Identificación inteligente de cultivos estivales mediante sensores remotos

El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Castillo, Cristina Alejandra, Veramendi, Brenda Noelia, Revollo Sarmiento, Gisela Noelia
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
Sensores remotos
Machine learning
Clasificación
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/165444
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-165444
record_format dspace
spelling I19-R120-10915-1654442024-04-30T04:03:18Z http://sedici.unlp.edu.ar/handle/10915/165444 Identificación inteligente de cultivos estivales mediante sensores remotos Castillo, Cristina Alejandra Veramendi, Brenda Noelia Revollo Sarmiento, Gisela Noelia 2023-09 2023 2024-04-29T16:33:19Z es Ciencias Informáticas Sensores remotos Machine learning Clasificación El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción. The agricultural sector has been experiencing a profound change towards digital transformation, seeking to anticipate soil-climatic events that can influence productive results and facilitate remote decision-making. Crop monitoring with remote sensors and the application of machine learning techniques are tools that allow identifying crops, changes in phenology, anomalies and at lower or almost zero cost than traditional methods. Identifying crops, obtaining estimates and yield predictions are essential to improve the country's productive prospects. Currently, in Argentina very few developments in different contexts (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) have the scientific and technological means to carry out this study using satellite technology and Machine learning techniques and that is within the reach of producers. In this first stage of research, corn was classified vs. soybean in Sentinel-2 multispectral images with data recorded from the 2019/2020 campaign of the General López department (Santa Fe). The data set for classification consisted of the selection of representative bands, the calculation of statistical measurements (average, maximum, minimum, deviation, etc.) and the calculation of vegetative indices (NDVI, SAVI). Two machine learning algorithms Random forest (RF) and Support vector machine (SVM) were implemented with an overall accuracy of 79% and 73%. The general objective is to extend these results to a larger agro-productive agricultural region and to estimate yields and production. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 58-65
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Sensores remotos
Machine learning
Clasificación
spellingShingle Ciencias Informáticas
Sensores remotos
Machine learning
Clasificación
Castillo, Cristina Alejandra
Veramendi, Brenda Noelia
Revollo Sarmiento, Gisela Noelia
Identificación inteligente de cultivos estivales mediante sensores remotos
topic_facet Ciencias Informáticas
Sensores remotos
Machine learning
Clasificación
description El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción.
format Objeto de conferencia
Objeto de conferencia
author Castillo, Cristina Alejandra
Veramendi, Brenda Noelia
Revollo Sarmiento, Gisela Noelia
author_facet Castillo, Cristina Alejandra
Veramendi, Brenda Noelia
Revollo Sarmiento, Gisela Noelia
author_sort Castillo, Cristina Alejandra
title Identificación inteligente de cultivos estivales mediante sensores remotos
title_short Identificación inteligente de cultivos estivales mediante sensores remotos
title_full Identificación inteligente de cultivos estivales mediante sensores remotos
title_fullStr Identificación inteligente de cultivos estivales mediante sensores remotos
title_full_unstemmed Identificación inteligente de cultivos estivales mediante sensores remotos
title_sort identificación inteligente de cultivos estivales mediante sensores remotos
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/165444
work_keys_str_mv AT castillocristinaalejandra identificacioninteligentedecultivosestivalesmediantesensoresremotos
AT veramendibrendanoelia identificacioninteligentedecultivosestivalesmediantesensoresremotos
AT revollosarmientogiselanoelia identificacioninteligentedecultivosestivalesmediantesensoresremotos
_version_ 1807223054192869376

Ejemplares similares