Mapeo de materia orgánica del suelo a escala de campo
- Autores
- Córdoba, Mariano; Balzarini, Mónica
- Año de publicación
- 2020
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La información sobre la distribución de la materia orgánica (MO) a escala fina es clave no solo para el manejo de la fertilidad del suelo sino también para estimar la reserva de carbono orgánico del suelo. En este trabajo se comparan dos métodos para mapear la variabilidad de MO a escala de campo: el algoritmo de aprendizaje automático quantile regression forest (QRF) y la regresión bayesiana, estimada por INLA. Ambos métodos se aplican para estimar la relación entre MO y variables de sitio, de fácil obtención, que es usada para predecir MO en sitios no muestreados. Se emplearon 279 puntos georreferenciados de MO muestreados en tres periodos (2005, 2008 y 2011) en una superficie de 2.240 ha bajo agricultura. Para el ajuste de los modelos de regresión se utilizaron variables topográficas e índices de vegetación como variables explicativas. Los resultados sugieren que la regresión bayesiana para datos con correlación espacio-temporal supera a QRF en términos de error de predicción y mapeo de la variabilidad al menos para el tipo de condiciones topográficas y de suelos del estudio. La posibilidad de mapear la evolución del contenido de MO del suelo a esta escala representa un avance para el monitoreo de la sustentabilidad. Los mapas de variabilidad espacial de la MO a escala de campo pueden ser usados para monitorear el efecto de diferentes prácticas de manejo de suelos o como alertas de medidas de manejo que incrementen la entrada de carbono al sistema.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
Fertilidad
Aprendizaje automático
Regresión bayesiana - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/3.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/115515
Ver los metadatos del registro completo
id |
SEDICI_500bc773a64fd4690f0f932fa964ad51 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/115515 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Mapeo de materia orgánica del suelo a escala de campoCórdoba, MarianoBalzarini, MónicaCiencias InformáticasFertilidadAprendizaje automáticoRegresión bayesianaLa información sobre la distribución de la materia orgánica (MO) a escala fina es clave no solo para el manejo de la fertilidad del suelo sino también para estimar la reserva de carbono orgánico del suelo. En este trabajo se comparan dos métodos para mapear la variabilidad de MO a escala de campo: el algoritmo de aprendizaje automático quantile regression forest (QRF) y la regresión bayesiana, estimada por INLA. Ambos métodos se aplican para estimar la relación entre MO y variables de sitio, de fácil obtención, que es usada para predecir MO en sitios no muestreados. Se emplearon 279 puntos georreferenciados de MO muestreados en tres periodos (2005, 2008 y 2011) en una superficie de 2.240 ha bajo agricultura. Para el ajuste de los modelos de regresión se utilizaron variables topográficas e índices de vegetación como variables explicativas. Los resultados sugieren que la regresión bayesiana para datos con correlación espacio-temporal supera a QRF en términos de error de predicción y mapeo de la variabilidad al menos para el tipo de condiciones topográficas y de suelos del estudio. La posibilidad de mapear la evolución del contenido de MO del suelo a esta escala representa un avance para el monitoreo de la sustentabilidad. Los mapas de variabilidad espacial de la MO a escala de campo pueden ser usados para monitorear el efecto de diferentes prácticas de manejo de suelos o como alertas de medidas de manejo que incrementen la entrada de carbono al sistema.Sociedad Argentina de Informática e Investigación Operativa2020-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf176-186http://sedici.unlp.edu.ar/handle/10915/115515spainfo:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/cai/CAI_22.pdfinfo:eu-repo/semantics/altIdentifier/issn/2525-0949info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/3.0/Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:59:04Zoai:sedici.unlp.edu.ar:10915/115515Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:59:04.636SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Mapeo de materia orgánica del suelo a escala de campo |
title |
Mapeo de materia orgánica del suelo a escala de campo |
spellingShingle |
Mapeo de materia orgánica del suelo a escala de campo Córdoba, Mariano Ciencias Informáticas Fertilidad Aprendizaje automático Regresión bayesiana |
title_short |
Mapeo de materia orgánica del suelo a escala de campo |
title_full |
Mapeo de materia orgánica del suelo a escala de campo |
title_fullStr |
Mapeo de materia orgánica del suelo a escala de campo |
title_full_unstemmed |
Mapeo de materia orgánica del suelo a escala de campo |
title_sort |
Mapeo de materia orgánica del suelo a escala de campo |
dc.creator.none.fl_str_mv |
Córdoba, Mariano Balzarini, Mónica |
author |
Córdoba, Mariano |
author_facet |
Córdoba, Mariano Balzarini, Mónica |
author_role |
author |
author2 |
Balzarini, Mónica |
author2_role |
author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Fertilidad Aprendizaje automático Regresión bayesiana |
topic |
Ciencias Informáticas Fertilidad Aprendizaje automático Regresión bayesiana |
dc.description.none.fl_txt_mv |
La información sobre la distribución de la materia orgánica (MO) a escala fina es clave no solo para el manejo de la fertilidad del suelo sino también para estimar la reserva de carbono orgánico del suelo. En este trabajo se comparan dos métodos para mapear la variabilidad de MO a escala de campo: el algoritmo de aprendizaje automático quantile regression forest (QRF) y la regresión bayesiana, estimada por INLA. Ambos métodos se aplican para estimar la relación entre MO y variables de sitio, de fácil obtención, que es usada para predecir MO en sitios no muestreados. Se emplearon 279 puntos georreferenciados de MO muestreados en tres periodos (2005, 2008 y 2011) en una superficie de 2.240 ha bajo agricultura. Para el ajuste de los modelos de regresión se utilizaron variables topográficas e índices de vegetación como variables explicativas. Los resultados sugieren que la regresión bayesiana para datos con correlación espacio-temporal supera a QRF en términos de error de predicción y mapeo de la variabilidad al menos para el tipo de condiciones topográficas y de suelos del estudio. La posibilidad de mapear la evolución del contenido de MO del suelo a esta escala representa un avance para el monitoreo de la sustentabilidad. Los mapas de variabilidad espacial de la MO a escala de campo pueden ser usados para monitorear el efecto de diferentes prácticas de manejo de suelos o como alertas de medidas de manejo que incrementen la entrada de carbono al sistema. Sociedad Argentina de Informática e Investigación Operativa |
description |
La información sobre la distribución de la materia orgánica (MO) a escala fina es clave no solo para el manejo de la fertilidad del suelo sino también para estimar la reserva de carbono orgánico del suelo. En este trabajo se comparan dos métodos para mapear la variabilidad de MO a escala de campo: el algoritmo de aprendizaje automático quantile regression forest (QRF) y la regresión bayesiana, estimada por INLA. Ambos métodos se aplican para estimar la relación entre MO y variables de sitio, de fácil obtención, que es usada para predecir MO en sitios no muestreados. Se emplearon 279 puntos georreferenciados de MO muestreados en tres periodos (2005, 2008 y 2011) en una superficie de 2.240 ha bajo agricultura. Para el ajuste de los modelos de regresión se utilizaron variables topográficas e índices de vegetación como variables explicativas. Los resultados sugieren que la regresión bayesiana para datos con correlación espacio-temporal supera a QRF en términos de error de predicción y mapeo de la variabilidad al menos para el tipo de condiciones topográficas y de suelos del estudio. La posibilidad de mapear la evolución del contenido de MO del suelo a esta escala representa un avance para el monitoreo de la sustentabilidad. Los mapas de variabilidad espacial de la MO a escala de campo pueden ser usados para monitorear el efecto de diferentes prácticas de manejo de suelos o como alertas de medidas de manejo que incrementen la entrada de carbono al sistema. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/115515 |
url |
http://sedici.unlp.edu.ar/handle/10915/115515 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/cai/CAI_22.pdf info:eu-repo/semantics/altIdentifier/issn/2525-0949 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/ Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/3.0/ Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0) |
dc.format.none.fl_str_mv |
application/pdf 176-186 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1842260484500226048 |
score |
13.13397 |