Redes neuronales artificiales para estimar el contenido de nitrógeno en plantas leguminosas

Resumen

En este trabajo se presenta una aplicación en reconocimiento de patrones, utilizando redes neuronales artificiales para analizar señales de  fluorescencia clorofílica (FC), con el fin de identificar y clasificar grupos de plantas de Vigna unguiculata (L.) Walp (fríjol) cultivadas en medios hidropónicos que contenían diferentes cantidades de nitrógeno (N) y las señales de fluorescencia de otro grupo de plantas cuyas semillas fueron inoculadas antes de su germinación con la bacteria Rhizobium variedad NGR232. Previo al entrenamiento neuronal se realizó un exhaustivo análisis estadístico multivariante, con la finalidad de detectar diferencias en los vectores de medias de los medios de cultivo y reducir el número de variables o puntos de las curvas de fluorescencia.  El objetivo principal de este trabajo es desarrollar una herramienta para identificar la carencia de N en plantas de fríjol y otras leguminosas de mayor producción en agricultura.

Palabras clave: Vigna unguiculata, fluorescencia,  redes neuronales, Rhizobium, NGR232

Abstract

In this work it’s presented a pattern recognition application using artificial neural networks (ANN) for analyzing signals of chlorophyll fluorescence (CF) in order to identify and classify groups of Vigna unguiculata (L) Walp (cowpea) plants grown in hydroponic media containing different amounts of nitrogen (N) and fluorescence signals from another group of plants whose seeds were inoculated prior to germination with the NGR232 variety Rhizobium bacteria. Before the ANN training, it was held an exhaustive multivariate statistical analysis for identifying differences among the means vectors of the growth media and reducing the numbers of variables or fluorescence curve points. The main objective of this work is to develop a tool for identifying N deficiency in pea’s plants and other legumes with high production in agriculture.  

Key words: Vigna unguiculata, fluorescence, artificial neural networks, Rhizobium, NGR232.