Validación de un modelo para la estimación del contenido de agua del suelo mediante espectroscopía en el infrarrojo cercano

El monitoreo del contenido de humedad en el suelo es especialmente importante, ya que proporciona información relevante para tomar decisiones acertadas, en cuanto a riego, fertirriego y manejo del estrés hídrico. Este trabajo tiene como objetivo validar un modelo de estimación del contenido de agua en el suelo, mediante espectroscopía de reflectancia difusa en el rango del infrarrojo cercano. Los suelos evaluados provienen de los municipios de Puerto Gaitán (Meta), Espinal (Tolima) y Mosquera (Cundinamarca). En los dos primeros se establecieron redes rígidas, para seleccionar los puntos de muestreo y empleando dos profundidades en cada caso (0-10 y 10-30; 0-10 y 10-25 cm, respectivamente). Para el tercero, se describieron 77 calicatas y se tomaron muestras a 0-10 y 10-35 cm de profundidad. Posteriormente, se evaluó el contenido de humedad considerando 0, 15 y 30 % de humedad. Los datos obtenidos se analizaron con estadística descriptiva. Se empleó la validación cruzada y externa para cada modelo y se obtuvo un modelo general, a partir de los datos de los tres sitios. Los modelos obtenidos para cada sitio de muestreo y el modelo general tienen buena capacidad predictiva. Según los resultados, se afirma que la espectroscopía de reflectancia difusa NIR es una excelente opción para determinar el contenido de agua en el suelo. De igual manera, a partir del análisis de componentes principales, se identificó una diferenciación entre contenidos de agua de los suelos estudiados.

Monitoring soil moisture content is especially important as it provides relevant information for making informed decisions regarding irrigation, fertigation, and water stress management. This study aims to validate a model for estimating soil water content using diffuse reflectance spectroscopy in the near-infrared range. The evaluated soils come from the municipalities of Puerto Gaitán (Meta), Espinal (Tolima), and Mosquera (Cundinamarca). In the first two municipalities, rigid networks were established to select sampling points, with two depths considered for each case (0-10 and 10-30 cm; 0-10 and 10-25 cm, respectively). For the third municipality, 77 soil pits were described, and samples were taken at depths of 0-10 and 10-35 cm. Subsequently, moisture content was evaluated at 0, 15, and 30 % moisture levels. The obtained data were analyzed using descriptive statistics. Cross-validation and external validation were applied to each model, and a general model was developed based on the data from all three sites. The obtained models for each sampling site and the general model demonstrated good predictive capacity. Based on the results, it is affirmed that near-infrared diffuse reflectance spectroscopy is an excellent option for determining soil water content. Similarly, principal component analysis identified differentiation between water contents of the studied soils.

Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum / Application of convolutional neural networks for detection of the late blight Phytophthora infestans in potato Solanum tuberosum

RESUMEN La presencia del tizón tardío o gota en el cultivo de papa afecta directamente el crecimiento de la planta y el desarrollo del tubérculo, por ello, es importante la detección temprana de la enfermedad. Actualmente, la aplicación de redes neuronales convolucionales es una oportunidad orientada a la identificación de patrones en la agricultura de precisión, incluyendo el estudio del tizón tardío, en el cultivo de papa. Este estudio describe un modelo de aprendizaje profundo capaz de reconocer el tizón tardío en el cultivo de papa, por medio de la clasificación de imágenes de las hojas. Se utilizó, en la aplicación de este modelo, el conjunto de datos aumentado de PlantVillage, para entrenamiento. El modelo propuesto ha sido evaluado a partir de métricas de rendimiento, como precisión, sensibilidad, puntaje F1 y exactitud. Para verificar la efectividad del modelo en la identificación y la clasificación del tizón tardío y comparado en rendimiento con arquitecturas. como AlexNet, ZFNet, VGG16 y VGG19. Los resultados experimentales obtenidos con el conjunto de datos seleccionado mostraron que el modelo propuesto alcanza una exactitud del 90 % y un puntaje F1, del 91 %. Por lo anterior, se concluye que el modelo propuesto es una herramienta útil para los agricultores en la identificación del tizón tardío y escalable a plataformas móviles, por la cantidad de parámetros que lo comprenden.

ABSTRACT The presence of late blight in potato crops directly affects plant growth and tuber development; therefore, early detection of the disease is important. Currently, the application of convolutional neural networks is an opportunity oriented to the identification of patterns in precision agriculture, including the study of late blight in potato crops. This study describes a deep learning model capable of recognizing late blight in potato crops by means of leaf image classification. The PlantVillage augmented dataset was used in the application of this model for training. The proposed model has been evaluated from performance metrics such as precision, sensitivity, F1 score, and accuracy; to verify the effectiveness of the model in the identification and classification of late blight and compared in performance with architectures such as AlexNet, ZFNet, VGG16, and VGG19. The experimental results obtained with the selected data set showed that the proposed model achieves an accuracy of 90 % and an F1 score of 91 %. Therefore, it is concluded that the proposed model is a useful tool for farmers in the identification of late blight and scalable to mobile platforms due to the number of parameters that comprise it.

Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo / Influence of height and zenith angle of multispectral images on the estimation of kikuyo grass biomass

RESUMEN El objetivo de este estudio fue analizar la influencia del ángulo cenital de iluminación solar (mañana, mediodía y tarde) y la distancia (entre 10 y 50m) de imágenes multiespectrales de praderas de kikuyo, para la estimación de biomasa. Se capturaron datos espectrales de 40 muestras y se les calculó el índice de vegetación normalizada (NDVI) y la biomasa del forraje de las áreas fotografiadas. La relación de la biomasa con el NDVi, se hizo mediante modelos aditivos generalizados. Se encontró que es posible predecir la cantidad de biomasa con imágenes tomadas al mediodía y las alturas de vuelo analizadas (con R2 =0,99), indicando que el monitoreo de praderas puede incorporar información de sensores con bandas de rojo e infrarrojo cercano, tomadas entre las 12:00m y 1:00pm.

ABSTRACT The objective of this study was to analyze the effect of solar zenith angle (morning, noon and afternoon) and the distance (between 10 and 50m) of the multispectral images of kikuyo grasslands for biomass estimation. Spectral data from 40 samples were captured and the normalized vegetation index (NDVI) and the forage biomass of the photographed areas were calculated. The relationship of the biomass with the NDVi was made using generalized additive models. It was found that it is possible to predict the amount of biomass with images taken at noon and the flight heights analyzed (with R2 = 0.99), indicating that grassland monitoring can incorporate sensor information with red and near infrared bands taken between 12:00m and 1:00 pm.

Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales / Estimation of the quality and quantity of Kikuyo grass (Cenchrus clandestinum (Hochst. Ex Chiov.) Morrone) using multispectral images

RESUMEN La evaluación de las praderas destinadas a ganadería es esencial para la productividad de los animales. Los datos de sensores multiespectrales remotos aerotransportados (SM) permiten construir índices de vegetación (VI, por sus siglas en idioma inglés) y relacionarlos con características fisiológicas y biofísicas de las pasturas. El objetivo fue evaluar VI para la estimación de la cantidad y calidad de pasto kikuyo en sistemas lecheros, del norte de Antioquia, Colombia. Se calcularon 10 diferentes VI, con 168 muestras de pasto kikuyo. Las muestras fueron pesadas, para estimar la biomasa verde (BV) y analizadas por espectroscopia del infrarrojo cercano, para los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en detergente ácido (FDA). Los datos, se analizaron usando componentes principales (CP) y modelos aditivos generalizados suavizados. Las variables que más contribuyeron a la formación de la primera componente principal (CP1) fueron el índice de vegetación de diferencia normalizada (NDVI), el índice de vegetación simple (RVI), el índice de vegetación de diferencia normalizada verde (GNDVI), el índice clorofílico verde (Clg) y la BV del pasto kikuyo. Para la segunda componente principal (CP2) fueron el índice de vegetación de diferencia normalizada borde del rojo (RNDVI), el índice borde del rojo de clorofila (Clrg) y PB, FDN y FDA del pasto kikuyo. La BV fue explicada por el NDVI y PB por el RNDVI. La estimación obtenida para FDN y FDA del pasto kikuyo no fueron precisas.

ABSTRACT The evaluation of grazing lands is essential to improve livestock productivity. Data from multispectral airborne sensors allow calculating vegetation indexes (VI) and relating them to physiological and biophysical characteristics of the pastures. The objective of this study was to evaluate the usefulness of VI to estimate the quantity and quality of Kikuyu grass in dairy farms of northern Antioquia, Colombia. We calculated 10 different VI using 168 samples of Kikuyu grass. The samples were weighted to estimate green biomass (BV) and analyzed by near infrared spectroscopy for the contents of crude protein (PB), neutral detergent fiber (FDN) and acid detergent fiber (ADF). Data were analyzed using principal components (CP) and smoothed generalized additive models. The variables that contributed most to the formation of the first principal component (CP1) were the Normalized Difference Vegetation Index (NDVI), the Simple Vegetation Index (RVI), the Normalized Difference Vegetation Green Index (GNDVI), the Green Chlorophyll Index (Clg) and the BV of Kikuyu grass. The mayor contributors to the second principal component (CP2) were the Normalized Red-Edge Vegetation Index (RNDVI), the Red-Edge Chlorophyll Index (Clrg), and the PB, NDF and FDA of Kikuyu. The NDVI explained the BV, and the RNDVI explained the PB. The FDN and FDA estimations in Kikuyu were not precise.