Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
SADIO Electronic Journal of Informatics and Operations Research · 27.05.2026 · 25 (2) · e105
DOI: 10.24215/15146774e105 ↗Kurz gefasst
Fachartikel in der Zeitschrift SADIO Electronic Journal of Informatics and Operations Research, online erschienen am 27.05.2026. Verfasst von Fabrizio A. García Seleme und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
Los mapas de variabilidad de materia orgánica del suelo (MO), a escala de lote, usualmente son generados mediante modelos geoestadísticos que permiten la predicción sitio-específica y la obtención de medidas de incertidumbre. Alternativamente, la predicción espacial puede realizarse mediante aprendizaje automático. Los bosques de regresión cuantílica (QRF) pueden proveer predicciones espaciales con su incertidumbre. Las redes neuronales artificiales (ANN), de potencial uso para predicción desde múltiples covariables, presentan desafíos para medir incertidumbre en bases de datos pequeñas, como las de muestreos edáficos. En este trabajo se comparan las capacidades predictivas de estos algoritmos aplicados al mapeo de MO intralote. Se evaluaron QRF y ANN utilizando como covariables de sitio datos obtenidos por sensores proximales. Como método de referencia se empleó el modelo geoestadístico regresión Kriging (RK). Las predicciones espaciales se realizaron en siete lotes agrícolas ubicados en las provincias de Córdoba y Santiago del Estero, Argentina. Los ajustes se realizaron teniendo en cuenta la información de todos los lotes (modelo global) y de manera individual para cada lote (modelo local). En todos los casos, ANN presentó el mejor desempeño, mostrando los menores valores de error de predicción sitio-específica, aunque con incertidumbre de la predicción mayor a la obtenida mediante QRF. La cantidad de observaciones por lote, así como la variabilidad de la MO y las covariables, influyeron en el desempeño de modelos globales y locales. La ANN resultó la mejor herramienta como soporte para la toma de decisiones de manejo a escala de lote en agricultura de precisión.
Zitieren
APA
Seleme, F. A. G., Paccioretti, P., Balzarini, M., & Córdoba, M. (2026). Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote. SADIO Electronic Journal of Informatics and Operations Research, 25(2), e105. https://doi.org/10.24215/15146774e105
Vancouver
Seleme FAG, Paccioretti P, Balzarini M, Córdoba M. Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote. SADIO Electronic Journal of Informatics and Operations Research. 2026;25(2):e105. doi:10.24215/15146774e105
BibTeX
@article{Seleme2026,
author = {Seleme, Fabrizio A. García and Paccioretti, Pablo and Balzarini, Mónica and Córdoba, Mariano},
title = {Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote},
journal = {SADIO Electronic Journal of Informatics and Operations Research},
year = {2026},
volume = {25},
number = {2},
pages = {e105},
doi = {10.24215/15146774e105}
}
EUVIMED