Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning
El suelo presenta un gran servicio ecosistémico como sumidero de carbono orgánico, almacenando más carbono en el primer metro que toda la vegetación y la atmósfera en conjunto. Por este motivo el mapeo y monitoreo de las reservas de carbono orgánico en el suelo se ha convertido en un tema muy rel...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | , , , |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | https://bdigital.uncu.edu.ar/fichas.php?idobjeto=16665 |
| date_str_mv |
2019-12-17 |
|---|---|
| descriptores_str_mv |
Análisis comparativo Análisis del suelo Carbono edáfico Carbono orgánico del suelo Guaymallén (Mendoza, Argentina) Machine learning Mapeo digital del suelo Materia orgánica Nutrientes del suelo Random forests Servicios de los ecosistemas Stock de carbono |
| disciplina_str_mv |
Ciencias ambientales |
| contributor_str_mv |
Civit, Bárbara Mastrantonio, Leandro Olmedo, Guillermo Federico Rodriguez Plaza, Luis |
| autor_str_mv |
Corvalán, Francisco Martín |
| todos_str_mv |
Director/a Ingeniería en Recursos Naturales Renovables Ingeniero/a en Recursos Naturales Renovables Integrante del jurado Integrante del jurado Integrante del jurado spa UNCuyo FCA |
| description_str_mv |
El suelo presenta un gran servicio ecosistémico como sumidero de carbono orgánico,
almacenando más carbono en el primer metro que toda la vegetación y la atmósfera en
conjunto. Por este motivo el mapeo y monitoreo de las reservas de carbono orgánico en el
suelo se ha convertido en un tema muy relevante de estudio en las últimas décadas.
El área de estudio comprende al cinturón verde del departamento de Guaymallén (11.000 ha),
cuya principal activad agrícola es la horticultura. Los suelos pertenecientes a esta zona se
destacan de los suelos típicos de Mendoza por presentar altos contenidos de materia orgánica
y por las modificaciones ecosistémicas que han sufrido en los últimos 200 años (Prieto,
Abraham, & Dussel, 2008). Sin embargo, no existe ningún estudio sobre la variación en los
contenidos de materia orgánica de estos suelos en el transcurso del tiempo.
Con el objetivo de analizar la variación del Stock de carbono en este sector, se utilizó un set
de datos del suelo de 1963 con 509 perfiles y otro set de datos de 2018 con 29 perfiles, los
cuales fueron estandarizados a una profundidad de 30 cm. Utilizando un conjunto de variables
bioclimáticas, topográficas y variables representativas de vegetación, se elaboraron modelos
predictivos del stock de carbono mediante el método de Random Forests adaptado a las
técnicas del Mapeo Digital del Suelo. Finalmente se realizó una validación de los modelos
predictivos utilizando 4-fold cross-validation.
Los resultados del análisis arrojan valores alarmantes, donde un 90% de la zona sufrió
pérdidas de carbono y el stock disminuyó la mitad de sus valores iniciales. En términos netos,
el stock de carbono de 1963 perdió 384,32 Gg de C respecto al stock de 2018. Suponiendo
que esta disminución fue provocada por procesos de oxidación, estos valores equivalen a una
emisión de 1409 Gg de CO2 y a una tasa de emisión de 0,233 kg CO2·m-2
·año-1
Desde el punto de vista económico-productivo, estos suelos han perdido en gran parte el
conjunto de propiedades que ofrece la materia orgánica. Por este motivo, es de esperar que
la capacidad productiva de los suelos se haya visto afectada significativamente.
Los motivos por los cuales se han producido estas enormes pérdidas del carbono orgánico no
han sido demostrados en el presente trabajo. Sin embargo, esto podría atribuirse a las malas
prácticas de manejos de los suelos y a los cambios ecosistémicos que han sufrido los mismos
en el transcurso de la historia.
Además, desde el punto de vista ambiental, es necesario tener en cuenta dos aspectos
importantes. El primero de ellos es la gran capacidad de almacenamiento de carbono que
poseen los suelos de esta zona. El segundo, es que esta cualidad puede convertirse en un
potencial peligro si se considera al suelo como una fuente emisora de Gases de Efecto
Invernadero como sucedió en los suelos estudiados.
Por último, la utilización de Random Forests como modelo predictivo presentó resultados
óptimos, permitiendo incorporar los factores formadores de suelos en la distribución espacial
del stock de carbono |
| dependencia_str_mv |
Facultad de Ciencias Agrarias |
| object_type_str_mv |
Textual: Tesis |
| titulo_str_mv |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| id |
16665 |
| plantilla_str |
Tesis |
| record_format |
Tesis |
| author2 |
Civit, Bárbara Mastrantonio, Leandro Olmedo, Guillermo Federico Rodriguez Plaza, Luis |
| author_facet |
Civit, Bárbara Mastrantonio, Leandro Olmedo, Guillermo Federico Rodriguez Plaza, Luis Corvalán, Francisco Martín |
| tipo_str |
textuales |
| type_str_mv |
Tesis |
| title_full |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| title_fullStr |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| title_full_unstemmed |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| description |
El suelo presenta un gran servicio ecosistémico como sumidero de carbono orgánico,
almacenando más carbono en el primer metro que toda la vegetación y la atmósfera en
conjunto. Por este motivo el mapeo y monitoreo de las reservas de carbono orgánico en el
suelo se ha convertido en un tema muy relevante de estudio en las últimas décadas.
El área de estudio comprende al cinturón verde del departamento de Guaymallén (11.000 ha),
cuya principal activad agrícola es la horticultura. Los suelos pertenecientes a esta zona se
destacan de los suelos típicos de Mendoza por presentar altos contenidos de materia orgánica
y por las modificaciones ecosistémicas que han sufrido en los últimos 200 años (Prieto,
Abraham, & Dussel, 2008). Sin embargo, no existe ningún estudio sobre la variación en los
contenidos de materia orgánica de estos suelos en el transcurso del tiempo.
Con el objetivo de analizar la variación del Stock de carbono en este sector, se utilizó un set
de datos del suelo de 1963 con 509 perfiles y otro set de datos de 2018 con 29 perfiles, los
cuales fueron estandarizados a una profundidad de 30 cm. Utilizando un conjunto de variables
bioclimáticas, topográficas y variables representativas de vegetación, se elaboraron modelos
predictivos del stock de carbono mediante el método de Random Forests adaptado a las
técnicas del Mapeo Digital del Suelo. Finalmente se realizó una validación de los modelos
predictivos utilizando 4-fold cross-validation.
Los resultados del análisis arrojan valores alarmantes, donde un 90% de la zona sufrió
pérdidas de carbono y el stock disminuyó la mitad de sus valores iniciales. En términos netos,
el stock de carbono de 1963 perdió 384,32 Gg de C respecto al stock de 2018. Suponiendo
que esta disminución fue provocada por procesos de oxidación, estos valores equivalen a una
emisión de 1409 Gg de CO2 y a una tasa de emisión de 0,233 kg CO2·m-2
·año-1
Desde el punto de vista económico-productivo, estos suelos han perdido en gran parte el
conjunto de propiedades que ofrece la materia orgánica. Por este motivo, es de esperar que
la capacidad productiva de los suelos se haya visto afectada significativamente.
Los motivos por los cuales se han producido estas enormes pérdidas del carbono orgánico no
han sido demostrados en el presente trabajo. Sin embargo, esto podría atribuirse a las malas
prácticas de manejos de los suelos y a los cambios ecosistémicos que han sufrido los mismos
en el transcurso de la historia.
Además, desde el punto de vista ambiental, es necesario tener en cuenta dos aspectos
importantes. El primero de ellos es la gran capacidad de almacenamiento de carbono que
poseen los suelos de esta zona. El segundo, es que esta cualidad puede convertirse en un
potencial peligro si se considera al suelo como una fuente emisora de Gases de Efecto
Invernadero como sucedió en los suelos estudiados.
Por último, la utilización de Random Forests como modelo predictivo presentó resultados
óptimos, permitiendo incorporar los factores formadores de suelos en la distribución espacial
del stock de carbono |
| title |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| spellingShingle |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning Análisis comparativo Análisis del suelo Carbono edáfico Carbono orgánico del suelo Guaymallén (Mendoza, Argentina) Machine learning Mapeo digital del suelo Materia orgánica Nutrientes del suelo Random forests Servicios de los ecosistemas Stock de carbono Corvalán, Francisco Martín |
| topic |
Análisis comparativo Análisis del suelo Carbono edáfico Carbono orgánico del suelo Guaymallén (Mendoza, Argentina) Machine learning Mapeo digital del suelo Materia orgánica Nutrientes del suelo Random forests Servicios de los ecosistemas Stock de carbono |
| topic_facet |
Análisis comparativo Análisis del suelo Carbono edáfico Carbono orgánico del suelo Guaymallén (Mendoza, Argentina) Machine learning Mapeo digital del suelo Materia orgánica Nutrientes del suelo Random forests Servicios de los ecosistemas Stock de carbono |
| publishDate |
2019 |
| author |
Corvalán, Francisco Martín |
| title_sort |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| title_short |
Variación del contenido de materia orgánica en suelos agrícolas de Guaymallén desde 1963 a 2018, utilizando machine learning |
| url |
https://bdigital.uncu.edu.ar/fichas.php?idobjeto=16665 |
| estado_str |
3 |
| building |
Biblioteca Digital |
| filtrotop_str |
Biblioteca Digital |
| collection |
Tesis |
| institution |
Sistema Integrado de Documentación |
| indexed_str |
2023-04-25 00:34 |
| _version_ |
1764120091531673600 |
