Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina

La definición de zonas de manejo (ZM) dentro de un campo de cultivo es una estrategia importante para la aplicación de la agricultura de precisión. Sin embargo, la determinación de las ZM es complicada debido a la existencia de múltiples factores que son responsables de la variabilidad espacial y te...

Full description

Bibliographic Details
Main Author:	Monroy, María Fernanda
Other Authors:	Barrero, Oscar
Format:	masterThesis
Language:	Español
Published:	Universidad de Ibagué 2021
Subjects:	Cultivo - F01 Sistemas de producción Arroz Maíz Algodón Aprendizaje Agricultura de precisión Suelo Pruebas de rendimiento Tratamiento de imágenes Zea mays Gossypium arboreum Oryza sativa Transitorios http://aims.fao.org/aos/agrovoc/c_a175b273 http://aims.fao.org/aos/agrovoc/c_6599 http://aims.fao.org/aos/agrovoc/c_12332 http://aims.fao.org/aos/agrovoc/c_1926 http://aims.fao.org/aos/agrovoc/c_37978 http://aims.fao.org/aos/agrovoc/c_92363 http://aims.fao.org/aos/agrovoc/c_7156 http://aims.fao.org/aos/agrovoc/c_24061 http://aims.fao.org/aos/agrovoc/c_9000033 http://aims.fao.org/aos/agrovoc/c_8504 http://aims.fao.org/aos/agrovoc/c_3336 http://aims.fao.org/aos/agrovoc/c_5438
Online Access:	http://hdl.handle.net/20.500.12324/36726

id	RepoAGROSAVIA36726
record_format	dspace
spelling	RepoAGROSAVIA367262023-02-23T20:27:33Z Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina Monroy, María Fernanda Barrero, Oscar Ouazaa, Sofiane Fernández G., Jose A. Cultivo - F01 Sistemas de producción Arroz Maíz Algodón Aprendizaje Agricultura de precisión Suelo Pruebas de rendimiento Tratamiento de imágenes Zea mays Gossypium arboreum Oryza sativa Transitorios http://aims.fao.org/aos/agrovoc/c_a175b273 http://aims.fao.org/aos/agrovoc/c_6599 http://aims.fao.org/aos/agrovoc/c_12332 http://aims.fao.org/aos/agrovoc/c_1926 http://aims.fao.org/aos/agrovoc/c_37978 http://aims.fao.org/aos/agrovoc/c_92363 http://aims.fao.org/aos/agrovoc/c_7156 http://aims.fao.org/aos/agrovoc/c_24061 http://aims.fao.org/aos/agrovoc/c_9000033 http://aims.fao.org/aos/agrovoc/c_8504 http://aims.fao.org/aos/agrovoc/c_3336 http://aims.fao.org/aos/agrovoc/c_5438 La definición de zonas de manejo (ZM) dentro de un campo de cultivo es una estrategia importante para la aplicación de la agricultura de precisión. Sin embargo, la determinación de las ZM es complicada debido a la existencia de múltiples factores que son responsables de la variabilidad espacial y temporal en el campo. En este estudio se desarrolló una metodología para determinar las ZM y la predicción de rendimiento a mitad del ciclo de un cultivo, utilizando un conjunto de datos del suelo, planta y de teledetección procedentes de cámaras RGB y multiespectral montadas en un vehículo aéreo no tripulado (UAV). El estudio se llevó a cabo en un sistema de cultivo comercial de arroz, maíz-algodón (sistema de producción rotacional) de 5 hectáreas en una región tropical (Tolima, Colombia). La información fue obtenida de dos campañas de los cultivos de arroz y maíz, y una campaña del cultivo de algodón. Las variables medidas incluyeron las propiedades del suelo, las condiciones del cultivo y los índices de vegetación (MI) obtenidos desde un UAV en diferentes etapas hasta la mitad de la campaña. Los resultados de los modelos de predicción de rendimiento utilizando los algoritmos de regresión mostraron que RF, KNN, MLP, y SVM con la base de datos de SOIL cuenta con alta precisión en la predicción de rendimiento, con resultados de R2 0.96 a 0.99 para el cultivo de arroz, el cultivo de algodón con un R2 entre 0.70 a 0.92 y el cultivo de maíz con R2 entre 0.96 a 0.99. Estos resultados demostraron que diferentes algoritmos son capaces de generar modelos igualmente eficientes en la predicción de rendimiento donde destacan RF, KNN y SVM. Corporación colombiana de investigación agropecuaria - AGROSAVIA Algodón-Gossypium herbaceum Arroz-Oryza sativa Maíz-Zea mays Maestría 2021-07-19T16:05:09Z 2021-07-19T16:05:09Z 2021-06-30 2021 masterThesis Tesis de maestría http://purl.org/coar/resource_type/c_bdcc info:eu-repo/semantics/masterThesis https://purl.org/redcol/resource_type/TM http://purl.org/coar/version/c_970fb48d4fbd8a85 http://hdl.handle.net/20.500.12324/36726 reponame:Biblioteca Digital Agropecuaria de Colombia repourl:https://repository.agrosavia.co instname:Corporación colombiana de investigación agropecuaria AGROSAVIA spa Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso a texto completo info:eu-repo/semantics/openAccess 94 páginas application/pdf application/pdf Colombia Universidad de Ibagué Ibagué (Colombia) Facultad de ingeniería Ingeniería de control
institution	Corporación Colombiana de Investigación Agropecuaria
collection	Repositorio AGROSAVIA
language	Español
topic	Cultivo - F01 Sistemas de producción Arroz Maíz Algodón Aprendizaje Agricultura de precisión Suelo Pruebas de rendimiento Tratamiento de imágenes Zea mays Gossypium arboreum Oryza sativa Transitorios http://aims.fao.org/aos/agrovoc/c_a175b273 http://aims.fao.org/aos/agrovoc/c_6599 http://aims.fao.org/aos/agrovoc/c_12332 http://aims.fao.org/aos/agrovoc/c_1926 http://aims.fao.org/aos/agrovoc/c_37978 http://aims.fao.org/aos/agrovoc/c_92363 http://aims.fao.org/aos/agrovoc/c_7156 http://aims.fao.org/aos/agrovoc/c_24061 http://aims.fao.org/aos/agrovoc/c_9000033 http://aims.fao.org/aos/agrovoc/c_8504 http://aims.fao.org/aos/agrovoc/c_3336 http://aims.fao.org/aos/agrovoc/c_5438
spellingShingle	Cultivo - F01 Sistemas de producción Arroz Maíz Algodón Aprendizaje Agricultura de precisión Suelo Pruebas de rendimiento Tratamiento de imágenes Zea mays Gossypium arboreum Oryza sativa Transitorios http://aims.fao.org/aos/agrovoc/c_a175b273 http://aims.fao.org/aos/agrovoc/c_6599 http://aims.fao.org/aos/agrovoc/c_12332 http://aims.fao.org/aos/agrovoc/c_1926 http://aims.fao.org/aos/agrovoc/c_37978 http://aims.fao.org/aos/agrovoc/c_92363 http://aims.fao.org/aos/agrovoc/c_7156 http://aims.fao.org/aos/agrovoc/c_24061 http://aims.fao.org/aos/agrovoc/c_9000033 http://aims.fao.org/aos/agrovoc/c_8504 http://aims.fao.org/aos/agrovoc/c_3336 http://aims.fao.org/aos/agrovoc/c_5438 Monroy, María Fernanda Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
description	La definición de zonas de manejo (ZM) dentro de un campo de cultivo es una estrategia importante para la aplicación de la agricultura de precisión. Sin embargo, la determinación de las ZM es complicada debido a la existencia de múltiples factores que son responsables de la variabilidad espacial y temporal en el campo. En este estudio se desarrolló una metodología para determinar las ZM y la predicción de rendimiento a mitad del ciclo de un cultivo, utilizando un conjunto de datos del suelo, planta y de teledetección procedentes de cámaras RGB y multiespectral montadas en un vehículo aéreo no tripulado (UAV). El estudio se llevó a cabo en un sistema de cultivo comercial de arroz, maíz-algodón (sistema de producción rotacional) de 5 hectáreas en una región tropical (Tolima, Colombia). La información fue obtenida de dos campañas de los cultivos de arroz y maíz, y una campaña del cultivo de algodón. Las variables medidas incluyeron las propiedades del suelo, las condiciones del cultivo y los índices de vegetación (MI) obtenidos desde un UAV en diferentes etapas hasta la mitad de la campaña. Los resultados de los modelos de predicción de rendimiento utilizando los algoritmos de regresión mostraron que RF, KNN, MLP, y SVM con la base de datos de SOIL cuenta con alta precisión en la predicción de rendimiento, con resultados de R2 0.96 a 0.99 para el cultivo de arroz, el cultivo de algodón con un R2 entre 0.70 a 0.92 y el cultivo de maíz con R2 entre 0.96 a 0.99. Estos resultados demostraron que diferentes algoritmos son capaces de generar modelos igualmente eficientes en la predicción de rendimiento donde destacan RF, KNN y SVM.
author2	Barrero, Oscar
author_facet	Barrero, Oscar Monroy, María Fernanda
format	masterThesis
author	Monroy, María Fernanda
author_sort	Monroy, María Fernanda
title	Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
title_short	Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
title_full	Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
title_fullStr	Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
title_full_unstemmed	Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
title_sort	determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina
publisher	Universidad de Ibagué
publishDate	2021
url	http://hdl.handle.net/20.500.12324/36726
work_keys_str_mv	AT monroymariafernanda determinaciondezonasdemanejoenunsistemadeproduccionrotacionalarrozmaizalgodonusandotecnicasdeaprendizajedemaquina
_version_	1808105531814969344

Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina

Similar Items