Reflectance and wet chemistry values

El carbono orgánico (OC) y el nitrógeno total (N) sonNutrientes sensibles para el crecimiento de las plantas. La presencia de estos nutrientesEl carbono orgánico (OC) y el nitrógeno total (N) sonOrganic carbon (OC) and total nitrogen (N) are es-Organic carbon (OC) and total nitrogen (N) are sential nutrients for plant growth. The presence of these nutrierganic carbon (OC) and total nitrogen (N) are ews-wsential nutrients for plant growth. The presence of these nutrientsin acceptable quantities can generate an optimal environment forthe development of crops of interest. The application of statisticalmachinelearningalgorithmsandsensorsinagriculturehasenabled the calibration of models that can predict the amountsof elements in soil. Hyperspectral imaging captures portionsof the electromagnetic spectrum , enabling differentiation ofmaterialspresentinsoil.TheobjectiveofthisresearchistovalidatestatisticalmodelstopredictOCandNinsoilsfrom hyperspectral images. Transformations were applied to thespectral data. Random forest (RF) and support vector machine(SVM) models. The values of the coefficient of determination(R2), the root-mean-square error of prediction (RMSEP), andthe ratio performance deviation (RPD) were considered. For theOC, the values found for the RF model were an R2 of 0.87,RMSEP of 0.10, and an RPD of 6.74; the results for the SVMmodel were an R2 of 0.92, RMSEP of 0.20, and an RPD of 3.56.For N, the values found for the RF model were an R2 of 0.79,RMSEP of 0.03, and an RPD of 5.44; the results obtained withSVM model were an R2 of 0.87, RMSEP of 0.08, and an RPDof 2.76. The RF models showed larger adjustments for the twovariables. The SVM model also generated acceptable results. Theresults show that machine learning models are a good alternativefor analyzing variables related to soilin acceptable quantities can generate an optimal environment forthe development of crops of interest. The application of statisticalmachinelearningalgorithmsandsensorsinagriculturehasenabled the calibration of models that can predict the amountsof elements in soil. Hyperspectral imaging captures portionsof the electromagnetic spectrum , enabling differentiation ofmaterialspresentinsoil.TheobjectiveofthisresearchistovalidatestatisticalmodelstopredictOCandNinsoilsfrom hyperspectral images. Transformations were applied to thespectral data. Random forest (RF) and support vector machine(SVM) models. The values of the coefficient of determination(R2), the root-mean-square error of prediction (RMSEP), andthe ratio performance deviation (RPD) were considered. For theOC, the values found for the RF model were an R2 of 0.87,RMSEP of 0.10, and an RPD of 6.74; the results for the SVMmodel were an R2 of 0.92, RMSEP of 0.20, and an RPD of 3.56.For N, the values found for the RF model were an R2 of 0.79,RMSEP of 0.03, and an RPD of 5.44; the results obtained withSVM model were an R2 of 0.87, RMSEP of 0.08, and an RPDof 2.76. The RF models showed larger adjustments for the twovariables. The SVM model also generated acceptable results. Theresults show that machine learning models are a good alternativefor analyzing variables related to soilsential nutrients for plant growth. The presence of these nutrientsin acceptable quantities can generate an optimal environment forthe development of crops of interest. The application of statisticalmachinelearningalgorithmsandsensorsinagriculturehasenabled the calibration of models that can predict the amountsof elements in soil. Hyperspectral imaging captures portionsof the electromagnetic spectrum , enabling differentiation ofmaterialspresentinsoil.TheobjectiveofthisresearchistovalidatestatisticalmodelstopredictOCandNinsoilsfrom hyperspectral images. Transformations were applied to thespectral data. Random forest (RF) and support vector machine(SVM) models. The values of the coefficient of determination(R2), the root-mean-square error of prediction (RMSEP), andthe ratio performance deviation (RPD) were considered. For theOC, the values found for the RF model were an R2 of 0.87,RMSEP of 0.10, and an RPD of 6.74; the results for the SVMmodel were an R2 of 0.92, RMSEP of 0.20, and an RPD of 3.56.For N, the values found for the RF model were an R2 of 0.79,RMSEP of 0.03, and an RPD of 5.44; the results obtained withSVM model were an R2 of 0.87, RMSEP of 0.08, and an RPDof 2.76. The RF models showed larger adjustments for the twovariables. The SVM model also generated acceptable results. Theresults show that machine learning models are a good alternativefor analyzing variables related to soilen cantidades aceptables puede generar un entorno óptimo parael desarrollo de cultivos de interés. La aplicación de la estadísticamáquinaaprendizajeAlgoritmosysensoresenagriculturatienePermitió la calibración de modelos que pueden predecir las cantidadesde elementos en el suelo. Las imágenes hiperespectrales capturan porcionesdel espectro electromagnético , permitiendo la diferenciación dematerialespresenteensuelo.ElobjetivodeésteinvestigaciónesParavalidarestadísticomodelosParapredecirOCyNenSuelosde imágenes hiperespectrales. Las transformaciones se aplicaron a ladatos espectrales. Bosque aleatorio (RF) y máquina de vectores de soporte(SVM) modelos. Los valores del coeficiente de determinación(R2), el error de predicción de la raíz cuadrática media (RMSEP), yse consideraron los ratios de desviación de rendimiento (RPD). Para elOC, los valores encontrados para el modelo de RF fueron un R2 de 0,87,RMSEP de 0,10 y un RPD de 6,74; los resultados para la SVMfueron un R2 de 0.92, RMSEP de 0.20 y un RPD de 3.56.Para N, los valores encontrados para el modelo de RF fueron un R2 de 0,79,RMSEP de 0,03 y un RPD de 5,44; los resultados obtenidos conEl modelo SVM fue un R2 de 0.87, RMSEP de 0.08 y un RPDde 2,76. Los modelos RF mostraron ajustes más grandes para los dosVariables. El modelo SVM también generó resultados aceptables. ElLos resultados muestran que los modelos de aprendizaje automático son una buena alternativapara analizar variables relacionadas con el sueloen cantidades aceptables puede generar un entorno óptimo parael desarrollo de cultivos de interés. La aplicación de la estadísticamáquinaaprendizajeAlgoritmosysensoresenagriculturatienePermitió la calibración de modelos que pueden predecir las cantidadesde elementos en el suelo. Las imágenes hiperespectrales capturan porcionesdel espectro electromagnético , permitiendo la diferenciación dematerialespresenteensuelo.ElobjetivodeésteinvestigaciónesParavalidarestadísticomodelosParapredecirOCyNenSuelosde imágenes hiperespectrales. Las transformaciones se aplicaron a ladatos espectrales. Bosque aleatorio (RF) y máquina de vectores de soporte(SVM) modelos. Los valores del coeficiente de determinación(R2), el error de predicción de la raíz cuadrática media (RMSEP), yse consideraron los ratios de desviación de rendimiento (RPD). Para elOC, los valores encontrados para el modelo de RF fueron un R2 de 0,87,RMSEP de 0,10 y un RPD de 6,74; los resultados para la SVMfueron un R2 de 0.92, RMSEP de 0.20 y un RPD de 3.56.Para N, los valores encontrados para el modelo de RF fueron un R2 de 0,79,RMSEP de 0,03 y un RPD de 5,44; los resultados obtenidos conEl modelo SVM fue un R2 de 0.87, RMSEP de 0.08 y un RPDde 2,76. Los modelos RF mostraron ajustes más grandes para los dosVariables. El modelo SVM también generó resultados aceptables. ElLos resultados muestran que los modelos de aprendizaje automático son una buena alternativapara analizar variables relacionadas con el suelo