MODELOS DE PREDICCIÓN Y CLASIFICACIÓN DE DEFICIENCIAS DE HIERRO EN HOJAS DE FRIJOL (Phaseolus vulgaris L.) CON REDES NEURONALES BAYESIANAS REGULARIZADAS Y ÁRBOLES DE CLASIFICACIÓN

Los métodos de detección de deficiencias de hierro (Fe) en cultivos como el frijol (Phaseolus vulgaris L.) constituyen una herramienta valiosa en la toma de decisiones porque pueden utilizarse para predecir el estado nutrimental de las plantas en etapas tempranas. En esta investigación se usaron redes neuronales bayesianas regularizadas (BRNN, por sus siglas en inglés) y árboles de clasificación para llevar a cabo la predicción de dichas deficiencias basados en lecturas del SPAD 502, el cual se empleó para medir el índice de verdor de las hojas en el frijol. Se llevó a cabo un experimento con ocho tratamientos con diferentes variaciones en la concentración de Fe (0, 20, 40, 60, 80, 100, 150 y 200 %) en la solución nutritiva. Durante siete semanas se tomaron las mediciones promedio del índice de verdor de los tres foliolos de cinco repeticiones correspondientes a los ocho tratamientos y posteriormente los datos fueron utilizados para ajustar los modelos estadísticos antes mencionados. Con las BRNN, la correlación entre valores observados y predichos fue de 0.77 para el conjunto de datos en entrenamiento y de 0.54 a 0.71 para prueba. Para el caso de los árboles de clasificación, en etapa de entrenamiento el porcentaje de clasificaciones correctas fue 56.25 % y disminuyó casi 30 % cuando se llevó a cabo el procedimiento de validación. Por lo que para la presente investigación, el uso de BRNN constituye una herramienta valiosa para la predicción de deficiencias tempranas de Fe en el cultivo de frijol.