Predicting soil bulk density using hierarchical pedrotransfer functions and artificial neural networks.

Simple item page
dc.contributor.advisorBonilla Meléndez, Carlos Alberto
dc.contributor.authorSilva Orellana, Jorge Sebastián
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2019-06-21T19:56:09Z
dc.date.available2019-06-21T19:56:09Z
dc.date.issued2017
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2017
dc.description.abstractLa densidad aparente del suelo (ρb) es una propiedad clave en física e hidrología de suelos. En la ausencia de mediciones en terreno, las Funciones de PedoTransferencia (FPTs) son típicamente utilizadas para estimar la ρb. Recientemente, y como resultado del avance de las Redes Neuronales Artificiales (RNAs), un nuevo método para formular ecuaciones para estimar la ρb ha sido desarrollado. Esta técnica es particularmente adecuada para formular un acercamiento jerárquico y para condiciones de cantidad limitada de datos de suelo. Es por esto que el objetivo de este estudio fue utilizar un acercamiento jerárquico para desarrollar una serie de FPTs utilizando RNAs para predecir la ρb, y comparar estas estimaciones con las obtenidas con 10 FPTs existentes reportadas en la literatura. Esta evaluación fue hecha con un set de datos independiente de 1.007 mediciones de ρb provenientes de un amplio rango de suelos de Chile Central. Los resultados probaron que el desempeño (en términos de exactitud y error global) es función de la cantidad de variables de entrada con un rango de r2 de 0,22 a 0,72 y un rango de RMSE de 0,32 a 0,17 Mg m-3. Los resultados demuestran que usando sólo información de la distribución de tamaño de partícula como variable de entrada para estimar la ρb no tiene una precisión adecuada y que un modelo basado en el contenido de carbono orgánico (CO) es capaz de estimar con más precisión que uno basado en la distribución de tamaño de partícula, incluso en suelos con bajo contenido de CO. Además, la inclusión del pH y los cationes básicos como variables de entrada mejora la exactitud de las estimaciones. Los resultados muestran que la mejor ecuación se generó con las variables de entrada de: distribución de tamaño de partícula, contenido de CO, profundidad de suelo y contenido de humedad a punto de marchitez permanente. Finalmente, con las mismas variables de entrada, las ecuaciones desarrolladas con RNAs incrementan la calidad de las estimaciones en comparación con las clásicas regresiones multi-variables, mejorando el r2 entre 0,02 y 0,14 y el RMSE entre 0,01 y 0,04 Mg m-3.
dc.format.extentviii, 43 páginas
dc.identifier.doi10.7764/tesisUC/ING/23003
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/23003
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/23003
dc.language.isoen
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.otherDensidad de sueloses_ES
dc.subject.otherFísica de sueloses_ES
dc.titlePredicting soil bulk density using hierarchical pedrotransfer functions and artificial neural networks.es_ES
dc.typetesis de maestría
sipa.codpersvinculados80465
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Tesis PUC-Jorge Sebastián Silva Orellana 20170505.pdf
Size:
1.33 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.31 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis magíster