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

Vista sencilla de ítem
dc.audienceInvestigador
dc.coverageNariño
dc.coverageC.I Obonuco
dc.coverageColombia
dc.creatorÁlvarez Sánchez, David
dc.creatorLópez Estrella, Xilena
dc.creatorManso Ordoñez, Eduar
dc.creatorLópez Rivera, Laura
dc.creatorRodriguez Valenzuela, Jeison
dc.date2025-09-11T21:06:07Z
dc.date2025-09-11T21:06:07Z
dc.date2025
dc.date2025
dc.date.accessioned2026-06-27T04:33:48Z
dc.descriptionAntecedentes. 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
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.identifierhttps://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/5595
dc.identifier1870-0462
dc.identifierhttp://hdl.handle.net/20.500.12324/41224
dc.identifierhttp://dx.doi.org/10.56369/tsaes.5595
dc.identifierreponame:Biblioteca Digital Agropecuaria de Colombia
dc.identifierinstname:Corporación colombiana de investigación agropecuaria AGROSAVIA
dc.identifier.urihttp://hdl.handle.net/123456789/31506
dc.languagespa
dc.publisherUniversidad Autonoma de Yucatan
dc.relationTropical and Subtropical Agroecosystems
dc.relation28
dc.relation1
dc.relationAbbas, 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
dc.relationAbraham, 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
dc.relationAcuña, 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
dc.relationÁlvarez 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
dc.relationÁlvarez 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
dc.relationAlzate, 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
dc.relationApráez, 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
dc.relationAworka, 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
dc.relationBarbier, 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
dc.relationBayat, 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.
dc.relationBecerra-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
dc.relationBouasria, 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
dc.relationCamacho, 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
dc.relationCastro-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/
dc.relationChen, 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
dc.relationChoi, 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
dc.relationCulchac, 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
dc.relationEl-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
dc.relationEnnaji, 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
dc.relationGalupino, 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
dc.relationInstituto 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
dc.relationIsmaili, 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
dc.relationKaushik, 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
dc.relationKebonye, 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
dc.relationLagos,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
dc.relationMalik, 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
dc.relationMallah, 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
dc.relationMarcillo-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
dc.relationMason-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
dc.relationMedina, 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
dc.relationMeshram, 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
dc.relationMohd, 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
dc.relationNovoa, 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
dc.relationPant, 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
dc.relationRajković, 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
dc.relationRamírez, 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
dc.relationRodríguez-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
dc.relationSoil 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
dc.relationVolverás-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
dc.relationYepes, 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
dc.relationZhang, 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
dc.relationZhu, 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
dc.relationZolfaghari, 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
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.sourceTropical and Subtropical Agroecosystems; Vol. 28, Núm. 1 (2025): Tropical and Subtropical Agroecosystems (Enero-Abril).
dc.subjectRecursos hídricos y su ordenación - P10
dc.subjectBoro
dc.subjectAnálisis del suelo
dc.subjectSostenibilidad
dc.subjectAgroecosistema
dc.subjectTransversal
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_1018
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_7198
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_33560
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_36669
dc.thumbnailhttps://repository.agrosavia.co/bitstreams/3c02c8b9-b600-42a1-98f7-69f93bdcb16f/download
dc.titleEvaluación de modelos de aprendizaje automático para la predicción de Boro en suelos Andisoles de Nariño-Colombia
dc.titleEvaluation of machine learning models for Boron prediction in Andisol solis of Nariño-Colombia
dc.typeArtículo científico

Archivos

Colecciones

Científico