Abstract
La valoración del suelo en Colombia ha estado históricamente apoyada en metodologías tradicionales como el método comparativo de mercado, la capitalización de rentas y el método de costos. Estos métodos han desempeñado un papel fundamental en el desarrollo de los procesos catastrales y de avalúos en el país, al proporcionar un marco técnico que ha permitido la estimación de valores durante varias décadas. No obstante, su aplicación en contextos rurales presenta limitaciones significativas, debido a la complejidad inherente de estos territorios, donde confluyen factores como la variabilidad topográfica, la heterogeneidad en la productividad y el potencial del suelo, las particularidades normativas y las dinámicas propias del mercado rural (Ballesteros, 2004; IGAC, 2016). Esta diversidad espacial y funcional dificulta la obtención de estimaciones homogéneas mediante herramientas convencionales, lo que pone de manifiesto la necesidad de revisar y fortalecer los enfoques metodológicos utilizados. En este escenario, la implementación del catastro multipropósito ha resaltado la importancia de modernizar las metodologías empleadas en la valoración masiva de inmuebles, promoviendo enfoques que ofrecen mayores niveles de automatización, precisión y capacidad de adaptación a la diversidad territorial del país (IGAC, 2016). Si bien los métodos tradicionales continúan siendo vigentes, este contexto ha abierto una oportunidad para la incorporación de herramientas tecnológicas que optimicen la eficiencia y mejoren la calidad de los procesos de valoración. En particular, las técnicas basadas en inteligencia artificial, y específicamente los algoritmos de agrupamiento o clustering, han cobrado relevancia al permitir la clasificación de unidades espaciales sin la necesidad de categorías predefinidas, facilitando la identificación de patrones en escenarios caracterizados por una alta heterogeneidad, como ocurre en el suelo rural (Jain, Murty & Flynn, 1999; Xu & Wunsch, 2005). Dentro del uso de técnicas de aprendizaje automático aplicadas al análisis territorial, el software Weka se ha consolidado como una herramienta ampliamente utilizada, gracias a su carácter de código abierto y a la disponibilidad de múltiples algoritmos de aprendizaje no supervisado (Witten, Frank & Hall, 2011). Entre los métodos de clustering más empleados se encuentran el algoritmo k-means, que agrupa las observaciones mediante la minimización de la varianza interna (MacQueen, 1967; Lloyd, 1982); el hierarchical clustering, que genera estructuras jerárquicas de agrupamiento a partir de procesos aglomerativos y divisivos (Murtagh & Contreras, 2012); y los algoritmos basados en densidad, como DBSCAN, que permiten identificar conglomerados con formas irregulares y detectar valores atípicos en los datos (Ester et al., 1996). A estos enfoques se suma el algoritmo Expectation–Maximization (EM), fundamentado en modelos probabilísticos, el cual permite estimar de manera iterativa la pertenencia de cada observación a los distintos grupos mediante la maximización de la función de verosimilitud, resultando especialmente adecuado para el análisis de información heterogénea