Métodos de inteligencia artificial para la predicción de componentes químicos a partir de imágenes hiperespectrales

Abstract

[Resumen] La automatización del análisis de los parámetros del suelo puede optimizar los procesos de fertilización, reduciendo el tiempo y los costes de la producción alimentaria, contribuyendo al objetivo de conseguir una agricultura sostenible. El trabajo que se presenta en este artículo es parte del HYPERVIEW Challenge: Seeing Beyond the Visible, en el cual se proporcionan imágenes hiperespectrales de varios terrenos y se pretende lograr una estimación de varios parámetros característicos de los mismos a partir de ellas. Se propone la utilización de métodos basados tanto en enfoques tradicionales (SVR, k-NN), como en técnicas modernas como las redes neuronales. Además, se propone la combinación de ambos para aprovechar todas las ventajas de cada uno. Adicionalmente, se aplica una fase de preprocesado parametrizada para tratar la variabilidad del tamaño de los datos de entrada, dado que las imágenes del terreno no tienen las mismas dimensiones en todos los casos. Finalmente, la mejor estimación se ha conseguido aplicando un modelo basado en k-NN.

[Abstract] Automating the analysis of soil parameters can optimize the fertilization process, saving time and reducing the costs of food production, leading to a more sustainable agriculture. The work presented in this paper is part of the HYPERVIEW Challenge: Seeing Beyond the Visible, which aims to estimate soil parameters from hyperspectral images. Several methods are proposed, based both on traditional approaches such as SVR and k-NN, as well as modern neural networks. A combination of both approaches is considered as well. In addition, a parameterized preprocessing stage has been proposed to deal with the varying size of the input data. The best results have been obtained with a model based on k-NN.