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

Resumen

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.