Estimación de la productividad del cultivo de fresas mediante algoritmos de aprendizaje automático utilizando datos de imágenes multiespectrales
Autores: Oliveira, Larissa Silva de; Castoldi, Renata; Martins, George Deroco; Medeiros, Matheus Henrique
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estimación de la productividad del cultivo de fresas mediante algoritmos de aprendizaje automático utilizando datos de imágenes multiespectrales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Estimaciones
Productividad
Algoritmos de regresión
Imágenes multiespectrales
Predicción de producción
Peso promedio de la fruta
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Actualmente, las estimaciones de productividad de fresas se realizan de forma manual, lo cual es un proceso laborioso y subjetivo. El uso de métodos de estimación más eficientes y precisos resultaría en un mejor manejo de los cultivos. El objetivo de este estudio fue evaluar el rendimiento de dos algoritmos de regresión - Regresión Lineal y Máquina de Vectores de Soporte - en la estimación del peso promedio y número de frutos y el número de hojas en las plantas de fresa, utilizando imágenes multiespectrales obtenidas por un avión no tripulado (RPA). El experimento, que se llevó a cabo en el área experimental del Laboratorio de Botánica en el Campus Monte Carmelo de la Universidad Federal de Uberlândia, se realizó utilizando un diseño de bloques al azar con seis tratamientos y cuatro repeticiones. Los tratamientos comprendieron seis variedades comerciales de fresas: San Andreas, Albion, PR, Festival, Oso Grande y Guarani. Las imágenes se adquirieron semanalmente y luego se preprocesaron para extraer valores radiométricos de cada planta en el área experimental. Estos valores se utilizaron para entrenar los algoritmos de predicción de producción. Durante el mismo período, se recopilaron datos sobre el peso promedio de la fruta, el número de frutos por planta y el número de hojas. El peso total de la fruta en el campo fue de 48.08 kg, mientras que las estimaciones de Regresión Lineal (LR) y Máquina de Vectores de Soporte (SVM) fueron de 48.04 y 43.09 kg, respectivamente. El número de frutos obtenidos en el campo fue de 4585, y el número estimado por los algoritmos LR y SVM fue de 4564 y 3863, respectivamente. El número de hojas obtenido en el campo fue de 10,366, y LR y SVM estimaron 10,360 y 10,171, respectivamente. Se concluyó que LR y SVM pueden estimar la producción de fresas y el número de frutos y hojas utilizando imágenes multiespectrales de vehículos aéreos no tripulados (UAV). El algoritmo LR fue el más eficiente en la estimación de la producción, con una precisión del 99.91% para el peso promedio de la fruta, 99.55% para el número de frutos y 99.94% para el número de hojas. SVM mostró una precisión del 89.62% para el peso promedio de la fruta, 84.26% para el número de frutos y 98.12% para el número de hojas.
Descripción
Actualmente, las estimaciones de productividad de fresas se realizan de forma manual, lo cual es un proceso laborioso y subjetivo. El uso de métodos de estimación más eficientes y precisos resultaría en un mejor manejo de los cultivos. El objetivo de este estudio fue evaluar el rendimiento de dos algoritmos de regresión - Regresión Lineal y Máquina de Vectores de Soporte - en la estimación del peso promedio y número de frutos y el número de hojas en las plantas de fresa, utilizando imágenes multiespectrales obtenidas por un avión no tripulado (RPA). El experimento, que se llevó a cabo en el área experimental del Laboratorio de Botánica en el Campus Monte Carmelo de la Universidad Federal de Uberlândia, se realizó utilizando un diseño de bloques al azar con seis tratamientos y cuatro repeticiones. Los tratamientos comprendieron seis variedades comerciales de fresas: San Andreas, Albion, PR, Festival, Oso Grande y Guarani. Las imágenes se adquirieron semanalmente y luego se preprocesaron para extraer valores radiométricos de cada planta en el área experimental. Estos valores se utilizaron para entrenar los algoritmos de predicción de producción. Durante el mismo período, se recopilaron datos sobre el peso promedio de la fruta, el número de frutos por planta y el número de hojas. El peso total de la fruta en el campo fue de 48.08 kg, mientras que las estimaciones de Regresión Lineal (LR) y Máquina de Vectores de Soporte (SVM) fueron de 48.04 y 43.09 kg, respectivamente. El número de frutos obtenidos en el campo fue de 4585, y el número estimado por los algoritmos LR y SVM fue de 4564 y 3863, respectivamente. El número de hojas obtenido en el campo fue de 10,366, y LR y SVM estimaron 10,360 y 10,171, respectivamente. Se concluyó que LR y SVM pueden estimar la producción de fresas y el número de frutos y hojas utilizando imágenes multiespectrales de vehículos aéreos no tripulados (UAV). El algoritmo LR fue el más eficiente en la estimación de la producción, con una precisión del 99.91% para el peso promedio de la fruta, 99.55% para el número de frutos y 99.94% para el número de hojas. SVM mostró una precisión del 89.62% para el peso promedio de la fruta, 84.26% para el número de frutos y 98.12% para el número de hojas.