Descripción
|
|
---|---|
Muchas de las simulaciones de modelos concernientes al agua y movimiento de solutos en los suelos requieren datos sobre la conductividad hidráulica no saturada y las curvas de retención de agua. Sin embargo, estas propiedades no suelen tenerse por su dificultad en medirlas. Un método para poder solucionar este problema es el desarrollo y uso de las funciones de tranferencia edafológicas (PTFs). Las PTFs han ido ganando un reconocimiento en estos últimos años como una aproximación para relacionar características simples del suelo con curvas de retención de agua. Sin embargo, las PTFs no han incorporado totalmente toda la información de la estructura del suelo que, a veces, puede ser crítica para la obtención de unas buenas predicciones en su comportamiento hidráulico. En este proyecto se incorporarón diversos parámetros que describian tal estructura basándose en el cálculo de dimensiones fractales extraidas de imágenes de los poros del suelo, además de los descriptores de la textura de éste, más comunmente utilizados (distribución del tamaño de partículas, distribución del tamaño de poros, materia orgánica, etc.). Teniendo en cuenta este objetivo, se diseñaron con éxito redes neuronales artificiales de tipo probabilístico (GRNN) para una mejor selección de las características de las imágenes de porosidad, muy utilizada en el campo de la medicina pero que aún no habían sido utilizadas en el área edafológica. | |
Internacional
|
No |
Tipo de proyecto
|
Proyectos y convenios en convocatorias públicas competitivas |
Entidad financiadora
|
Ministerio de Ciencia e Innovación |
Nacionalidad Entidad
|
Sin nacionalidad |
Tamaño de la entidad
|
Gran Empresa (>250) |
Fecha concesión
|