Sistema abierto de análisis y scoring de salud biológica del suelo. Fórmula ponderada + modelo ML + motor de recomendaciones agronómicas.
El Índice de Bioactividad del Suelo es una métrica compuesta (0–100) que evalúa la salud biológica del suelo a partir de parámetros medibles en laboratorio.
A diferencia de análisis convencionales que miden nutrientes de forma aislada, el IBS integra actividad microbiana, materia orgánica, pH y temperatura en un único valor accionable, con un motor de recomendaciones de manejo asociado.
IBS_base = (CO2_norm × 0.35) + (MO_norm × 0.25) + (pH_score × 0.15) + (Temp_score × 0.10) +
(Enz_Beta_norm × 0.0375) + (Enz_Fosf_norm × 0.0375) +
(Enz_Aril_norm × 0.0375) + (Enz_Urea_score × 0.0375)
Cuando se dispone de lectura de penetrómetro, se aplica un factor corrector multiplicativo post-inferencia:
IBS_real = IBS_base × factor_compactacion(kPa)
La lectura es válida en Capacidad de Campo (24–48hs post lluvia o riego). Suelo seco sobreestima, suelo saturado subestima.
| kPa | Estado | Factor | Impacto |
|---|---|---|---|
| 0 – 1.500 | Óptimo | 1.00 | Sin restricción |
| 1.500 – 2.000 | Restricción leve | 0.70 | Desvío energético radicular |
| 2.000 – 2.500 | Daño estructural | 0.35 | Pérdida 20–60% rendimiento |
| > 2.500 | Impedancia severa | 0.10 | Crecimiento radicular detenido |
Nota: Los pesos están desacoplados de la ecuación y se pueden ajustar mediante configuración.
| Parámetro | Medición | Peso | Método de normalización |
|---|---|---|---|
| CO₂ respiración basal | mg CO₂ / kg suelo / día | 35% | Lineal — rango 30–600 |
| Materia Orgánica | % | 25% | Lineal — rango 0.3–6.0 |
| pH del suelo | Escala 0–14 | 15% | Gaussiana — pico en 6.5 |
| Temperatura | °C a 10cm | 10% | Gaussiana — pico en 22°C |
| Beta-glucosidasa | U / g | 3.75% | Lineal — rango 0.0–10.0 |
| Fosfatasa | U / g | 3.75% | Lineal — rango 0.0–10.0 |
| Arilsulfatasa | U / g | 3.75% | Lineal — rango 0.0–10.0 |
| Ureasa | U / g | 3.75% | Gaussiana — pico en 5.0 |
CO₂, MO y mayoría de Enzimas — normalización lineal:
valor_norm = (medicion - rango_min) / (rango_max - rango_min)pH, Temperatura y Ureasa — curva gaussiana:
# pH: óptimo biológico en 6.5
ph_score = exp(-0.5 * ((ph - 6.5) / 1.2) ** 2)
# Temperatura: óptimo en 22°C
temp_score = exp(-0.5 * ((temp - 22.0) / 8.0) ** 2)
# Ureasa: óptimo en 5.0, excesos penalizan (riesgo de lixiviación)
ureasa_score = exp(-0.5 * ((ureasa - 5.0) / 2.5) ** 2)Todos los valores se clampean a [0, 1] antes de aplicar los pesos. El resultado se multiplica por 100.
| IBS | Estado | Color | Acción recomendada |
|---|---|---|---|
| 0 – 30 | Crítico | 🔴 | Enmienda orgánica urgente, evitar labranza |
| 31 – 50 | Bajo | 🟠 | Compost + rotación de cultivos |
| 51 – 70 | Moderado | 🟡 | Bioestimulante liviano, monitoreo |
| 71 – 85 | Bueno | 🟢 | Mantener manejo actual |
| 86 – 100 | Excelente | 🔵 | No intervenir, documentar como referencia |
Se entrena un Random Forest Regressor sobre el dataset sintético generado con la fórmula base más ruido gaussiano (σ = 3 puntos IBS) para simular variabilidad real de laboratorio.
Arquitectura : RandomForestRegressor
n_estimators : 200
max_depth : 12
features : [co2_mg_kg_dia, mo_porcentaje, ph, temp_celsius]
target : ibs_score (0–100)
dataset : 3.000 registros sintéticos + ruido gaussiano
Métricas típicas sobre test set (20%):
| Métrica | Valor esperado |
|---|---|
| MAE | < 3.5 puntos IBS |
| R² | > 0.97 |
| Capa | Tecnología | Rol |
|---|---|---|
| ML / Dataset | Python 3.11 + scikit-learn | Generación, entrenamiento, inferencia |
| Microservicio | Flask | API interna HTTP en localhost:5000 |
| Backend | PHP 8.1 | Lógica de negocio, rutas, vistas |
| Base de datos | MySQL 8 | Muestras, historial, recomendaciones |
| Frontend | JavaScript + Chart.js | Gráficos, interactividad |
ibs/
├── v8/
│ ├── model/
│ │ ├── generate_dataset.py ← genera dataset sintético
│ │ ├── train_model.py ← entrena y exporta el modelo
│ │ └── output/ ← ibs_model.pkl + ibs_scaler.pkl
│ ├── api/
│ │ └── app.py ← microservicio Flask
│ └── requirements.txt
├── dashboard/
│ ├── helpers/
│ │ └── ibs_service.php ← cálculo + fallback PHP
│ ├── phpfiles/
│ │ └── home.php ← interfaz demo
│ └── assets/
├── sql/
│ └── schema.sql
├── README.md
└── .gitignore
# 1. Clonar
git clone https://github.com/stndcx/ibs.git
cd ibs
# 2. Base de datos
mysql -u root -p < sql/schema.sql
# 3. Dataset y modelo
cd v8/model
pip install -r ../requirements.txt --user
python generate_dataset.py
python train_model.py
# 4. Microservicio
cd ../api
python app.py
# → escucha en http://127.0.0.1:5000
# 5. PHP — apuntar servidor web a dashboard/Sin compactación:
curl -X POST http://localhost:5000/predecir \
-H "Content-Type: application/json" \
-d '{"co2_mg_kg_dia": 280, "mo_porcentaje": 2.4, "ph": 6.5, "temp_celsius": 21, "enz_beta_glucosidasa": 6.0, "enz_fosfatasa": 5.5, "enz_arilsulfatasa": 6.8, "enz_ureasa": 4.5}'{
"ibs_score": 50.82,
"estado": "medio",
"fuente": "modelo_ml"
}Con factor de compactación kpa:
curl -X POST http://localhost:5000/predecir \
-H "Content-Type: application/json" \
-d '{"co2_mg_kg_dia": 280, "mo_porcentaje": 2.4, "ph": 6.5, "temp_celsius": 21, "enz_beta_glucosidasa": 6.0, "enz_fosfatasa": 5.5, "enz_arilsulfatasa": 6.8, "enz_ureasa": 4.5, "kpa": 2200}'{
"ibs_score": 17.79,
"ibs_base": 50.82,
"estado": "critico",
"fuente": "modelo_ml",
"kpa": 2200.0,
"factor_compactacion": 0.35,
"estado_compactacion": "dano_estructural"
}import math
PESOS = {"co2": 0.35, "mo": 0.25, "ph": 0.15, "temp": 0.10, "enz_deshidrogenasa": 0.0375, "enz_beta_glucosidasa": 0.0375, "enz_fosfatasa": 0.0375, "enz_arilsulfatasa": 0.0375, "enz_ureasa": 0.0375}
def ibs_calcular(co2, mo, ph, temp, desh, beta, fosf, aril, urea):
co2_n = max(0, min(1, (co2 - 30) / (600 - 30)))
mo_n = max(0, min(1, (mo - 0.3) / (6.0 - 0.3)))
ph_s = math.exp(-0.5 * ((ph - 6.5) / 1.2) ** 2)
temp_s = math.exp(-0.5 * ((temp - 22.0) / 8.0) ** 2)
desh_n = max(0, min(1, (desh - 0.0) / (10.0 - 0.0)))
beta_n = max(0, min(1, (beta - 0.0) / (10.0 - 0.0)))
fosf_n = max(0, min(1, (fosf - 0.0) / (10.0 - 0.0)))
aril_n = max(0, min(1, (aril - 0.0) / (10.0 - 0.0)))
urea_s = math.exp(-0.5 * ((urea - 5.0) / 2.5) ** 2)
score = (
co2_n * PESOS["co2"] + mo_n * PESOS["mo"] + ph_s * PESOS["ph"] + temp_s * PESOS["temp"] +
desh_n * PESOS["enz_deshidrogenasa"] + beta_n * PESOS["enz_beta_glucosidasa"] +
fosf_n * PESOS["enz_fosfatasa"] + aril_n * PESOS["enz_arilsulfatasa"] + urea_s * PESOS["enz_ureasa"]
)
return round(score * 100, 2)
print(ibs_calcular(280, 2.4, 6.5, 21, 7.5, 6.0, 5.5, 6.8, 4.5)) # → ~68.1Rangos de referencia (región pampeana húmeda — ajustables por zona):
RANGOS = {
"co2_mg_kg_dia": {"min": 30, "max": 600},
"mo_porcentaje": {"min": 0.3, "max": 6.0},
"ph": {"min": 4.5, "max": 9.0},
"temp_celsius": {"min": 5.0, "max": 40.0},
"enz_deshidrogenasa": {"min": 0.0, "max": 10.0},
"enz_beta_glucosidasa": {"min": 0.0, "max": 10.0},
"enz_fosfatasa": {"min": 0.0, "max": 10.0},
"enz_arilsulfatasa": {"min": 0.0, "max": 10.0},
"enz_ureasa": {"min": 0.0, "max": 10.0},
}Pull requests con rangos validados para otras regiones son bienvenidos.
Contribuciones más valiosas ahora:
- Datos reales de campo con parámetros medidos y diagnóstico agronómico validado
- Revisión de pesos para zonas áridas, tropicales o volcánicas
- Parámetros adicionales con respaldo bibliográfico
- Traducciones del README (inglés, portugués, chino)
Abrí un issue antes de un PR para discutir el cambio.
MIT — Libre para uso académico, comercial y derivados con atribución.
Web: stndcx.github.io/ibs
Para integraciones o consultas técnicas, contactar desde la web.
