Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola)
Atributos como la biomasa y la calidad nutricional son características que permiten la selección de mejores pasturas y, por ende, la obtención de mayores cantidades de carne y leche a partir del alimento del ganado (Mendoza et al. 2022). Sin embargo, el método analítico de laboratorio utilizado para...
| Autores principales: | , , |
|---|---|
| Formato: | Póster |
| Lenguaje: | Español |
| Publicado: |
2025
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/10568/175501 |
| _version_ | 1855514044618768384 |
|---|---|
| author | Camelo, Rodrigo Andres Espitia Buitrago, Paula Jauregui, Rosa |
| author_browse | Camelo, Rodrigo Andres Espitia Buitrago, Paula Jauregui, Rosa |
| author_facet | Camelo, Rodrigo Andres Espitia Buitrago, Paula Jauregui, Rosa |
| author_sort | Camelo, Rodrigo Andres |
| collection | Repository of Agricultural Research Outputs (CGSpace) |
| description | Atributos como la biomasa y la calidad nutricional son características que permiten la selección de mejores pasturas y, por ende, la obtención de mayores cantidades de carne y leche a partir del alimento del ganado (Mendoza et al. 2022). Sin embargo, el método analítico de laboratorio utilizado para calcular estos atributos resulta ineficiente para especies perennes cuando existen cientos de plantas para evaluar (Masenyama et al. 2022). Por lo tanto, es necesario desarrollar métodos que permitan la caracterización y selección de genotipos mediante técnicas no destructivas de alto rendimiento. Para ello, se han utilizado sensores activos de dosel como el Crop Circle Phenom, capaces de medir reflectancia, atributos estructurales y variables climáticas. |
| format | Poster |
| id | CGSpace175501 |
| institution | CGIAR Consortium |
| language | Español |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| record_format | dspace |
| spelling | CGSpace1755012025-11-05T12:53:38Z Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) Camelo, Rodrigo Andres Espitia Buitrago, Paula Jauregui, Rosa machine learning aprendizaje automático models yield forecasting pronóstico del rendimiento multispectral imagery modelo imagen multiespectral optical sensors sensor óptico reflectance reflectancia Atributos como la biomasa y la calidad nutricional son características que permiten la selección de mejores pasturas y, por ende, la obtención de mayores cantidades de carne y leche a partir del alimento del ganado (Mendoza et al. 2022). Sin embargo, el método analítico de laboratorio utilizado para calcular estos atributos resulta ineficiente para especies perennes cuando existen cientos de plantas para evaluar (Masenyama et al. 2022). Por lo tanto, es necesario desarrollar métodos que permitan la caracterización y selección de genotipos mediante técnicas no destructivas de alto rendimiento. Para ello, se han utilizado sensores activos de dosel como el Crop Circle Phenom, capaces de medir reflectancia, atributos estructurales y variables climáticas. 2025-06-25 2025-07-07T07:36:05Z 2025-07-07T07:36:05Z Poster https://hdl.handle.net/10568/175501 es Open Access application/pdf Camelo, R.A.; Espitia Buitrago, P.; Jauregui, R. (2025) Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola). Póster preparado para el XIV Congreso de Fitomejoramiento y Producción de Cultivos, 25-27 de Junio Palmira (Colombia). 1 p. |
| spellingShingle | machine learning aprendizaje automático models yield forecasting pronóstico del rendimiento multispectral imagery modelo imagen multiespectral optical sensors sensor óptico reflectance reflectancia Camelo, Rodrigo Andres Espitia Buitrago, Paula Jauregui, Rosa Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title | Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title_full | Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title_fullStr | Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title_full_unstemmed | Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title_short | Uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales (Urochloa humidicola) |
| title_sort | uso de machine learning y un sensor de reflectancia del dosel proximal para predecir biomasa y calidad nutricional en forrajes tropicales urochloa humidicola |
| topic | machine learning aprendizaje automático models yield forecasting pronóstico del rendimiento multispectral imagery modelo imagen multiespectral optical sensors sensor óptico reflectance reflectancia |
| url | https://hdl.handle.net/10568/175501 |
| work_keys_str_mv | AT camelorodrigoandres usodemachinelearningyunsensordereflectanciadeldoselproximalparapredecirbiomasaycalidadnutricionalenforrajestropicalesurochloahumidicola AT espitiabuitragopaula usodemachinelearningyunsensordereflectanciadeldoselproximalparapredecirbiomasaycalidadnutricionalenforrajestropicalesurochloahumidicola AT jaureguirosa usodemachinelearningyunsensordereflectanciadeldoselproximalparapredecirbiomasaycalidadnutricionalenforrajestropicalesurochloahumidicola |