Comparando Algoritmos de Aprendizaje Automático para Estimar el Índice de Estrés Hídrico del Cultivo de Maíz (CWSI) Utilizando Datos Remotamente Sensados Adquiridos por UAV en Tierras de Cultivo de Pequeños Productores
Autores: Kapari, Mpho; Sibanda, Mbulisi; Magidi, James; Mabhaudhi, Tafadzwanashe; Nhamo, Luxon; Mpandeli, Sylvester
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Comparando Algoritmos de Aprendizaje Automático para Estimar el Índice de Estrés Hídrico del Cultivo de Maíz (CWSI) Utilizando Datos Remotamente Sensados Adquiridos por UAV en Tierras de Cultivo de Pequeños Productores
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Estrés hídrico en cultivos
Vehículo aéreo no tripulado
Técnicas de aprendizaje automático
África austral
Algoritmo de bosque aleatorio
Pequeña agricultura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El monitoreo y mapeo del estrés hídrico y la variabilidad de los cultivos a escala de finca para cereales como el maíz, uno de los cultivos más comunes en los países en desarrollo con 200 millones de personas en todo el mundo, es un objetivo importante dentro de la agricultura de precisión. En este sentido, se ha adoptado la imagen multiespectral y térmica obtenida por vehículos aéreos no tripulados para estimar el proxy de estrés hídrico de los cultivos (es decir, el Índice de Estrés Hídrico de los Cultivos) junto con técnicas de aprendizaje automático, a saber, mínimos cuadrados parciales (PLS), máquinas de soporte vectorial (SVM) y bosques aleatorios (RF), en una típica finca de pequeños agricultores en el sur de África. Este estudio aborda este objetivo determinando el cambio entre la temperatura foliar y la temperatura ambiente (Tc-Ta) y el déficit de presión de vapor para determinar la línea base sin estrés hídrico para calcular el Índice de Estrés Hídrico del Maíz. Los hallazgos revelaron una relación significativa entre el déficit de presión de vapor y Tc-Ta (R2 = 0.84) durante la etapa vegetativa entre las 10:00 y las 14:00 (hora estándar de Sudáfrica). Además, los hallazgos revelaron que el mejor modelo para predecir el Índice de Estrés Hídrico de los Cultivos se obtuvo utilizando el algoritmo de bosque aleatorio (R2 = 0.85, RMSE = 0.05, MAE = 0.04) utilizando NDRE, MTCI, CCCI, GNDVI, TIR, Cl_Borde Rojo, MTVI2, Rojo, Azul y Cl_Verde como variables óptimas, en orden de importancia. Los resultados indicaron que NIR, Rojo, derivados del Borde Rojo y la banda térmica fueron algunas de las variables predictoras óptimas para el Índice de Estrés Hídrico de los Cultivos. Finalmente, el uso de datos de vehículos aéreos no tripulados para predecir el índice de estrés hídrico del cultivo de maíz en una finca de pequeños agricultores del sur de África ha mostrado resultados alentadores al evaluar su utilidad en relación con el uso de técnicas de aprendizaje automático. Esto subraya la urgente necesidad de tal tecnología para mejorar el monitoreo de cultivos y la evaluación del estrés hídrico, proporcionando valiosas ideas para prácticas agrícolas sostenibles en regiones con inseguridad alimentaria.
Descripción
El monitoreo y mapeo del estrés hídrico y la variabilidad de los cultivos a escala de finca para cereales como el maíz, uno de los cultivos más comunes en los países en desarrollo con 200 millones de personas en todo el mundo, es un objetivo importante dentro de la agricultura de precisión. En este sentido, se ha adoptado la imagen multiespectral y térmica obtenida por vehículos aéreos no tripulados para estimar el proxy de estrés hídrico de los cultivos (es decir, el Índice de Estrés Hídrico de los Cultivos) junto con técnicas de aprendizaje automático, a saber, mínimos cuadrados parciales (PLS), máquinas de soporte vectorial (SVM) y bosques aleatorios (RF), en una típica finca de pequeños agricultores en el sur de África. Este estudio aborda este objetivo determinando el cambio entre la temperatura foliar y la temperatura ambiente (Tc-Ta) y el déficit de presión de vapor para determinar la línea base sin estrés hídrico para calcular el Índice de Estrés Hídrico del Maíz. Los hallazgos revelaron una relación significativa entre el déficit de presión de vapor y Tc-Ta (R2 = 0.84) durante la etapa vegetativa entre las 10:00 y las 14:00 (hora estándar de Sudáfrica). Además, los hallazgos revelaron que el mejor modelo para predecir el Índice de Estrés Hídrico de los Cultivos se obtuvo utilizando el algoritmo de bosque aleatorio (R2 = 0.85, RMSE = 0.05, MAE = 0.04) utilizando NDRE, MTCI, CCCI, GNDVI, TIR, Cl_Borde Rojo, MTVI2, Rojo, Azul y Cl_Verde como variables óptimas, en orden de importancia. Los resultados indicaron que NIR, Rojo, derivados del Borde Rojo y la banda térmica fueron algunas de las variables predictoras óptimas para el Índice de Estrés Hídrico de los Cultivos. Finalmente, el uso de datos de vehículos aéreos no tripulados para predecir el índice de estrés hídrico del cultivo de maíz en una finca de pequeños agricultores del sur de África ha mostrado resultados alentadores al evaluar su utilidad en relación con el uso de técnicas de aprendizaje automático. Esto subraya la urgente necesidad de tal tecnología para mejorar el monitoreo de cultivos y la evaluación del estrés hídrico, proporcionando valiosas ideas para prácticas agrícolas sostenibles en regiones con inseguridad alimentaria.