Mapeo de materia orgánica a escala de lote utilizando técnicas de aprendizaje automático

• Autores: Seleme, Fabrizio García; Paccioretti, Pablo; Balzarini, Mónica; Córdoba, Mariano
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; interpolación espacial; redes neuronales; agricultura de precisión; spatial interpolation; neural networks; precision agriculture
• Institución: Universidad Nacional de La Plata

En el marco de la agricultura digital, la disponibilidad de mapas de propiedades del suelo, como del contenido de materia orgánica (MO), facilita la toma de decisiones en el manejo agrícola. Para generar estos mapas, pueden emplearse diversas técnicas de interpolación espacial orientadas al mapeo de variables edáficas a escala fina. El objetivo del presente trabajo fue comparar la capacidad predictiva de modelos de aprendizaje automático para el mapeo de MO intralote. Se evaluaron dos modelos, árboles de regresión cuantílica (QRFI), y redes neuronales artificiales (ANN), utilizando como covariables datos intensivos de conductividad eléctrica aparente y rendimiento de cultivos obtenidos mediante monitores de rendimiento. Como método de referencia se empleó Kriging regresión (RK). Las predicciones espaciales se realizaron en siete lotes ubicados en las provincias de Córdoba y Santiago del Estero, Argentina. Los ajustes de los modelos se realizaron teniendo en cuenta la información de todos los lotes (modelo global) o de manera individual para cada lote (modelo local). En todos los casos los modelos ANN presentaron el mejor desempeño, mostrando los menores valores de error cuadrático medio de predicción. La cantidad de observaciones por lote, así como la variabilidad conjunta del contenido de MO y las covariables, influyeron en el desempeño de modelos globales y locales. Los modelos ANN se consolidan como una alternativa promisoria para el mapeo de la variabilidad espacial del suelo a escala de lote agrícola.
Within the framework of agriculture, soil features maps availability, as for example those of soil organic matter (SOM) facilitates decision-making in agricultural management. Many techniques have been developed to generate these field scale maps. The objective of this study was to compare the prediction capability of machine learning models for field scale SOM mapping. Quantile Regression Forests (QRFI) and Artificial Neural Networks (ANN) were evaluated using soil features and crop yield as covariates. Regression Kriging was used as reference method. Spatial interpolation was performed in seven fields located in Córdoba and Santiago del Estero provinces, Argentina. Models were fitted using information from all fields (global models) or only from the target field (local models). For all fields, ANN models presented better fit, showing lower normalized root mean squared errors. Sample size per field, as well as the joint variability of SOM and covariates affected the performance of global versus local models. ANN models stand as a promissory option for field scale soil variability mapping.
Sociedad Argentina de Informática e Investigación Operativa