Análisis nutricional de suelos con Aprendizaje Automático y Espectroscopía Vis-NIR

Abstract

El presente trabajo de tesis se centra en la aplicación de técnicas de Aprendizaje Automático (ML por Machine Learning) y Espectroscopia visible y de infrarrojo cercano (Vis-NIR) para mejorar el análisis nutricional de suelos en un contexto de la agricultura de precisión. El objetivo principal es estudiar y aportar en la mejora de la precisión y eficiencia en la predicción de nutrientes del suelo, en particular el nitrógeno. Se abordan dos enfoques esenciales en la tesis: la selección de variables y la calibración de algoritmos ML. Por un lado, se explora la efectividad de tres métodos de selección de longitudes de onda claves en la predicción de nitrógeno total y pH del suelo, mediante el uso de datos espectrales Vis-NIR y métodos de búsqueda y optimización, incluyendo algoritmos genéticos y bio-inspirados. Por otro lado, se profundiza en la evaluación de métodos de calibración para la predicción de nitrógeno en el suelo, empleando la espectroscopia NIR y modelos con diferentes enfoques de aprendizaje, incluyendo vectores de soporte y arboles de decisión. Donde también se investiga el uso del aprendizaje profundo, con la implementación de redes generativas adversarias para aumentar la cantidad y calidad de los datos disponibles para entrenamiento de los modelos, lo que potencialmente mejora la precisión de las predicciones. Los resultados obtenidos a través de los experimentos realizados con estas técnicas y enfoques sustentan a este trabajo académico como una contribución al conocimiento en la intersección de tecnología y agricultura, al demostrar cómo la integración de técnicas avanzadas de análisis puede revolucionar la manera en que se gestionan los nutrientes del suelo para una producción agrícola más eficiente y sostenible.