Resumen

La erosin del suelo inducida por la lluvia es un problema crtico en muchas regiones del mundo, especialmente en las zonas tropicales, donde la cantidad anual de precipitaciones supera a menudo los 2.000 mm. Predecir la erosin del suelo es una tarea difcil, ya que est sujeta a la variacin de las caractersticas del suelo, la pendiente, la cubierta vegetal, la gestin de la tierra y las condiciones meteorolgicas. Los modelos convencionales basados en el mecanismo de los procesos de erosin del suelo suelen proporcionar buenos resultados, pero requieren mucho tiempo debido a su calibracin y validacin. El objetivo de este estudio es desarrollar un modelo de aprendizaje automtico basado en la mquina de vectores soporte (SVM) para la prediccin de la erosin del suelo. La SVM sirve como principal maquinaria de prediccin estableciendo una funcin no lineal que mapea los factores de influencia considerados para obtener predicciones precisas. Adems, para mejorar la precisin del modelo, se emplea la evolucin diferencial adaptativa basada en la historia con reduccin lineal del tamao de la poblacin y trmino de inercia poblacional (L-SHADE-PWI) para encontrar un conjunto ptimo de parmetros para la SVM. As, el mtodo propuesto, denominado L-SHADE-PWI-SVM, es una integracin de aprendizaje automtico y optimizacin metaheurstica. Con el fin de entrenar y probar el mtodo, se recopila un conjunto de datos formado por 236 muestras de erosin del suelo en el noroeste de Vietnam con 10 factores influyentes. El conjunto de entrenamiento incluye el 90% del conjunto de datos original; el resto se reserva para evaluar la capacidad de generalizacin del modelo. Los resultados experimentales indican que el nuevo mtodo L-SHADE-PWI-SVM es un predictor competitivo de la erosin del suelo con un rendimiento estadstico superior. Lo que es ms importante, L-SHADE-PWI-SVM puede alcanzar una alta tasa de precisin de clasificacin del 92%, que es mucho mejor que la de la red neuronal artificial de retropropagacin (87%) y la red neuronal artificial de funcin de base radial (78%).

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Erosión del suelo; Precipitaciones; Modelo de predicción; Máquina de vectores soporte; Aprendizaje automático; Optimización
• Keywords:Soil erosion; Rainfall; Prediction model; Support vector machine; Machine learning; Optimization