¿Pueden los algoritmos de análisis ambiental mejorarse mediante la fusión de datos y la eliminación del suelo para la predicción de la biomasa de pasto buffel basado en UAV?
Autores: Santos, Wagner Martins dos; Jardim, Alexandre Maniçoba da Rosa Ferraz; Martins, Lady Daiane Costa de Sousa; Moura, Márcia Bruna Marim de; Silva, Elania Freire da; Souza, Luciana Sandra Bastos de; Cezar Bezerra, Alan; Silva, José Raliuson Inácio; Silva, Ênio Farias de França e; de Lima, João L. M. P.; Morellato, Leonor Patricia Cerdeira; Silva, Thieres George Freire da
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
¿Pueden los algoritmos de análisis ambiental mejorarse mediante la fusión de datos y la eliminación del suelo para la predicción de la biomasa de pasto buffel basado en UAV?
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Sostenible
Sistemas ganaderos
Biomasa forrajera
Imágenes de UAV
Aprendizaje automático
área de cobertura vegetal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
La creciente demanda de sistemas ganaderos sostenibles requiere métodos eficientes para monitorear la biomasa de forraje. Este estudio evaluó atributos espectrales (RGB y multispectral), texturales (GLCM) y de área derivados de imágenes de vehículos aéreos no tripulados (UAV) para predecir la biomasa de buffelgrass (Cenchrus ciliaris L.), también probando el efecto de la eliminación de píxeles de suelo. Se aplicó un pipeline integral de aprendizaje automático (12 algoritmos y 6 métodos de selección de características) a 14 combinaciones de datos. Nuestros resultados demostraron que la eliminación del suelo mejoró consistentemente el rendimiento de los modelos aplicados. Los sensores multispectrales (MSI) fueron los más robustos individualmente, mientras que los atributos texturales (GLCM) no contribuyeron significativamente. Aunque la combinación de datos MSI y RGB resultó ser complementaria, el modelo con la mayor precisión se obtuvo con CatBoost utilizando solo información RGB después de la selección de características de Boruta, logrando un CCC de 0.83, un RMSE de 0.214 kg y un R2 de 0.81 en el conjunto de prueba. La variable más importante fue el área de cobertura vegetal (19.94%), superando a los índices espectrales. Concluimos que la integración de UAV RGB con un procesamiento robusto puede generar herramientas accesibles y efectivas para el monitoreo de forraje. Este enfoque puede apoyar la gestión de pastizales al optimizar las tasas de carga, mejorar la eficiencia de los recursos naturales y respaldar decisiones basadas en datos en sistemas silvopastorales de precisión.
Descripción
La creciente demanda de sistemas ganaderos sostenibles requiere métodos eficientes para monitorear la biomasa de forraje. Este estudio evaluó atributos espectrales (RGB y multispectral), texturales (GLCM) y de área derivados de imágenes de vehículos aéreos no tripulados (UAV) para predecir la biomasa de buffelgrass (Cenchrus ciliaris L.), también probando el efecto de la eliminación de píxeles de suelo. Se aplicó un pipeline integral de aprendizaje automático (12 algoritmos y 6 métodos de selección de características) a 14 combinaciones de datos. Nuestros resultados demostraron que la eliminación del suelo mejoró consistentemente el rendimiento de los modelos aplicados. Los sensores multispectrales (MSI) fueron los más robustos individualmente, mientras que los atributos texturales (GLCM) no contribuyeron significativamente. Aunque la combinación de datos MSI y RGB resultó ser complementaria, el modelo con la mayor precisión se obtuvo con CatBoost utilizando solo información RGB después de la selección de características de Boruta, logrando un CCC de 0.83, un RMSE de 0.214 kg y un R2 de 0.81 en el conjunto de prueba. La variable más importante fue el área de cobertura vegetal (19.94%), superando a los índices espectrales. Concluimos que la integración de UAV RGB con un procesamiento robusto puede generar herramientas accesibles y efectivas para el monitoreo de forraje. Este enfoque puede apoyar la gestión de pastizales al optimizar las tasas de carga, mejorar la eficiencia de los recursos naturales y respaldar decisiones basadas en datos en sistemas silvopastorales de precisión.