Pronóstico del contenido de grasa bruta del maíz basado en una mejora de la maximización condicional de la...

Área de la Ciencia:

• Ciencias Agrícolas
• Espectroscopia
• Quimiometría

Sus antecedentes:

• Los algoritmos tradicionales de maximización de información mutua condicional (CMIM) se enfrentan a limitaciones en el análisis de dependencias no lineales dentro de los datos espectrales continuos de infrarrojo cercano (NIR).
• La predicción precisa y rápida de los parámetros de calidad de los cultivos, como el contenido de grasa bruta en el maíz, es crucial para la gestión agrícola.

Objetivo del estudio:

• Desarrollar un nuevo marco que integre un CMIM mejorado con SHAP (SHapley Additive exPlanations) para una predicción eficiente del contenido de grasa bruta del maíz.
• Superar las limitaciones del CMIM tradicional en el manejo de relaciones no lineales en el análisis espectral NIR.

Principales métodos:

• Implementación de un algoritmo CMIM modificado (CMIM_KDE) que utiliza estimaciones de variables continuas en lugar de discretizar.
• Aplicación de una estrategia de selección de características de envoltura de filtro en dos etapas.
• Integración con SHAP para la interpretabilidad de las características espectrales seleccionadas.
• Validación mediante la regresión por mínimos cuadrados parciales (PLSR) y la regresión por vectores de soporte (SVR).

Principales resultados:

• El método CMIM_KDE logró una alta precisión predictiva, con valores de R2p de 0,7618 (PLSR) y 0,7531 (SVR).
• Mejoras de rendimiento promedio demostradas del 6,18% y 4,42% en comparación con otras estrategias mejoradas.
• El análisis SHAP identificó los números de onda clave (alrededor de 5684 cm-1 y 4312 cm-1) vinculados al grupo CH en el maíz, proporcionando información sobre el mecanismo de predicción.
• Validación de la eficacia y generalización del método en conjuntos de datos externos.

Conclusiones:

• El marco CMIM_KDE-SHAP propuesto aborda efectivamente las limitaciones del CMIM tradicional en el análisis espectral NIR para predecir el contenido de grasa bruta del maíz.
• Este enfoque ofrece una solución sólida para la detección de calidad en productos agrícolas, con aplicaciones potenciales en teledetección y monitoreo en tiempo real.