Resumen

Los análisis del suelo son fundamentales para la toma de decisiones en agricultura. Estos análisis pueden ser obtenidos por técnicas no destructivas, rápidas y precisas como lo es la espectroscopía de infrarrojo cercano NIRS. El objetivo fue generar ecuaciones de predicción de la Materia Orgánica (MO) y Nitrógeno total (N total), mediante el uso de espectros del NIRS. Se procesaron 459 muestras de suelo por química húmeda y por NIRS y se utilizaron diversas transformaciones de datos analizadas por mínimos cuadrados parciales. En la selección se tuvieron en cuenta los valores del coeficiente de determinación (R²), de la raiz del error cuadrático medio de predicción (RMSEP) y la desviación residual predictiva (RPD). El mejor modelo para MO correspondió al modelo de aobsorbancia sin transformación (R²=0.90, RMSEP=0.29 y RPD=1.3) y para el nitrógeno total el mejor modelo fue la transformación de la 1^a derivada de Savitzky-Golay (R²=0.84, RMSEP=0.09 y RPD=2.5). Lo anterior indica que se pueden utilizar los valores de absorbancia de los espectros del NIRS para predecir los valores de MO y N del suelo, utilizando modelos de mínimos cuadrados parciales.

1. INTRODUCCIÓN

La materia orgánica (MO) del suelo se forma gracias a los residuos de animales y plantas en descomposición [20] y está relacionada con la retención de nutrientes y la formación de agregados del suelo, almacena elementos importantes y en ella se genera gran actividad microbiana [19,33]. El carbono orgánico es el principal componente de la MO, por lo que tienen una relación directa en su contenido [6]; por estas razones, la determinación del contenido de MO del suelo puede dar a conocer el estado de fertilidad [32]. Para saber el contenido de MO por química húmeda es necesario analizar primero el contenido de carbono orgánico CO, generalmente realizado por el método de Walkley y Black [9]. El Nitrógeno total se encuentra de forma orgánica e inorgánica y es uno de los elementos más importantes del suelo [11], además es uno de los nutrientes más limitantes para los cultivos y es un elemento muy dinámico en el suelo [1]. En la forma tradicional o química húmeda se determina por medio del método Kjeldahl.

Los análisis químicos son herramientas que permiten conocer el estado de fertilidad del suelo, sin embargo, son costosos, difíciles de realizar y toman mucho tiempo [5], además generan residuos químicos que pueden contaminar diferentes fuentes naturales. Por esto, se ha venido desarrollando e investigando en nuevas metodologías que permitan obtener resultados más fácilmente. La espectroscopía de infrarrojo cercano NIRS ha sido descrita por [17,22,10,23] como una buena alternativa en la agricultura de precisión para analizar las propiedades del suelo, siendo un método fácil, útil y de bajo costo.

• Materias:Algoritmos de aprendizaje Análisis químico Aprendizaje automático Espectroscopia infrarroja Materia Orgánica
• Subjects:Learning algorithms Chemical test Machine learning Infrared spectroscopy Organic Matter
• Palabras claves:Machine Learning; Transformaciones; Métodos Ópticos; Análisis Químicos; Regresiones Parciales
• Keywords:Machine Learning; Transformations; Optical Methods; Chemical Analysis; Partial Regression