UCM
AGRO
SECS 2026
tikzposter · A0
IA Generativa para la Predicción de Carbono Orgánico del Suelo:
un modelo XGBoost calibrado con datos LUCAS-España
Dr. M. Álvarez Ruiz¹  ·  Dra. L. Fernández Gómez²  ·  Prof. A. Torres Benito³
¹ Dpto. Ciencias del Suelo, Universidad Complutense de Madrid  ·  ² CSIC-IRNAS, Sevilla  ·  ³ Escuela Técnica Superior, UPM, Madrid
SECS 2026 — Congreso Español de la Ciencia del Suelo · Córdoba, 18-20 Junio 2026
github.com/
ucm-agro/
cos-xgboost
Introducción
🌱
SUELO
→
🤖
MODELO
→
🎯
PRECISIÓN

El carbono orgánico del suelo (COS) regula el ciclo global del carbono y es indicador esencial de salud edáfica. Los métodos analíticos convencionales son costosos e inescalables; los modelos ML de alta dimensión suelen carecer de interpretabilidad para técnicos de campo.

  • Objetivo: modelo ligero y desplegable en entornos con baja conectividad
  • Calibración con datos reales LUCAS-España 2018-2022
  • Integración de teledetección Sentinel-2 + variables pedoclimáticas
Datos de Entrenamiento
4.200 muestras LUCAS
Distribución espacial estratificada · España peninsular + Baleares
Muestras4.200 puntos (2018-2022)
Variables12 predictores multifuente
FuentesSentinel-2, DEM 25m, WorldClim v2
Rango COS0.8 – 68.4 g/kg
Validación10-fold espacial (no aleatoria)
Metodología
DATOS
LUCAS+S-2
→
MODELO
XGBoost
→
VALIDAR
10-fold
①
Prepro-
ceso
›
②
Feature
Eng.
›
③
Tuning
Optuna
›
④
CV
espacial
  • Hiperparámetros optimizados con Optuna (200 trials)
  • SHAP values para interpretabilidad por variable
  • Exportación ONNX: inferencia sin Python
Resultados Clave
0.87
R²
correlación
3.2
RMSE
g/kg
2×
más rápido
que RF
Comparativa R² — Modelos evaluados
Lineal
base
0.61
Random
Forest
0.79
XGBoost
NUESTRO
0.87
Importancia de Variables (SHAP)
Top 5 predictores · SHAP mean |value|
NDVI
Sentinel
0.91
Precipit.
anual
0.69
Elevación
DEM
0.56
Temp.
media
0.42
Tipo suelo
WRB
0.29
El NDVI Sentinel-2 acumula el mayor poder explicativo, confirmando el rol de la cubierta vegetal como proxy del COS en clima mediterráneo.
Conclusiones
🎯
0.87
Alta
precisión
⚡
<5 min
Deploy
rápido
🔓
MIT
Código
abierto
  • XGBoost supera a RF en R² y velocidad de inferencia
  • Modelo exportable ONNX: funciona offline en móvil o tablet
  • Interpretable con SHAP para técnicos no especializados en ML
Trabajo Futuro
  • Extensión a Portugal y norte de África (LUCAS-EU 2024)
  • Integración de datos hiperespectrales DESIS/PRISMA
  • App móvil PWA con inferencia ONNX sin conectividad
  • Validación con perfiles de suelo IGME-CSIC (n=800)