Resumen

En la literatura científica actual se discute ampliamente acerca de la predicción de propiedades edáficas mediante información espectral. El objetivo de esta revisión fue encontrar algoritmos con el mayor potencial predictivo para las propiedades fisicoquímicas del suelo, basados en información espectral capturada con diferentes instrumentos. Se realizó una revisión sistemática en la cual se encontraron 121 artículos de los cuales se eligieron 19, que cumplieran con un coeficiente de determinación mayor a 0,80 o una raíz del error cuadrado medio cercana a 0. Se determinó que el rango espectral más utilizado corresponde al rango desde 350 hasta 2500 nm; los algoritmos mínimos cuadrados parciales, máquina de soporte vectorial y máquina de soporte vectorial ajustado son adecuadas para predecir pH, materia orgánica y carbono orgánico. Además, la regresión lineal solo es efectiva para predecir el carbonato de calcio, materia orgánica, humedad y contenido de agua mediante bandas individuales.

1. INTRODUCCIÓN

Existen diferentes razones por las que la determinación de los componentes fisicoquímicos del suelo a través de las metodologías tradicionales, resulta ser ineficiente y costosa (Demattê et al., 2015; Yunus et al., 2019; Guo et al., 2019; Shi et al., 2020; Dhawale et al., 2021; Olatunde et al., 2021). Debido a esto, el empleo de metodologías como la espectroscopia de infrarrojo ha cobrado relevancia como un método alterno (no substituto) a los procesos convencionales (Nawar et al., 2018; Jaconi et al., 2019; Liu et al., 2019; Barra et al., 2021), ya que la obtención de resultados se logra a mayor velocidad, menos costos e impactos negativos al ambiente (Gourlay et al., 2017; Fang et al.,2018; Hong et al., 2018; Demattê et al., 2019; Dangal et al., 2019). 

Adicionalmente, Guerrero et al. (2021), reportaron un amplio uso de sensores con capacidad de captar datos procedentes del espectro electromagnético (figura 1), como el visible (VIS), el infrarrojo cercano (NIR) y el infrarrojo medio (MIR). Los cuales hacen parte de las tecnologías de la información y la comunicación, que a su vez son un prerrequisito esencial para la implementación de la agricultura moderna (Benos et al., 2021).

Las problemáticas mencionadas se han abordado por medio de diferentes sensores, con la finalidad de optimizar recursos. Sin embargo, factores como el tipo de sensor, la resolución espacial, espectral y temporal, pueden influir en los resultados finales. De hecho, existe una amplia gama de sensores aeroespaciales, como: GeoEye-1, WorldView 2/3/4, DEIMOS-2, Skysat, Dove, RapidEye, etc., que según Inoue (2020), cuentan con al menos cuatro bandas espectrales comprendidas en las regiones VIS-NIR, resoluciones espaciales de 1 - 100 m y resoluciones temporales de 1 - 26 días.

• Materias:Modelo de predicción Espectroscopí­a Aprendizaje automático Análisis químico Sistema de predicción
• Subjects:Prediction modeling Spectroscopy Machine learning Chemical test Prediction System
• Palabras claves:Algoritmos de Predicción; Aprendizaje de Máquina; Análisis Químico; Espectroscopía
• Keywords:Prediction Algorithms; Machine Learning; Chemical Analysis; Spectroscopy