Fusión de datos de índices hiperespectrales basada en aprendizaje automático mejorado por el algoritmo MRMR para estimar el contenido de clorofila en maíz

La estimación precisa de clorofila es esencial para monitorear la salud y el crecimiento del maíz, para lo cual la imagenología hiperespectral proporciona datos ricos. En este contexto, este artículo presenta un método innovador para estimar la clorofila del maíz al combinar índices hiperespectrales y modelos avanzados de aprendizaje automático. La metodología de este estudio se centra en el desarrollo de modelos de aprendizaje automático utilizando índices hiperespectrales propietarios para estimar el contenido de clorofila del maíz. Se utilizaron seis modelos avanzados de aprendizaje automático, incluidos la regresión lineal robusta paso a paso, máquinas de soporte vectorial (SVM), SVM gaussiano fino, regresión gaussiana Matern 5/2 paso a paso y una red neuronal de tres capas. El algoritmo MRMR se integró en el proceso para mejorar la selección de características al identificar las bandas espectrales más informativas, reduciendo así la redundancia de datos y mejorando el rendimiento del modelo. Los resultados mostraron diferencias significativas en el rendimiento de los seis modelos de aprendizaje automático aplicados a la estimación de clorofila. Entre los modelos, el modelo de regresión de proceso gaussiano Matern 5/2 mostró la mayor precisión de predicción. El modelo alcanzó R2 = 0.71 para el conjunto de entrenamiento, RMSE = 338.46 µg/g y MAE = 264.30 µg/g. En el caso del conjunto de validación, el modelo de regresión de proceso gaussiano Matern 5/2 mejoró aún más su rendimiento, alcanzando R2 = 0.79, RMSE = 296.37 µg/g, MAE = 237.12 µg/g. Estas métricas muestran que el modelo de regresión de proceso gaussiano Matern 5/2 combinado con el algoritmo MRMR para seleccionar rasgos óptimos es altamente efectivo para predecir el contenido de clorofila en el maíz. Esta investigación tiene importantes implicaciones para la agricultura de precisión, particularmente para el monitoreo y gestión en tiempo real de la salud de los cultivos. La estimación precisa de clorofila permite a los agricultores tomar medidas oportunas y específicas.