Examinando por Materia "UAV multispectral imagery"

Mostrando 1 - 2 de 2

Prediction of biomass and nutritional quality of tropical pastures using multispectral analysis and machine learning models
(Elsevier B.V., 2026-05-17) Tafur Culqui, Josué; Atalaya Marin, Nilton; Gómez Fernandez, Darwin; Taboada Mitma, Víctor Hugo; Cruz Luis, Juancarlos Alejandro; Neyra, Henri; Anchayhua Torres, Janella Jelin; Quichua Baldeon, Rosalía; Sánchez Fuentes, Teiser; Olano Camán, Yadhira Milagros; Barrazueta Campos, Mauro Adel; Tineo Flores, Daniel; Goñas Goñas, Malluri
Determining pasture productivity and nutritional value through non-destructive approaches aimed at optimizing forage resource management and improving efficiency in livestock systems has become an urgent priority. In this context, the objective of this study was to evaluate the performance of machine learning models in predicting biomass production and the nutritional contribution of different pasture species, as well as to assess the role of vegetation indices (VIs) in these predictions. To this end, a multispectral sensor mounted on a DJI Matrice 350 RTK platform was used, together with agronomic, yield, and nutritional variables. The curated dataset was subsequently analyzed using linear and polynomial models, as well as tree-based algorithms and support vector machines. Model validation was performed using a group-constrained random partitioning scheme (Group Shuffle Split), with species considered as the grouping variable. Model interpretability was addressed through the SHAP (SHapley Additive Explanations) framework. The results indicated better predictive performance for yield-related variables compared to nutritional attributes. In particular, the Extra Trees model achieved the highest coefficients of determination (R²). SHAP analysis revealed that the Visible Atmospherically Resistant Index (VARI) contributed more strongly to yield-related predictions, whereas the Normalized Difference Red Edge (NDRE) showed a more consistent contribution to nutritional variables. In conclusion, these findings highlight the potential of integrating vegetation indices and machine learning models as effective tools for forage management, supporting informed decision-making in livestock production systems.
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.