Aplicación de la metodología de desagregación espacio-temporal de estimaciones remotas de la humedad del suelo mediante técnicas de aprendizaje automático en la sub cuenca Huatanay, microcuenca Huanacaure, Kayra-Cusco en el periodo 2015-2022

• Autor: Bueno Dueñas, Marcelo
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/7502
• Enlace del recurso: http://hdl.handle.net/20.500.12918/7502
• Nivel de acceso: acceso abierto
• Materia: Humedad del suelo; Aprendizaje automático; Teledetección; Desagregación espacial; http://purl.org/pe-repo/ocde/ford#1.05.09

El presente trabajo de investigación se realizó entre mayo del 2021 y agosto del 2022. El área de estudio seleccionada fue una superficie de aproximadamente 8 328 km2, que va desde 72.30°O a 70.83° O y desde 13.13°S a 14.68°S correspondiendo a aproximadamente el 10 % de la superficie del departamento del Cusco, abarcando total o parcialmente las provincias de Calca, Canchis, Canas, Acomayo, Cusco, Anta, Urubamba, y un área pequeña de la provincia de Paucartambo. El objetivo de la investigación fue analizar, la posible utilidad de la técnica de aprendizaje automático random forest para mejorar la resolución espacio-temporal del producto SMAP-L3-E de humedad del suelo del satélite SMAP mediante comparación con datos in situ. Para lo cual, se construyeron modelos de desagregación espacio-temporal del producto SMAP-L3-E mediante random forest, se evaluaron visual y estadísticamente para comprobar su capacidad de desagregación; seguidamente se analizó la relación entre el producto SMAP-L3-E desagregado mediante random forest con la humedad del suelo medida in situ en el área bajo estudio. Respecto a la desagregación espacial, la validación visual mostró que la desagregación es coherente con la distribución original de la humedad del suelo, pero además la mejora significativamente. Se demostró que random forest es capaz de desagregar espacio-temporalmente el producto SMAP-L3-E en el área de estudio. Mediante análisis espacial y análisis de componentes principales se encontró que el producto SMAP-L3-E desagregado depende fundamentalmente de la elevación, del contenido de carbono orgánico del suelo, del contenido de arcilla y la conductividad hidráulica saturada del suelo.