Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana

Este estudio tiene como objetivo generar una línea base para la distribución del Carbono Orgánico del Suelo (SOC) en el área de influencia del Complejo Volcánico Doña Juana (CVDJ) en Nariño, Colombia, utilizando técnicas de Machine Learning aplicadas a imágenes de sensores remotos. Se seleccionaron...

Full description

Autores:: Ibarra Cuellar, Johan Alejandro

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad de los Andes

Repositorio:: Séneca: repositorio Uniandes

Idioma:: spa

id	UNIANDES2_0a29863a881dc1bcb50d765cc15e101a
oai_identifier_str	oai:repositorio.uniandes.edu.co:1992/75859
network_acronym_str	UNIANDES2
network_name_str	Séneca: repositorio Uniandes
repository_id_str
dc.title.none.fl_str_mv	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
title	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
spellingShingle	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana Soil organic carbon Complejo Volcánico Doña Juana Machine learning Random forest Sensores remotos Carbono orgánico Secuestro de carbono Geociencias
title_short	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
title_full	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
title_fullStr	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
title_full_unstemmed	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
title_sort	Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana
dc.creator.fl_str_mv	Ibarra Cuellar, Johan Alejandro
dc.contributor.advisor.none.fl_str_mv	Pardo Villaveces, Natalia González Arango, Catalina
dc.contributor.author.none.fl_str_mv	Ibarra Cuellar, Johan Alejandro
dc.contributor.jury.none.fl_str_mv	Murad Rodríguez, César Augusto
dc.subject.keyword.none.fl_str_mv	Soil organic carbon Complejo Volcánico Doña Juana Machine learning Random forest Sensores remotos Carbono orgánico Secuestro de carbono
topic	Soil organic carbon Complejo Volcánico Doña Juana Machine learning Random forest Sensores remotos Carbono orgánico Secuestro de carbono Geociencias
dc.subject.themes.spa.fl_str_mv	Geociencias
description	Este estudio tiene como objetivo generar una línea base para la distribución del Carbono Orgánico del Suelo (SOC) en el área de influencia del Complejo Volcánico Doña Juana (CVDJ) en Nariño, Colombia, utilizando técnicas de Machine Learning aplicadas a imágenes de sensores remotos. Se seleccionaron y calcularon varios índices de vegetación (NDVI, EVI, TVI, SAVI y SATVI) para estimar el SOC y se integraron con un Modelo de Elevación Digital (DEM) para evaluar su influencia en la distribución del SOC. El análisis se realizó para los años 2022 y 2024, utilizando datos satelitales y el set de datos de SoilGrids como referencia. Los resultados mostraron que, aunque los coeficientes de correlación entre los índices de vegetación y el SOC no fueron altos, especialmente en 2024, el modelo de Random Forest (RF) demostró una capacidad aceptable para capturar patrones de distribución del SOC. Los valores de MSE (267.80), MAE (12.68) y R² (0.21) indican que, aunque el modelo es prometedor, existe un margen significativo para mejoras mediante la incorporación de datos de campo más detallados y específicos. La comparación de los resultados del modelo con los datos de SoilGrids revela que el enfoque metodológico utilizado puede proporcionar una mejor comprensión de los patrones de distribución del SOC a escalas más pequeñas. Los patrones observados en la distribución del SOC están estrechamente relacionados con la topografía del terreno, destacando la importancia de considerar variables topográficas en la estimación del SOC. Este estudio sugiere que el uso combinado de índices de vegetación y técnicas de Machine Learning puede ser una herramienta poderosa para la estimación del SOC en áreas de difícil acceso, aunque es fundamental mejorar la precisión del modelo mediante la incorporación de datos de campo y un conjunto de datos de entrenamiento más amplio. La identificación de la pendiente como un factor relevante en la distribución del SOC proporciona una dirección para futuras investigaciones y mejoras en la modelización del carbono orgánico en suelos volcánicos y otros contextos geológicos.
publishDate	2024
dc.date.issued.none.fl_str_mv	2024-05-24
dc.date.accessioned.none.fl_str_mv	2025-01-30T18:52:50Z
dc.date.available.none.fl_str_mv	2025-01-30T18:52:50Z
dc.type.none.fl_str_mv	Trabajo de grado - Pregrado
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv	Text
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/1992/75859
dc.identifier.instname.none.fl_str_mv	instname:Universidad de los Andes
dc.identifier.reponame.none.fl_str_mv	reponame:Repositorio Institucional Séneca
dc.identifier.repourl.none.fl_str_mv	repourl:https://repositorio.uniandes.edu.co/
url	https://hdl.handle.net/1992/75859
identifier_str_mv	instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Bannari, A., Morin, D., Bonn, F., & Huete, A. R. (1995). A review of vegetation indices. Remote Sensing Reviews, 13(1-2), 95-120. https://doi.org/10.1080/02757259509532298 Baret, E, Guyot, G., Begue, A., Morel, P. and Podaire, A. (1986) Etude de la complémentarité du moyen infrarouge avec le visible et le proche infrarouge pour le suivi de la végétation (Study of the complementarity of mid-infrared with visible and near-infrared for vegetation monitoring. Spectral Signatures of Objects in Remote Sensing, Les Arcs, France, 409-412.). Spectral Signatures of Objects in Remote Sensing, Les Arcs, France, 409-412. Baret, F., & Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing Of Environment, 35(2-3), 161-173. https://doi.org/10.1016/0034-4257(91)90009-u Batjes, N. (1996). Total carbon and nitrogen in the soils of the world. European Journal of Soil Science, 47(2), 151-163. https://doi.org/10.1111/j.1365-2389.1996.tb01386.x Dai, F., Zhou, Q., Lv, Z., Wang, X., Liu, G., (2014). Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau. Ecol. Ind. 45, 184–194. https://doi.org/10.1016/j.ecolind.2014.04.003. Deering, D. W., Rouse, J. W., Haas, R. H., & Schell, J. A. (1975). Measuring "forage production" of grazing units from Landsat MSS data. Proceedings of the Tenth International Symposium on Remote Sensing of Environment, 1169. Ann Arbor, MI: Michigan. Diaz-Gonzalez, F. A., Vuelvas, J., Correa, C. A. G., Vallejo, V. E., & Patino, D. (2022). Machine learning and remote sensing techniques applied to estimate soil indicators – review. Ecological Indicators, 135, 108517. https://doi.org/10.1016/j.ecolind.2021.108517 Faria, O. C. O., Torres, G. N., Di Raimo, L. A. D. L., & Couto, E. G. (2023). Estimate of carbon stock in the soil via diffuse reflectance spectroscopy (vis/nir) air and orbital remote sensing. Revista Caatinga, 36(3), 675-689. https://doi.org/10.1590/1983-21252023v36n320rc Hengl, T., De Jesus, J. M., Heuvelink, G. B. M., Gonzalez, M. R., Kilibarda, M., Blagotić, A., Shangguan, W., Wright, M. N., Geng, X., Bauer-Marschallinger, B., Guevara, M. A., Vargas, R., MacMillan, R. A., Batjes, N. H., Leenaars, J. G. B., Ribeiro, E., Wheeler, I., Mantel, S., & Kempen, B. (2017). SoilGrids250m: Global gridded soil information based on machine learning. PLoS ONE, 12(2), e0169748. https://doi.org/10.1371/journal.pone.0169748 Herrera, M.C., Lizcano, A., & Santamarina, J.C. (2007) Colombian Volcanic ash Soils. Characterization and engineering properties of natural soils, 2385-2409. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309. Huete, A., Justice, C., & Van Leeuwen, W. (1999). MODIS vegetation index (MOD13). Algorithm theoretical basis document, 3(213), 295-309. Gitelson, A. A., & Merzlyak, M. N. (1998). Remote sensing of chlorophyll concentration in higher plant leaves. Advances in space research, 22(5), 689-692. Gómez, J., & Montes, N. E. (Compiladores). (2020). Mapa geológico de Colombia en relieve 2020 (Escala 1:1 000 000, 2 hojas). Servicio Geológico Colombiano. Bogotá. Instituto Geográfico Agustín Codazzi (IGAC). (s.f.). Datos abiertos - Agrología. Recuperado de https://geoportal.igac.gov.co/contenido/datos-abiertos-agrologia Ingeominas (2008) Geología e historia eruptiva del Complejo Volcánico Doña Juana Ingram, J., & Fernandes, E. C. M. (2001). Managing Carbon Sequestration in Soils: Concepts and Terminology. Agriculture, Ecosystems & Environment, 87(1), 111-117. https://doi.org/10.1016/s0167-8809(01)00145-1 ISRIC (s. f.). SoilGrids — Global Gridded Soil Information. Recuperado de: https://www.isric.org/explore/soilgrids Jamalabad, M. S., and A. A. Abkar. 2004. Forest canopy density monitoring using satellite data. In: Proceedings of the XXth International Society for Photogrammetry and Remote Sensing (ISPRS) Congress, Commission 7, Istanbul, Turkey. (Versión Digital). Lal, R. (2003) Global Potential of Soil Carbon Sequestration to Mitigate the Greenhouse Effect, Critical Reviews in Plant Sciences, 22:2, 151-184, DOI: 10.1080/713610854 Lal, R., Griffin, M., Apt, J., Lave, L., & Morgan, M. G. (2004). Managing soil carbon. Science, 304(5669), 393. https://doi.org/10.1126/science.1093079 Lary, D. J., Alavi, A. H., Gandomi, A. H., & Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience frontiers, 7(1), 3-10. https://doi.org/10.1016/j.gsf.2015.07.003 Matus, F., Rumpel, C., Neculman, R., Panichini, M., & Mora, M. (2014). Soil carbon storage and stabilisation in andic soils: A review. CATENA, 120, 102-110. https://doi.org/10.1016/j.catena.2014.04.008 Myeong, S., Nowak, D. J., & Duggin, M. J. (2006). A temporal analysis of urban forest carbon storage using remote sensing. Remote Sensing of Environment, 101(2), 277-282. https://doi.org/10.1016/j.rse.2005.12.001 Neall, V. (2006). Volcanic soils. ResearchGate. https://www.researchgate.net/publication/238789918_Volcanic_soils Odebiri, O., Mutanga, O., Odindi, J., & Naicker, R. (2022b). Modelling soil organic carbon stock distribution across different land-uses in South Africa: a remote sensing and deep learning approach. Isprs Journal of Photogrammetry and Remote Sensing, 188, 351-362. https://doi.org/10.1016/j.isprsjprs.2022.04.026 Pardo, N., Pulgarín, B., Betancourt, V., Lucchi, F., and Valencia, L.J., 2019, Facing geological mapping at low-latitude volcanoes: The Doña Juana volcanic complex study-case, SW Colombia: Journal of Volcanology and Geothermal Research , v. 385, p. 46–67. Pardo, N., Sulpizio, R., Lucchi, F., Giordano, G., Cronin, S., Pulgarín, B. A., Roverato, M., Correa-Tamayo, A. M., Camacho, R., & Cabrera, M. A. (2023). Late Holocene volcanic stratigraphy and eruption chronology of the dacitic Young Doña Juana volcano, Colombia. Geological Society Of America Bulletin. https://doi.org/10.1130/b36557.1 Poggio, L., De Sousa, L. M., Batjes, N., Heuvelink, G., Kempen, B., Ribeiro, E., & Rossiter, D. G. (2021). SoilGrids 2.0: Producing soil information for the globe with quantified spatial uncertainty. Soil, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021 Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote sensing of environment, 48(2), 119-126. Quantin, P. (1986). Properties and genesis of andisols. ResearchGate. https://www.researchgate.net/publication/32985579_Properties_and_genesis_of_Andisols Radočaj, D., Šiljeg, A., Marinović, R., & Jurišić, M. (2023). State of Major Vegetation Indices in Precision Agriculture Studies Indexed in Web of Science: A Review. Agriculture, 13(3), 707. https://doi.org/10.3390/agriculture13030707 Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric engineering and remote sensing, 43(12), 1541-1552. Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote sensing of Environment, 51(3), 375-384. Rouse, J. W., Jr., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Measuring "forage production" of grazing units from Landsat MSS data. Proceedings of the Tenth International Symposium on Remote Sensing of Environment, 1169. Ann Arbor, MI: Michigan. Shoji, S., Dahlgren, R. A., & Nanzyo, M. (1993). Chapter 3 Genesis of volcanic ash soils. En Developments in psychiatry (pp. 37-71). https://doi.org/10.1016/s0166-2481(08)70264-2 Smith, P., Soussana, J., Angers, D. A., Schipper, L. A., Chenu, C., Rasse, D. P., Batjes, N., Van Egmond, F., McNeill, S., Kuhnert, M., Arias‐Navarro, C., Olesen, J. E., Chirinda, N., Fornara, D., Wollenberg, E. K., Álvaro‐Fuentes, J., Sanz-Cobeña, A., & Klumpp, K. (2019). How to measure, report and verify soil carbon change to realize the potential of soil carbon sequestration for atmospheric greenhouse gas removal. Global Change Biology, 26(1), 219-241. https://doi.org/10.1111/gcb.14815Z Štroner, M., Urban, R., & Suk, T. (2023). Filtering Green Vegetation Out from Colored Point Clouds of Rocky Terrains Based on Various Vegetation Indices: Comparison of Simple Statistical Methods, Support Vector Machine, and Neural Network. Remote Sensing, 15(13), 3254. https://doi.org/10.3390/rs15133254 Wang, S., Guan, K., Zhang, C., Lee, D., Margenot, A. J., Ge, Y., Peng, J., Zhou, W., Zhou, Q., & Huang, Y. (2022). Using soil library hyperspectral reflectance and machine learning to predict soil organic carbon: Assessing potential of airborne and spaceborne optical soil sensing. Remote Sensing Of Environment, 271, 112914. https://doi.org/10.1016/j.rse.2022.112914 Wang, T., Zhou, W., Xiao, J., Li, H., Yao, L., Xie, L., & Wang, K. (2023). Soil Organic Carbon Prediction Using Sentinel-2 Data and Environmental Variables in a Karst Trough Valley Area of Southwest China. Remote Sensing, 15(8), 2118. https://doi.org/10.3390/rs15082118 Yang, J., Fan, J., Lan, Z., Mu, X., Wu, Y., Xin, Z., Miping, P., & Zhao, G. (2022). Improved Surface Soil Organic Carbon Mapping of SoilGrids250m Using Sentinel-2 Spectral Images in the Qinghai–Tibetan Plateau. Remote Sensing, 15(1), 114. https://doi.org/10.3390/rs15010114 Zhang, Z., Fan, Y., & Jiao, Z. (2022). Wetland ecological index and assessment of spatial-temporal changes of wetland ecological integrity. The Science Of The Total Environment, 862, 160741. https://doi.org/10.1016/j.scitotenv.2022.160741 Zhou, T., Geng, Y., Ji, C., Xu, X., Wang, H., Pan, J., Bumberger, J., Haase, D., & Lausch, A. (2020). Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images. The Science Of The Total Environment, 755, 142661. https://doi.org/10.1016/j.scitotenv.2020.142661
dc.rights.en.fl_str_mv	Attribution 4.0 International
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by/4.0/
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.none.fl_str_mv	38 páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de los Andes
dc.publisher.program.none.fl_str_mv	Geociencias
dc.publisher.faculty.none.fl_str_mv	Facultad de Ciencias
dc.publisher.department.none.fl_str_mv	Departamento de Geociencias
publisher.none.fl_str_mv	Universidad de los Andes
institution	Universidad de los Andes
bitstream.url.fl_str_mv	https://repositorio.uniandes.edu.co/bitstreams/b9f6cee3-6a80-44f5-bd0e-065e9ced9bac/download https://repositorio.uniandes.edu.co/bitstreams/3eaacfa1-732a-434c-996c-373c389419c2/download https://repositorio.uniandes.edu.co/bitstreams/202280c4-41bc-4af8-a6b1-b3c1fabe6937/download https://repositorio.uniandes.edu.co/bitstreams/b6026c43-4439-4970-a448-beea94bed89c/download https://repositorio.uniandes.edu.co/bitstreams/7f98e792-3b18-4007-85e1-d6cf573812d2/download https://repositorio.uniandes.edu.co/bitstreams/9552cb2a-8b01-4b59-b4fb-de3bc0c38b96/download https://repositorio.uniandes.edu.co/bitstreams/23accae9-45a0-4bc0-aa84-412383359a3b/download https://repositorio.uniandes.edu.co/bitstreams/8b1650c1-d788-488b-ad64-355101fcbf23/download
bitstream.checksum.fl_str_mv	b011b8fe8020357bb5f7dd55a814bad1 7f78dfd87e9ea376b29fe6ea60140d6e ae9e573a68e7f92501b6913cc846c39f 0175ea4a2d4caec4bbcc37e300941108 312cbafe55910aaab6b23d00fe09499e 8f48654b54b9cddac289d84d7ea1e7d0 8424b26e45a9555dd1157c582d9e1340 094703faee5e70f91775e6dcc969dbd8
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional Séneca
repository.mail.fl_str_mv	adminrepositorio@uniandes.edu.co
_version_	1831927658606231552
spelling	Pardo Villaveces, Nataliavirtual::23920-1González Arango, Catalinavirtual::23922-1Ibarra Cuellar, Johan AlejandroMurad Rodríguez, César Augusto2025-01-30T18:52:50Z2025-01-30T18:52:50Z2024-05-24https://hdl.handle.net/1992/75859instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este estudio tiene como objetivo generar una línea base para la distribución del Carbono Orgánico del Suelo (SOC) en el área de influencia del Complejo Volcánico Doña Juana (CVDJ) en Nariño, Colombia, utilizando técnicas de Machine Learning aplicadas a imágenes de sensores remotos. Se seleccionaron y calcularon varios índices de vegetación (NDVI, EVI, TVI, SAVI y SATVI) para estimar el SOC y se integraron con un Modelo de Elevación Digital (DEM) para evaluar su influencia en la distribución del SOC. El análisis se realizó para los años 2022 y 2024, utilizando datos satelitales y el set de datos de SoilGrids como referencia. Los resultados mostraron que, aunque los coeficientes de correlación entre los índices de vegetación y el SOC no fueron altos, especialmente en 2024, el modelo de Random Forest (RF) demostró una capacidad aceptable para capturar patrones de distribución del SOC. Los valores de MSE (267.80), MAE (12.68) y R² (0.21) indican que, aunque el modelo es prometedor, existe un margen significativo para mejoras mediante la incorporación de datos de campo más detallados y específicos. La comparación de los resultados del modelo con los datos de SoilGrids revela que el enfoque metodológico utilizado puede proporcionar una mejor comprensión de los patrones de distribución del SOC a escalas más pequeñas. Los patrones observados en la distribución del SOC están estrechamente relacionados con la topografía del terreno, destacando la importancia de considerar variables topográficas en la estimación del SOC. Este estudio sugiere que el uso combinado de índices de vegetación y técnicas de Machine Learning puede ser una herramienta poderosa para la estimación del SOC en áreas de difícil acceso, aunque es fundamental mejorar la precisión del modelo mediante la incorporación de datos de campo y un conjunto de datos de entrenamiento más amplio. La identificación de la pendiente como un factor relevante en la distribución del SOC proporciona una dirección para futuras investigaciones y mejoras en la modelización del carbono orgánico en suelos volcánicos y otros contextos geológicos.Pregrado38 páginasapplication/pdfspaUniversidad de los AndesGeocienciasFacultad de CienciasDepartamento de GeocienciasAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña JuanaTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPSoil organic carbonComplejo Volcánico Doña JuanaMachine learningRandom forestSensores remotosCarbono orgánicoSecuestro de carbonoGeocienciasBannari, A., Morin, D., Bonn, F., & Huete, A. R. (1995). A review of vegetation indices. Remote Sensing Reviews, 13(1-2), 95-120. https://doi.org/10.1080/02757259509532298Baret, E, Guyot, G., Begue, A., Morel, P. and Podaire, A. (1986) Etude de la complémentarité du moyen infrarouge avec le visible et le proche infrarouge pour le suivi de la végétation (Study of the complementarity of mid-infrared with visible and near-infrared for vegetation monitoring. Spectral Signatures of Objects in Remote Sensing, Les Arcs, France, 409-412.). Spectral Signatures of Objects in Remote Sensing, Les Arcs, France, 409-412.Baret, F., & Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing Of Environment, 35(2-3), 161-173. https://doi.org/10.1016/0034-4257(91)90009-uBatjes, N. (1996). Total carbon and nitrogen in the soils of the world. European Journal of Soil Science, 47(2), 151-163. https://doi.org/10.1111/j.1365-2389.1996.tb01386.xDai, F., Zhou, Q., Lv, Z., Wang, X., Liu, G., (2014). Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau. Ecol. Ind. 45, 184–194. https://doi.org/10.1016/j.ecolind.2014.04.003.Deering, D. W., Rouse, J. W., Haas, R. H., & Schell, J. A. (1975). Measuring "forage production" of grazing units from Landsat MSS data. Proceedings of the Tenth International Symposium on Remote Sensing of Environment, 1169. Ann Arbor, MI: Michigan.Diaz-Gonzalez, F. A., Vuelvas, J., Correa, C. A. G., Vallejo, V. E., & Patino, D. (2022). Machine learning and remote sensing techniques applied to estimate soil indicators – review. Ecological Indicators, 135, 108517. https://doi.org/10.1016/j.ecolind.2021.108517Faria, O. C. O., Torres, G. N., Di Raimo, L. A. D. L., & Couto, E. G. (2023). Estimate of carbon stock in the soil via diffuse reflectance spectroscopy (vis/nir) air and orbital remote sensing. Revista Caatinga, 36(3), 675-689. https://doi.org/10.1590/1983-21252023v36n320rcHengl, T., De Jesus, J. M., Heuvelink, G. B. M., Gonzalez, M. R., Kilibarda, M., Blagotić, A., Shangguan, W., Wright, M. N., Geng, X., Bauer-Marschallinger, B., Guevara, M. A., Vargas, R., MacMillan, R. A., Batjes, N. H.,Leenaars, J. G. B., Ribeiro, E., Wheeler, I., Mantel, S., & Kempen, B. (2017). SoilGrids250m: Global gridded soil information based on machine learning. PLoS ONE, 12(2), e0169748. https://doi.org/10.1371/journal.pone.0169748Herrera, M.C., Lizcano, A., & Santamarina, J.C. (2007) Colombian Volcanic ash Soils. Characterization and engineering properties of natural soils, 2385-2409.Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309.Huete, A., Justice, C., & Van Leeuwen, W. (1999). MODIS vegetation index (MOD13). Algorithm theoretical basis document, 3(213), 295-309.Gitelson, A. A., & Merzlyak, M. N. (1998). Remote sensing of chlorophyll concentration in higher plant leaves. Advances in space research, 22(5), 689-692.Gómez, J., & Montes, N. E. (Compiladores). (2020). Mapa geológico de Colombia en relieve 2020 (Escala 1:1 000 000, 2 hojas). Servicio Geológico Colombiano. Bogotá.Instituto Geográfico Agustín Codazzi (IGAC). (s.f.). Datos abiertos - Agrología. Recuperado de https://geoportal.igac.gov.co/contenido/datos-abiertos-agrologiaIngeominas (2008) Geología e historia eruptiva del Complejo Volcánico Doña JuanaIngram, J., & Fernandes, E. C. M. (2001). Managing Carbon Sequestration in Soils: Concepts and Terminology.Agriculture, Ecosystems & Environment, 87(1), 111-117. https://doi.org/10.1016/s0167-8809(01)00145-1ISRIC (s. f.). SoilGrids — Global Gridded Soil Information. Recuperado de: https://www.isric.org/explore/soilgridsJamalabad, M. S., and A. A. Abkar. 2004. Forest canopy density monitoring using satellite data. In: Proceedings of the XXth International Society for Photogrammetry and Remote Sensing (ISPRS) Congress, Commission 7, Istanbul, Turkey. (Versión Digital).Lal, R. (2003) Global Potential of Soil Carbon Sequestration to Mitigate the Greenhouse Effect, CriticalReviews in Plant Sciences, 22:2, 151-184, DOI: 10.1080/713610854Lal, R., Griffin, M., Apt, J., Lave, L., & Morgan, M. G. (2004). Managing soil carbon. Science, 304(5669), 393. https://doi.org/10.1126/science.1093079Lary, D. J., Alavi, A. H., Gandomi, A. H., & Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience frontiers, 7(1), 3-10. https://doi.org/10.1016/j.gsf.2015.07.003Matus, F., Rumpel, C., Neculman, R., Panichini, M., & Mora, M. (2014). Soil carbon storage and stabilisation in andic soils: A review. CATENA, 120, 102-110. https://doi.org/10.1016/j.catena.2014.04.008Myeong, S., Nowak, D. J., & Duggin, M. J. (2006). A temporal analysis of urban forest carbon storage using remote sensing. Remote Sensing of Environment, 101(2), 277-282. https://doi.org/10.1016/j.rse.2005.12.001Neall, V. (2006). Volcanic soils. ResearchGate. https://www.researchgate.net/publication/238789918_Volcanic_soilsOdebiri, O., Mutanga, O., Odindi, J., & Naicker, R. (2022b). Modelling soil organic carbon stock distribution across different land-uses in South Africa: a remote sensing and deep learning approach. Isprs Journal of Photogrammetry and Remote Sensing, 188, 351-362. https://doi.org/10.1016/j.isprsjprs.2022.04.026Pardo, N., Pulgarín, B., Betancourt, V., Lucchi, F., and Valencia, L.J., 2019, Facing geological mapping at low-latitude volcanoes: The Doña Juana volcanic complex study-case, SW Colombia: Journal of Volcanology and Geothermal Research , v. 385, p. 46–67.Pardo, N., Sulpizio, R., Lucchi, F., Giordano, G., Cronin, S., Pulgarín, B. A., Roverato, M., Correa-Tamayo, A. M., Camacho, R., & Cabrera, M. A. (2023). Late Holocene volcanic stratigraphy and eruption chronology of the dacitic Young Doña Juana volcano, Colombia. Geological Society Of America Bulletin. https://doi.org/10.1130/b36557.1Poggio, L., De Sousa, L. M., Batjes, N., Heuvelink, G., Kempen, B., Ribeiro, E., & Rossiter, D. G. (2021). SoilGrids 2.0: Producing soil information for the globe with quantified spatial uncertainty. Soil, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote sensing of environment, 48(2), 119-126.Quantin, P. (1986). Properties and genesis of andisols. ResearchGate. https://www.researchgate.net/publication/32985579_Properties_and_genesis_of_AndisolsRadočaj, D., Šiljeg, A., Marinović, R., & Jurišić, M. (2023). State of Major Vegetation Indices in Precision Agriculture Studies Indexed in Web of Science: A Review. Agriculture, 13(3), 707. https://doi.org/10.3390/agriculture13030707Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric engineering and remote sensing, 43(12), 1541-1552.Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote sensing of Environment, 51(3), 375-384.Rouse, J. W., Jr., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Measuring "forage production" of grazing units from Landsat MSS data. Proceedings of the Tenth International Symposium on Remote Sensing of Environment, 1169. Ann Arbor, MI: Michigan.Shoji, S., Dahlgren, R. A., & Nanzyo, M. (1993). Chapter 3 Genesis of volcanic ash soils. En Developments in psychiatry (pp. 37-71). https://doi.org/10.1016/s0166-2481(08)70264-2Smith, P., Soussana, J., Angers, D. A., Schipper, L. A., Chenu, C., Rasse, D. P., Batjes, N., Van Egmond, F., McNeill, S., Kuhnert, M., Arias‐Navarro, C., Olesen, J. E., Chirinda, N., Fornara, D., Wollenberg, E. K., Álvaro‐Fuentes, J., Sanz-Cobeña, A., & Klumpp, K. (2019). How to measure, report and verify soil carbon change to realize the potential of soil carbon sequestration for atmospheric greenhouse gas removal. Global Change Biology, 26(1), 219-241. https://doi.org/10.1111/gcb.14815ZŠtroner, M., Urban, R., & Suk, T. (2023). Filtering Green Vegetation Out from Colored Point Clouds of Rocky Terrains Based on Various Vegetation Indices: Comparison of Simple Statistical Methods, Support Vector Machine, and Neural Network. Remote Sensing, 15(13), 3254. https://doi.org/10.3390/rs15133254Wang, S., Guan, K., Zhang, C., Lee, D., Margenot, A. J., Ge, Y., Peng, J., Zhou, W., Zhou, Q., & Huang, Y. (2022). Using soil library hyperspectral reflectance and machine learning to predict soil organic carbon: Assessing potential of airborne and spaceborne optical soil sensing. Remote Sensing Of Environment, 271, 112914. https://doi.org/10.1016/j.rse.2022.112914Wang, T., Zhou, W., Xiao, J., Li, H., Yao, L., Xie, L., & Wang, K. (2023). Soil Organic Carbon Prediction Using Sentinel-2 Data and Environmental Variables in a Karst Trough Valley Area of Southwest China. Remote Sensing, 15(8), 2118. https://doi.org/10.3390/rs15082118Yang, J., Fan, J., Lan, Z., Mu, X., Wu, Y., Xin, Z., Miping, P., & Zhao, G. (2022). Improved Surface Soil Organic Carbon Mapping of SoilGrids250m Using Sentinel-2 Spectral Images in the Qinghai–Tibetan Plateau. Remote Sensing, 15(1), 114. https://doi.org/10.3390/rs15010114Zhang, Z., Fan, Y., & Jiao, Z. (2022). Wetland ecological index and assessment of spatial-temporal changes of wetland ecological integrity. The Science Of The Total Environment, 862, 160741. https://doi.org/10.1016/j.scitotenv.2022.160741Zhou, T., Geng, Y., Ji, C., Xu, X., Wang, H., Pan, J., Bumberger, J., Haase, D., & Lausch, A. (2020). Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images. The Science Of The Total Environment, 755, 142661. https://doi.org/10.1016/j.scitotenv.2020.142661202021316Publicationhttps://scholar.google.es/citations?user=ikmh8i0AAAAJvirtual::23920-1https://scholar.google.es/citations?user=KvbIIjYAAAAJvirtual::23922-10000-0002-8247-4116virtual::23920-10000-0003-1709-4405virtual::23922-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000406740virtual::23920-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000446483virtual::23922-1a782b64a-d94d-4fd1-b866-03e18a0b504fvirtual::23920-1b21dcbea-1189-4504-97e4-3a89a45dba17virtual::23922-1a782b64a-d94d-4fd1-b866-03e18a0b504fvirtual::23920-1b21dcbea-1189-4504-97e4-3a89a45dba17virtual::23922-1ORIGINALAutorizacion Tesis Johan Ibarra.pdfAutorizacion Tesis Johan Ibarra.pdfHIDEapplication/pdf388873https://repositorio.uniandes.edu.co/bitstreams/b9f6cee3-6a80-44f5-bd0e-065e9ced9bac/downloadb011b8fe8020357bb5f7dd55a814bad1MD51Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdfEvaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdfapplication/pdf7829178https://repositorio.uniandes.edu.co/bitstreams/3eaacfa1-732a-434c-996c-373c389419c2/download7f78dfd87e9ea376b29fe6ea60140d6eMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/202280c4-41bc-4af8-a6b1-b3c1fabe6937/downloadae9e573a68e7f92501b6913cc846c39fMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/b6026c43-4439-4970-a448-beea94bed89c/download0175ea4a2d4caec4bbcc37e300941108MD54TEXTAutorizacion Tesis Johan Ibarra.pdf.txtAutorizacion Tesis Johan Ibarra.pdf.txtExtracted texttext/plain2221https://repositorio.uniandes.edu.co/bitstreams/7f98e792-3b18-4007-85e1-d6cf573812d2/download312cbafe55910aaab6b23d00fe09499eMD55Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdf.txtEvaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdf.txtExtracted texttext/plain64573https://repositorio.uniandes.edu.co/bitstreams/9552cb2a-8b01-4b59-b4fb-de3bc0c38b96/download8f48654b54b9cddac289d84d7ea1e7d0MD57THUMBNAILAutorizacion Tesis Johan Ibarra.pdf.jpgAutorizacion Tesis Johan Ibarra.pdf.jpgGenerated Thumbnailimage/jpeg11048https://repositorio.uniandes.edu.co/bitstreams/23accae9-45a0-4bc0-aa84-412383359a3b/download8424b26e45a9555dd1157c582d9e1340MD56Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdf.jpgEvaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana.pdf.jpgGenerated Thumbnailimage/jpeg7304https://repositorio.uniandes.edu.co/bitstreams/8b1650c1-d788-488b-ad64-355101fcbf23/download094703faee5e70f91775e6dcc969dbd8MD581992/75859oai:repositorio.uniandes.edu.co:1992/758592025-03-05 09:40:06.276http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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

Evaluación del uso de sensores remotos y machine learning en la estimación del carbono orgánico del suelo en el Complejo Volcánico Doña Juana

Publicaciones similares