Comparación de métodos de aprendizaje automático para el mapeo de la variabilidad intralote

SUAREZ FRANCO; PACCIORETTI PABLO; CÓRDOBA, MARIANO; BALZARINI MÓNICA

Manfredi - Rio Segundo - Córdoba

Congreso; 2° CONGRESO LATINOAMERICANO DE AGRICULTURA DE PRECISIÓN - CLAP; 2022

Universidad Nacional Rio Cuarto, INTA Manfredi, Universidad Nacional de Córdoba

Para la implementación de prácticas de manejo diferencial de lotes agrícolas es clave el conocimiento de la variabilidad espacial de los rendimientos en el lote. Para el mapeo espacial del rendimiento se usan técnicas geoestadísticas de interpolación, entre ellas el método kriging ordinario (KG), es el de mayor difusión. Sin embargo, KG presenta ciertas limitaciones para procesar bases de datos de gran dimensión y requiere del cumplimento de supuestos estadísticos poco flexibles. Como alternativa se están empleado métodos de aprendizaje automático (ML) computacionalmente más eficientes y que no requieren de supuestos distribucionales. No obstante, los métodos de ML más usuales no tienen en cuenta, de manera directa, la autocorrelación espacial de los datos. El objetivo de este trabajo fue comparar el desempeño predictivo de cuatro métodos de ML basados en árboles; Random Forest (RF), Quantile Random Forest (QRF), Generalized Boosted Regression Models (GBM) y Extreme Gradient Boosting (XGB) con el método geoestadístico KG para el procesamiento de mapas de rendimiento. Se utilizaron 1050 mapas de rendimiento de los principales cultivos agrícolas de la región pampeana argentina. Para incorporar la información espacial en los algoritmos de ML se calcularon como covariables, datos de rendimiento observado en sitios cercanos y las distancias entre éstos y el sitio para el cual se predice el rendimiento. Los métodos de ML probados demostraron tener un mejor desempeño que KG, siendo los de menor error de predicción los algoritmos RF y QRF con una reducción del error respecto a KG del 8 y el 7%, respectivamente.