Análisis de riesgo de erosión del suelo mediante teledetección, SIG y modelos de aprendizaje automático en la provincia de Imbabura, Ecuador

Abstract

La erosión del suelo se produce cuando agentes naturales o antropogénicos eliminan la capa superficial del suelo, dificultando enormemente el crecimiento de vegetación. El viento y el agua (las dos principales causas de la erosión) arrastran fácilmente el suelo si está desnudo. La agricultura es probablemente la actividad más importante que acelera la erosión del suelo debido a la cantidad de tierra cultivada y a la cantidad de prácticas agrícolas que lo alteran. La erosión del suelo representa un importante desafío ambiental, ya que afecta negativamente la fertilidad del suelo por la pérdida de nutrientes y contribuye a la sedimentación en ambientes acuáticos. Además, la erosión hídrica se destaca como la forma más grave de degradación de la tierra observada en diversas regiones, tanto a nivel local como global. Este estudio analizó el riesgo de erosión del suelo en la provincia de Imbabura, al norte de Ecuador, utilizando modelos de aprendizaje automático (ML), aplicando el modelo de la Ecuación Universal Revisada de Pérdida de Suelo (RUSLE). Esto implica el uso de técnicas de teledetección con resolución espacio temporal y espectral suficiente, identificando así áreas vulnerables según factores que desempeñan un papel esencial en los procesos de erosión, a saber: topografía (LS), uso o cobertura del suelo (C), erosividad de la lluvia (R), erosionabilidad (K) y prácticas agrícolas antierosivas (P). El mapa que indica las zonas de probabilidad de erosión se generó utilizando herramientas de Sistemas de Información Geográfica (SIG), donde la mayor parte del área de estudio se ubica dentro de la zona de baja probabilidad de erosión (64,73%), y una pequeña sección se ubica dentro de la zona de alta probabilidad de erosión (4,17%). Estos hallazgos pueden proporcionar información valiosa para reducir y prevenir la erosión del suelo en Imbabura. Por lo tanto, estos resultados proporcionan evidencia sólida de la eficiencia del uso del aprendizaje automático en la predicción de la erosión del suelo. LightGBM, que utiliza algoritmos de árboles de decisión, logró una tasa de precisión de clasificación (CAR) superior al 75,7 % y un área bajo la curva ROC (AUC) superior a 0,89, lo que subraya su eficacia.