Deficiencias de Hierro y Manganeso en Hojas de Frijol

7/23/2019 Deficiencias de Hierro y Manganeso en Hojas de Frijol

1/18

DEFICIENCIAS DE HIERRO Y MANGANESO EN

HOJAS DE FRIJOL

INTRODUCCION:

La deteccin de deficiencias nutrimentales de un cultivo se da por lo general mediante

un anlisis qumico; sin embargo, la dinmica del ciclo de vida en la mayora de los

casos es muy rpida, por lo que el tiempo se convierte en un inconveniente al momento

de hacer diagnsticos en el estado nutrimental del cultivo, Paralelamente existe tambin

el inconveniente en la expresin de los sntomas visuales de las deficiencias de

micronutrientes como el hierro y el manganeso, los cuales pueden llegar a ser

confundidos, o bien la relacin entre estos dos elementos, la cual, en caso de estar endesbalance puede provocar efectos en la asimilacin o acumulacin de acuerdo a la

proporcin de cada uno.

Una herramienta no necesariamente explorada en su totalidad, es el uso de los anlisis

de imgenes digitales para determinar un estatus nutrimental en algn cultivo o bien

cuantificar daos causados por insectos. El anlisis de color ha jugado un papel

importante en el uso de esta herramienta, sin embargo, tambin existe el anlisis textural

que en algunos casos ha servido para identificar, por ejemplo, malezas en un cultivo.

MATERIALES Y METODOS:

5.1 Establecimiento del experimento

5.1.1 Siembra En un invernadero en Texcoco, Mxico, se sembraron 120 semillas de

frijol (Phaseolus vulgaris L.) cv. Cacahuate en charolas de 60 cavidades utilizando

como sustrato perlita (Agrolita), el cual es considerado inerte y estril, depositando

una semilla por cavidad. El proceso se inici humedeciendo la perlita y posteriormente

se taparon las charolas con una cubierta plstica hasta el momento de la emergencia,

con la finalidad de conservar la humedad. Una vez que la radcula fue visible se retir la

cubierta y se llevaron a cabo riegos diarios; durante todo el proceso se utiliz

nicamente agua destilada tipo II, la cual es de grado analtico y en la que se han

eliminado las impurezas e iones mediante la destilacin. Esto con la finalidad de evitar

en lo posible la interferencia con los micronutrimentos evaluados se eliminaron tambinlos cotiledones a los siete dds.


2/18

5.1.2 Transplante

El transplante se llev a cabo 24 dds (das despus de la siembra) en vasos depoliestireno expandido de 1 L de capacidad. Se tom como referencia el sistema de raz

flotante; la fertilizacin se hizo en el riego de acuerdo a los ocho tratamientos con las

variaciones indicadas en el Cuadro 1, en funcin del micronutriente a estudiar mediante

la tcnica del elemento faltante. Cada tratamiento a su vez tuvo diez repeticiones. La

solucin nutritiva referencia fue la solucin Steiner. Se us agua destilada tipo II para

preparar la solucin nutritiva. Estas soluciones fueron ajustadas a un pH de 6.3 y CE de

2.0 dS m-1 y fueron suministradas una vez que las hojas cotiledonares estabanexpandidas; previamente las plantas fueron regadas nicamente con agua destilada.

Figura 1. Apreciacin visual del estado fenolgico del cultivo previo y en el momento

del transplante 24 das despus de la siembra (dds) y con los cotiledones ya eliminados.


3/18

Cuadro 1. Tratamientos evaluados en la investigacin con base en la solucin Steiner.

Figura 2. Vista general del establecimiento del cultivo en los vasos de poliestireno.


4/18

Figura 3. Las plantas fueron sumergidas en todo momento en la solucin nutritiva, la

cual se cambi y agit peridicamente para evitar la acumulacin de algas.

5.2 Anlisis de imgenes y generacin de modelos

5.2.1 Obtencin de las imgenes

En la etapa vegetativa se tom la cuarta hoja recientemente madura de cada una de las

diez repeticiones, completamente expandida, para realizar la digitalizacin a 300 dpi

con un escner comercial tipo flatbed comercial HPScanjet G2410 y se almacenaron

en el formato JPG. La digitalizacin se realiz inmediatamente despus de haber sido

cortadas las hojas para evitar su marchitamiento. Posteriormente a la digitalizacin de la

hoja, se tom el foliolo izquierdo, a partir de los cuales se tomaron diez submuestras de

cada uno de ellos. Dicha decisin fue tomada a partir de ensayos previos en los que se

evalu el anlisis de imagen de cada uno de los foliolos para determinar cul era el

mejor indicador de las caractersticas texturales y de color a evaluar. Finalmente se


5/18

tuvieron 60 subimgenes por cada uno de los tratamientos, constituyendo as un

conjunto de 360 subimgenes de 100x100 pixeles cada una. El proceso de manipulacin

se llev a cabo usando el programa de distribucin libre para Windows, GIMP 2.8.4.

Figura 4. Momento previo a la colecta de hojas para su digitalizacin.

5.2.2 Anlisis de color y textura

Con un programa en Visual Basic se obtuvieron los valores numricos para los tres

canales de color del espacio RGB (R = Rojo, G = Verde y B = Azul por sus siglas en

ingls). Los valores RGB se convirtieron al clasificador de color estndar sRGB

(lineales) definido por la Commission Internationale de Lclairage (IEC, IEC61966-2-

1, 1999 citado por Mendoza et al., 2006), con lo que se calcul el espacio de color CIE-


6/18

Lab. El croma (C) se calcul con la ecuacin (a2+b2)1/2, mientras que el matiz (H) se

calcul a partir del arcotangente de la relacin a/b (McGuire, 1992), donde a y b son dos

canales del espacio de color CIE-Lab.

Se sigui la metodologa de Haralick et al. (1973) que consisti en obtener la matriz de

co-ocurrencia de frecuencias relativas Pij de pares de pixeles vecinos en una imagen

digital, uno teniendo nivel de tono i y otro j, separados por = (r = 1, = 0, 45, 90,

135) en la submuestra, donde r es la distancia en pixeles y el ngulo. = (r) denota un

vector en las coordenadas polares de la imagen. Los Pij por ngulo se promediaron para

generar una matriz de co-ocurrencia promedio, que fue registrada en una hoja de clculo

y donde n es el nmero de tonos de grises.

En cuanto al anlisis textural, se determinaron cuatro caractersticas:

a. Segundo Momento Angular (SMA). Llamada tambin uniformidad, es una medida

local de la homogeneidad y es la caracterstica opuesta a la entropa. Es un estadstico

de segundo orden en el dominio espacial. Valores altos son indicadores de uniformidad

en los pixeles (Jensen, 1996). Esta caracterstica textural fue calculada usando la

frmula:

b. Entropa (EN). sta caracterstica es un estadstico de primer orden y analiza la

aleatoriedad. Los valores bajos comprendidos entre 0 y 1 indican uniformidad (Jensen,

1996). A su vez, menciona que sta caracterstica textural es una medida estadstica de

la aleatoriedad que puede ser usada para caracterizar la textura de la imagen entrante.As, la entropa, a partir de la matriz de co-ocurrencia normalizada fue calculada como:

c. Inercia (IN). Calculada a partir de la matriz de co-ocurrencia:


7/18

d. Homogeneidad local (HoL). Es una medida de las caractersticas de contraste. Al

incrementarse las caractersticas de contraste cercanas, la homogeneidad local

disminuye. Llamada tambin momento de diferencia inversa. Est dada por la ecuacin:

Para llevar a cabo el anlisis textural, la imagen que se tiene originalmente es a color,

por lo que podra estar compuesta de alrededor de 16 millones de colores

aproximadamente que se originan de la multiplicacin de las tres capas del espacio de

color RGB (28*28*28). As entonces, cada canal est compuesto de 256 posibilidades

de color. Al convertir dicha 20 imagen de color a escala de grises, se toma una sola de

esas capas y por lo tanto, las posibilidades de color se reducen a solo 256 (28).

Posteriormente se llega a una etapa llamada quantizacin, en la cual aun hay una

reduccin ms en las posibilidades de color. Para el caso del experimento se toman

arbitrariamente 16 posibilidades, lo que significa que todos los colores de la imagen que

se siten en las posibilidades de color del 1 al 16 tomarn el mismo valor, mientras que

los pixeles que se siten en los valores del 17 al 32 tomarn un segundo valor y as

sucesivamente. Siguiente a esta etapa se analiza cada uno de los pxeles de la imagen en

cuanto a la variacin con respecto al pixel vecino en cuatro direcciones: horizontal,

vertical, diagonal izquierdo y diagonal derecho con lo que se va conformando un arreglo

matricial basado en las frecuencias de ocurrencia de cada tono con respecto a las cuatrodirecciones mencionadas. Finalmente se promedian las frecuencias de las cuatro

direcciones y se obtiene un valor, el cual ser usado para determinar los valores

texturales de la imagen analizada. Posteriormente, para la generacin del modelo, los

datos se introdujeron en el programa NeuroShell Classifier Release 2.2 de AI Trilogy

(Ward Systems Group, Inc.), mismo que realiz la clasificacin.

5.2.3 Entrenamiento de datos


8/18

Se entrenaron tres grupos de datos de ocho (100 % de Fe y Mn; 200 % Fe, 100 % Mn;

50 % Fe, 100 % Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 % Mn; 100 %

Fe, 50 % Mn y 100 % Fe, 200 % Mn), seis (100 % de Fe y Mn; 50 % Fe, 100 % Mn; 0

% Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 % Mn y 100 % Fe, 50 % Mn) y cuatro

(100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn y 100 % Fe, 0 % Mn)

tratamientos o clases con 315, 234 y 160 submuestras respectivamente. En esta etapa

del proceso se probaron 21 diferentes combinaciones de 12 variables: cinco de ellas

relacionadas al color (R, G, B, C, H, CIEL, CIEa y CIEb) y cuatro pertenecientes al

anlisis textural (SMA, EN, IN y HoL). Como variables de salida se consideraron los

ocho, seis o cuatro tratamientos establecidos. Los clasificadores se entrenaron de 3 a 12

variables de entrada independientes arriba mencionadas y un nmero mximo de 150

neuronas en la capa interna. Se desecharon aquellas combinaciones en las cuales el

porcentaje de ajuste de datos fue inferior al 85%, mientras que las que superaron dicho

porcentaje se emplearon en la validacin de los datos. En la Figura 5 puede observarse

la hoja de frijol digitalizada previa a la obtencin de las submuestras, las cuales se

ejemplifican en la Figura 6.

Figura 5. Cuarta hoja de frijol var. Cacahuate recientemente madura de los tratamientos:

(a) 100 % de Fe y Mn, (b) 200 % Fe y 100 % Mn, (c) 50 % Fe y 100 % Mn, (d) 0 % Fe

y 100 % Mn, (e) 0 % Fe y 0 % Mn, (f) 100 % Fe y 0 % Mn, (g) 100 % Fe y 50 % Mn,


9/18

(h) 100 % Fe y 200 % Mn, colectadas a los 63 dds en septiembre 2012 de plantas

cultivadas en semihidropona

Figura 6. Submuestras obtenidas de las hojas de frijol var. Cacahuate recientemente

madura de los tratamientos: (a) 100 % de Fe y Mn, (b) 200 % Fe y 100 % Mn, (c) 50 %

Fe y 100 % Mn, (d) 0 % Fe y 100 % Mn, (e) 0 % Fe y 0 % Mn, (f) 100 % Fe y 0 % Mn,


10/18

(g) 100 % Fe y 50 % Mn, (h) 100 % Fe y 200 % Mn, colectadas a los 63 dds en

septiembre 2012 de plantas cultivadas en semi-hidropona.

5.2.4 Validacin de los datos

Se validaron un grupo de 160, 120 y 80 submuestras para los grupos de datos de ocho,

seis y cuatro clases respectivamente. Estas submuestras son independientes de las

usadas para el entrenamiento de los datos. Para la eleccin de los modelos a sugerir se

tom en cuenta el porcentaje de clasificaciones correctas en la validacin de los datos,nmero de neuronas de la capa interna y el nmero de variables de entrada empleadas

en la combinacin.

5.3 Anlisis qumico del material vegetal

5.3.1 Determinacin de hierro total y manganeso

A partir de las mismas hojas colectadas para el anlisis de imgenes digitales se llev acabo el anlisis qumico para la determinacin de la concentracin de hierro total y

manganeso en el tejido vegetal. Con la finalidad de garantizar la representatividad de la

muestra, y dado que una sola hoja podra no ser suficiente para tomar dos muestras se

mezclaron dos repeticiones, por lo que finalmente se obtuvieron cinco repeticiones por

tratamiento.

La tcnica usada se bas en la propuesta por Alcntar y Sandoval (1999); por lo que se

secaron las hojas en una estufa a una temperatura de 70 C por un periodo de 24 horas

aproximadamente. Posteriormente, usando un mortero de porcelana, se molieron las

muestras hasta su pulverizacin. Se tomaron 0.1 g del material vegetal que fueron

colocados en tubos Follin-Wu y a los cuales se adicionaron 6 mL de la mezcla de cidos

ntricoperclrico (2:1) para iniciar el proceso de predigestin. En una siguiente etapa,

los tubos fueron colocados en un block digestor para la destruccin de la materia

orgnica a una temperatura de 210 C. Los tubos fueron retirados una vez que se

visualiz la aparicin de la reaccin viciosa (aparicin de humos blancos) y se


11/18

consider la evaporacin del cido ntrico y que se reflej en la reduccin del volumen

de la muestra.

Figura 7. (a) Destruccin de la materia orgnica y aparicin de humos pardos; (b) Vista

superior del tubo FollinWu conteniendo la muestra; (c) Aparicin de los humos

blancos, indicando una destruccin total de la materia orgnica; (d) Muestra recin

sacada del bloque disgestor.

Posteriormente se agitaron las muestras en los mismos tubos y se afor hasta llegar a un

volumen de 25 mL utilizando agua desionizada. Dichas muestras fueron ledas en el

espectrofotmetro de absorcin atmica AAS 220 a una longitud de onda de 213 nm

para Fe y 525 nm para Mn.

5.3.2 Extraccin de hierro soluble

Para la determinacin especfica de Fe2+, la tcnica usada se bas en el mtodopropuesto por Oserkowksy (1933). Se tomaron 0.1 g del material vegetal previamente

molido y se colocaron en tubos para centrfuga de polipropileno de 50 mL (Nalgene)

con rosca; se agregaron 15 mL de HCl 1N y se colocaron en un oscilador por un periodo

de tiempo de 4 horas. Posteriormente las muestras se centrifugaron durante 30 minutos

a una velocidad de 3000 rpm. Finalmente, utilizando matraces de aforo de 25 mL, las

muestras fueron filtradas vaciando nicamente la fase superior utilizando papel filtro del

nmero 1 (Whatman). El aforo se hizo utilizando agua desionizada. Las muestras

fueron ledas en el espectrofotmetro de absorcin atmica leyendo a 213 nm.


12/18

Figura 8. (a) Molido de la muestra en el mortero de porcelana; (b) Molido parcial de la

hoja; (c) Colocacin de los tubos en la centrfuga para separar la fase slida de la

lquida; (d) Matraces de aforo de 25 mL; (e) Paso previo a la filtracin; (f) Filtracin de

la fase lquida que contiene el Fe soluble extrado.

5.4 Anlisis estadstico

Se realiz un anlisis de varianza usando el programa SAS (Statistical Analysis

System) versin 9.3.

VI. RESULTADOS Y DISCUSIN


13/18

6.1 Entrenamiento de grupos de datos

Un primer paso en el manejo de los datos fue evaluar los mismos en el proceso de

entrenamiento de los datos, por lo que se tomaron submuestras de los tres foliolos de la

hoja; se analizaron dichos foliolos individualmente y en conjunto. De acuerdo con los

resultados obtenidos en cuanto al ajuste de los datos, el foliolo izquierdo result tener

un mejor porcentaje de clasificaciones correctas, por lo que se determin hacer uso de

este mismo en las pruebas posteriores.

6.2 Validacin de grupos de datos

6.2.1 Entrenamiento y validacin del grupo de datos con ocho tratamientos

Para el primer grupo de datos, como puede observarse en el Cuadro 2 que incluye los

ocho tratamientos o clases, es decir, variaciones en las concentraciones de Fe y Mn de 0

a 200 % para cada uno de los micronutrimentos se obtuvieron porcentajes de

clasificaciones correctas por encima del 30 % pero inferiores a 56 %. Dentro de las

combinaciones de variables de entrada que peor resultado arrojaron fueron usar

nicamente caractersticas texturales como variables de entrada, mientras que la

combinacin de variables de entrada que incluan a los espacios de color RGB y

CIELab tuvo mejores resultados de clasificaciones correctas.

Un aspecto a considerar al hacer uso de las redes neuronales artificiales es que el

porcentaje de validacin no est ligado al porcentaje de clasificaciones correctas almomento del entrenamiento. As se tiene que en el Cuadro 2 se notan porcentajes de

clasificaciones correctas en la etapa de entrenamiento de 85.03 %, porcentaje que

disminuye a 51.88 % en la etapa de validacin como es el caso del Clasificador 1. En

cuanto al nmero de neuronas de la capa interna, hubo una variacin de 48 hasta 100, lo

que indica la variacin en la complejidad de los clasificadores probados ya que un

menor nmero de neuronas de la capa interna es ms cercano a un modelo lineal, caso

contrario al haber un mayor nmero de neuronas involucrado en la generacin del

clasificador, lo que significa una mayor complejidad y por consiguiente una mayor


14/18

especificidad del mismo. El nmero de neuronas de la capa interna no est relacionado

necesariamente con la combinacin de variables ya sea de color o textura, ni tampoco

con el nmero de variables de entrada usadas para la generacin del clasificador.

El mejor clasificador se obtiene con la combinacin de variables de color de los

espacios de color RGB y CIELab (Clasificador 9) con un porcentaje de clasificaciones

correctas del 55 %. Por otro lado, existen combinaciones en las que nicamente se

utilizan las caractersticas texturales y el porcentaje de clasificaciones correctas decrece

y aumenta el nmero de neuronas de la capa interna, como es el caso del Clasificador 5.

Aunque los porcentajes de generalizacin son iguales para ambos clasificadores.

Debe considerarse tambin que el nmero de variables de entrada no necesariamenteafecta el porcentaje de clasificaciones correctas; puede haber clasificadores que usan

una combinacin de 12 variables (Clasificador 1) contra otro de 4 (Clasificador 10) y la

variacin en la precisin es apenas perceptible, 51.88 % y 51.25 % respectivamente, lo

que sugiere que existen variables de entrada que aportan informacin ms concisa,

mientras que hay variables que nicamente proporcionan informacin redundante. Por

otro lado, el porcentaje de generalizacin es un aspecto a considerar en la eleccin del

clasificador, ya que supone la capacidad del mismo para ubicar correctamente clases

con caractersticas diferentes a las proporcionadas en el momento de entrenamiento de

la red neuronal. Dicho porcentaje no est relacionado con la precisin del clasificador;

como se observa en el Cuadro 2, para la combinacin de variables del Clasficador 2, el

porcentaje de generalizacin es 0 y el porcentaje de clasificaciones correctas es de

43.13. Mientras que una segunda combinacin de variables de entrada (Clasificador 13)

arroja el mismo porcentaje de clasificaciones correctas pero con un porcentaje de

generalizacin del 70, lo que significa una mayor flexibilidad para la aplicacin del

clasificador frente a la otra combinacin de variables de entrada.

6.3 Eleccin del clasificador

El clasificador se eligi tomando en cuenta el nmero de neuronas de la capa interna, el

cual fue de los ms bajos; tambin el porcentaje de generalizacin, el cual, como se ha

mencionado ya, har que el clasificador asigne a alguna clase informacin que

anteriormente no haba sido proporcionada. El porcentaje de precisin tambin fue


15/18

tomado en cuenta por razones evidentes. La combinacin con las mejores caractersticas

fue el Clasificador 1 (Cuadro 4). En el Cuadro 5 se muestra el resultado del clasificador.

En el Cuadro 5 se observa que el Tratamiento 1 (100% Fe y Mn) aparece clasificado

correctamente en un 100 % a diferencia del resto de los tratamientos o clases de salida,

los cuales fueron clasificados correctamente con un porcentaje de 75 %. El Tratamiento

4 (0% Fe, 100 % Mn) por ejemplo, fue clasificado en algunos casos como Tratamiento

5 (0% Fe y 37 0% Mn), as como Tratamiento 6 (100% Fe, 0% Mn), lo cual podra ser

explicado debido a que estos dos ltimos tratamientos comparten la deficiencia total ya

sea de Fe o Mn con el tratamiento que est siendo clasificado.

Cuadro 5. Estadsticas del arreglo matricial (tabla de contingencia) para la combinacinde variables R, G, B, L, a, b, C, H, SMA, EN, IN y HoL usando cuatro clases de salida

o tratamientos (100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 %

Mn y 100 % Fe, 0 % Mn).

Por otro lado, el Tratamiento 5, de las clasificaciones errneas, en su mayora son

atribuidas al Tratamiento 4 precisamente, como se mencion anteriormente, ambostratamientos tienen en comn la deficiencia total del Fe, por lo que es probable que

algunas caractersticas de color o textura no sean totalmente consistentes para que el

clasificador pueda asignarlas a alguna clase. En menor proporcin, algunas submuestras

del Tratamiento 5 son asignadas al Tratamiento 6, ambos tratamientos tienen en comn

la deficiencia de Mn, por lo que la explicacin podra ser la misma que para el caso

anterior dnde se confunde con el Tratamiento 4.


16/18

A su vez el Tratamiento 6, en las clasificaciones errneas es confundido con los

Tratamientos 4 y 5; mientras que con el Tratamiento 5 tienen en comn la ausencia total

de 38 Mn, sin embargo, con el Tratamiento 4 no comparten esta caracterstica por lo

que, la informacin proporcionada por las caractersticas de color o textura no fueron lo

suficientemente especficas para que el clasificador pudiera asignar correctamente la

clase de salida.

En el Cuadro 6 se detalla la informacin anterior, por lo que puede notarse el porcentaje

de error al que fueron asignadas las clases de salida al tratamiento equivocado y al

tratamiento en s mismo. As, se tiene que para el caso en el que el Tratamiento 4 es

asignado al

Tratamiento 5, se da en un porcentaje de 50 aproximadamente y en una proporcin

similar es asignado al tratamiento correcto, es decir, el Tratamiento 4. Sin embargo,

para cuando el Tratamiento 4 es asignado al Tratamiento 6, la equivocacin es casi total,

ya que el error es del 99% de asignacin al tratamiento equivocado e incluso,

prcticamente el mismo error es cuando es asignado al Tratamiento 1 con el que no

comparte caractersticas de deficiencias. Analizando la clasificacin del Tratamiento 6,

cuando es confundido con el Tratamiento 5, es en proporcin similar en ambas

ocasiones. Y el grado de atribucin al Tratamiento 6 es inferior con apenas 21% en

promedio, e incluso es atribuido al Tratamiento 4 en uno de los casos en mayor

proporcin que a s mismo.

Finalmente, el Tratamiento 5 es atribuido errneamente al Tratamiento 4 casi en su

totalidad. Ambos tratamientos coinciden en la ausencia total de Fe, por lo que eso

explicara la confusin. Cuando el Tratamiento 5 es asignado al Tratamiento 6,

prcticamente es en proporciones iguales, pudiendo deberse a que ambos tratamientoscomparten la deficiencia de Mn.

Cuadro 6. Grado de atribucin al tratamiento equivocado para la combinacin de

variables R, G, B, L, a, b, C, H, SMA, EN, IN y HoL usando cuatro clases de salida o

tratamientos (100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 %

Mn y 100 % Fe, 0 % Mn).


17/18

En experimentos similares llevados a cabo usando clasificadores se han encontrado

mejores porcentajes de precisin, tal es el caso del conducido por Burks et al. (2000)

donde se diferenciaron diversas especies de malezas, y el porcentaje de identificacin

correcta alcanz 93 %. Y an alcanzan porcentajes del 100 cuando la clasificacin es

entre plantas y suelo. Sin embargo, debe considerarse que en la presente investigacin el

objetivo fue diferenciar entre submuestras de la misma variedad, lo que justificara el

menor grado de precisin de los clasificadores. En otra investigacin, Meyer et al.

(1998), en un anlisis discriminante, encontraron porcentajes de precisin entre la

misma especie, que variaron del 30 al 77, mientras que cuando se diferenci al suelo de

las plantas, la precisin de la clasificacin super el 97%. Por lo que es evidente que a

medida que las muestras son ms cercanas en caractersticas texturales, de color o

ambas, la precisin tender a disminuir o bien, debern explorarse an ms variables de

entrada.

CONCLUSIONES

Se concluye a partir de los resultados obtenidos que:

Se corrobora la hiptesis en la cual los valores de los canales del espacio de

color RGB, CIELab, Croma y Matiz, as como las caractersticas texturales;

estn asociados con el grado de deficiencia de los micronutrientes Fe y Mn.

El anlisis digital de imgenes puede ser usado como herramienta de diagnstico

de deficiencias nutrimentales de Fe y Mn pero con limitaciones.


18/18

La combinacin de variables usadas en la generacin de clasificadores puede

aumentar o disminuir la eficiencia del mismo debido a la interaccin de dichas

variables.

El uso de redes neuronales constituye un mtodo adecuado de clasificacin de

las caractersticas de color y textura que difcilmente podran explicarse por

separado debido a la tendencia no lineal de los datos.

Se corrobora la correlacin de las caractersticas de color y texturales en su

conjunto con la concentracin de los micronutrientes.

Documents

Deficiencias de Hierro y Manganeso en Hojas de Frijol