Existen incertidumbres para cuantificar con precisión el carbono subterráneo y los flujos de carbono del suelo. La modelización del carbono del suelo mediante inteligencia artificial (IA) —incluyendo algoritmos de aprendizaje de máquina (ML) y aprendizaje profundo (DL)— ha emergido como una herramienta poderosa en la comunidad científica del carbono.
Estos modelos de carbono del suelo basados en IA han demostrado un rendimiento superior en la predicción del almacenamiento de carbono orgánico del suelo (SOC), la respiración del suelo (Rs) y otras propiedades del ciclo global del carbono en comparación con enfoques tradicionales. Los sistemas de IA poseen habilidades avanzadas para optimizar la relación entre las entradas (covariables ambientales geoespaciales) y las salidas (por ejemplo, SOC o Rs) a través del reconocimiento de patrones, algoritmos de aprendizaje, variables latentes, hiperparámetros, hiperplanos, factores de ponderación y procesos apilados (como la convolución y el agrupamiento).
Estas aplicaciones orientadas a máquinas han desplazado el enfoque del descubrimiento del conocimiento y la comprensión de los procesos ecosistémicos hacia aplicaciones basadas en datos que generan salidas digitales relacionadas con el carbono del suelo. El propósito de este documento de revisión es explorar la emergencia, aplicaciones y avances de los algoritmos AI-ML y AI-DL en la modelización del almacenamiento de carbono del suelo y la Rs a escalas regionales y globales.
Se incluye una discusión crítica sobre el poder, las potencialidades y los peligros de la modelización del carbono del suelo basada en IA. Este cambio de paradigma plantea preguntas sobre cómo estudiamos la dinámica del carbono del suelo y qué conclusiones extraemos, impactando en la investigación y educación científica sobre el carbono, la gestión del carbono, las políticas relacionadas, así como en los mercados y economías del carbono y la salud del suelo.
Fuente:
https://www.oaepublish.com/articles/cf.2022.03?lge=fs
