Clasificación no destructiva de plantas medicinales peruanas mediante imágenes hiperespectrales NIR (1300–1700 nm) y aprendizaje automático

Introducción. La identificación de plantas medicinales nativas suele depender de métodos destructivos, lentos o altamente dependientes de experiencia especializada. Este estudio propone el uso de imágenes hiperespectrales en el infrarrojo cercano (NIR-HSI) y aprendizaje automático como herramientas alternativas, no invasivas, para la discriminación rápida de tres especies medicinales del norte del Perú: Peperomia inaequalifolia (congona), Alternanthera sp. (lancetilla) y Teline monspessulana (retama). Objetivos. Evaluar el desempeño de modelos de clasificación multiclase aplicados a espectros NIR-HSI preprocesados, con el fin de desarrollar un sistema confiable para la identificación vegetal y el control de calidad. Materiales y Métodos. Se recolectaron un total de 1467 espectros mediante una cámara NIR-HSI en el rango de 1300–1700 nm. Los datos espectrales fueron preprocesados utilizando suavizado Savitzky–Golay y normalización por variación normal estándar (SNV). Se entrenaron y evaluaron siete clasificadores de aprendizaje automático mediante validación cruzada estratificada de 5 pliegues, incluyendo Random Forest, Gradient Boosting, XGBoost y Ridge Classifier. Resultados. Random Forest alcanzó el mejor desempeño (accuracy = 0.9959), con un ROC-AUC de 1.00. Los demás modelos presentaron valores de exactitud entre 0.9720 y 0.9945, con valores de ROC-AUC cercanos a 1.00, lo que indica una alta capacidad discriminativa. Conclusiones. La combinación de NIR-HSI y modelos supervisados de aprendizaje automático permite una clasificación altamente precisa de plantas medicinales. Este enfoque muestra potencial para aplicaciones en trazabilidad, aseguramiento de la calidad y validación etnobotánica, particularmente en contextos descentralizados o con recursos limitados.