VARGAS-ZAPATA, Mateo; MEDINA-SIERRA, Marisol; GALEANO-VASCO, Luis Fernando    CERON-MUNOZ, Mario Fernando. Algoritmos de aprendizaje de máquina para la predicción de propiedades fisicoquímicas del suelo mediante información espectral: una revisión sistemática. []. , 12, 1, pp.107-120.   10--2022. ISSN 2027-8306.  https://doi.org/10.19053/20278306.v12.n1.2022.14212.

^a

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.

The prediction of soil properties through spectral information is widely discussed in the current scientific literature. The objective of this review was to find algorithms with the highest predictive potential for soil physicochemical properties based on spectral information captured with different instruments. A systematic review was carried out in which 121 articles were found, and 19 of them were chosen which met a determination coefficient greater than 0.80 or a root mean square error close to 0. It was determined that the most used spectral range corresponds to the range from 350 to 2500 nm; the partial least squares, support vector machine, and adjusted support vector machine algorithms are suitable for predicting pH, organic matter, and organic carbon. Furthermore, linear regression is only effective in predicting calcium carbonate, organic matter, moisture, and water content using individual bands.

: .

        · | |     · |     · ( pdf )