Examinando por Materia "Agricultura de precisión"

Mostrando 1 - 13 de 13

Estimation of water stress in maize cultivation utilizing thermal and multispectral imaging from UAVs with machine learning algorithms in Lambayeque, Peru
(Asociación Española de Teledetección, 2026-01-31) Cruz Grimaldo, Camila Leandra; Vilca Gamarra, Cesar Francisco; Millan Ramírez, José Edwin; Chumbimune Vivanco, Sheyla Yanet; Llanos Carrillo, Cristina; Vera Díaz, Elvis; Agurto Piñarreta, Alex Iván; Quille Mamani, Javier; León Dextre, Hairo Alexander
Maize (Zea mays L.) is a fundamental cereal in global food security, but its vulnerability to water stress compromises its productivity and threatens food availability. This study analyzed the relationship between the crop water stress index (CWSI), obtained from thermal images captured by the Zenmuse H20T camera, and various vegetation indices derived from the MicaSense RedEdge-MX Dual. The analysis included machine learning (ML) models such as random forest (RF), k-nearest neighbors (KNN), and gradient boosting regression (GBR). The results showed that RF was the most accurate model for predicting CWSI in maize, with a coefficient of determination (R²) of 0.80, a root mean square error (RMSE) of 0.13, and a mean absolute error (MAE) of 0.09. KNN achieved an R² of 0.78, an RMSE of 0.13, and an MAE of 0.09, while GBR reached an R² of 0.79, an RMSE of 0.14, and an MAE of 0.10. The red band (668 nm) played a crucial role in RF (70.69%) and GBR (50.92%), whereas in KNN, the simple ratio (SR) index showed the highest importance (36.40%). These findings confirm the superiority of ML models over traditional regression approaches for estimating CWSI in maize. Despite the satisfactory results, the algorithms underestimated CWSI values derived from thermal images, which highlights the need to refine these models to improve their accuracy in future agricultural applications.
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
Plan de mejoramiento genético para la obtención de nueva variedad de maracuyá del INIA
(Instituto Nacional de Innovación Agraria, 2026) Saravia Navarro, David
El presente documento expone el plan de mejoramiento genético desarrollado por el Instituto Nacional de Innovación Agraria (INIA) a través del Proyecto PROFRUT (DIDET), orientado a la obtención de una nueva variedad de maracuyá amarillo (Passiflora edulis f. flavicarpa) con frutos de alta calidad y buen rendimiento. Se plantean cuatro metodologías: autofecundación convencional (S₁–S₆), obtención de variedad sintética OPV, desarrollo de híbridos F1 mediante líneas puras por dobles haploides, y propagación clonal por injerto. Se describen las características deseadas en la nueva variedad, que incluyen alto contenido de grados Brix (>14°), elevado rendimiento de pulpa y jugo, tolerancia/resistencia a enfermedades (Fusarium, antracnosis, virus, mancha bacteriana y nematodos), adaptación a diferentes condiciones ambientales y arquitectura de planta manejable. La línea de tiempo proyecta la liberación de una variedad sintética entre 2028 y 2029, y de híbridos comerciales entre 2030 y 2031. Asimismo, se presentan avances en agricultura de precisión aplicada al cultivo de maracuyá, incluyendo el uso de imágenes multiespectrales y ortomosaicos RGB con índices de vegetación (NDVI) obtenidos mediante vehículos aéreos no tripulados (VANT/UAV), junto con publicaciones científicas derivadas del proyecto en cultivos como maíz (Zea mays), frijol (Phaseolus vulgaris), trigo (Triticum aestivum), pitahaya (Hylocereus megalanthus) y banano. Los trabajos de campo se desarrollan principalmente en el C.E. Los Pobres (Ica), Chongoyape (Lambayeque) y F. Las Rosas (La Libertad).
Soil spatial variability in high-yield Peruvian Amazon coffee: a geostatistical approach for precision fertilization
(Frontiers Media SA, 2025-12-18) Mejía Maita, Sharon Yahaira; Quispe Matos, Kenyi Rolando; Díaz Chuquizuta, Henry; Rengifo Sánchez, Raihil Rabindranath; Mercado Chinchay, Ruth Lizbeth; Cuevas Gimenez, Juan Pablo; Solórzano Acosta, Richard Andi
Fertilization practices in coffee plantations often overlook the spatial variability of soils, particularly in mountainous regions with acidic conditions. Although geostatistics has been used to map nutrient distributions, its integration with multivariate analysis to identify differentiated fertilization zones in coffee systems remains limited. This study evaluated the influence of soil properties, altitude, and crop age on coffee yield by combining principal component analysis (PCA) and ordinary kriging to design site-specific fertilization strategies. A total of 70 soil samples were collected from three districts of the Peruvian high jungle (San Martín and Amazonas), measuring physical and chemical properties, altitude, and crop age. The following analyses were applied: (1) Spearman correlations to assess associations with yield, (2) PCA to identify fertility gradients, and (3) geostatistical models with cross-validation. The PCA identified two main gradients: PC1 (32.41% of variance) associated with cation exchange capacity (CEC) and organic matter, and PC2 (17.88%) associated with the availability of K and P and crop age. Cross-validation confirmed high accuracy in the spatial prediction of available P and K across the three study areas. Kriging maps revealed zones with high available K (>150 mg kg⁻¹) and P (>20 mg kg⁻¹) associated with yields >1.5 t ha⁻¹. The integration of PCA and geostatistics enabled the delineation of management zones with differentiated nutrient requirements, reducing fertilization needs by up to 30% in areas with high fertility potential (e.g., Alto Saposoa). Overall, the results provide a solid methodological basis for implementing precision fertilization strategies in tropical coffee systems, promoting more efficient nutrient use and greater production sustainability.
Tecnologías de precisión y su relación con la gestión de insumos agrícolas en el contexto de la sostenibilidad en regiones vulnerables
(Universidad Nacional de Trujillo, 2025-08-18) Santillán Gonzáles, Manuel Dante; Ganoza Roncal, Jorge Juan; Lobato Galvez, Roiser Honorio; Oliva Cruz, Carlos Alberto; Arratea Pillco, David
Esta investigación examina la relación entre el uso de tecnologías de precisión con la gestión de insumos agrícolas dentro de un contexto de sostenibilidad. Se aplicaron encuestas estructuradas a 120 productores que describieron su acceso a tecnología, capacitación, integración tecnológica, productividad y barreras; se procesó la información mediante regresión lineal múltiple, correlación de Spearman y análisis de clúster para descubrir los factores que propician una gestión eficiente responsable con el ambiente y viable en lo socioeconómico de los insumos agrícolas. Se evidencia que la dimensión productividad y sostenibilidad impacta de manera positiva mientras que las barreras y desafíos lo hacen negativamente; además el modelo enfocado en la salud del suelo (R² ajustado = 0,304) demuestra que dichas tecnologías pueden elevar el rendimiento y disminuir los impactos ambientales. Sin embargo, los altos costos, la falta de infraestructura y la escasa capacitación, frenan su adopción; por lo que se propone impulsar políticas públicas, formación técnica y acompañamiento, para alcanzar sistemas agrícolas más sostenibles resilientes e inclusivos en línea con los Objetivos de Desarrollo Sostenible.
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.
Variación espacial de la fertilidad del suelo en la EEA Arequipa
(Instituto Nacional de Innovación Agraria (INIA), 2026-05-31) Poma Chamana, Russell Hilario; Vilca Gamarra, Cesar Francisco; Quello Huamani, Antony Arturo; Puma Huacani, Katherine; Suyco Panibra, Percy Alberto; Calla Cornejo, Nancy Vanessa; Quispe Matos, Kenyi Rolando; Carbajal Llosa, Carlos Miguel; Mejia Maita, Sharon Yahaira; Ore Valeriano, Ruddy Adely; Chuchon Remon, Rodolfo Juan; Solórzano Acosta, Richard Andi; Cruz Luis, Juancarlos Alejandro
La degradación del suelo constituye una de las principales amenazas para la sostenibilidad agrícola a nivel global, especialmente en regiones áridas y semiáridas donde la disponibilidad hídrica es limitada y las oportunidades de recuperación natural del suelo son reducidas. Factores como el uso inadecuado del recurso suelo, el sobrepastoreo, prácticas agrícolas poco sostenibles y los efectos intensificados del cambio climático contribuyen a acelerar este proceso (de Valença, 2017; Coaguila et al., 2025; Correa et al., 2016). La región de Arequipa presenta un potencial de superficie agropecuaria aprovechable del 32,2 % de las cuales solo son usadas el 5,75 % (Gobierno Regional de Arequipa [GRA], 2021). En las principales zonas productoras se producen generalmente cultivos forrajeros (alfalfa y maíz forrajero), arroz, cebolla y papa (Gerencia Regional de Agricultura de Arequipa, 2025). Esta región enfrenta como principales desafíos una accidentada geografía en sus valles interandinos y escasez de agua en sus desiertos costeros (GRA, 2021). Estas limitaciones naturales se ven agravadas por la baja adopción de prácticas de manejo basado en diagnóstico. En 2022, únicamente el 2,4 % de los productores agropecuarios realizó análisis de suelos y recibió asistencia técnica para implementar los resultados (Instituto Nacional de Estadística e Informática [INEI], 2023), lo que evidencia una gestión incipiente de la fertilidad en el ámbito productivo. La ausencia de mapas de fertilidad que integren los datos de análisis de suelos limita el diagnóstico integral de la variabilidad edáfica y dificulta la planificación eficiente de estrategias de fertilización. Frente a esta brecha, la aplicación de enfoques de agricultura de precisión, que integren análisis de suelos, geoestadística y sistemas de información geográfica (SIG), se presenta como una alternativa metodológica robusta para evaluar la variación espacial de la fertilidad del suelo. Herramientas como la interpolación kriging, el índice de Moran y el análisis de variogramas permiten modelar la heterogeneidad espacial de las propiedades fisicoquímicas del suelo y generar mapas temáticos que orienten decisiones de manejo sitio-específico, mejorando la eficiencia en el uso de fertilizantes y enmiendas, y contribuyendo a la conservación de la calidad del suelo en el largo plazo (Culman et al., 2021; Chinea-Horta y Rodríguez-Izquierdo, 2021). En este marco, el objetivo del presente documento es analizar la fertilidad y la variabilidad espacial de los suelos en la EEA Arequipa, con la finalidad de generar información técnica que contribuya la planificación agrícola y el fortalecimiento de los sistemas productivos regionales. En específico, se busca evaluar el estado actual de la fertilidad del suelo, determinar sus principales limitaciones, desarrollar mapas de variación espacial de las propiedades edáficas y proponer estrategias de manejo que permitan optimizar el uso de fertilizantes, aumentar la productividad y promover la sostenibilidad de los sistemas productivos de la estación.
Variación espacial de la fertilidad del suelo en la EEA Illpa
(Instituto Nacional de Innovación Agraria (INIA), 2026-05-31) Cuellar Condori, Nestor Edwin; Quispe Matos, Kenyi Rolando; Carbajal Llosa, Carlos Miguel; Mejía Maita, Sharon Yahaira; Fernandez Puquio, Albert Einstein; Carrazco Ordoñez, Edgar Raúl; Ore Valeriano, Ruddy Adely; Chuchon Remon, Rodolfo Juan; Ccosi Mamani, Elvis David; Choquehuanca Murillo, Katherin Heidy; Solórzano Acosta, Richard Andi; Cruz Luis, Juancarlos Alejandro
El Altiplano constituye una amplia meseta altoandina situada entre 3800 y 4200 m s. n. m., que se extiende desde la vertiente oriental de la Cordillera Occidental hasta las estribaciones de la Cordillera Oriental, incluyendo la cuenca del Lago Titicaca. Presenta un relieve predominantemente plano a ligeramente ondulado, con extensas pampas parcialmente disectadas por valles y modeladas por procesos fluviales. En los sectores próximos al lago se observan terrazas lacustres que evidencian antiguos niveles más elevados, mientras que el drenaje superficial converge principalmente hacia el Lago Titicaca (Oficina Nacional de Evaluación de Recursos Naturales [ONERN] y Corporación de Desarrollo y Promoción Social y Económica del Departamento de Puno [CORPUNO], 1965b). Desde el punto de vista edafológico, los suelos se desarrollan sobre materiales parentales de diversa génesis, identificándose cinco grupos principales según su origen: lacustres, aluviales recientes, aluviales subrecientes, coluvio-aluviales y residuales. Esta clasificación refleja la influencia combinada de procesos sedimentarios y geomorfológicos asociados a la dinámica del antiguo sistema lacustre altiplánico, que ha condicionado tanto las propiedades físicas y químicas del suelo como su aptitud para el uso agrícola y ganadero (ONERN y CORPUNO, 1965a). En las últimas décadas, la región altoandina ha experimentado transformaciones sustanciales en el uso y cobertura del suelo, ocasionando una progresiva fragmentación del paisaje. La expansión de la agricultura convencional constituye uno de los principales impulsores de este proceso, con consecuencias asociadas a la degradación del suelo y la pérdida de hábitats naturales (Condori-Castillo, 2012). En el distrito de Cabana, provincia de San Román, departamento de Puno, se ha registrado una reducción aproximada del 17 % de asociaciones vegetales naturales, mientras que el área agrícola se incrementó en 38,6 %, ocupando superficies previamente cubiertas por vegetación natural. Asimismo, se reportó una disminución significativa de humedales (83 %) y un incremento de áreas urbanas y zonas degradadas (Loza, 2021). Estos cambios representan riesgos ambientales relevantes, considerando la alta vulnerabilidad ecológica de los ecosistemas altoandinos frente al cambio climático y la mayor frecuencia de eventos extremos. Además, los suelos ubicados a gran altitud están expuestos a condiciones climáticas extremas, como alta variabilidad térmica, frecuentes heladas y regímenes irregulares de precipitación, factores que influyen significativamente en las propiedades fisicoquímicas del suelo (Charan et al., 2013). Estas condiciones generan una marcada heterogeneidad en los suelos andinos. Por ejemplo, nutrientes como el nitrógeno y el azufre suelen encontrarse en formas limitadas para la productividad agrícola debido a las bajas tasas de mineralización de la materia orgánica. Asimismo, en la mayoría de los suelos andinos se observa una disponibilidad restringida de fósforo, mientras que las deficiencias de potasio son relativamente poco frecuentes (Benzing, 2001). El anexo o Centro Experimental Illpa de la EEA Illpa, ubicado en la zona circunlacustre del lago Titicaca, se desarrolla sobre depósitos aluviales y lacustres de edad cuaternaria, característicos del altiplano peruano. Estos materiales han dado lugar a un paisaje predominantemente plano, con pendientes suaves, que favorece el desarrollo de actividades agropecuarias. Actualmente, el uso del suelo se orienta principalmente a cultivos temporales y perennes, así como a pastizales naturales de manejo extensivo y cultivos andinos tradicionales (Sardon et al., 2024). Los suelos del anexo Illpa presentan variabilidad en el contenido de bases cambiables, con valores de pH que oscilan entre ligeramente ácidos y neutros, reflejando procesos de lixiviación iónica asociados al régimen hídrico estacional característico del altiplano. Asimismo, se evidencia una incipiente acumulación de sales en horizontes subsuperficiales, lo que sugiere limitada movilidad vertical de solutos y posibles fluctuaciones del nivel freático durante periodos húmedos. El contenido de materia orgánica se clasifica entre bajo y medio. En cuanto a la condición física, los terrenos con praderas naturales presentan altos valores de resistencia a la penetración (PSI > 300), lo que constituye una limitación para el desarrollo radicular y la infiltración del agua. En contraste, los terrenos cultivables muestran valores medios a bajos (PSI < 300), más favorables para el crecimiento de los cultivos y la aireación del suelo (Moya, 2024). Analizar estas variaciones resulta importante para identificar zonas con potencial productivo diferenciado y mejorar en el uso de insumos agrícolas (Reza et al., 2017). En este contexto, el presente documento técnico tiene como objetivo caracterizar y cartografiar la variabilidad espacial de la fertilidad del suelo en la EEA Illpa, con el fin de identificar zonas homogéneas de manejo y orientar intervenciones específicas que contribuyan a reducir pérdidas por lixiviación y salinización, optimizar el uso de fertilizantes y fortalecer la resiliencia del sistema productivo bajo condiciones altoandinas.
Variación espacial de la fertilidad del suelo en la EEA Tacna
(Instituto Nacional de Innovación Agraria (INIA), 2026-05-31) Quispe Matos, Kenyi Rolando; Carbajal Llosa, Carlos Miguel; Mejía Maita, Sharon Yahaira; Mercado Chinchay, Ruth Lizbeth; Ore Valeriano, Ruddy Adely; Chuchon Remon, Rodolfo Juan; Layme Quispe, Susy Paola; Palma Quispe, Justino; Cahui Azorza, Francisco Antonio; Solórzano Acosta, Richard Andi; Cruz Luis , Juancarlos Alejandro
La región Tacna constituye un territorio estratégico para la producción de cultivos de alto valor, como el olivo, el orégano y la alfalfa (Sistema Integrado de Estadística Agraria [SIEA], 2025). Sin embargo, presenta condiciones edafoclimáticas predominantemente áridas que restringen el desarrollo de sistemas agrícolas sostenibles. En este contexto, la conservación y el manejo adecuado del suelo adquieren un rol determinante para sostener la productividad, especialmente frente al desafío global de incrementar la producción de alimentos sin comprometer los recursos naturales ni el equilibrio ambiental (Mrabet, 2023). El clima árido de Tacna se caracteriza por un régimen de precipitaciones extremadamente escaso e irregular, así como por una limitada disponibilidad de recursos hídricos superficiales, lo que compromete la viabilidad del riego agrícola. La acumulación progresiva de sales, intensificada por el uso de aguas de riego de menor calidad durante periodos de sequía, provoca un deterioro significativo de las propiedades fisicoquímicas del suelo. Esta degradación repercute directamente en la disponibilidad de nutrientes y el desarrollo del sistema radicular, reduciendo considerablemente el crecimiento y rendimiento de los cultivos (Demo et al., 2025). Así mismo, las condiciones de salinidad y estrés hídrico afectan la estructura del suelo, su fertilidad y capacidad de retención de agua, lo que limita aún más la productividad agrícola (Shokri et al., 2024). Además, la salinidad y sodicidad constituyen problemas edáficos de marcada variabilidad espacial en los suelos agrícolas, por lo que requieren un monitoreo preciso basado en el modelamiento predictivo de sus componentes (Wang et al., 2025). En este contexto, la carencia de herramientas técnicas para la adecuada interpretación de la fertilidad de los suelos en condiciones áridas representa una limitante crítica para la toma de decisiones en el manejo de la fertilización. El monitoreo de la fertilidad del suelo es un componente clave para la gestión sostenible de la agricultura, particularmente en entornos áridos donde los recursos edáficos e hídricos son escasos. En este sentido, la incorporación de enfoques de agricultura de precisión en los programas de fertilización, basados en la integración de la geoestadística, el análisis de suelos y los sistemas de información geográfica (SIG), permite evaluar la variabilidad espacial de la fertilidad mediante técnicas como el análisis de variogramas, la interpolación por kriging y el índice de Moran. La información derivada de estos métodos facilita la delimitación de zonas de manejo específico, optimiza el uso de insumos agrícolas y contribuye a la conservación de la calidad del suelo en el largo plazo (Culman et al., 2021; Chinea-Horta y Rodríguez-Izquierdo, 2021). En este sentido, el presente documento técnico tiene como objetivo integrar la interpretación de análisis de suelos con herramientas de análisis espacial para evaluar la fertilidad en la Estación Experimental Agraria Tacna. Se describe de manera sistemática el procedimiento metodológico empleado, el cual es replicable y adaptable a otros contextos productivos, y orientado a la generación de mapas temáticos de propiedades edáficas. Estos productos constituyen insumos clave para la toma de decisiones en el manejo agronómico del suelo y contribuyen al fortalecimiento de una agricultura sostenible a nivel regional.
Varietal Identification and Yield Estimation in Potatoes Using UAV RGB Imagery in the Southern Highlands of Peru
(MDPI, 2026-02-12) Tueros Munive, Miguel Luis; Galindo Sánchez, Malú Massiel; Alvarez Martínez, Jean; Pozo Huacha, Jesús; Condezo Márquez, Patricia Kelly; Gutierrez Ruti, Rusbel; Bautista Gómez, Rolando; Mateu Mateo, Walter Rolando; Paitamala Campos, Omar; Matsusaka Quiliano, Daniel Claudio
The cultivation of potatoes is essential for rural food security, and the use of Unmanned Aerial Vehicle Red-Green-Blue (UAV-RGB) imagery allows for precise and cost-effective estimation of yield and identification of varieties, overcoming the limitations of manual assessment. We evaluated four INIA varieties (Bicentenario, Canchán, Shulay and Tahuaqueña) by integrating agronomic measurements (height, number and weight of tubers, leaf health) with color and textural indices derived from RGB orthomosaics. Yield prediction was modeled using Random Forest (RF) and Gradient Boosting (GB); varietal identification was approached with (i) a Convolutional Neural Network (CNN) that classifies RGB images and (ii) classical models such as Random Forest, Support Vector Machines (SVMs), K-Nearest Neighbors (KNNs), Decision Trees and Logistic Regression trained on EfficientNetB0 embeddings. The results showed significant genotypic differences in yield (p < 0.001): Tahuaqueña 13.86 ± 0.27 t ha⁻¹ and Bicentenario 6.65 ± 0.27 t ha⁻¹. The number of tubers (r = 0.52) and plant height (r = 0.23) correlated with yield; RGB indices showed low correlations (r < 0.3) and high redundancy (r > 0.9). RF achieved a better fit (Coefficient of determination, R² = 0.54; Root Mean Square Error, RMSE = 2.72 t ha⁻¹), excelling in stolon development (R² = 0.66) and losing precision in maturation due to foliar senescence. In classification, the CNN and RF on embeddings achieved F1-macro ≈ 0.69 and 0.66 (Receiver Operating Characteristic—Area Under the Curve, ROC AUC RF = 0.89), with better identification of Bicentenario and Shulay. We conclude that UAV-RGB is a cost-effective alternative for phenotypic monitoring and varietal selection in high Andean contexts. These findings support the integration of UAV-RGB imagery into breeding and monitoring pipelines in resource-limited Andean systems.
Yield prediction models for rice varieties using UAV multispectral imagery in the Amazon lowlands of Peru
(MDPI, 2024-08-20) Goigochea Pinchi, Diego; Justino Pinedo, Maikol; Vega Herrera, Sergio Sebastian; Sanchez Ojanasta, Martín; Lobato Galvez, Roiser Honorio; Santillan Gonzales, Manuel Dante; Ganoza Roncal, Jorge Juan; Ore Aquino, Zoila Luz; Agurto Piñarreta, Alex Iván
Rice is cataloged as one of the most widely cultivated crops globally, providing food for a large proportion of the global population. Integrating Geographic Information Systems (GISs), such as unmanned aerial vehicles (UAVs), into agricultural practices offers numerous benefits. UAVs, equipped with imaging sensors and geolocation technology, enable precise crop monitoring and management, enhancing yield and efficiency. However, Peru lacks sufficient experience with the application of these technologies, making them somewhat unfamiliar in the context of modern agriculture. In this study, we conducted experiments involving four distinct rice varieties (n = 24) at various stages of growth to predict yield using vegetation indices (VIs). A total of nine VIs (NDVI, GNDVI, ReCL, CIgreen, MCARI, SAVI, CVI, LCI, and EVI) were assessed across four dates: 88, 103, 116, and 130 days after sowing (DAS). Pearson correlation analysis, principal component analysis (PCA), and multiple linear regression were used to build prediction models. The results showed a general prediction model (including all the varieties) with the best performance at 130 days after sowing (DAS) using NDVI, EVI, and SAVI, with a coefficient of determination (adjusted-R2 = 0.43). The prediction models by variety showed the best performance for Esperanza at 88 DAS (adjusted-R2 = 0.94) using EVI as the vegetation index. The other varieties showed their best performance using different indices at different times: Capirona (LCI and CIgreen, 130 DAS, adjusted-R2 = 0.62); Conquista Certificada (MCARI, 116 DAS, R2 = 0.52); and Conquista Registrada (CVI and LCI, 116 DAS, adjusted-R2 = 0.79). These results provide critical information for optimizing rice crop management and support the use of unmanned aerial vehicles (UAVs) to inform timely decision making and mitigate yield losses in Peruvian agriculture.
Yield prediction of four bean (Phaseolus vulgaris) cultivars using vegetation indices based on multispectral images from UAV in an arid zone of Peru
(MDPI, 2023-05-19) Saravia Navarro, David; Valqui Valqui, Lamberto; Salazar Coronal, Wilian; Quille Mamani, Javier Alvaro; Barboza Castillo, Elgar; Porras Jorge, Zenaida Rossana; Injante Silva, Pedro Hugo; Arbizu Berrocal, Carlos Irvin
In Peru, common bean varieties adapt very well to arid zones, and it is essential to strengthen their evaluations accurately during their phenological stage by using remote sensors and UAV. However, this technology has not been widely adopted in the Peruvian agricultural system, causing a lack of information and precision data on this crop. Here, we predicted the yield of four beans cultivars by using multispectral images, vegetation indices (VIs) and multiple linear correlations (with 11 VIs) in 13 different periods of their phenological development. The multispectral images were analyzed with two methods: (1) a mask of only the crop canopy with supervised classification constructed with QGIS software; and (2) the grids corresponding to each plot (n = 48) without classification. The prediction models can be estimated with higher accuracy when bean plants reached maximum canopy cover (vegetative and reproductive stages), obtaining higher R2 for the c2000 cultivar (0.942) with the CIG, PCB, DVI, EVI and TVI indices with method 2. Similarly, with five VIs, the camanejo cultivar showed the highest R2 for both methods 1 and 2 (0.89 and 0.837) in the reproductive stage. The models better predicted the yield in the phenological stages V3–V4 and R6–R8 for all bean cultivars. This work demonstrated the utility of UAV tools and the use of multispectral images to predict yield before harvest under the Peruvian arid ecosystem.
Yield predictions of four hybrids of maize (Zea mays) using multispectral images obtained from UAV in the Coast of Peru
(MDPI, 2022-10-26) Saravia Navarro, David; Salazar Coronel, Wilian; Valqui Valqui, Lamberto; Quille Mamani, Javier Alvaro; Porras Jorge, Zenaida Rossana; Corredor Arizapana, Flor Anita; Barboza Castillo, Elgar; Vásquez Pérez, Héctor Vladimir; Casas Diaz, Andrés V.; Arbizu Berrocal, Carlos Irvin
Early assessment of crop development is a key aspect of precision agriculture. Shortening the time of response before a deficit of irrigation, nutrients and damage by diseases is one of the usual concerns in agriculture. Early prediction of crop yields can increase profitability for the farmer’s economy. In this study, we aimed to predict the yield of four maize commercial hybrids (Dekalb7508, Advanta9313, MH_INIA619 and Exp_05PMLM) using vegetation indices (VIs). A total of 10 VIs (NDVI, GNDVI, GCI, RVI, NDRE, CIRE, CVI, MCARI, SAVI, and CCCI) were considered for evaluating crop yield and plant cover at 31, 39, 42, 46 and 51 days after sowing (DAS). A multivariate analysis was applied using principal component analysis (PCA), linear regression, and r-Pearson correlation. Highly significant correlations were found between plant cover with VIs at 46 (GNDVI, GCI, RVI, NDRE, CIRE and CCCI) and 51 DAS (GNDVI, GCI, NDRE, CIRE, CVI, MCARI and CCCI). The PCA showed clear discrimination of the dates evaluated with VIs at 31, 39 and 51 DAS. The inclusion of the CIRE and NDRE in the prediction model contributed to estimating the performance, showing greater precision at 51 DAS. The use of unmanned aerial vehicles (UAVs) to monitor crops allows us to optimize resources and helps in making timely decisions in agriculture in Peru.