Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol

Autores
Moreno, Rocío; Irigoyen, Andrea Inés; Monterubbianesi, María Gloria; Studdert, Guillermo Alberto
Año de publicación
2017
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Soil organic carbon (SOC) has a key role in the global carbon (C) cycle. The complex relationships among the components of C cycle make the modelling of SOC variation difficult. Artificial neural networks (ANN) are models capable to determine interrelationships based on information. The objective was to develop and evaluate models based on the ANN technique to estimate the SOC in Mollisols of the Southeastern of Buenos Aires Province, Argentina (SEBA). Data from three long term experiments were used. Management and meteorological variables were selected as input. Management information included numerical variables (initial SOC (SOCI); number of years from the beginning of the experiment (Year), proportion of soybean in the crop sequence; (Prop soybean); crop yields (Yield), proportion of cropping in the crop rotation (Prop agri), and categorical variables (Crop, Tillage). In addition, two meteorological inputs (minimum (Tmin) and mean air temperature (Tmed)), were selected. The ANNs were adequate to estimate SOC in the upper 0.20 m of Mollisols of the SEBA. The model with the best performance included six management variables (SOCI, Year, Prop soybean, Tillage, Yield, Prop agri) and one meteorological variable (Tmin), all of them easily available and with low level of uncertainty. Soil organic C changes related to soil use in the SEBA could be satisfactorily estimated using an ANN developed with simple and easily available input variables. Artificial neural network technique appears as a valuable tool to develop robust models to help predicting SOC changes.
El carbono orgánico del suelo (SOC) tiene un papel clave en el ciclo global del carbono. Las relaciones complejas entre los componentes del ciclo de C hacen difícil la modelización de la variación del SOC. Las Redes Neuronales Artificiales (ANN) son modelos capaces de determinar las interrelaciones existentes basadas en información disponible. El objetivo fue desarrollar y evaluar modelos basados en la técnica de ANN para estimar el SOC en Mollisoles del sudeste de la Provincia de Buenos Aires, Argentina (SEBA). Fueron empleados datos provenientes de tres experimentos de larga duración conducidos en el SEBA. Variables de manejo y meteorológicas fueron seleccionadas como entradas de las ANN. La información de manejo incluyó variables numéricas (SOC inicial (SOCI); número de años desde el inicio del experimento (Year), proporción de soja (Prop soybean), rendimiento de cultivos (Yield), proporción de la agricultura en la secuencia (Prop agri)) y variables categóricas (cultivo (Crop), sistema de labranza (Tillage)). Además, dos variables meteorológicas (temperatura mínima (Tmin) y temperatura promedio (Tmed)) fueron consideradas. Las ANN estimaron adecuadamente el SOC en los 0,20 m superiores de Mollisoles del SEBA. El modelo con mejor desempeño fue desarrollado a partir de una variable meteorológica (Tmin) y seis variables de manejo (SOCI, Year, Prop sowbean, Tillage, Yield, Prop agri), todas ellas fácilmente accesibles y con bajo nivel de incertidumbre.
O carbono orgânico do solo (SOC) tem um papel fundamental no ciclo global do carbono. As relações complexas entre os componentes do ciclo do C dificulta a modelação da variação do SOC. As redes neuronais artificiais (ANN) são modelos capazes de determinar as inter-relações existentes com base em informação disponível. O objetivo deste trabalho foi desenvolver e avaliar modelos baseados na técnica de ANN para estimar o SOC em Molisolos do sudeste da província de Buenos Aires, Argentina (SEBA). Foram utilizados dados de três ensaios de longa duração conduzidos em SEBA. Variáveis meteorológicas e de gestão foram selecionadas como dados de entrada das ANN. Informações de gestão incluíram variáveis numéricas (concentração inicial de SOC (SOCI); número de anos desde o início do ensaio (Year), a proporção de soja na sequência da colheita; (Prop soja), rendimento da colheita (Yield); proporção de cultivo na sequência da rotação da cultura (Prop agri)) e variáveis categóricas (cultivo (Crop), e sistema de lavoura (Tillage)). Além disso, consideraram-se duas variáveis meteorológicas (temperatura média do ar (Tmed) e temperatura mínima do ar (Tmin)). Os modelos baseados em ANN demonstraram ser adequados para estimar o SOC nas camadas superiores (0,20 m) dos Molisolos do SEBA. O modelo com melhor desempenho foi desenvolvido a partir de uma variável meteorológica (Tmin) e seis variáveis de gestão (SOCI, Year, Prop soja, Tillage, Yield, Prop agri), sendo todas as varáveis facilmente acessíveis e com baixo nível de incerteza. As alterações no SOC relacionadas com o uso do solo no SEBA poderiam ser satisfatoriamente estimadas usando uma ANN desenvolvida a partir de variáveis simples e facilmente disponíveis. A técnica de ANN parece ser uma ferramenta válida para desenvolver modelos robustos para ajudar a prever as alterações de SOC.
Materia
Ciencias Agrícolas
modeling
cropping systems
cropping systems
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc/4.0/
Repositorio
CIC Digital (CICBA)
Institución
Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
OAI Identificador
oai:digital.cic.gba.gob.ar:11746/8154

id CICBA_17569798c338f89841664d12d4254e86
oai_identifier_str oai:digital.cic.gba.gob.ar:11746/8154
network_acronym_str CICBA
repository_id_str 9441
network_name_str CIC Digital (CICBA)
spelling Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter MollisolMoreno, RocíoIrigoyen, Andrea InésMonterubbianesi, María GloriaStuddert, Guillermo AlbertoCiencias Agrícolasmodelingcropping systemscropping systemsSoil organic carbon (SOC) has a key role in the global carbon (C) cycle. The complex relationships among the components of C cycle make the modelling of SOC variation difficult. Artificial neural networks (ANN) are models capable to determine interrelationships based on information. The objective was to develop and evaluate models based on the ANN technique to estimate the SOC in Mollisols of the Southeastern of Buenos Aires Province, Argentina (SEBA). Data from three long term experiments were used. Management and meteorological variables were selected as input. Management information included numerical variables (initial SOC (SOCI); number of years from the beginning of the experiment (Year), proportion of soybean in the crop sequence; (Prop soybean); crop yields (Yield), proportion of cropping in the crop rotation (Prop agri), and categorical variables (Crop, Tillage). In addition, two meteorological inputs (minimum (Tmin) and mean air temperature (Tmed)), were selected. The ANNs were adequate to estimate SOC in the upper 0.20 m of Mollisols of the SEBA. The model with the best performance included six management variables (SOCI, Year, Prop soybean, Tillage, Yield, Prop agri) and one meteorological variable (Tmin), all of them easily available and with low level of uncertainty. Soil organic C changes related to soil use in the SEBA could be satisfactorily estimated using an ANN developed with simple and easily available input variables. Artificial neural network technique appears as a valuable tool to develop robust models to help predicting SOC changes.El carbono orgánico del suelo (SOC) tiene un papel clave en el ciclo global del carbono. Las relaciones complejas entre los componentes del ciclo de C hacen difícil la modelización de la variación del SOC. Las Redes Neuronales Artificiales (ANN) son modelos capaces de determinar las interrelaciones existentes basadas en información disponible. El objetivo fue desarrollar y evaluar modelos basados en la técnica de ANN para estimar el SOC en Mollisoles del sudeste de la Provincia de Buenos Aires, Argentina (SEBA). Fueron empleados datos provenientes de tres experimentos de larga duración conducidos en el SEBA. Variables de manejo y meteorológicas fueron seleccionadas como entradas de las ANN. La información de manejo incluyó variables numéricas (SOC inicial (SOCI); número de años desde el inicio del experimento (Year), proporción de soja (Prop soybean), rendimiento de cultivos (Yield), proporción de la agricultura en la secuencia (Prop agri)) y variables categóricas (cultivo (Crop), sistema de labranza (Tillage)). Además, dos variables meteorológicas (temperatura mínima (Tmin) y temperatura promedio (Tmed)) fueron consideradas. Las ANN estimaron adecuadamente el SOC en los 0,20 m superiores de Mollisoles del SEBA. El modelo con mejor desempeño fue desarrollado a partir de una variable meteorológica (Tmin) y seis variables de manejo (SOCI, Year, Prop sowbean, Tillage, Yield, Prop agri), todas ellas fácilmente accesibles y con bajo nivel de incertidumbre.O carbono orgânico do solo (SOC) tem um papel fundamental no ciclo global do carbono. As relações complexas entre os componentes do ciclo do C dificulta a modelação da variação do SOC. As redes neuronais artificiais (ANN) são modelos capazes de determinar as inter-relações existentes com base em informação disponível. O objetivo deste trabalho foi desenvolver e avaliar modelos baseados na técnica de ANN para estimar o SOC em Molisolos do sudeste da província de Buenos Aires, Argentina (SEBA). Foram utilizados dados de três ensaios de longa duração conduzidos em SEBA. Variáveis meteorológicas e de gestão foram selecionadas como dados de entrada das ANN. Informações de gestão incluíram variáveis numéricas (concentração inicial de SOC (SOCI); número de anos desde o início do ensaio (Year), a proporção de soja na sequência da colheita; (Prop soja), rendimento da colheita (Yield); proporção de cultivo na sequência da rotação da cultura (Prop agri)) e variáveis categóricas (cultivo (Crop), e sistema de lavoura (Tillage)). Além disso, consideraram-se duas variáveis meteorológicas (temperatura média do ar (Tmed) e temperatura mínima do ar (Tmin)). Os modelos baseados em ANN demonstraram ser adequados para estimar o SOC nas camadas superiores (0,20 m) dos Molisolos do SEBA. O modelo com melhor desempenho foi desenvolvido a partir de uma variável meteorológica (Tmin) e seis variáveis de gestão (SOCI, Year, Prop soja, Tillage, Yield, Prop agri), sendo todas as varáveis facilmente acessíveis e com baixo nível de incerteza. As alterações no SOC relacionadas com o uso do solo no SEBA poderiam ser satisfatoriamente estimadas usando uma ANN desenvolvida a partir de variáveis simples e facilmente disponíveis. A técnica de ANN parece ser uma ferramenta válida para desenvolver modelos robustos para ajudar a prever as alterações de SOC.Universia; CSIC; SECS2017info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttps://digital.cic.gba.gob.ar/handle/11746/8154enginfo:eu-repo/semantics/altIdentifier/doi/10.3232/SJSS.2017.V7.N3.03info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc/4.0/reponame:CIC Digital (CICBA)instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Airesinstacron:CICBA2025-09-29T13:40:16Zoai:digital.cic.gba.gob.ar:11746/8154Institucionalhttp://digital.cic.gba.gob.arOrganismo científico-tecnológicoNo correspondehttp://digital.cic.gba.gob.ar/oai/snrdmarisa.degiusti@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:94412025-09-29 13:40:16.448CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
title Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
spellingShingle Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
Moreno, Rocío
Ciencias Agrícolas
modeling
cropping systems
cropping systems
title_short Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
title_full Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
title_fullStr Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
title_full_unstemmed Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
title_sort Application of artificial neural networks to estimate soil organic carbon in a high-organic-matter Mollisol
dc.creator.none.fl_str_mv Moreno, Rocío
Irigoyen, Andrea Inés
Monterubbianesi, María Gloria
Studdert, Guillermo Alberto
author Moreno, Rocío
author_facet Moreno, Rocío
Irigoyen, Andrea Inés
Monterubbianesi, María Gloria
Studdert, Guillermo Alberto
author_role author
author2 Irigoyen, Andrea Inés
Monterubbianesi, María Gloria
Studdert, Guillermo Alberto
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Agrícolas
modeling
cropping systems
cropping systems
topic Ciencias Agrícolas
modeling
cropping systems
cropping systems
dc.description.none.fl_txt_mv Soil organic carbon (SOC) has a key role in the global carbon (C) cycle. The complex relationships among the components of C cycle make the modelling of SOC variation difficult. Artificial neural networks (ANN) are models capable to determine interrelationships based on information. The objective was to develop and evaluate models based on the ANN technique to estimate the SOC in Mollisols of the Southeastern of Buenos Aires Province, Argentina (SEBA). Data from three long term experiments were used. Management and meteorological variables were selected as input. Management information included numerical variables (initial SOC (SOCI); number of years from the beginning of the experiment (Year), proportion of soybean in the crop sequence; (Prop soybean); crop yields (Yield), proportion of cropping in the crop rotation (Prop agri), and categorical variables (Crop, Tillage). In addition, two meteorological inputs (minimum (Tmin) and mean air temperature (Tmed)), were selected. The ANNs were adequate to estimate SOC in the upper 0.20 m of Mollisols of the SEBA. The model with the best performance included six management variables (SOCI, Year, Prop soybean, Tillage, Yield, Prop agri) and one meteorological variable (Tmin), all of them easily available and with low level of uncertainty. Soil organic C changes related to soil use in the SEBA could be satisfactorily estimated using an ANN developed with simple and easily available input variables. Artificial neural network technique appears as a valuable tool to develop robust models to help predicting SOC changes.
El carbono orgánico del suelo (SOC) tiene un papel clave en el ciclo global del carbono. Las relaciones complejas entre los componentes del ciclo de C hacen difícil la modelización de la variación del SOC. Las Redes Neuronales Artificiales (ANN) son modelos capaces de determinar las interrelaciones existentes basadas en información disponible. El objetivo fue desarrollar y evaluar modelos basados en la técnica de ANN para estimar el SOC en Mollisoles del sudeste de la Provincia de Buenos Aires, Argentina (SEBA). Fueron empleados datos provenientes de tres experimentos de larga duración conducidos en el SEBA. Variables de manejo y meteorológicas fueron seleccionadas como entradas de las ANN. La información de manejo incluyó variables numéricas (SOC inicial (SOCI); número de años desde el inicio del experimento (Year), proporción de soja (Prop soybean), rendimiento de cultivos (Yield), proporción de la agricultura en la secuencia (Prop agri)) y variables categóricas (cultivo (Crop), sistema de labranza (Tillage)). Además, dos variables meteorológicas (temperatura mínima (Tmin) y temperatura promedio (Tmed)) fueron consideradas. Las ANN estimaron adecuadamente el SOC en los 0,20 m superiores de Mollisoles del SEBA. El modelo con mejor desempeño fue desarrollado a partir de una variable meteorológica (Tmin) y seis variables de manejo (SOCI, Year, Prop sowbean, Tillage, Yield, Prop agri), todas ellas fácilmente accesibles y con bajo nivel de incertidumbre.
O carbono orgânico do solo (SOC) tem um papel fundamental no ciclo global do carbono. As relações complexas entre os componentes do ciclo do C dificulta a modelação da variação do SOC. As redes neuronais artificiais (ANN) são modelos capazes de determinar as inter-relações existentes com base em informação disponível. O objetivo deste trabalho foi desenvolver e avaliar modelos baseados na técnica de ANN para estimar o SOC em Molisolos do sudeste da província de Buenos Aires, Argentina (SEBA). Foram utilizados dados de três ensaios de longa duração conduzidos em SEBA. Variáveis meteorológicas e de gestão foram selecionadas como dados de entrada das ANN. Informações de gestão incluíram variáveis numéricas (concentração inicial de SOC (SOCI); número de anos desde o início do ensaio (Year), a proporção de soja na sequência da colheita; (Prop soja), rendimento da colheita (Yield); proporção de cultivo na sequência da rotação da cultura (Prop agri)) e variáveis categóricas (cultivo (Crop), e sistema de lavoura (Tillage)). Além disso, consideraram-se duas variáveis meteorológicas (temperatura média do ar (Tmed) e temperatura mínima do ar (Tmin)). Os modelos baseados em ANN demonstraram ser adequados para estimar o SOC nas camadas superiores (0,20 m) dos Molisolos do SEBA. O modelo com melhor desempenho foi desenvolvido a partir de uma variável meteorológica (Tmin) e seis variáveis de gestão (SOCI, Year, Prop soja, Tillage, Yield, Prop agri), sendo todas as varáveis facilmente acessíveis e com baixo nível de incerteza. As alterações no SOC relacionadas com o uso do solo no SEBA poderiam ser satisfatoriamente estimadas usando uma ANN desenvolvida a partir de variáveis simples e facilmente disponíveis. A técnica de ANN parece ser uma ferramenta válida para desenvolver modelos robustos para ajudar a prever as alterações de SOC.
description Soil organic carbon (SOC) has a key role in the global carbon (C) cycle. The complex relationships among the components of C cycle make the modelling of SOC variation difficult. Artificial neural networks (ANN) are models capable to determine interrelationships based on information. The objective was to develop and evaluate models based on the ANN technique to estimate the SOC in Mollisols of the Southeastern of Buenos Aires Province, Argentina (SEBA). Data from three long term experiments were used. Management and meteorological variables were selected as input. Management information included numerical variables (initial SOC (SOCI); number of years from the beginning of the experiment (Year), proportion of soybean in the crop sequence; (Prop soybean); crop yields (Yield), proportion of cropping in the crop rotation (Prop agri), and categorical variables (Crop, Tillage). In addition, two meteorological inputs (minimum (Tmin) and mean air temperature (Tmed)), were selected. The ANNs were adequate to estimate SOC in the upper 0.20 m of Mollisols of the SEBA. The model with the best performance included six management variables (SOCI, Year, Prop soybean, Tillage, Yield, Prop agri) and one meteorological variable (Tmin), all of them easily available and with low level of uncertainty. Soil organic C changes related to soil use in the SEBA could be satisfactorily estimated using an ANN developed with simple and easily available input variables. Artificial neural network technique appears as a valuable tool to develop robust models to help predicting SOC changes.
publishDate 2017
dc.date.none.fl_str_mv 2017
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://digital.cic.gba.gob.ar/handle/11746/8154
url https://digital.cic.gba.gob.ar/handle/11746/8154
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/doi/10.3232/SJSS.2017.V7.N3.03
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universia; CSIC; SECS
publisher.none.fl_str_mv Universia; CSIC; SECS
dc.source.none.fl_str_mv reponame:CIC Digital (CICBA)
instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron:CICBA
reponame_str CIC Digital (CICBA)
collection CIC Digital (CICBA)
instname_str Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron_str CICBA
institution CICBA
repository.name.fl_str_mv CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
repository.mail.fl_str_mv marisa.degiusti@sedici.unlp.edu.ar
_version_ 1844618613131051008
score 13.070432