Desempeño predictivo de R-INLA SPDE para el Mapeo Digital de Suelos

Abstract

El mapeo digital de suelos (MDS) permite describir la variabilidad espacial de una propiedad edáfica a treves de modelos de predicción espacial que explican la relación que existe entre la variable de interés y covariables sitio-especificas. Entre los modelos estadísticos más incipientes en aplicaciones de MDS está la regresión bayesiana ajustada con INLA (del inglés, Integrated Nested Laplace Approximation) y SPDE (del inglés, Stochastic Partial Differential Equation) para modelar la correlación espacial entre sitios del dominio espacial a mapear. En este trabajo, se evaluó la implementación de la regresión Bayesianas (RB) se ilustró con tres bases de datos espaciales de características contrastantes. Los resultados de la implementación con RB se compararon con otros dos algoritmos ampliamente utilizados en el MDS, Regresión Kriging (RK) y Random Forest con residuos krigeados (RF). Se evaluó el desempeño predictivo de RB comparado con RK y RF según un diseño que propone por un lado variar la configuración de variables explicativas y por otro el número de observación entrenando el modelo. Todos los predictores espaciales fueron eficientes para el mapeo. Las mejores configuraciones de variables explicativas lograron resultados exitosos en términos de errores de predicción global (<25%). Las diferencias en el desempeño predictivo entre algoritmos de predicción espacial dependieron de particularidades de los escenarios de aplicación. El aumento en la cantidad de covariables implicadas en el modelo, es decir el número de parámetros a estimar tiene un impacto diferencial para RF, algoritmo que produce mejor rendimiento comparado con RB y RK en contextos de alta dimensionalidad. Finalmente se concluye que el desempeño estadístico de RB es competitivo frente a RK y RF. Futuras líneas de investigación deberían profundizar el estudio de propagación y dimensionamiento de la incertidumbre debido a las particularidades que RB frente a los otros métodos evaluados.