Estimación de la Concentración de Nitrógeno en Hojas de Trigo de Invierno Basada en un Nuevo Índice Espectral y Modelo de Aprendizaje Automático
Autores: Cui, Shihao; Li, Zhijun; Tang, Zijun; Zhang, Wei; Sun, Tao; Wu, Yue; Yang, Wanli; Chen, Guofu; Xiang, Youzhen; Zhang, Fucang
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Estado de nitrógeno en cultivos
Datos hiperespectrales
Parámetros espectrales
Modelos de aprendizaje automático
Trigo de invierno
Modelos de estimación de LNC
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Evaluar el estado de nitrógeno de los cultivos es crucial para optimizar las estrategias de fertilización y promover una producción sostenible. Aunque los datos hiperespectrales ofrecen ventajas significativas para monitorear cambios fisiológicos sutiles en los cultivos, determinar con precisión el estado de nitrógeno basado en información espectral sigue siendo un desafío. En este estudio, se realizaron experimentos de campo durante la etapa de macollamiento del trigo de invierno en la Meseta de Loess desde 2018 hasta 2020. Se recopilaron mediciones concurrentes de la concentración de nitrógeno en las hojas (LNC) y la reflectancia hiperespectral para derivar tres tipos de parámetros espectrales: índices de vegetación tradicionales, índices espectrales óptimos bidimensionales e índices espectrales óptimos tridimensionales. Se seleccionaron y combinaron parámetros espectrales que mostraron una correlación significativa con LNC (< 0.05) como entradas para tres modelos de aprendizaje automático: máquina de aprendizaje extremo (ELM), red neuronal de retropropagación (BPNN) y bosque aleatorio (RF) para desarrollar modelos de estimación de LNC. Los resultados demostraron que, entre los índices tradicionales, el Índice de Doble Diferencia (DDn) mostró la correlación más fuerte con LNC (r = 0.674). Dentro de los índices óptimos multidimensionales, el índice de dispersión tridimensional diferencial (DTSI) exhibió la mayor sensibilidad a LNC (r = 0.721) en combinaciones de longitudes de onda de 833 nm, 755 nm y 802 nm. Además, la Combinación de Entrada del Modelo 5 (que comprende índices empíricos más índices óptimos tridimensionales) mejoró aún más la precisión de la estimación. El modelo RF utilizando la Combinación 5 logró el mejor rendimiento en el conjunto de validación (R = 0.827, RMSE = 2.803 mg g, MRE = 7.664%), superando significativamente a otras combinaciones de entrada de modelos. Este estudio confirma la viabilidad y alta precisión de la inversión de LNC en trigo de invierno utilizando nuevos índices espectrales multidimensionales y proporciona un nuevo enfoque para el monitoreo en tiempo real y no destructivo del estado de nitrógeno en el trigo de invierno.
Descripción
Evaluar el estado de nitrógeno de los cultivos es crucial para optimizar las estrategias de fertilización y promover una producción sostenible. Aunque los datos hiperespectrales ofrecen ventajas significativas para monitorear cambios fisiológicos sutiles en los cultivos, determinar con precisión el estado de nitrógeno basado en información espectral sigue siendo un desafío. En este estudio, se realizaron experimentos de campo durante la etapa de macollamiento del trigo de invierno en la Meseta de Loess desde 2018 hasta 2020. Se recopilaron mediciones concurrentes de la concentración de nitrógeno en las hojas (LNC) y la reflectancia hiperespectral para derivar tres tipos de parámetros espectrales: índices de vegetación tradicionales, índices espectrales óptimos bidimensionales e índices espectrales óptimos tridimensionales. Se seleccionaron y combinaron parámetros espectrales que mostraron una correlación significativa con LNC (< 0.05) como entradas para tres modelos de aprendizaje automático: máquina de aprendizaje extremo (ELM), red neuronal de retropropagación (BPNN) y bosque aleatorio (RF) para desarrollar modelos de estimación de LNC. Los resultados demostraron que, entre los índices tradicionales, el Índice de Doble Diferencia (DDn) mostró la correlación más fuerte con LNC (r = 0.674). Dentro de los índices óptimos multidimensionales, el índice de dispersión tridimensional diferencial (DTSI) exhibió la mayor sensibilidad a LNC (r = 0.721) en combinaciones de longitudes de onda de 833 nm, 755 nm y 802 nm. Además, la Combinación de Entrada del Modelo 5 (que comprende índices empíricos más índices óptimos tridimensionales) mejoró aún más la precisión de la estimación. El modelo RF utilizando la Combinación 5 logró el mejor rendimiento en el conjunto de validación (R = 0.827, RMSE = 2.803 mg g, MRE = 7.664%), superando significativamente a otras combinaciones de entrada de modelos. Este estudio confirma la viabilidad y alta precisión de la inversión de LNC en trigo de invierno utilizando nuevos índices espectrales multidimensionales y proporciona un nuevo enfoque para el monitoreo en tiempo real y no destructivo del estado de nitrógeno en el trigo de invierno.