UFYMA   27844
UNIDAD DE FITOPATOLOGIA Y MODELIZACION AGRICOLA
Unidad Ejecutora - UE
congresos y reuniones científicas
Título:
Algoritmos de aprendizaje automático para el análisis de datos georreferenciados
Autor/es:
PACCIORETTI PABLO; CÓRDOBA MARIANO; BALZARINI MÓNICA
Lugar:
Mendoza
Reunión:
Congreso; XXIV Reunión científica del Grupo Argentino de Biometría; 2019
Resumen:
Los avances en tecnologías de información como sensores automatizados, sistemas de información geográficos y de posicionamiento satelital, permiten el registro intensivo de múltiples variables georreferenciadas. Los algoritmos de aprendizaje automático (random forest, pls, boosted regression trees) explotan la característica multidimensional de los datos y generan predicciones aun en escenarios de complejas correlaciones entre las variables explicativas. Sin embargo, estos métodos usualmente son utilizados ignorando la naturaleza espacial de los datos (autocorrelación espacial). En este trabajo se comparan para cada método sus versiones clásicas con una versión que aplica el método kriging a los residuos del modelo predictivo para componer la predicción final. Con fines comparativos, se incluye la regresión kriging como método geoestadítico clásico. Se presenta una actualización del menú ?Estadística Espacial? del software InfoStat que facilita la implementación de técnicas de aprendizaje automático. Las opciones de modelización incluyen la optimización del algoritmo, el cálculo de error de predicción y gráficos para evaluar la importancia relativa de las variables. El uso de esta nueva aplicación en InfoStat, se ilustra mediante la implementación de los tres algoritmos, con y sin correlación espacial en los residuos, en una base de datos (n=277) de un campo agrícola con registros georreferenciados de materia orgánica (MO) y variables topográficas con potencial capacidad predictiva de la MO.