Estimación de la temperatura del suelo mediante técnicas de aprendizaje profundo
Loading...
Date
2021
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La temperatura del suelo cumple un rol fundamental en el funcionamiento de microorganismos, tasas de descomposición de residuos y en el ciclo hidrológico. Sin embargo, la ausencia de monitoreo y la baja disponibilidad de datos en línea dificultan sus estimaciones. Ante esta situación algunos estudios han desarrollado modelos para estimar la temperatura del suelo (Ts) a distintas profundidades, donde los modelos de redes neuronales han mostrado los mejores resultados. Utilizando los últimos avances del aprendizaje profundo, en este estudio se estima la temperatura horaria del suelo a cinco profundidades (10, 30, 50, 75 y 140 cm) para un suelo desnudo de clima mediterráneo en Chile, a través de un modelo de perceptrones de multicapas (MLP). Este modelo se comparó con un modelo analítico propuesto por van Wijk en 1959. Sus resultados indican que el modelo MLP proporciona mejores ajustes que el método analítico. Además, al incluir el potencial mátrico como variable explicativa, se redujo el RMSE y MAE promedio de las cinco profundidades en alrededor de un 56%. Por otra parte, se predice la temperatura para 48 horas mediante un modelo de redes neuronales recurrentes (RNN) y un modelo autorregresivo integrado de media móvil (ARIMA). Los resultados muestran que, para la mayoría de las profundidades estudiadas, el modelo ARIMA tiene mejor desempeño que RNN para la predicción, pero se debe considerar que no es un modelo único como el modelo RNN y hay que reprogramar los parámetros para cada serie de tiempo.
Description
Tesis (Magíster en Recursos Naturales)--Pontificia Universidad Católica de Chile, 2021