La agricultura inteligente depende de mapas de rendimiento precisos como una herramienta crucial para la toma de decisiones. Muchos mapas de rendimiento, sin embargo, sufren de errores espaciales que pueden comprometer la calidad de sus datos, mientras que se han propuesto varios enfoques para abordar algunos de estos errores, la detección de vacíos o agujeros en los mapas sigue siendo un desafío. Además, la calidad de los conjuntos de datos de rendimiento se evalúa típicamente en función de los errores cuadráticos medios después de la interpolación. Este método de evaluación se basa en datos de báscula, que ocasionalmente pueden ser inexactos, lo que impacta la calidad de las decisiones tomadas utilizando los conjuntos de datos. Este documento presenta un algoritmo novedoso diseñado para identificar vacíos en los mapas de rendimiento. Además, mapea tres tipos de errores espaciales (errores de GPS, aumentos de rendimiento y vacíos) a dos dimensiones estándar de calidad de datos (precisión y completitud). Al hacerlo, se proporciona una puntuación de calidad que se puede utilizar para evaluar la calidad de los conjuntos de datos de rendimiento, eliminando la necesidad de datos de báscula. El documento lleva a cabo tres tipos de evaluaciones: (1) evaluando la eficacia del algoritmo aplicándolo a un conjunto de datos que contiene campos con y sin vacíos; (2) evaluando los beneficios de integrar la detección de vacíos y otras técnicas de identificación de errores espaciales en la cadena de procesamiento de datos de rendimiento; y (3) examinando la correlación entre el error cuadrático medio y la puntuación de calidad propuesta antes y después de filtrar los errores espaciales. Los resultados de las evaluaciones demuestran que el algoritmo propuesto logra una sensibilidad del 100%, una especificidad del 91% y una precisión del 82% al identificar mapas de rendimiento con vacíos. Además, hay una disminución en el error cuadrático medio cuando se aplican varios errores espaciales, incluidos vacíos, después de aplicar la cadena de preprocesamiento de datos propuesta. La correlación inversa observada entre el error cuadrático medio y la puntuación de calidad propuesta (-0,577 y -0,793, antes y después de filtrar errores espaciales, respectivamente) indica que la puntuación de calidad puede evaluar efectivamente la calidad de los conjuntos de datos de rendimiento. Esta evaluación permite una integración perfecta en soluciones de evaluación de calidad de datos en tiempo real basadas en diversas dimensiones de calidad de datos.