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 |
| _version_ | 1855495825404198912 |
|---|---|
| author | Álvarez Sánchez, David López Estrella, Xilena Manso Ordoñez, Eduar López Rivera, Laura Rodriguez Valenzuela, Jeison |
| author_browse | López Estrella, Xilena López Rivera, Laura Manso Ordoñez, Eduar Rodriguez Valenzuela, Jeison Álvarez Sánchez, David |
| author_facet | Álvarez Sánchez, David López Estrella, Xilena Manso Ordoñez, Eduar López Rivera, Laura Rodriguez Valenzuela, Jeison |
| author_sort | Álvarez Sánchez, David |
| collection | Repositorio AGROSAVIA |
| description | 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 |
| format | Artículo |
| id | RepoAGROSAVIA41224 |
| institution | Corporación Colombiana de Investigación Agropecuaria |
| language | Español |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Autonoma de Yucatan |
| publisherStr | Universidad Autonoma de Yucatan |
| record_format | dspace |
| spelling | RepoAGROSAVIA412242025-09-12T03:00:43Z Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia Evaluation of machine learning models for Boron prediction in Andisol solis of Nariño-Colombia Álvarez Sánchez, David López Estrella, Xilena Manso Ordoñez, Eduar López Rivera, Laura Rodriguez Valenzuela, Jeison Recursos hídricos y su ordenación - P10 Boro Análisis del suelo Sostenibilidad Agroecosistema Transversal http://aims.fao.org/aos/agrovoc/c_1018 http://aims.fao.org/aos/agrovoc/c_7198 http://aims.fao.org/aos/agrovoc/c_33560 http://aims.fao.org/aos/agrovoc/c_36669 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 2025-09-11T21:06:07Z 2025-09-11T21:06:07Z 2025 2025 article Artículo científico http://purl.org/coar/resource_type/c_2df8fbb1 info:eu-repo/semantics/article https://purl.org/redcol/resource_type/ART http://purl.org/coar/version/c_970fb48d4fbd8a85 https://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/5595 1870-0462 http://hdl.handle.net/20.500.12324/41224 http://dx.doi.org/10.56369/tsaes.5595 reponame:Biblioteca Digital Agropecuaria de Colombia instname:Corporación colombiana de investigación agropecuaria AGROSAVIA spa Tropical and Subtropical Agroecosystems 28 1 Abbas, F., Afzaal, H., Farooque, A.A. and Tang, S., 2020. Crop yield prediction through proximal sensing and machine learning algorithms. Agronomy, 10(7), p.1046. https://doi.org/10.3390/agronomy10071046 Abraham, S., Huynh, C. and Vu, H., 2020. Classification of Soils into Hydrologic Groups Using MachineLearning. Data, 5(1), pp. 2-11. https://doi.org/10.3390/data5010002 Acuña, A.M. and Molina, P.E.C., 2018. Desempeño funcional del boro en las plantas. UDO Agrícola, 7(1), pp. 1-14. https://www.bioline.org.br/pdf?cg07002 Álvarez Sánchez, D.E., Gómez, E. and Ordoñez, H., 2019. Tipología de fincas productoras de arveja (Pisum sativum L.) en la subregión Sur de Nariño, Colombia. Ciencia y Tecnología Agropecuaria, 20(3), pp. 659–677. https://doi.org/10.21930/rcta.vol20_num3_ar t:1593 Álvarez Sánchez, D.E., Arévalo Rodríguez, A., Benavides Martínez, I.F., Salazar González, C. and Betancourth García, C., 2023. Use of Trained Convolutional Neural Networks for Analysis of Symptoms Caused by Botrytis fabae Sard. Revista de Ciencias Agrícolas, 40(1), pp. e1198. https://doi.org/10.22267/rcia.20234001.198 Alzate, J.G., Benavides-Cardona, C.A. and Sánchez, D.E.Á., 2022. Aplicación de Urea, DAP y KCl sobre almácigos de café (Coffea arabica L.) de la variedad Castillo. Revista de Investigación Agraria y Ambiental, 13(1), pp. 35-55. https://doi.org/10.22490/21456453.4297 Apráez, E., Gálvez, A. and Apraez, J., 2019. Factores edafoclimáticos en la producción y calidad del pasto Saboya (Holcus lanatus L.) en el Altiplano de Nariño. Revista de Ciencias Agrícolas, 36(1), pp. 16-32. https://doi.org/10.22267/rcia.193601.95 Aworka, R., Cedric, L.S., Adoni, W.Y.H., Zoueu, J.T., Mutombo, F.K., Kimpolo, C.L.M., Nahhal, T. and Krichen, M., 2022. Agricultural decision system based on advanced machine learning models for yield prediction: Case of East African countries. Smart Agricultural Technology, 2, pp. 100-148. https://doi.org/10.1016/j.atech.2022.100048 Barbier, M., 2019. Biodisponibilidad de boro derivado de tres fuentes de boro en dos tipos de suelo. Palmas, 40 (Especial), pp. 158-167. https://publicaciones.fedepalma.org/index.ph p/palmas/article/view/13045 Bayat, H., Asghari, S., Rastgou, M. and Sheykhzadeh, G.R., 2020. Estimating Proctor parameters in agricultural soils in the Ardabil plain of Iran using support vector machines, artificial neural networks and regression methods. Catena, 189, pp. 10-44. https://doi.org/10.1016/j.catena.2020.104467. Becerra-Rondón, A., Ducati, J. and Haag, R., 2022. Satellite-based estimation of NO2 concentrations using a machine-learning model: A case study on Rio Grande do Sul, Brazil. Atmósfera, 37, pp. 175- 190. https://doi.org/10.20937/ATM.53116 Bouasria, A., Namr, K.I., Rahimi, A. and Ettachfini, E.M., 2020. Estimate soil organic matter from remote Sensing data by using statistical predictive models. In International Conference on Advanced Intelligent Systems for Sustainable Development, pp. 1106-1115. https://doi.org/10.1007/978-3-030-90633- 7_98 Camacho, Y.M., Acosta, D.F., López, C.A., Cely, G.E. and Serrano, P.A., 2020. Transformación electroquímica de un Andisol en relación con la dinámica del fósforo. Biotecnología en el SectorAgropecuario y Agroindustrial, 18(2), pp. 94-102. https://doi.org/10.18684/BSAA(18)94-102 Castro-Rincón, E., Cardona-Iglesias, J.L., Hernández Oviedo, F., Valenzuela-Chiran, M. and Avellaneda-Avellaneda, Y., 2019. Evaluación de tres cultivares de Lolium perenne L. con vacas lecheras, en el trópico alto de Nariño Colombia. Pastos y Forrajes, 42(2), pp. 161- 170. https://www.redalyc.org/journal/2691/26916 1217009/html/ Chen, S., Webb, G.I., Liu, L. and Ma, X., 2020. A novel selective naïve Bayes algorithm. Knowledge- Based Systems, 192, pp. 10-53. https://doi.org/10.1016/j.knosys.2019.10536 1 Choi, E.Y., Park, H.I., Ju, J.H. and Yoon, Y.H., 2015. Boron availability alters its distribution in plant parts of tomato. Horticulture, Environment, and Biotechnology, 56(2), pp. 145-151. https://doi.org/10.1007/s13580- 015-0044-y Culchac, L.Y., Estrada, J.S. and Ordóñez, H.R., 2021. Cuantificación de bacterias nitrificantes en un suelo Typic melanudands en tres condiciones de uso de suelo en Pasto, Nariño, Colombia. Ciencia y Tecnología Agropecuaria, 22(2), pp. 1-15. https://doi.org/10.21930/rcta.vol22_num2_ar t:1424 El-Sayed, M.A., Abd-Elazem, A.H., Moursy, A.R.A., Mohamed, E.S., Kucher, D.E. and Fadl, M.E., 2023. Integration Vis-NIR spectroscopy and artificial intelligence to predict some soil parameters in arid region: A case study of Wadi Elkobaneyya, South Egypt. Agronomy, 13(3), pp. 35-49. https://doi.org/10.3390/agronomy13030935 Ennaji, O., Vergütz, L. and El Allali, A., 2023. Machine learning in nutrient management: A review. Artificial Intelligence in Agriculture, 9, pp. 1-11. https://doi.org/10.1016/j.aiia.2023.06.001 Galupino, J. and Dungca, J., 2022. Machine learning models to generate a subsurface soil profile: A case of Makati City, Philippines. GEOMATE Journal, 23(95), pp. 57-64. https://geomatejournal.com/geomate/article/ view/3029 Instituto Geográfico Agustín Codazzi, 2004. Estudio general de suelos y zonificación de tierras departamento de Nariño. IGAC. 2017. Guía de muestreo. https://antiguo.igac.gov.co Ismaili, M., Krimissa, S., Namous, M., Htitiou, A., Abdelrahman, K., Fnais, M. S., Lhissou, R., Eloudi, H.,Faouzi, E. andBenabdelouahab, T., 2023. Assessment of soil suitability using Machine Learning in arid and semi-arid regions. Agronomy, 13(1), pp. 165-178. https://doi.org/10.3390/agronomy13010165 Kaushik, K., Bhardwaj, A., Dahiya, S., Maashi, M. S., Al Moteri, M., Aljebreen, M. and Bharany, S., 2022. Multinomial Naive Bayesian classifier framework for systematic analysis of smart IoT devices. Sensors, 22(19), pp. 1-16. https://doi.org/10.3390/s22197318 Kebonye, N.M., Agyeman, P.C. and Biney, J.K.M., 2023. Optimized modelling of country wide soil organic carbon levels via an interpretable decision tree. Smart Agricultural Technology, 3, pp. 100-106. https://doi.org/10.1016/j.atech.2022.100106 Lagos,J. andHuertas,J., 2019.Efectos de una enmienda orgánica sobre las propiedades fisicoquímicas de un Andisol, en Túquerres, Nariño, Colombia. Agro sur, 47(3), pp. 39-54. https://doi.org/10.4206/agrosur 2019.v47n3- 05 Malik, P., Sengupta, S. and Jadon, J.S., 2021. Comparative analysis of soil properties to predict fertility and crop yield using Machine Learning Algorithms. 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence), p p . 1004-1007. https://doi.org/10.1109/Confluence51648.20 21.9377147 Mallah, S., Delsouz Khaki, B., Davatgar, N., Scholten, T., Amirian-Chakan, A., Emadi, M., Kerry, R., Mosavi, A.H. and Taghizadeh-Mehrjardi, R., 2022. Predicting soil textural classes using Random Forest models: Learning from imbalanced dataset. Agronomy, 12(11), pp. 1-16. https://doi.org/10.3390/agronomy12112613 Marcillo-Paguay, C.A., Benavides-Cardona, C.A., Ramos-Zambrano, H.S. and Romero, J.V., 2022. Respuesta agronómica y económica de papa (Solanum tuberosum subsp. Andigena) a la fertilización diferencial en cuatro ambientes de Nariño, Colombia. Revista Colombiana de Ciencias Hortícolas, 16(2), pp. 1-11. https://doi.org/10.17584/rcch.2022v16i2.135 59 Mason-Jones, K., Schmücker, N. and Kuzyakov, Y., 2018. Contrasting effects of organic and mineral nitrogen challenge the N-Mining Hypothesis for soil organic matter priming. Soil Biology and Biochemistry, 124, pp. 38- 46. https://doi.org/10.1016/j.soilbio.2018.05.024 Medina, M., Arismendi, J. and Cerón-Muñoz, M., 2019. Descripción de las relaciones entre parámetros químicos en suelos de fincas lecheras del norte de Antioquia, Colombia. Livestock Research for Rural Development, 31(7), pp.#102. http://www.lrrd.org/lrrd31/7/ceron31102.htm l Meshram, V., Patil, K., Hanchate, D. and Ramkteke, S.D., 2021. Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1, pp. 1-11. https://doi.org/10.1016/j.ailsci.2021.100010 Mohd, M., Hashim, N., Abd, S. and Lasekan, O., 2022. Characterisation of pineapple cultivars under different storage conditions using infrared thermal imaging coupled with Machine Learning Algorithms. Agriculture, 12(7), pp.1013. https://doi.org/10.3390/agriculture12071013 Novoa, M. A., Miranda, D., & Melgarejo, L., 2018. Efecto de las deficiencias y excesos de fósforo, potasio y boro en la fisiología y el crecimiento de plantas de aguacate (Persea americana, cv. Hass). Revista Colombiana de Ciencias Hortícolas, 12(2), pp. 293-307. http://repositorio.uptc.edu.co/handle/001/293 Pant, H., Lohani, M.C. and Bhatt, A., 2019. Impact of physico-chemical properties for soils type classification of OAK using different machine learning techniques. International Journal of Computer Applications, 177(17), pp. 38-44. http://doi.org/10.5120/ijca2019919617 Rajković, D., Marjanović Jeromela, A., Pezo, L., Lončar, B., Zanetti, F., Monti, A., & Kondić Špika, A., 2021. Yield and quality prediction of winter rapeseed—Artificial neural network and random forest models. Agronomy, 12(1), p.58. https://doi.org/10.3390/agronomy12010058 Ramírez, C.A., 2020. Aplicación del Machine Learning en agricultura de precisión. Revista CINTEX, 25(2), pp. 14-27. https://doi.org/10.33131/24222208.356 Rodríguez-Rodríguez, D.M., Checa-Coral, Ó.E., Ruiz Eraso, H., Muriel-Figueroa, J. and Yepes Chamorro, B., 2022. Niveles de fertilización con calcio, magnesio y azufre en genotipos de arveja voluble (Pisum sativum L.) en Nariño. Actualidad & Divulgación Científica, 25(2), pp. 1-8. https://doi.org/10.31910/rudca.v25.n2.2022. 1847 Soil Survey Staff., 1999. Soil taxonomy: A basic system of soil classification for making and interpreting soil surveys. 2nd edition. Natural Resources Conservation Service. U.S. Department of Agriculture Handbook 436. https://doi.org/10.1111/j.1475- 2743.2001.tb00008.x Volverás-Mambuscay, B., Merchancano-Rosero, J.D., Campo-Quesada, J.M. and López-Rendón, J.F., 2020. Propiedades físicas del suelo en el sistema de siembra en wachado en Nariño, Colombia. Agronomía Mesoamericana, 31(3), pp. 743-760. https://doi.org/10.15517/am.v31i3.39233 Yepes, J., Oré, G., Alcântara, M.S., Hernandez Figueroa, H.E. and Teruel, B., 2022. Classification of sugarcane yields according to soil fertility properties using supervised machine learning methods. Engenharia Agrícola, 42(5), pp. 1-9. https://doi.org/10.1590/1809-4430- eng.agric.v42n5e20210239/2022 Zhang, J., He, Y., Yuan, L., Liu, P., Zhou, X., & Huang, Y.,2019. Machine learning-based spectral library for crop classification and status monitoring. Agronomy, 9(9), p.496. https://doi.org/10.3390/agronomy9090496 Zhu, J., Jin, X., Li, S., Han, Y. and Zheng, W., 2022. Prediction of soil available Boron content in Visible-Near-Infrared hyperspectral based on different preprocessing transformations and characteristic wavelengths modeling.Computational Intelligence and Neuroscience, 20(22), pp.1- 16. https://doi.org/10.1155/2022/9748257 Zolfaghari, M., Moradi, M., Moradi, G. and Taghizadeh-Mehrjardi, R., 2023. Machine Learning models for prediction of soil properties in the Riparian Forests. Land, 12(1), pp. 32. https://doi.org/10.3390/land12010032 Atribución-NoComercial-CompartirIgual 4.0 Internacional http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf application/pdf Nariño C.I Obonuco Colombia Universidad Autonoma de Yucatan Mérida, Yucatán (Mexico) Tropical and Subtropical Agroecosystems; Vol. 28, Núm. 1 (2025): Tropical and Subtropical Agroecosystems (Enero-Abril). |
| spellingShingle | Recursos hídricos y su ordenación - P10 Boro Análisis del suelo Sostenibilidad Agroecosistema Transversal http://aims.fao.org/aos/agrovoc/c_1018 http://aims.fao.org/aos/agrovoc/c_7198 http://aims.fao.org/aos/agrovoc/c_33560 http://aims.fao.org/aos/agrovoc/c_36669 Álvarez Sánchez, David López Estrella, Xilena Manso Ordoñez, Eduar López Rivera, Laura Rodriguez Valenzuela, Jeison Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title | Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title_full | Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title_fullStr | Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title_full_unstemmed | Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title_short | Evaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia |
| title_sort | evaluacion de modelos de aprendizaje automatico para la prediccion de boro en suelos andisoles de narino colombia |
| topic | Recursos hídricos y su ordenación - P10 Boro Análisis del suelo Sostenibilidad Agroecosistema Transversal http://aims.fao.org/aos/agrovoc/c_1018 http://aims.fao.org/aos/agrovoc/c_7198 http://aims.fao.org/aos/agrovoc/c_33560 http://aims.fao.org/aos/agrovoc/c_36669 |
| url | 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 |
| work_keys_str_mv | AT alvarezsanchezdavid evaluaciondemodelosdeaprendizajeautomaticoparalapredicciondeboroensuelosandisolesdenarinocolombia AT lopezestrellaxilena evaluaciondemodelosdeaprendizajeautomaticoparalapredicciondeboroensuelosandisolesdenarinocolombia AT mansoordonezeduar evaluaciondemodelosdeaprendizajeautomaticoparalapredicciondeboroensuelosandisolesdenarinocolombia AT lopezriveralaura evaluaciondemodelosdeaprendizajeautomaticoparalapredicciondeboroensuelosandisolesdenarinocolombia AT rodriguezvalenzuelajeison evaluaciondemodelosdeaprendizajeautomaticoparalapredicciondeboroensuelosandisolesdenarinocolombia AT alvarezsanchezdavid evaluationofmachinelearningmodelsforboronpredictioninandisolsolisofnarinocolombia AT lopezestrellaxilena evaluationofmachinelearningmodelsforboronpredictioninandisolsolisofnarinocolombia AT mansoordonezeduar evaluationofmachinelearningmodelsforboronpredictioninandisolsolisofnarinocolombia AT lopezriveralaura evaluationofmachinelearningmodelsforboronpredictioninandisolsolisofnarinocolombia AT rodriguezvalenzuelajeison evaluationofmachinelearningmodelsforboronpredictioninandisolsolisofnarinocolombia |