Prediction of soil erosion by random forest: case study of the rio grande basin, Antioquia

Arango Carvajal, Laura Isabel

Please use this identifier to cite or link to this item: https://repository.unad.edu.co/handle/10596/61021

Full metadata record

DC Field	Value	Language
dc.creator	Arango Carvajal, Laura Isabel	es
dc.date	2023-12-19	-
dc.identifier	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755	-
dc.identifier	10.22490/21456453.6755	-
dc.description	Contextualization: Currently, the knowledge of natural phenomena associated with the preservation of the systems is of interest both for researchers in the natural sciences, and for the environmental authorities in charge of decision-making on resource management. In this sense, work has been carried out on the interpretation and prediction of different physical phenomena such as erosion, to create scenarios that allow strengthening the response criteria for the conservation of the natural capital of the soil. Knowledge gap: The ability to predict the phenomenon of erosion is limited on many occasions due to the quantity and variability of the parameters and variables that are related to erosion; besides that, in many cases, a high computational processing is required to achieve that they are associated with each other. Purpose: The aim is to implement a machine learning model as an alternative tool for complex modeling and erosion prediction. Methodology: In this study, a model is developed from the training of the non-parametric Random Forest method through supervised learning, to predict erosion occurrences in the Rio Grande basin, considering the variables that have previously been used in other methods to model this phenomenon. Results and conclusions: The results showed a capacity to predict erosion in the basin with an approximate precision of 77%, so this method can be applied to obtain fast and reliable predictions. In addition, it was found that the variables used in the RUSLE model mainly explain the occurrence or not of erosion. The great importance of the temperature variable introduced in the model is also surprising.	en
dc.description	Contextualización: actualmente, el conocimiento de fenómenos naturales asociados a la preservación de los sistemas es de interés tanto para investigadores de las ciencias naturales, como para las autoridades ambientales encargadas de la toma de decisiones sobre el manejo de los recursos. En ese sentido, se ha venido trabajando en la interpretación y predicción de diferentes fenómenos físicos como la erosión, a fin de crear escenarios que permitan fortalecer los criterios de respuesta frente a la conservación del capital natural del suelo. Vacío de conocimiento: la capacidad de predecir el fenómeno de la erosión es limitada en muchas ocasiones, debido a la cantidad y variabilidad de los parámetros y variables que son relacionados a la erosión. Además, en muchos casos se requiere de un alto procesamiento computacional para lograr que se asocien entre sí. Propósito: se busca implementar un modelo de machine learning como herramienta alternativa para la modelación y predicción de la erosión. Metodología: en este estudio, se desarrolla una modelación a partir del entrenamiento del método no paramétrico Random Forest, mediante el aprendizaje supervisado, para predecir la ocurrencia de la erosión en la cuenca de Río Grande, considerando las variables que previamente han sido empleadas en otros métodos para modelar este fenómeno. Resultados y conclusiones: los resultados mostraron una capacidad para predecir la erosión en la cuenca con una precisión aproximada del 77%, por lo que este método puede ser aplicado para obtener predicciones rápidas y confiables. Además, se encontró que las variables empleadas en el modelo RUSLE explican mayoritariamente la ocurrencia, o no, de la erosión. Finalmente, se resalta la importancia de la variable “temperatura” introducida en el modelo.	es
dc.format	application/pdf	-
dc.format	application/zip	-
dc.format	application/zip	-
dc.language	spa	-
dc.publisher	Sello Editorial UNAD	es
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/7183	-
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/7443	-
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/7444	-
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/7445	-
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/7446	-
dc.relation	https://hemeroteca.unad.edu.co/index.php/riaa/article/view/6755/6588	-
dc.rights	Derechos de autor 2023 Revista de Investigación Agraria y Ambiental	es
dc.rights	http://creativecommons.org/licenses/by-nc-sa/4.0	es
dc.source	Revista de Investigación Agraria y Ambiental; Vol. 15 No. 1 (2024); 317-339	en
dc.source	Revista de Investigación Agraria y Ambiental; Vol. 15 Núm. 1 (2024); 317-339	es
dc.source	2145-6453	-
dc.source	2145-6097	-
dc.subject	Erosion	en
dc.subject	Random Forest	en
dc.subject	non-parametric classification models	en
dc.subject	supervised learning	en
dc.subject	Erosión	es
dc.subject	Random Forest	es
dc.subject	modelos no paramétricos de clasificación	es
dc.title	Prediction of soil erosion by random forest: case study of the rio grande basin, Antioquia	en
dc.title	Predicción de la erosión del suelo mediante random forest: caso de estudio cuenca río grande, Antioquia	es
dc.type	info:eu-repo/semantics/article	-
dc.type	info:eu-repo/semantics/publishedVersion	-
dc.type	Área Ambiental	es
Appears in Collections:	Revista RIAA

Files in This Item:

There are no files associated with this item.

Show simple item record