Predicción de propiedades físicas/químicas del suelo mediante firmas espectrales y clasificación de pH.
Dentro de la agricultura se realizan prácticas de manejo, entre ellas está la determinación de nutrientes en el sistema suelo con análisis químicos en laboratorios especializados. Mediante el aprendizaje automático ha surgido el uso del espectro Visible-Infrarrojo cercano (Vis-NIR) para la predicción nutricional en el suelo, disminuyendo los costos, tiempos en la obtención de resultados y la contaminación. Para la predicción de 29 propiedades físicas/químicas del suelo se tomaron firmas dentro del espectro de 400 nm a 2500 nm, analizadas con el método estadístico de Mínimos Cuadrados Parciales (PLSR) con previo preprocesamiento y eliminación de datos atípicos (outliers). Las muestras fueron proporcionadas por el Laboratorio de Suelos, Aguas y Foliares de la Universidad EARTH. Se usó el coeficiente de determinación (R2) de mayor importancia de selección. Se comparó la calidad de la predicción del modelo utilizando 2318 y 3381 firmas de muestras de suelo. Se obtuvo que solamente tres variables presentaron mayor R2, a mayor cantidad de muestras, siendo: N con R2=0.73, Na con R2=0.60, B con R2=0.25 y dos relaciones fueron encontradas; absorción de sodio (SAR) con R2=0.57 y Ca/Mg con R2=0.51. Por lo que la calidad de predicción del modelo en cuanto al número de muestras no mostró diferencias en la mayoría de las variables, diciendo que a mayor sea la cantidad de firmas, menor puede ser la calidad de predicción, dependiendo de la agrupación de datos que se realicen. También se realizó la comparación entre la clasificación de datos con un rango de pH de 5.5 a 6.5. Se observó una diferencia positiva en 17 variables, Entre las que mayor predicción se obtuvo están: Si con R2=0.97, Ca con R2=0.93, Capacidad de intercambio catiónico (CICe) con R2=0.92, Mg con R2=0.92, C con R2=0.89, Fe con R2=0.85, K con R2=0.79, también variables como arcilla con R2=0.75, y arena con R2=0.74. La clasificación del suelo según sus características físicas o químicas hace una mejor predicción, también el lugar de procedencia puede ser una forma de clasificación, de allí la importancia de la georreferenciación de las muestras.
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | info:eu-repo/semantics/bachelorThesis biblioteca |
| Idioma: | spa |
| Publicado: |
Universidad EARTH
2021-12
|
| Materias: | PROPIEDADES FISICAS DEL SUELO, ANALISIS ESPECTRAL, CLASIFICACION DE SUELOS, FERTILIDAD DEL SUELO, https://purl.org/pe-repo/ocde/ford#4.01.01, |
| Acceso en línea: | https://repositorio.earth.ac.cr/handle/UEARTH/236 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Dentro de la agricultura se realizan prácticas de manejo, entre ellas está la determinación de nutrientes en el sistema suelo con análisis químicos en laboratorios especializados. Mediante el aprendizaje automático ha surgido el uso del espectro Visible-Infrarrojo cercano (Vis-NIR) para la predicción nutricional en el suelo, disminuyendo los costos, tiempos en la obtención de resultados y la contaminación. Para la predicción de 29 propiedades físicas/químicas del suelo se tomaron firmas dentro del espectro de 400 nm a 2500 nm, analizadas con el método estadístico de Mínimos Cuadrados Parciales (PLSR) con previo preprocesamiento y eliminación de datos atípicos (outliers). Las muestras fueron proporcionadas por el Laboratorio de Suelos, Aguas y Foliares de la Universidad EARTH. Se usó el coeficiente de determinación (R2) de mayor importancia de selección. Se comparó la calidad de la predicción del modelo utilizando 2318 y 3381 firmas de muestras de suelo. Se obtuvo que solamente tres variables presentaron mayor R2, a mayor cantidad de muestras, siendo: N con R2=0.73, Na con R2=0.60, B con R2=0.25 y dos relaciones fueron encontradas; absorción de sodio (SAR) con R2=0.57 y Ca/Mg con R2=0.51. Por lo que la calidad de predicción del modelo en cuanto al número de muestras no mostró diferencias en la mayoría de las variables, diciendo que a mayor sea la cantidad de firmas, menor puede ser la calidad de predicción, dependiendo de la agrupación de datos que se realicen. También se realizó la comparación entre la clasificación de datos con un rango de pH de 5.5 a 6.5. Se observó una diferencia positiva en 17 variables, Entre las que mayor predicción se obtuvo están: Si con R2=0.97, Ca con R2=0.93, Capacidad de intercambio catiónico (CICe) con R2=0.92, Mg con R2=0.92, C con R2=0.89, Fe con R2=0.85, K con R2=0.79, también variables como arcilla con R2=0.75, y arena con R2=0.74. La clasificación del suelo según sus características físicas o químicas hace una mejor predicción, también el lugar de procedencia puede ser una forma de clasificación, de allí la importancia de la georreferenciación de las muestras. |
|---|