Examinando por Autor "Ysuiza Perez, Alfredo"

Mostrando 1 - 3 de 3

Modelado espacial de propiedades fisicoquímicas y fertilidad del suelo en sistemas agrícolas tropicales bajo distinta heterogeneidad estructural mediante UAV multiespectral y geoestadística
(Facultad de Ciencias Agropecuarias, Universidad Nacional de Trujillo, 2026-04-27) Vega Herrera, Sergio Sebastián; Ysuiza Perez, Alfredo; Perez Tello, Mónica; Goicochea Pinchi, Diego; Rios Rios, Raúl Martín; Dominguez Yap, Percy; García, Leonela; Barrera Torres, Cicerón; Oliva Cruz, Carlos Alberto; Santillán Gonzáles, Manuel Dante; Arratea Pillco, David; Alejos Patiño, Italo
La variabilidad espacial del suelo condiciona la eficiencia productiva, la gestión de nutrientes y la sostenibilidad de los sistemas agrícolas tropicales, especialmente en contextos donde la heterogeneidad limita la implementación de estrategias de manejo sitio-específico. En este estudio se comparó el desempeño de un flujo analítico basado en imágenes UAV multiespectrales, regresión lineal múltiple (MLR) e interpolación geoestadística en dos sistemas agrícolas con distinta heterogeneidad, un sistema multicultivo a escala de estación y un sistema arrocero con diferentes densidades de siembra, ambos ubicados en la Estación Experimental Agraria El Porvenir (San Martín, Perú). Se analizaron 60 muestras en el componente multicultivo y 27 en el sistema arrocero, georreferenciadas a 30 cm de profundidad, evaluando pH, conductividad eléctrica, nitrógeno, fósforo, potasio, carbono orgánico del suelo y textura. Se aplicó un flujo analítico homogéneo en ambos sistemas (correlación de Spearman, MLR stepwise y kriging ordinario). Los resultados evidenciaron diferencias marcadas en el desempeño predictivo, en el sistema arrocero se alcanzaron valores de R² de prueba de 0,93 para nitrógeno y 0,88 para fósforo, mientras que en el sistema multicultivo los mayores R² fueron 0,42 para conductividad eléctrica y 0,37 para limo. Asimismo, los índices espectrales basados en NIR y red edge mostraron mayor asociación con los atributos edáficos evaluados. Los resultados demuestran que el desempeño depende de la heterogeneidad estructural del sistema, donde entornos más homogéneos favorecen la predicción puntual, mientras que sistemas más heterogéneos potencian la zonificación y delimitación de unidades de manejo
Rice phenotyping using unmanned aerial vehicles: Analyzing morphological characteristics and yield
(2025-09-26) Goigochea Pinchi, Diego; Vega Herrera, Sergio Sebastian; Torres Chavez, Edson Esmith; Archentti Reategui, Fernando; Barrera Torres, Ciceron; Dominguez Yap, Percy Luis; Ysuiza Perez, Alfredo; Perez Tello, Monica; Rios Rios, Raúl; Santillan Gonzáles, Manuel Dante; Ganoza Roncal, Jorge Juan; Ruiz Reyes, Jose Guillermo; Agurto Piñarreta, Alex Ivan
Rice is a globally important crop and a staple in the diet of a large part of the world's population. This underscores the need for hybridization and improvement of rice genotypes to meet food demand in an environmentally sustainable manner. Geographic Information Systems (GIS) have proven to be valuable tools for the morphometric phenotyping of different genotypes. In this study, seven different rice genotypes were evaluated with the objective of selecting those with high yield. Multispectral imagery was used to develop prediction models based on supervised learning algorithms, including Linear Regression (LR), Support Vector Machine (SVM), Random Forest (RF), Elastic Net (EN), and Neural Networks (NN). The variables studied were plant height, number of panicles, number of tillers, and yield. The results showed the following performances: R² = 0.44 for plant height using Random Forest, R² = 0.92 for number of panicles with Neural Networks, R² = 0.44 for number of tillers with SVM, and R² = 0.31 for yield with SVM. This technology significantly supports traditional selection methodologies for hybridization and improvement by providing a spatial approach that enhances and facilitates selection criteria.
Teledetección del rendimiento del arroz mediante el índice SAVI obtenido con drones y modelos de aprendizaje automático supervisado en zonas bajas tropicales
(Facultad de Ciencias Agropecuarias, Universidad Nacional de Trujillo, 2026-04-27) Ysuiza Perez, Alfredo; Perez Tello, Mónica; Goicochea Pinchi, Diego; Vega Herrera, Sergio Sebastián; Rios Rios, Raúl Martín; Dominguez Yap, Percy; García, Leonela; Barrera Torres, Cicerón; Oliva Cruz, Carlos Alberto; Santillán Gonzáles, Manuel; Arratea Pillco, David; Alejos Patiño, Italo W.
La estimación de la productividad del arroz dentro de una misma parcela es un desafío en los agroecosistemas tropicales, por la alta variabilidad espacial y limitaciones en los métodos tradicionales de monitoreo. El objetivo del estudio fue evaluar la capacidad del índice de vegetación ajustado al suelo (SAVI, soil adjusted vegetation index) derivado de imágenes multiespectrales obtenidas mediante vehículos aéreos no tripulados (UAV, unmanned aerial vehicles) para diferenciar las zonas productivas de las que no lo son en parcelas arroceras de selva baja tropical, en la región San Martín, Perú. Se usó un diseño de bloques completos al azar en dos localidades, con tres variedades de arroz, y se tomaron imágenes multiespectrales usando plataformas UAV. El rendimiento real de campo se midió con muestreo destructivo georreferenciado, ajustando el peso del grano a una humedad estándar y expresándolo en toneladas por hectárea. Con esos datos, las parcelas se clasificaron en zonas productivas y no productivas según criterios de umbral obtenidos de las mediciones directas. Después se extrajo los valores de SAVI y se usaron como variable de entrada en varios modelos de clasificación supervisada: regresión logística, máquinas de soporte vectorial (SVM), k vecinos más cercanos (KNN), bosque aleatorio y árbol de decisión. Los resultados mostraron que los valores de SAVI entre 0,50 y 0,70 se relacionaban con las zonas productivas, mientras que los que estaban entre 0,30 y 0,50 correspondían a las no productivas. La regresiónlogística y el SVM fueron los que mejor rindieron, con una exactitud global del 88,9%, valores de F1 por encima del 92% y un balance adecuado entre sensibilidad y especificidad. Esto demuestra que el SAVI con aprendizaje automático supervisado es una estrategia para discriminar espacialmente la productividad del arroz, con potencial para apoyar en el monitoreo dentro de la parcela y en las decisiones agronómicas en sistemas arroceros tropicales.