Modelo para la estimación de las propiedades del suelo a través de Sensado Multiespectral usando técnicas de aprendizaje de máquina

En Colombia varias organizaciones han contribuido en el crecimiento del sector agropecuario, entre ellas Agrosavia que fue creada en 1993 con la finalidad de brindar un conocimiento y desarrollo tecnológico, buscando esa mejora de calidad de vida de productor y consumidor, brindando soluciones de tipo sostenible y accesible basados en tecnologías como la espectrometría de rango visible e infrarrojo cercano (VIS/NIRS). [1]. La gestión del campo a través de tecnologías, sensores, radares y satélites para evaluar la calidad de cosecha y factores climáticos es comúnmente conocido como la Agricultura de Precisión. El análisis de suelos evalúa las condiciones de producción en cultivos y otras características, como la salinidad, toxicidad y acidez excesiva. El espectro visible-infrarrojo cercano (VIS-NIR), brinda información relacionada con componentes orgánicos e inorgánicos del suelo; la medida de la absorbancia sobre el espectro en rango visible da como resultado medidas de: color de suelo, materia orgánica, pH (Ben-Dor et al., 1999) y minerales como Hierro, principalmente hematita y goethita; también de minerales importantes en el estado de fertilidad del suelo como el Calcio (Ca), Magnesio (Mg) y Potasio (K) (Sherman y Waite, 1985). Las porciones del infrarrojo cercano (NIR) del espectro electromagnético están asociadas con el estiramiento y la flexión de los grupos NH, OH y CH (Dalal y Henry, 1986; Clark, 1999; Viscarra Rossel y Behrens, 2010). Al usar el sensor multiespectral de bajo costo (AS7341 de ams OSRAM) se realiza la adquisición de la firma espectral para 90 muestras de parcelas agrícolas de diversos orígenes y cultivos; que han sido previamente procesados en los laboratorios de Agrosavia usando técnicas de espectroscopia Vis-NIRS y para los cuales se ha realizado el análisis de fertilidad en el laboratorio de química analítica de esta misma institución. El preprocesamiento y análisis de los datos adquiridos usando algoritmos de aprendizaje de máquina permitieron estimar variables por medio técnicas de regresión y clasificación que, tras validarse con los resultados del análisis del laboratorio de química analítica de Agrosavia, ofrecieron predicciones en clasificación para los rangos específicos de cada variable con una precisión y rendimiento mayor al 82 % para pH, 74% para materia orgánica, 54,8% para Potasio (K), 56% para Calcio (Ca) y 56,2% para Magnesio (Mg). A pesar de las limitaciones generadas por la cantidad de muestras, el control sobre las variables externas que pudieron haber influido en la adquisición de la firma espectral, el rango y la resolución del sensor, se pudo obtener un rendimiento comparable con los resultados obtenidos en [1], especialmente para la estimación del pH usando clasificación.

• Autores: Oviedo Pasuy, Julian David; Ángel Marín, Andrés Camilo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/63373
• Acceso en línea: http://hdl.handle.net/10554/63373
• Palabra clave: Espectrometría; Espectro visible-infrarrojo cercano (VIS-NIR); Agricultura de precisión; Absorbancia; Firma espectral; Análisis de suelos; Aprendizaje de maquina; Fertilidad de suelo; Sensor multiespectral; Spectrometry; Spectrum of Visible-Near Infrared (VIS-NIR); Precision agriculture; Absorbance; Spectral sign; Soil analysis; Machine learning; Soil fertility; Multispectral Sensor; Ingeniería electrónica - Tesis y disertaciones académicas; Espectrometría de Infrarrojos; Aprendizaje de máquinas; Agricultura
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional