Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia

Abstract

Antecedentes. La región sur de Nariño en Colombia presenta una fuerte vocación agrícola. Sin embargo, se ha identificado que la tecnología asociada con la recomendación de fertilización especialmente en microelementos en el suelo es limitada, lo que genera conflictos en la producción. Esta situación demanda un enfoque diferente e innovador para abordar dichos desafíos. Es por ello que esta investigación utiliza la capacidad predictiva del enfoque de aprendizaje automático o Machine learning (ML). Objetivo. Explorar la aplicación de herramientas de ML para la predicción de los niveles de Boro en suelos Andisoles de Nariño e identificar el algoritmo más eficiente. Metodología. Se empleó 1,067 muestras de suelo recolectadas en diversos predios de cinco municipios en la subregión sur del departamento, donde se evaluó los modelos de aprendizaje supervisado, Random Forest (RF), K-Vecinos más Cercanos (K-NN), Máquina de Vectores de Soporte (SVM) y Naive Bayes (NB). Resultados. Los resultados fueron analizados mediante pruebas de precisión, coeficiente kappa y matriz de confusión. Conclusión. El algoritmo RF demostró el mejor rendimiento en la estimación de los niveles de Boro, logrando un 78% de precisión, superando a SVM (75%), K-NN (69%) y NB (35%). Implicaciones. Estos resultados permiten mejorar la toma de decisiones en cuanto a fertilización y gestión de micronutrientes en el suelo, con el fin de mejorar la calidad del suelo y por ende el rendimiento de los cultivos Más...