Los avances recientes en imágenes hiperespectrales y aprendizaje automático han revolucionado el monitoreo no destructivo del estado nutricional de los cultivos, permitiendo una predicción precisa de las concentraciones de elementos vegetales.
por la Universidad Agrícola de NanJing
A pesar de los éxitos, el método de regresión de objetivo único, que predice las concentraciones individualmente, enfrenta limitaciones de precisión para ciertos elementos.
Los métodos tradicionales ofrecen precisión, pero a costa de ser destructivos e ineficientes para su uso a gran escala. La investigación actual destaca el potencial de la regresión multiobjetivo, que considera las relaciones entre múltiples elementos, como una vía prometedora para mejorar la precisión de la predicción. Sin embargo, la aplicación de la regresión de objetivos múltiples para predecir concentraciones de múltiples elementos en plantas sigue sin explorarse y representa un área crítica para investigaciones futuras.
Plant Phenomics publicó una investigación titulada » Un método de regresión de objetivos múltiples para predecir concentraciones de elementos en hojas de tomate mediante imágenes hiperespectrales «.
Este estudio tuvo como objetivo mejorar la precisión de la predicción de concentraciones de elementos en hojas de tomate a través de un método de regresión de objetivos múltiples (MTSC), que integra el encadenamiento secuencial de valores de elementos predichos en entradas de imágenes hiperespectrales originales .
Los investigadores aplicaron este enfoque a 17 elementos y lo compararon con los resultados tradicionales de regresión de objetivo único (STR), utilizando cinco modelos diferentes de aprendizaje automático . El método MTSC mostró una mejora significativa en la precisión de la predicción para 10 elementos, con aumentos notables en el coeficiente de determinación (R 2 ) para elementos como Mn, Cu, Co, Fe y Mg, lo que demuestra su superioridad sobre STR.
Sus experimentos evaluaron la variabilidad de los datos hiperespectrales y mostraron diferencias significativas dentro y entre las plantas de tomate, lo que subraya la complejidad de los datos. Las predicciones iniciales utilizando STR revelaron que ciertos elementos, como Mg, Mo y Ca, tenían valores R 2 relativamente más altos , lo que indica un rendimiento decente del modelo.
Sin embargo, para elementos con menor precisión de predicción en STR, MTSC ofreció una alternativa prometedora, mejorando significativamente la precisión de un subconjunto de elementos, incluidos Mg, P, S, Mn, Fe, Co, Cu, Sr, Mo y Cd. Esta mejora fue más pronunciada en el modelo Random Forest (RF), que mostró los mayores aumentos promedio en R 2 y reducciones en el error cuadrático medio (RMSE).
La efectividad del método MTSC se validó aún más en un conjunto de datos de prueba, con predicciones para los 10 elementos mejorados que superaron las predicciones STR. El éxito de este método resalta la importancia de considerar las relaciones entre elementos y el potencial de los modelos de aprendizaje automático no lineales como RF para explotar estas conexiones para una mejor precisión de predicción .
En general, estos hallazgos subrayan la capacidad del método MTSC para mejorar significativamente las predicciones de concentración de elementos en los tejidos vegetales e ilustran la ventaja del método al incorporar relaciones interelementales complejas, ofreciendo así un enfoque más preciso y holístico para predecir el estado nutricional de las plantas .
Más información: Andrés Aguilar Ariza et al, Un método de regresión de objetivos múltiples para predecir concentraciones de elementos en hojas de tomate mediante imágenes hiperespectrales, Fenómica de plantas (2024). DOI: 10.34133/plantfenómica.0146
