales de θs, θr, α1, n1, α2, n2 y w2 y FC en diferentes condiciones (disturbadas y no disturbadas). Nuestros resultados mostraron que los datos SWRC obtenidos utilizando el método de evaporación simplificada (SEM) junto con el método del punto de rocío (DP) conducían a un mejor ajuste cuando se utilizaba la parametrización VG bimodal, en la que la bimodal proporcionaba valores de θr más realistas que los obtenidos utilizando la parametrización VG unimodal. Se propuso y probó un conjunto de PTF para FC y parámetros bimodales. Con respecto al rango de succión SWRC, los conjuntos propuestos de PTF paramétricas tuvieron menos sesgo en el rango seco. Los resultados indican que el conjunto de datos hidrofísicos del suelo desarrollado y las PTF bimodales paramétricas derivadas pueden incluir la bimodalidad en la predicción de SWRC. Los resultados demostraron que si se tienen en cuenta las variables estructurales, se pueden desarrollar con éxito PTFs adecuadas para predecir la FC (tanto en muestras perturbadas como no perturbadas). Las PTFs desarrolladas en este estudio tienen métricas de precisión similares a las de estudios previos, pero utilizando menos predictores y siendo adecuados para predecir la FC en diferentes tipos de muestras de suelo. Por último, se evaluaron las propiedades físicas del suelo cerca de la superficie afectadas por la temperatura provocada por los incendios forestales. Los parámetros que describen el SWRC pueden obtenerse midiéndolos o derivándolos mediante funciones de pedotransferencia (PTF). Sin embargo, las PTF se han desarrollado utilizando datos de suelos agrícolas sin grandes eventos de calentamiento; por lo tanto, no es seguro que la estimación de los parámetros en suelos afectados por incendios sea fiable. El ampliamente utilizado PTF Rosetta se comparó con mediciones reales en dos condiciones: no afectado y afectado por el fuego. Las implicaciones para la modelización hidrológica se tradujeron en un menor contenido anual de agua y una mayor infiltración cuando se utilizaron las entradas de Rosetta en comparación con las entradas basadas en el SWRC medido.