Predictive Modeling of Effective Electrical Conductivity for Irrigation Water in Mendoza, Argentina
DOI:
https://doi.org/10.48162/rev.39.214Keywords:
effective electrical conductivity, irrigation water, regression trees, water quality, salinity, green beltAbstract
This study develops five predictive models based on regression trees to estimate the Effective Electrical Conductivity (CEE) of irrigation water in the Green Belt of Mendoza, Argentina. Using 468 water samples and physicochemical measurements from the Chachingo and Pescara canals, the models incorporate between one and six predictor variables. The most prominent model includes values of Actual Electrical Conductivity (CEA), calcium, magnesium, and bicarbonate ions, with a correlation coefficient of 0.99 and a mean absolute error of 26.5 µS cm-1. CEE is a key indicator for assessing water quality in areas with moderately soluble salts. These models provide a cost-effective tool for identifying salinity risks in irrigation water of varying quality. Their simplicity and robustness make them suitable for Mendoza or other regions with similar conditions, supporting efficient water resource management in agriculture.
Highlights:
- Los modelos de árboles de regresión permitieron predecir con precisión la conductividad eléctrica efectiva (CEE) en aguas de riego bajo condiciones locales.
- Los modelos se desarrollaron utilizando 468 muestras de agua del sistema de riego del Cinturón Verde de Mendoza.
- El Modelo 3 alcanzó un alto desempeño predictivo (R = 0,99) utilizando solo cuatro variables de fácil medición.
- El enfoque propuesto reduce la necesidad de análisis fisicoquímicos completos, disminuyendo costos operativos.
- Esta metodología constituye una herramienta práctica para el monitoreo eficiente de la calidad del agua de riego en regiones semiáridas.
Downloads
Author Biography
Daniela Virginia Cónsoli, Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias. Departamento de Ingeniería Agrícola. Almirante Brown 500. M5528AHB. Chacras de Coria. Mendoza. Argentina
References
Akil, N. N. (2020). Zonificación del cinturón verde de Mendoza en base a las funciones ecosistémicas.Tesina de grado. Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias. Biblioteca Digital UNCUYO. https://bdigital.uncu.edu.ar/15559
Ardila, A. N. & Saldarriaga, J. (2013) Formulación de un índice global de calidad de aguas residuales para riego. Av. Cien. Ing., 4(3), 11-26.
Avellaneda, M.; Bermejillo, A.; Mastrantonio L. E. (2004). Aguas de riego calidad y evaluación de su factibilidad de uso. EDIUNC.
Ayers, R. S. & Westcot, D. W. (1987). La calidad del agua en la Agricultura. Serie FAO Riego y Drenaje 29(1).
Calle, M. L. & Sánchez-Espigares, J. A. (2007). Árboles de clasificación y regresión en la investigación Biomédica. Medicina Clínica, 129(18), 702-706. https://doi.org/10.1157/13112516
Cardona Hernández, P. A. (2004). Aplicación de árboles de decisión en modelos de riesgo crediticio. Revista Colombiana de Estadística, 27(2), 139-151. https://revistas.unal.edu. co/index.php/estad/article/view/28808
Ciardullo, V. F.; Gennari, A. J. (2025). Agricultural Land Valuation-Hedonic Pricing and Geostatistical Advances: A State-of-the-Art Review. Revista de la Facultad de Ciencias Agrarias. Universidad Nacional de Cuyo. 57(2): 224-236. https://doi.org/10.48162/rev.39.185
Cónsoli, D. V. (2015). Evolución de la contaminación del agua de riego y clasificación de su calidad dentro del cinturón verde de Mendoza. Tesis de maestría no publicada. Maestría en Riego y Drenaje. Universidad Nacional de Cuyo.
Córdoba, M.; Vallone, R.; Paccioretti, P.; Corvalán, F.; Balzarini, M. (2025). Data-driven Method for the Delimitation of Viticultural Zones: Application in the Mendoza River Oasis, Argentina. Revista de la Facultad de Ciencias Agrarias. Universidad Nacional de Cuyo. 57(2): 57-68. DOI: https://doi.org/10.48162/rev.39.171
Díaz-Martínez, M. A., Ahumada-Cervantes, M. de los A., & Melo-Morín, J. P. (2021). Árboles de decisión como metodología para determinar el rendimiento académico en educación superior. Revista Lasallista de Investigación, 18(2), 94-104. https://revistas.unilasallista.edu.co/ index.php/rldi/article/view/2724
Dietterich, T. G. (1997). Machine-learning research. AI Magazine, 18(4), 97.
Ente Provincial del Agua y Saneamiento (EPAS). (1995). Normas de calidad de aguas. Documento preliminar. Mendoza. Argentina.
FAO. (1997). Lucha contra la contaminación agrícola de los recursos hídricos. Estudio FAO Riego y Drenaje. 55 p. Por Ongley, E. D. GEMS/Water Collaborating Centre Canadá Centre for Inland Waters. http://www.fao.org/docrep/w2598s/w2598s00.htm#Contents
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA Data Mining Software: An Update. ACM SIGKDD Explorations Newsletter, 11(1). Recuperado de https://www. kdd.org/exploration_files/p2V11n1.pdf
Holmes, G., Hall, M., Frank, E. (1999). Generating Rule Sets from Model Trees. In: Foo, N. (eds) Advanced Topics in Artificial Intelligence (AI 1999). Lecture Notes in Computer Science, vol 1747. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-46695-9_1
Nijensohn, L. (1961). Calidad de aguas de riego (Capítulo 14). En Primer curso nacional de manejo de riego: Riego y drenaje. Mendoza, Argentina.
Official Methods of Analysis of AOAC International. (1995). 16 th Edition. Volumen I.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann. Quinlan, J. R.
Ramos, R. A., Bottesi, M. C., & Quinteros, J. R. (2017). Estimación del avance urbano sobre la interfase urbano-rural del oasis norte de la provincia de Mendoza. INTA. https://repositorio.inta.gob. ar/xmlui/handle/20.500.12123/43
Rodríguez Murillo, N. A. (2019). Análisis de validación cruzada bajo diferentes condiciones de ruido. Tesis de Maestría en Ingeniería Industrial. Tecnológico Nacional de México. 84 p.
Thorne, D. W., & Peterson, H. B. (1954). Técnica de Riego (Versión Española, 1963). México.
Thorne. D. W. & Peterson H. B. (1996). Técnica de Riego Fertilidad y Explotación de los Suelos. Editorial Continental.
Velásquez, J. D., Fonnegra R., Y., & Villa G., F. A. (2013). Pronóstico de series de tiempo con redes neuronales regularizadas y validación cruzada. Revista Vínculos, 10(1), 267-279. https:// doi.org/10.14483/2322939X.4702
Wainstein, P. (1968). Clasificación de las aguas de riego de Mendoza. Informes Científicos y Técnicos N°15. Instituto de Suelos y Riego.
Wang, Y., & Witten, I. (1997). Induction of model trees for predicting continuous classes. In Proceedings of the Poster Papers of the ECML. 128-137.
Zuluaga, J. M., Drovandi, A. A., Bermejillo, A. I., Filippini, M. F., Cónsoli, D. V., Salcedo, C. E., Valdes, A. E., & Morsucci, A. L. (2011). Diagnóstico de la calidad del recurso hídrico en el cinturón verde de Mendoza, Argentina. XVI Congreso Nacional de Irrigación. Asociación Nacional de Especialistas en Irrigación. Culiacán.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Revista de la Facultad de Ciencias Agrarias UNCuyo
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan las Políticas Editoriales.
RevFCAUNCuyo
.jpg)
