📄 agriculture

A Hybrid Data Analytics Framework Integrating Machine Learning and Graph-Based Knowledge Models for Explainable Soil Organic Carbon Assessment

Este artículo propone y evalúa un marco híbrido de analítica de datos que integra modelos de predicción de Bosques Aleatorios con sistemas de conocimiento basados en grafos para mejorar la precisión, la contextualización espacial y la interpretabilidad de las evaluaciones del carbono orgánico del suelo en sistemas agroforestales, tal como se demuestra a través de un estudio de caso en México.

Autores originales: Emmanuel Papadakis, Gulger Mallik, Ahmed Aman Ibrahim, George Baryannis, Andreas Altinalmazis-Kondylis

Publicado 2026-06-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Emmanuel Papadakis, Gulger Mallik, Ahmed Aman Ibrahim, George Baryannis, Andreas Altinalmazis-Kondylis

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El panorama general: ¿Por qué necesitamos esto?

Imagina que estás tratando de averiguar cuánto "fertilizante" (carbono orgánico) está escondido dentro de un jardín gigante y desordenado (el suelo). Esto es importante porque un suelo sano actúa como una esponja que absorbe el carbono del aire, ayudando a combatir el cambio climático.

Sin embargo, revisar el suelo es complicado. Los datos que tenemos son como un montón de piezas de un rompecabezas provenientes de diferentes cajas: algunas piezas faltan, otras se miden en pulgadas y otras en centímetros, y vienen de diferentes profundidades. Además, las computadoras que solemos usar para adivinar los niveles de carbono son como "cajas negras": te dan un número, pero no pueden decirte por qué obtuvieron ese número.

Los autores de este artículo construyeron un marco híbrido (un kit de herramientas de mezcla y combinación) para resolver esto. Combinaron dos tipos de herramientas inteligentes:

Aprendizaje Automático (Machine Learning): Una calculadora superrápida que adivina los números.
Conocimiento basado en grafos: Un mapa y un acertijo lógico que explica por qué esos números tienen sentido.

Probaron este kit de herramientas en un jardín específico: México.

Las tres partes del kit de herramientas

1. El "Traductor" (Armonización de datos)

Antes de que las herramientas inteligentes pudieran trabajar, los datos desordenados tenían que ser limpiados.

El Problema: Una muestra de suelo podría medirse de 0 a 10 cm de profundidad, mientras que otra es de 0 a 20 cm. No se pueden comparar directamente.
La Solución: Los autores usaron un "traductor" matemático (llamado Spline Cuadrático de Área Igual) para estirar o encoger todas las mediciones de modo que todas encajaran en la misma caja estándar: de 0 a 30 cm de profundidad.
La Analogía: Imagina que tienes un montón de calcetines de todos los tamaños. Antes de poder contarlos o clasificarlos, tienes que doblarlos todos en el mismo tamaño de cuadrado exacto para que se apilen ordenadamente. Este paso hizo que los datos fueran apilables.

2. La "Calculadora" (Aprendizaje Automático)

Una vez que los datos estuvieron limpios, utilizaron un modelo de Bosque Aleatorio (Random Forest).

Qué hace: Piensa en esto como un equipo de 100 expertos diferentes (árboles) que votan por la respuesta. Cada experto observa diferentes pistas (como temperatura, lluvia, textura del suelo y tipo de roca) para adivinar cuánto carbono hay en el suelo.
El Resultado: El equipo hizo un trabajo decente. Pudieron predecir los niveles de carbono con una precisión moderada (obteniendo entre el 54% y el 78% del patrón correcto).
El Problema: Como cualquier adivinador humano, no eran perfectos. A veces se equivocaban por un poco. Esto es normal porque el suelo es complicado.

3. El "Creador de Mapas" y el "Narrador" (Modelos de Grafos)

Aquí es donde el artículo se vuelve único. En lugar de solo dar un número, añadieron dos capas de contexto:

El Creador de Mapas (Red Neuronal de Grafos):
- Cómo funciona: Trataron cada muestra de suelo como un punto en un mapa. Si dos puntos estaban cerca uno del otro (dentos de 10 km), dibujaron una línea entre ellos.
- La Magia: La computadora observó estas conexiones para agrupar los suelos en "vecindarios" o arquetipos. Encontró 8 tipos distintos de vecindarios de suelo en México basados en su ubicación y textura, sin siquiera mirar los números de carbono primero.
- La Analogía: Imagina clasificar a las personas en grupos según su vecindario y sus pasatiempos, no según su cuenta bancaria. Podrías descubrir que las personas en el "Vecindario A" a todos les gusta la jardinería, incluso antes de preguntarles cuánto dinero tienen. Esto ayuda a los científicos a ver si una muestra de suelo encaja en su vecindario o si es un caso atípico.
El Narrador (Red Bayesiana):
- Cómo funciona: Este es un grafo lógico que pregunta: "Si el carbono es alto, ¿qué más suele ser cierto?".
- El Resultado: Encontró patrones como: "El carbono alto suele ocurrir en suelos poco profundos y ácidos con pastizales", mientras que "El carbono bajo suele ocurrir en suelos profundos, alcalinos y con muchas rocas".
- La Analogía: Es como el tablero de un detective. Si ves una pista (Carbono Alto), el tablero se ilumina para mostrarte las otras pistas que suelen ir con ella (pH Ácido, Pastizales). Esto ayuda a los humanos a entender por qué la calculadora dio ese número.

El Tablero de Control: Uniendo todo

Los autores construyeron un tablero de control prototipo (un panel de control digital) para mostrar cómo funciona esto en la vida real.

Lo que ves: Un mapa de México.
Lo que puedes hacer: Haces clic en un punto y te dice:
1. El Número: "Hay X cantidad de carbono aquí".
2. El Contexto: "Este punto pertenece al 'Vecindario de Suelo #2'".
3. La Historia: "Esto tiene sentido porque el suelo es poco profundo y ácido, lo que generalmente significa un alto contenido de carbono".

¿Qué aprendieron? (Los Resultados)

La Calculadora funciona, pero no es perfecta: Capturó las tendencias generales, pero no pudo predecir cada punto perfectamente. Esto es de esperarse porque el suelo es desordenado.
El Creador de Mapas encontró patrones ocultos: Logró agrupar los suelos en 8 tipos regionales distintos que tenían sentido geográfico.
El Narrador lo hizo explicable: Logró vincular el carbono alto con condiciones específicas (como el pH ácido y la profundidad superficial), dándole a los humanos una razón para confiar en el número.

El "Pero..." (Limitaciones)

Los autores son muy honestos sobre lo que esta herramienta aún no puede hacer:

Es un prototipo, no un producto final: Es una herramienta de investigación, no un sistema listo para emitir créditos de carbono oficiales por dinero todavía.
Necesita más datos: Los datos que tenían para México eran un poco pequeños y les faltaban algunos detalles (como el manejo exacto que los agricultores hacen de la tierra).
Es específico para México: No puedes simplemente tomar este modelo y ejecutarlo en Brasil o Kenia sin revisarlo primero.
No hay causalidad "mágica": El "Narrador" muestra lo que suele suceder junto, pero no demuestra que una cosa causó la otra. Es una fuerte pista, no una ley científica.

Resumen

Este artículo trata sobre la construcción de una manera más inteligente y transparente de adivinar el carbono en el suelo. En lugar de solo dar un número desde una "caja negra", construyeron un sistema que te da el número, te muestra dónde encaja en el mapa y te cuenta la historia de por qué ese número tiene sentido. Es un paso hacia hacer que la ciencia climática sea más confiable y comprensible para todos.

Resumen Técnico: Un Marco de Analítica de Datos Híbrido que Integra Aprendizaje Automático y Modelos de Conocimiento Basados en Grafos para la Evaluación Explicable del Carbono Orgánico del Suelo

Planteamiento del Problema
La evaluación confiable del Carbono Orgánico del Suelo (COS) es crítica para las iniciativas de eliminación de carbono, la planificación de la agroforestería y los sistemas de Medición, Reporte y Verificación (MRV) creíbles. Sin embargo, los enfoques actuales enfrentan obstáculos significativos, incluyendo datos de suelo heterogéneos, profundidades de muestreo inconsistentes, cobertura espacial limitada y la naturaleza de "caja negra" de los modelos de predicción basados en datos. Los modelos puramente basados en aprendizaje automático suelen tener dificultades con la interpretabilidad y no logran considerar las dependencias espaciales, tratando las observaciones relacionadas como independientes. Esta falta de transparencia socava la confianza en los mercados de carbono, donde las partes interesadas requieren no solo predicciones precisas, sino también explicaciones auditables de las condiciones ambientales y los supuestos subyacentes a dichas estimaciones.

Metodología
El artículo propone un marco de analítica de datos híbrido diseñado para integrar el aprendizaje automático supervisado con modelos de conocimiento basados en grafos para permitir una evaluación explicable del COS. El marco opera a través de cuatro componentes modulares:

Pipeline de Armonización de Datos: El sistema ingiere datos heterogéneos del Servicio de Información Mundial del Suelo (WoSIS) y lo enriquece con datos climáticos (World Bank CCKP), de cobertura terrestre (MODIS), de ecorregiones (CONABIO) y covariables del suelo recomendadas por expertos. Un paso crítico consiste en estandarizar las mediciones del suelo a un intervalo de profundidad común de 0–30 cm utilizando el método de Spline Cuadrático de Área Igual (mediante la función ea_spline en R) para asegurar la comparabilidad entre diferentes protocolos de muestreo.
Componente de Aprendizaje Automático Supervisado: Este componente sirve como el motor predictivo primario. Emplea modelos de regresión de Bosque Aleatorio (Random Forest) para estimar dos objetivos clave: la concentración de carbono orgánico (g/kg) y el stock de carbono (t/ha). Los modelos son entrenados con covariables de suelo y ambientales armonizadas, siguiendo protocolos estrictos para prevenir la fuga de datos (por ejemplo, división de entrenamiento-prueba a nivel de perfil). También se probó un modelo exploratorio de aprendizaje profundo que arrojó un rendimiento inferior al de Random Forest.
Componente de Conocimiento Basado en Grafos (Representación Espacial): Para abordar el contexto espacial, el marco construye un grafo espacial donde los perfiles de suelo son nodos conectados por proximidad geográfica (aristas definidas por un umbral de distancia de Haversine de 10 km). Se entrena una Red Convolucional de Grafos (GCN) utilizando una pérdida de margen de triplete autosupervisada para aprender incrustaciones (embeddings) de baja dimensión de los perfiles de suelo. Crucialmente, las variables de carbono orgánico e inorgánico se excluyen de las características de entrada, asegurando que los clusters resultantes representen "arquetipos de suelo" basados en la similitud ambiental y pedológica en lugar de valores directos de carbono.
Componente de Grafo Explicativo: Se construye un grafo basado en redes bayesianas para apoyar el razonamiento probabilístico. Este componente modela las relaciones asumidas entre el COS y variables tales como pH, profundidad, pendiente, fragmentos de roca, cobertura terrestre y ecorregión. Al condicionar el grafo a estados de COS alto o bajo, el sistema genera perfiles ambientales interpretables que explican las condiciones asociadas con diferentes niveles de carbono.

Contribuciones Clave
El artículo describe seis contribuciones primarias:

Marco Híbrido: Propone un flujo de trabajo unificado que combina la predicción supervisada, la representación espacial basada en redes neuronales de grafos y la explicación basada en grafos probabilísticos.
Armonización de Datos: Desarrolla un flujo de trabajo que integra conjuntos de datos de suelo y ambientales dispares, estandarizando las mediciones a un intervalo de profundidad de 0–30 cm.
Evaluación Predictiva: Evalúa modelos supervisados para estimar la concentración y el stock de carbono orgánico en un caso de estudio centrado en México.
Arquetipos Espaciales: Construye un modelo de incrustación GCN que identifica arquetipos de suelo espacialmente coherentes de forma independiente a los valores de carbono.
Explicación Probabilística: Demuestra cómo el razonamiento basado en grafos puede interpretar los perfiles ambientales vinculados a condiciones de alto y bajo carbono orgánico.
Implementación de Prototipo: Entrega un tablero basado en Streamlit que visualiza las predicciones junto con los clusters espaciales y los perfiles explicativos, sirviendo como una prueba de concepto para el apoyo a la toma de decisiones.

Resultos
El marco fue evaluado mediante un caso de estudio centrado en México con datos de WoSIS.

Desempeño Predictivo: Los modelos de Random Forest alcanzaron un desempeño moderado, con valores de $R^2$ que oscilaron entre 0.54 y 0.78. El modelo de concentración de Equivalente de Carbono Total (TCEQ) tuvo el mejor desempeño ( $R^2$ = 0.78), mientras que las predicciones de stock mostraron valores de $R^2$ de 0.54. Los autores señalan que, si bien los modelos capturan tendencias espaciales amplias, exhiben una incertidumbre considerable para la estimación precisa a nivel de punto. El modelo exploratorio de aprendizaje profundo tuvo un desempeño inferior ( $R^2$ = 0.26) y no se extendió a las tareas de predicción de stock.
Clustering Espacial: El modelo de incrustación GCN identificó con éxito ocho clusters de suelo espacialmente coherentes en todo México. Estos clusters correspondieron a diferencias interpretables en la textura del suelo, el pH y la pendiente, validando la capacidad del modelo para capturar similitudes regionales del suelo sin depender directamente de los datos de carbono.
Perfilado Explicativo: La red bayesiana logró diferenciar perfiles ambientales para altos versus bajos niveles de COS. El COS alto se asoció con un pH ácido, capas de suelo superficiales y ecorregiones templadas subhúmedas. Por el contrario, el COS bajo se vinculó con condiciones alcalinas, capas más profundas, regiones áridas y un mayor contenido de fragmentos de roca.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como un paso hacia una evaluación del carbono del suelo más transparente e interpretable, en lugar de una plataforma de MRV plenamente operativa. La significancia radica en la integración de tres tipos de evidencia complementarios: predicción numérica, similitud espacial y explicación probabilística.

El artículo sostiene que este enfoque híbrido aborda la "brecha de explicabilidad" en la IA ambiental. Al vincular una estimación numérica de carbono con un arquetipo de suelo espacialmente fundamentado y un perfil ambiental probabilístico, el marco permite a los usuarios entender por qué se realizó una predicción y si esta se alinea con patrones regionales conocidos. Esto se presenta como esencial para construir confianza en los mercados de carbono y apoyar la revisión experta en los flujos de trabajo de MRV.

Sin embargo, los autores mantienen una postura modesta respecto a la preparación operativa. Reconocen explícitamente limitaciones, incluyendo el tamaño relativamente modesto del conjunto de datos armonizado, la falta de datos detallados de uso de la tierra/gestión (lo que limita la evaluación de impactos de la agroforestería) y la necesidad de una mayor validación antes de que el marco pueda soportar la acreditación de carbono de alto nivel. El producto actual se describe como un prototipo de investigación diseñado para demostrar la viabilidad analítica y el valor de la analítica híbrida, no como una solución final para la verificación de créditos de carbono.