Integración de la espectroscopía Vis-NIR y técnicas de aprendizaje automático para predecir ocho parámetros del suelo en regiones alpinas
Autores: Jiang, Chuanli; Zhao, Jianyun; Li, Guorong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Integración de la espectroscopía Vis-NIR y técnicas de aprendizaje automático para predecir ocho parámetros del suelo en regiones alpinas
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Visible
Espectroscopía de infrarrojo cercano
Propiedades del suelo
Transformaciones espectrales
Aprendizaje automático
Predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La espectroscopía visible e infrarroja cercana (Vis-NIR, 350-1100 nm) tiene un gran potencial para predecir las propiedades del suelo. Sin embargo, la investigación actual sobre la predicción hiperespectral de parámetros del suelo en áreas agrícolas de regiones alpinas y los tipos de parámetros incluidos es limitada, y no se ha investigado suficientemente el tratamiento espectral óptimo y los modelos predictivos aplicables a diferentes parámetros. Por lo tanto, evaluamos la precisión de predecir nitrógeno total (TN), pentóxido de fósforo (TPO), óxido de potasio total (TKO), nitrógeno alcalino-hidrolizable (AHN), fósforo efectivo (AP), potasio efectivo (AK), materia orgánica del suelo (SOM) y pH en el altiplano Qinghai-Tíbet utilizando la técnica Vis-NIR en combinación con transformaciones espectrales, análisis de correlación, selección de características y aprendizaje automático. Los resultados muestran que las transformaciones espectrales mejoran la correlación entre los espectros y los parámetros, pero dependen del tipo de parámetro y del método utilizado. La eliminación del continuo (CR), la diferencial logarítmica de primer orden (FDL) y la diferencial inversa de primer orden (FDR) tuvieron los efectos más significativos. Las bandas de características fueron extraídas utilizando SPA y modeladas utilizando mínimos cuadrados parciales (PLSR), bosques aleatorios (RF), máquina de vectores de soporte (SVM), aumento extremo de gradiente (XGBoost) y redes neuronales de retropropagación (BPNN). La precisión se evaluó en base a R, RMSE, RPD y RPIQ. Encontramos que el modelo PLSR solo permite la predicción de SOM y pH con una precisión menor que los modelos restantes. XGBoost puede predecir todos los parámetros, pero solo para AHN; el rendimiento de predicción es mejor que otros métodos (R = 0.776, RMSE = 0.043 g/kg y RPIQ = 2.88). Los modelos RF, SVM y BPNN no pueden predecir AK, AP y AHN, respectivamente. Además, TPO, AP y pH son los más adecuados para modelar utilizando RF (RPIQ = 2.776, 3.011 y 3.198); TN, AK y SOM son los más adecuados para modelar utilizando BPNN (RPIQ = 2.851, 2.394 y 3.085); y AHN y TKO son los más adecuados para XGBoost y SVM, respectivamente (RPIQ = 2.880 y 3.217). Por lo tanto, este estudio puede proporcionar soporte técnico y de datos para la adquisición precisa y eficiente de parámetros del suelo en la agricultura alpina.
Descripción
La espectroscopía visible e infrarroja cercana (Vis-NIR, 350-1100 nm) tiene un gran potencial para predecir las propiedades del suelo. Sin embargo, la investigación actual sobre la predicción hiperespectral de parámetros del suelo en áreas agrícolas de regiones alpinas y los tipos de parámetros incluidos es limitada, y no se ha investigado suficientemente el tratamiento espectral óptimo y los modelos predictivos aplicables a diferentes parámetros. Por lo tanto, evaluamos la precisión de predecir nitrógeno total (TN), pentóxido de fósforo (TPO), óxido de potasio total (TKO), nitrógeno alcalino-hidrolizable (AHN), fósforo efectivo (AP), potasio efectivo (AK), materia orgánica del suelo (SOM) y pH en el altiplano Qinghai-Tíbet utilizando la técnica Vis-NIR en combinación con transformaciones espectrales, análisis de correlación, selección de características y aprendizaje automático. Los resultados muestran que las transformaciones espectrales mejoran la correlación entre los espectros y los parámetros, pero dependen del tipo de parámetro y del método utilizado. La eliminación del continuo (CR), la diferencial logarítmica de primer orden (FDL) y la diferencial inversa de primer orden (FDR) tuvieron los efectos más significativos. Las bandas de características fueron extraídas utilizando SPA y modeladas utilizando mínimos cuadrados parciales (PLSR), bosques aleatorios (RF), máquina de vectores de soporte (SVM), aumento extremo de gradiente (XGBoost) y redes neuronales de retropropagación (BPNN). La precisión se evaluó en base a R, RMSE, RPD y RPIQ. Encontramos que el modelo PLSR solo permite la predicción de SOM y pH con una precisión menor que los modelos restantes. XGBoost puede predecir todos los parámetros, pero solo para AHN; el rendimiento de predicción es mejor que otros métodos (R = 0.776, RMSE = 0.043 g/kg y RPIQ = 2.88). Los modelos RF, SVM y BPNN no pueden predecir AK, AP y AHN, respectivamente. Además, TPO, AP y pH son los más adecuados para modelar utilizando RF (RPIQ = 2.776, 3.011 y 3.198); TN, AK y SOM son los más adecuados para modelar utilizando BPNN (RPIQ = 2.851, 2.394 y 3.085); y AHN y TKO son los más adecuados para XGBoost y SVM, respectivamente (RPIQ = 2.880 y 3.217). Por lo tanto, este estudio puede proporcionar soporte técnico y de datos para la adquisición precisa y eficiente de parámetros del suelo en la agricultura alpina.