Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote

Autores
García Seleme, Fabrizio A.; Paccioretti, Pablo; Balzarini, Mónica; Córdoba, Mariano
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
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.
Soil organic matter (SOM) variability maps at the field-scale are commonly generated using geostatistical models, which enable site-specific prediction and estimation of prediction uncertainty. Alternatively, spatial predictions can be performed using machine learning algorithms. Quantile Regression Forests (QRF) provide spatial predictions along with associated uncertainty measures. Artificial Neural Networks (ANN) have the potential to generate predictions based on multiple covariates; however they present challenges for uncertainty estimation when applied to small datasets, such as those typically obtained from soil sampling. In this study the predictive performances of these two algorithms were compared for within-field SOM mapping. QRF and ANN were evaluated using proximal sensors data as covariates. A geostatistical model, Regression Kriging (RK), was used as reference method. Spatial predictions were conducted for seven agricultural fields located in the provinces of Córdoba and Santiago del Estero, Argentina. Model calibration was performed using information from all fields jointly (global model) and individually for each field (local model). In all cases, ANN showed the best predictive performance, with the lowest site-specific prediction error values. The uncertainty reported by ANN was higher than the one reported by QRF. Field sample size, as well as SOM spatial variability, influenced the performance of both global and local models. Overall, ANN outperformed the other models to supporting field-scale decision-making in precision agriculture.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Interpolación espacial
Bosques de regresión
Redes neuronales
Agricultura de precisión
Incertidumbre de la predicción
Spatial interpolation
Regression forests
Neural networks
Precision agriculture
Prediction uncertainty
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195038
Acceder
id SEDICI_83d8db361c7c1aa9e98bb0706ac5ff36
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195038
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de loteMachine Learning Algorithms Performance for Mapping Soil Organic Matter Variability at Field ScaleGarcía Seleme, Fabrizio A.Paccioretti, PabloBalzarini, MónicaCórdoba, MarianoCiencias InformáticasInterpolación espacialBosques de regresiónRedes neuronalesAgricultura de precisiónIncertidumbre de la predicciónSpatial interpolationRegression forestsNeural networksPrecision agriculturePrediction uncertaintyLos 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.Soil organic matter (SOM) variability maps at the field-scale are commonly generated using geostatistical models, which enable site-specific prediction and estimation of prediction uncertainty. Alternatively, spatial predictions can be performed using machine learning algorithms. Quantile Regression Forests (QRF) provide spatial predictions along with associated uncertainty measures. Artificial Neural Networks (ANN) have the potential to generate predictions based on multiple covariates; however they present challenges for uncertainty estimation when applied to small datasets, such as those typically obtained from soil sampling. In this study the predictive performances of these two algorithms were compared for within-field SOM mapping. QRF and ANN were evaluated using proximal sensors data as covariates. A geostatistical model, Regression Kriging (RK), was used as reference method. Spatial predictions were conducted for seven agricultural fields located in the provinces of Córdoba and Santiago del Estero, Argentina. Model calibration was performed using information from all fields jointly (global model) and individually for each field (local model). In all cases, ANN showed the best predictive performance, with the lowest site-specific prediction error values. The uncertainty reported by ANN was higher than the one reported by QRF. Field sample size, as well as SOM spatial variability, influenced the performance of both global and local models. Overall, ANN outperformed the other models to supporting field-scale decision-making in precision agriculture.Sociedad Argentina de Informática e Investigación Operativa2026-05-27info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/195038spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/20960info:eu-repo/semantics/altIdentifier/issn/1514-6774info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e105info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:16:56Zoai:sedici.unlp.edu.ar:10915/195038Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:16:56.349SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
Machine Learning Algorithms Performance for Mapping Soil Organic Matter Variability at Field Scale
title Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
spellingShingle Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
García Seleme, Fabrizio A.
Ciencias Informáticas
Interpolación espacial
Bosques de regresión
Redes neuronales
Agricultura de precisión
Incertidumbre de la predicción
Spatial interpolation
Regression forests
Neural networks
Precision agriculture
Prediction uncertainty
title_short Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
title_full Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
title_fullStr Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
title_full_unstemmed Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
title_sort Desempeño de algoritmos de aprendizaje automático para mapear variabilidad de materia orgánica de suelo a escala de lote
dc.creator.none.fl_str_mv García Seleme, Fabrizio A.
Paccioretti, Pablo
Balzarini, Mónica
Córdoba, Mariano
author García Seleme, Fabrizio A.
author_facet García Seleme, Fabrizio A.
Paccioretti, Pablo
Balzarini, Mónica
Córdoba, Mariano
author_role author
author2 Paccioretti, Pablo
Balzarini, Mónica
Córdoba, Mariano
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Interpolación espacial
Bosques de regresión
Redes neuronales
Agricultura de precisión
Incertidumbre de la predicción
Spatial interpolation
Regression forests
Neural networks
Precision agriculture
Prediction uncertainty
topic Ciencias Informáticas
Interpolación espacial
Bosques de regresión
Redes neuronales
Agricultura de precisión
Incertidumbre de la predicción
Spatial interpolation
Regression forests
Neural networks
Precision agriculture
Prediction uncertainty
dc.description.none.fl_txt_mv 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.
Soil organic matter (SOM) variability maps at the field-scale are commonly generated using geostatistical models, which enable site-specific prediction and estimation of prediction uncertainty. Alternatively, spatial predictions can be performed using machine learning algorithms. Quantile Regression Forests (QRF) provide spatial predictions along with associated uncertainty measures. Artificial Neural Networks (ANN) have the potential to generate predictions based on multiple covariates; however they present challenges for uncertainty estimation when applied to small datasets, such as those typically obtained from soil sampling. In this study the predictive performances of these two algorithms were compared for within-field SOM mapping. QRF and ANN were evaluated using proximal sensors data as covariates. A geostatistical model, Regression Kriging (RK), was used as reference method. Spatial predictions were conducted for seven agricultural fields located in the provinces of Córdoba and Santiago del Estero, Argentina. Model calibration was performed using information from all fields jointly (global model) and individually for each field (local model). In all cases, ANN showed the best predictive performance, with the lowest site-specific prediction error values. The uncertainty reported by ANN was higher than the one reported by QRF. Field sample size, as well as SOM spatial variability, influenced the performance of both global and local models. Overall, ANN outperformed the other models to supporting field-scale decision-making in precision agriculture.
Sociedad Argentina de Informática e Investigación Operativa
description 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.
publishDate 2026
dc.date.none.fl_str_mv 2026-05-27
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195038
url http://sedici.unlp.edu.ar/handle/10915/195038
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/20960
info:eu-repo/semantics/altIdentifier/issn/1514-6774
info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e105
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
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_ 1868982608810999808
score 13.265058

Publicaciones similares