Potential of artificial intelligence to advance the study of desertification

Abstract

La desertificación es un problema global que afecta a más de 1.500 millones de personas que viven en los lugares más pobres y vulnerables del planeta. En los últimos años numerosos estudios han contribuido a aportar información para evaluar el problema. Algunos de ellos se basan en analizar variables biofísicas y socio-económicas mediante técnicas de inteligencia artificial. Por ejemplo, se han usado para completar datos de anomalías en la estimación de almacenamiento de agua, la identificación precisa de cobertura del suelo, estimación de la radiación solar diaria a nivel global y mejora en predicciones climáticas, entre otras. Si bien su uso todavía no está muy extendido, el futuro en los estudios sobre desertificación parece prometedor. En este trabajo revisamos el potencial de las técnicas de inteligencia artificial (aprendizaje automático y aprendizaje profundo) en el estudio de la desertificación y su reciente crecimiento en los últimos años. Durante el periodo 2015-2020 el número de publicaciones que implementan el aprendizaje profundo se incrementó un 63%, mientras que para el aprendizaje automático su crecimiento fue más modesto, del 3%. En particular, cuando buscamos estudios relacionados con la desertificación, las cifras de crecimiento son más llamativas: un incremento medio del 103% en estudios con aprendizaje profundo, y del 43% en aprendizaje automático. Sin embargo, se requieren más estudios y esfuerzos que agrupen todas las disciplinas implicadas en el estudio de la desertificación para obtener una visión global y transversal de este fenómeno y así diseñar acciones efectivas para mitigar sus efectos adversos o anticiparse a ellos.

Technological Innovations for Agricultural Production from an Environmental Perspective: A Review

“…The integration of hybrid intelligent models in soil management has significantly improved efficiency in areas such as soil moisture, infiltration, and erosion [43]. These models, which include advanced AI techniques such as artificial neural networks, support vector machines, and cubistic regression, have improved the accuracy in estimating crucial variables such as soil organic carbon variability and susceptibility to erosion [44,45]. In addition, the application of AI in the investigation of remediation methods contributes to the remediation of contaminated soils, reducing costs and minimizing environmental impact, which underlines the relevance of these technologies in sustainable soil management [46,47].…”