Diseño de Máquina de Aprendizaje para Determinación de Dietas en Sistemas de Pastoreo

Abstract

La evaluación de dietas en sistemas de pastoreo representa un reto para el desarrollo de estrategias que ayuden a mitigar el desgaste de los ecosistemas en los que se llevan a cabo actividades de silvopastoreo. El objetivo de esta investigación es el aportar una alternativa vanguardista y amigable con el medio ambiente para la determinación de dietas en sistemas de silvopastoreo basada en herramientas de inteligencia artificial, específicamente máquinas de aprendizaje, también conocida como machine learning, a partir de datos generados con análisis de Espectroscopia por Infrarrojo Cercano (NIRS) de los tratamientos formados por Prosopis laevigata L. (Mezquite) y Acacia farnesiana L. (Huizache). Se desarrolló un modelo de machine learning de clasificación con máquinas de vectores de soporte a partir de tres clases de etiquetado con distinta complejidad en cada uno de ellos. Se obtuvieron modelos con predicción de 1.00 en su clasificación utilizando tipo de kernel lineal y radial. Por medio del análisis de componentes principales para reducción de variables se puso a prueba el modelo generado, y se observaron predicciones en la clasificación con solo 30 longitudes de onda. Además, se analizaron 144 modelos formados en combinación de las variables del tipo de kernel, costos y cantidad de espectros utilizados por el modelo. Los resultados mostraron que el kernel lineal presenta un 95% de precisión a partir de 32 longitudes de onda analizados. Estos resultados muestran que los modelos de machine learning pueden ser una herramienta eficaz para la identificación de plantas en dietas de animales en sistemas de pastoreo y proporciona información útil para la aplicación de herramientas inteligencia artificial en la nutrición animal.