Sistemas de Cultivo

Aprendizaje automático para detectar nutrientes de plantas cultivada en acuaponia

Foto del autor

By Milthon Lujan

Los nutrientes derivados de los alimentos para los peces son insuficientes para el crecimiento óptimo de las plantas en la acuaponia; por consiguiente, necesitan ser suplementadas.

Flujo de trabajo del método propuesto.
Flujo de trabajo del método propuesto.

De esta forma, estimar la cantidad de suplementación necesaria puede ser determinada evaluando el contenido de nutrientes de los vegetales.

Los investigadores de la Zhejiang University, del Key Laboratory of Spectroscopy Sensing, de la Arish University, de la Suez Canal University, de la Imam Mohammed Bin Saud Islamic University (IMSIU), de la Princess Nourah bint Abdulrahman University, y de la Nanjing Forestry University desarrollaron modelos de aprendizaje automático confiables para estimar los contenidos de nitrógeno (N), fósforo (P) y potasio (K) de la lechuga cultivada en acuaponia.

Análisis de espectroscopía

En la actualidad se vienen aplicando tecnologías no destructivas para evaluar el estado nutricional de las plantas en tiempo real, como las tecnologías de espectroscopía.

El análisis de espectroscopía es una técnica prometedora, rápida y confiable para evaluar las propiedades bioquímicas y fisiológicas de las plantas. Esta herramienta se viene utilizando en numerosas contribuciones científicas para estimar los nutrientes de las plantas.

La espectroscopía consiste de tres regiones de banda de onda espectral: el ancho de banda visible (VIS) de 400 a 700 nm, el ancho de banda de infrarrojo cercano (NIR) de 700 a 1100 nm y el ancho de banda de infrarrojo de onda corta (SWIR) de 1100 a 2500 nm.

El rango espectral visible (la región azul) está relacionado con el contenido de nitrógeno y potasio en las hojas de las plantas, mientras que los rangos espectrales de 350 a 730 nm y de 1420 a 1800 nm están relacionados con la concentración de fósforo. Por lo tanto, el nitrógeno, el fósforo, el potasio u otro contenido bioquímico de las plantas se puede estimar utilizando el visible y el infrarrojo cercano (Vis-NIR), destacan los investigadores.

READ  Producción sostenible de alimentos mediante acuaponia

Método de estudio

Los investigadores emplearon cuatro sistemas nutricionales:

  • Sistema A: recibió solo una solución de acuaponía;
  • Sistema B: recibió una solución de acuaponía complementada con KNO3 y KH2PO4 a 25 y 34 g por 1 L de solución;
  • Sistema C: recibió una solución de acuaponía complementada con KNO3 y KH2PO4 a 50 y 68 g por 1 L de la solución;
  • Sistema D recibió la solución de Hoagland de concentración completa (control).

El equipo de investigadores usó un espectrorradiómetro portátil FieldSpec4, Pro FR (ASD Inc., Analytical Spectral Devices Boulder, Boulder, CO, EE. UU.) para medir los espectros de reflectancia de la hoja, y se usaron 128 plántulas de lechuga que recibieron cuatro tratamientos NPK para la adquisición de espectros y la estimación del NPK total.

En el estudio se aplicaron análisis de componentes principales (PCA), algoritmos genéticos (GA) y selección directa secuencial (SFS) para seleccionar las bandas de onda óptimas.

Los investigadores utilizaron enfoques de regresión de mínimos cuadrados parciales (PLSR), red neuronal de retropropagación (BPNN) y bosque aleatorio (RF) para desarrollar los modelos predictivos de los contenidos de NPK utilizando las longitudes de onda óptimas seleccionadas.

Precisión predictiva de los nutrientes

De acuerdo con el estudio, las plantas del Sistema D tuvieron el mayor peso promedio por planta; mientras que el Sistema A produjo plantas con el menor peso promedio.

“El aumento considerable en el peso de las plantas en el sistema D (control) se debió al suministro de las plantas con sus necesidades para un crecimiento óptimo al proporcionarles la solución de Hoagland sin diluir. Por el contrario, la solución de acuaponía carecía o carecía de algunos nutrientes necesarios para el crecimiento óptimo de las plantas”, reportan.

READ  Destacan los beneficios de incorporar pepino de mar en sistemas de tratamiento de efluentes de la acuicultura

Las propiedades espectrales de las hojas de las plantas están en función de su composición química, morfología y estructura interna. Asimismo, la composición nutricional influye en los reflejos espectrales de las hojas.

“Se obtuvo una precisión predictiva buena y significativamente correlacionada en comparación con las hojas de lechuga recién cortadas medidas en laboratorio con R2 ≥ 0,94”, reportan.

Asimismo destacan que los métodos de espectroscopía combinados con técnicas de aprendizaje automático probaron su eficacia en detectar el estado de nutrientes en las lechugas cultivadas en sistemas acuapónicos.

El enfoque propuesto proporciona un camino hacia la estimación automática de nutrientes de la lechuga cultivada en acuaponia.

Conclusión

“El análisis espectral se utilizó en combinación con la quimiometría para estimar el nitrógeno (N), el fósforo (P) y el potasio (K) en lechugas cultivadas en acuaponia”, concluyen.

El modelo BPNN tuvo la precisión predictiva más alta para el contenido de nitrógeno vegetal (R2p = 0,97), mientras que el modelo RF tuvo la precisión predictiva más alta para el contenido vegetal de fósforo (R2p = 0,94) y potasio (R2p = 0,96).

En resumen, los modelos y métodos propuestos en este estudio se pueden utilizar para medir periódicamente la concentración de nutrientes de la lechuga cultivada en sistemas acuapónicos u otros cultivaros de plantas frondosas sin mediciones de laboratorio destructivas.

En consecuencia, la acuaponia se volverá más inteligente y se adoptará como una tecnología de agricultura de precisión.

El estudio fue financiado por los proyectos clave de cooperación científica y tecnológica internacional entre los gobiernos bajo el plan R&D, el programa de investigación y desarrollo de la provincia de Zhejiang, y el apoyo de la Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.

READ  Modelado oceánico para la acuicultura y pesca en aguas irlandesas

Referencia (acceso libre):
Taha, Mohamed Farag, Ahmed Islam ElManawy, Khalid S. Alshallash, Gamal ElMasry, Khadiga Alharbi, Lei Zhou, Ning Liang, and Zhengjun Qiu. 2022. «Using Machine Learning for Nutrient Content Detection of Aquaponics-Grown Plants Based on Spectral Data» Sustainability 14, no. 19: 12318. https://doi.org/10.3390/su141912318

Deja un comentario