BALZARINI MONICA GRACIELA
Congresos y reuniones científicas
Título:
Regresión restringida espacialmente en la predicción de rendimientos intralote desde variables de sitio
Autor/es:
CÓRDOBA, M.; VEGA, A.; PACCIORETTI, P.; BALZARINI, M.
Reunión:
Congreso; XXIII Reunión Científica del GAB, II Encuentro Argentino-Chileno de Biometría; 2018
Resumen:
En la agricultura moderna la disponibilidad de datos georreferenciados de rendimiento permite realizar una caracterización detallada y precisa de la variabilidad espacial dentro del lote agrícola. Se han encontrado correlaciones entre atributos topográficos de la superficie del terreno y patrones de variabilidad espacial del rendimiento en cultivos. En este trabajo se comparan algoritmos para construir modelos predictivos para la predicción del rendimiento de grano en sitios vecinos de un mismo lote agrícola contemplando covariación espacial. Los algoritmos restringidos espacialmente regresionan rendimiento sobre atributos topográficos en un primer paso y en un segundo combinan los valores predichos con predicción kriging aplicada sobre los residuos de la regresión. Para ajustar la regresión se usaron modelos de regresión lineal multiple (RLM), regresión por mínimos cuadrados parciales (PLS) y Random Forest (RF). Se procesaron mapas de rendimiento 30 lotes de maíz de la región pampeana con el algoritmo propuesto. Las variables regresoras (14 atributos topográficos) se extrajeron automáticamente desde un modelo digital de elevación (DEM) de 30 m y se interpolaron con un suavizado espacial gaussiano. Los resultados obtenidos con regresión por mínimos cuadrados parciales y random forest restringidos espacialmente (sPLS y sRF) se compararon en términos de capacidad predictiva (RMSE) no solo con los obtenidos RLM, PLS y RF (métodos bases sin restricción espacial) sino también con kriging regresión (RK). Los métodos que incorporan información espacial en la predicción (sPLS, sRF, RK) mostraron mayor capacidad predictiva que RLM, PLS y RF. El error de predicción promedio fue del 2% de la media de rendimiento con un mínimo del 0,15% y un máximo de 7% en sPLS, mientras que en la RLM fue 7% en promedio con un rango de 1 a 23%. sPLS es una herramienta útil para predecir datos espaciales desde variables con autocorrelación espacial.