Diagnóstico no invasivo del estado de salud del fríjol común (Phaseolus vulgaris L) en Colombia: un enfoque basado en la huella espectral y la inteligencia artificial
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La deficiencia de fósforo (P) es un factor crítico que limita el crecimiento y rendimiento del fríjol común (Phaseolus vulgaris L.). Los métodos convencionales para su diagnóstico suelen ser destructivos y costosos, lo que motiva la exploración de alternativas basadas en teledetección y aprendizaje automático.
En este estudio se evaluó la detección del estrés por deficiencia de fósforo utilizando imágenes hiperespectrales adquiridas en condiciones reales de campo en el Centro de Investigación La Selva (Rionegro, Antioquia, Colombia). El experimento se desarrolló bajo un diseño controlado con cuatro niveles de fertilización fosfórica (25 %, 50 %, 75 % y 100 % de la dosis óptima). El problema se formuló como una clasificación binaria entre plantas estresadas y no estresadas, dando lugar a un conjunto de datos altamente desbalanceado.
Se implementaron y compararon algoritmos de aprendizaje automático y profundo, incorporando estrategias de preprocesamiento, selección de bandas espectrales, partición espacial del conjunto de datos y optimización de hiperparámetros. Los resultados demuestran que la información hiperespectral permite identificar de manera confiable el estrés por deficiencia de fósforo, alcanzando valores de ROC-AUC cercanos a 0,88 y exactitudes superiores a 0,82. Estos hallazgos resaltan el potencial de esta aproximación como herramienta para la agricultura de precisión y el manejo eficiente de nutrientes. (Texto tomado de la fuente)
Abstract
Phosphorus (P) deficiency is a critical factor limiting the growth and yield of common beans (Phaseolus vulgaris L.). Conventional methods for its diagnosis are often destructive and costly, prompting the exploration of alternatives based on remote sensing and machine learning.
This study evaluated the detection of phosphorus deficiency stress using hyperspectral images acquired under real field conditions at the La Selva Research Center (Rionegro, Antioquia, Colombia). The experiment was conducted under a controlled design with four levels of phosphorus fertilization (25 %, 50 %, 75 %, and 100 % of the optimal dose). The problem was formulated as a binary classification between stressed and non stressed plants, resulting in a highly unbalanced dataset.
Machine learning and deep learning algorithms were implemented and compared, incorporating preprocessing strategies, spectral band selection, spatial partitioning of the dataset, and hyperparameter optimization. The results demonstrate that hyperspectral information can reliably identify phosphorus deficiency stress, achieving ROC-AUC values close to 0,88 and accuracies above 0,82. These findings highlight the potential of this approach as a tool for precision agriculture and efficient nutrient management.
Descripción
Ilustraciones
Palabras clave propuestas
Agricultura de precisión; Imágenes hiperespectrales; Deficiencia de fósforo; Fríjol común (Phaseolus vulgaris L.); Aprendizaje automático; Aprendizaje profundo; Teledetección UAV; Precision agriculture; Hyperspectral images; Phosphorus deficiency; Common bean (Phaseolus vulgaris L.); Machine learning; Deep learning; UAV remote sensing
Términos Normalizados
Aprendizaje autoomático (Inteligencia artificial); Agricultura de precisión; Inteligencia artifical; Procesamiento de imágenes; 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; 000 - Ciencias de la computación, información y obras generales::003 - Sistemas