The visible and near-infrared reflectance spectroscopy (VNIRS) combined with machine learning can be used to predict soil nutrients. This research was undertaken to test and improve chemometric methods to produce the most accurate soil infrared spectral models to predict the nutrient content. A FieldSpec 4 Standar-Res ASD (Analytical Spectral Devices Inc., Boulder, CO, USA) spectroradiometer with a spectral range of 350 nm to 2500 nm with a spectral resolution of 3 nm and 10 nm in the ranges of 350 nm to 1000 nm and 1000 nm and 2500 nm respectively was used to generate the Vis-NIR spectral signatures. A total of 2318 soil samples since 2017 were collected, processed (oven-dried and grind) where macronutrients (P, K, S, Ca, Mg) and micronutrients (Zn, Cu, Fe, Mn, B), Si, and Na were analyzed in the laboratory. Further, Carbon, Nitrogen, soil pH, soil extractable acidity (EA), soil texture, bulk density, soil effective Exchange Capacity, and Soil organic content were assessed. The same samples were scanned with a spectroradiometer. Then, the spectral data were preprocessed using different techniques. Four machine learning methods namely, Memory based learning (MBL), Support Vector Machine (SVM), (RF), and Partial Least Square Regression (PLSR) were employed to construct soil nutrient, prediction models. Results indicated that the MBL model outperformed the RF, SVM, and PLSR. The 28 best models of all the property are measured with R² between 0.72-0.94. From this, 82 % (23 best models) were dominated by MBL while 18 % (5 best models) RF, SVM, and PLSR. The highest prediction result was obtained by MBL on the element Fe with (R²) = 0.94, a ratio of performance to deviation (RPD) = 4.08, and root mean square error of prediction (RMSEP) = 14.83 %). It can be concluded that Machine-Based Learning can be used to predict the nutrients of Costa Rican soils.

La espectroscopia de reflectancia del infrarrojo cercano y visible (VNIRS) combinada con el aprendizaje automático se puede utilizar para predecir los nutrientes del suelo. Esta investigación se llevó a cabo para probar y mejorar los métodos quimiométricos para producir los modelos espectrales infrarrojos del suelo más preciso para predecir el contenido de nutrientes. Un espectrorradiómetro FieldSpec 4 Standar-Res ASD (Analytical Spectral Devices Inc., Boulder, CO, EE. UU.) Con un rango espectral de 350 nm a 2500 nm con una resolución espectral de 3 nm y 10 nm en los rangos de 350 nm a 1000 nm y 1000 nm y 2500 nm respectivamente se utilizó para generar las firmas espectrales Vis-NIR. Se recolectaron un total de 2318 muestras de suelo desde el 2017, procesadas (secadas al horno y molidas) donde se analizaron macronutrientes (P, K, S, Ca, Mg) y micronutrientes (Zn, Cu, Fe, Mn, B), Si y Na en el laboratorio. Además, se evaluó el contenido de carbono, el nitrógeno, el pH del suelo, la acidez extraíble del suelo (EA), la textura del suelo, la densidad aparente, la capacidad de intercambio efectiva del suelo y el contenido orgánico del suelo. Las mismas muestras se escanearon con un espectrorradiómetro. Luego, los datos espectrales fueron pre-procesados ​​utilizando diferentes técnicas. Se emplearon cuatro métodos de aprendizaje automático: aprendizaje basado en la memoria (MBL), máquina de vectores de soporte (SVM), bosque aleatorio (RF) y regresión parcial de mínimos cuadrados (PLSR) para construir con modelos de predicción de nutrientes del suelo. Los resultados indicaron que el modelo MBL superó RF, SVM y PLSR. Los 28 mejores modelos de todas las propiedades de suelo evaluadas se midieron con R² entre 0,72 - 0,94. De esto, el 82 % (23 mejores modelos) fueron dominados por MBL mientras que el 18 % (5 mejores modelos) fueron para RF, SVM y PLSR. El resultado de predicción más alto se obtuvo mediante MBL en el elemento Fe con (R²) = 0,94, una relación de rendimiento a desviación (RPD) = 4,08 y error cuadrático medio de predicción (RMSEP) = 14,83 %). Se puede concluir que el aprendizaje basado en máquina se puede utilizar para predecir los nutrientes de suelos costarricenses.