Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia
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 situa...
| Main Authors: | , , , , |
|---|---|
| Format: | Artículo |
| Language: | Español |
| Published: |
Universidad Autonoma de Yucatan
2025
|
| Subjects: | |
| Online Access: | https://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/5595 http://hdl.handle.net/20.500.12324/41224 http://dx.doi.org/10.56369/tsaes.5595 |
| Summary: | 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 |
|---|