Validación de modelos estadísticos para la predicción de carbono orgánico y nitrógeno total en suelos dedicados a la producción bovina en Antioquia, a partir de imágenes hiperespectrales

Abstract

RESUMEN: El carbono orgánico (CO) y el nitrógeno (N) total son nutrientes esenciales para el crecimiento de las plantas. La presencia de estos en cantidades aceptables genera ambientes óptimos para el desarrollo de cultivos de interés productivo. En la actualidad, existen metodologías que permiten conocer niveles en el suelo sin usar métodos destructivos como los análisis químicos. Además, el gran avance en el uso de algoritmos estadísticos de machine learning (ML) y la aplicación de sensores han permitido calibrar modelos predictores para los elementos del suelo. Por ello, en el primer capítulo se desarrolla el marco teórico del trabajo. En el segundo capítulo se realizó una revisión sobre las técnicas espectroscópicas más utilizadas y los resultados encontrados en los últimos años en cultivos de pasto. En el tercer capítulo, se ejecutaron modelos de ML para predecir el CO y N de los suelos de Antioquia mediante imágenes hiperespectrales las cuales funcionan con porciones del espectro electromagnético por medio de bandas contiguas de absorción o reflectancia que permiten diferenciar materiales presentes en el suelo. La base de datos de los espectros se transformó por medio de la 1° derivada de Savitzky Golay y a los valores de CO y N se les aplicó la transformación de raíz cuadrada. Los modelos random forest (RF) predijeron el CO con mayor exactitud, encontrando un R2 de 0.87, un error cuadrático medio (RMSEP) de 0.10 y una desviación residual predictiva (RPD) de 6.74. Para la variable N, el mejor modelo también fue RF con un R2 de 0.79, RMSEP de 0.03 y RPD de 5.44. En el cuarto capítulo se desarrollaron diferentes relaciones entre el CO, el N total y la relación C/N de diferentes agrocadenas usando modelos aditivos generalizados (GAM). En los modelos, se aplicaron suavizados a las variables. Se encontraron ajustes por medio de la Devianza y R2 superiores al 86%. Con los valores predichos del modelo se realizaron mapas de distribución. Se hallaron diferencias en los valores de los nutrientes en el suelo para las diferentes agrocadenas y se determinaron las relaciones del CO y el N total con otras variables del suelo como la arcilla (Ar), la capacidad de intercambio catiónico (CIC), el pH y la densidad aparente (DA) del suelo.

ABSTRACT: Organic carbon (CO) and total nitrogen (N) are essential nutrients for plant growth. The presence of these in acceptable quantities generates optimal environments for the development of crops of productive interest. Currently, there are methodologies that allow us to know levels in the soil without using destructive methods such as chemical analysis. Furthermore, the great advance in the use of statistical machine learning (ML) algorithms and the application of sensors have made it possible to calibrate predictor models for soil elements. Therefore, in the first chapter the theoretical framework of the work is developed. In the second chapter, a review was carried out on the most used spectroscopic techniques and the results found in recent years in grass crops. In the third chapter, ML models were executed to predict the CO and N of the soils of Antioquia through hyperspectral images which work with portions of the electromagnetic spectrum through contiguous bands of absorption or reflectance that allow the differentiation of materials present in the soil. The spectral database was transformed using the 1st derivative of Savitzky Golay and the square root transformation was applied to the CO and N values. The random forest (RF) models predicted CO with greater accuracy, finding an R2 of 0.87, a root mean square error (RMSEP) of 0.10 and a residual predictive deviation (RPD) of 6.74. For the N variable, the best model was also RF with an R2 of 0.79, RMSEP of 0.03 and RPD of 5.44. In the fourth chapter, different relationships between CO, total N, and the C/N ratio of different productions were developed using generalized additive models (GAM). In the models, smoothing was applied to the variables. Adjustments were found through Deviance and R2 greater than 86%. Distribution maps were made with the predicted values of the model. Differences were found in the values of nutrients in the soil for the different agricultural chains and the relationships of CO and total N with other soil variables such as clay (Ar), cation exchange capacity (CEC), pH were determined. and the apparent density (DA) of the soil.