Utilización de conjuntos de datos preprocesados para construir e interpretar modelos de identificación de varias...

Área de la Ciencia:

• Ciencias Agrícolas
• Química analítica
• Ciencia de los datos

Sus antecedentes:

• La imagen y la espectroscopia de infrarrojo cercano (NIR) son vitales para los modelos analíticos de agricultura de precisión.
• El uso directo de datos en bruto presenta desafíos en la interpretabilidad y la robustez del modelo debido a la ambigüedad de los datos y a los conjuntos de datos desequilibrados.

Objetivo del estudio:

• Desarrollar modelos de identificación multiclase interpretables y sólidos utilizando datos agrícolas preprocesados.
• Para superar las limitaciones de la imagen en bruto y los datos espectrales NIR en el modelado analítico.

Principales métodos:

• Se utilizaron datos preprocesados: características morfológicas de imágenes y concentraciones de componentes químicos de espectros NIR.
• Se emplean modelos de máquina vectorial de soporte de núcleo combinado (SVM) para la clasificación.
• Parámetros optimizados del modelo utilizando la optimización de enjambres de partículas (PSO) para la autoadaptabilidad.
• Se realizó un análisis de la importancia y contribución de las características con las explicaciones de los aditivos de Shapley (SHAP).

Principales resultados:

• Se ha logrado una alta precisión de clasificación: 97,9% para la variedad de arroz y 97,4% para la región de cultivo de tabaco (validación cruzada).
• El rendimiento del modelo validado en un conjunto de datos de tabaco independiente con una precisión del 97,7%.
• Identificó las variables predictivas clave y cuantificó sus contribuciones a los resultados del modelo.

Conclusiones:

• La metodología propuesta mejora efectivamente la interpretabilidad y la solidez de los modelos analíticos en la agricultura de precisión.
• Este enfoque amplía la utilidad de los datos espectroscópicos de imágenes y NIR para el control y la mejora de la calidad agrícola.
• Proporciona a los investigadores una poderosa herramienta para investigar los factores críticos en la calidad de los productos agrícolas.