Evaluación de modelos estadísticos y de aprendizaje automático para la estimación de propiedades del suelo en función de índices espectrales satelitales

Abstract

El proyecto analiza si se pueden estimar propiedades del suelo (pH, potasio, fósforo y materia orgánica) usando imágenes satelitales, específicamente los índices NDVI y SAVI, en lugar de depender solo de análisis de laboratorio, que son más caros y lentos. Para hacerlo, se estudiaron 25 sitios agrícolas, combinando datos reales de suelo con imágenes satelitales mediante QGIS, y luego se aplicaron modelos estadísticos en RStudio, principalmente regresión lineal y Random Forest. Los resultados muestran que los modelos simples, como la regresión lineal, funcionan mejor que los más complejos, como Random Forest, porque estos últimos se ajustan demasiado a los datos y fallan al predecir nuevos casos. En cuanto a los índices, NDVI tiene mejor desempeño general, especialmente para potasio, fósforo y materia orgánica, mientras que SAVI solo destaca en la predicción del pH. Usar ambos índices juntos no mejora significativamente los resultados. La conclusión es que sí es posible estimar propiedades del suelo con imágenes satelitales, pero con limitaciones importantes. El pH es la variable que mejor se puede predecir; las demás presentan relaciones débiles, por lo que este enfoque no reemplaza los análisis tradicionales, sino que sirve como complemento para apoyar decisiones agrícolas de forma más rápida y económica.