Binary file ./template_functions.inc.php matches
Niveles de salinidad del suelo, utilizando imágenes de vehículos aéreos no tripulados, redes neuronales y árboles de decisión - RIIIT
Niveles de salinidad del suelo, utilizando imágenes de vehículos aéreos no tripulados, redes neuronales y árboles de decisión
La salinidad del suelo es un problema mundial que amenaza el crecimiento y rendimiento de los cultivos e impide el desarrollo sostenible de la agricultura moderna, los principales cultivos básicos no pueden completar su ciclo de vida cuando las concentraciones de NaCl en el suelo superan los 200 mM. Más de un tercio de las parcelas de riego del mundo están afectadas por la salinización. Los vehículos aéreos no tripulados ofrecen una alternativa viable para adquirir datos de teledetección. Una manera para clasificar y detectar variables de salinidad en el suelo son las redes neuronales y los árboles de decisión. El objetivo de este trabajo es la detección y clasificación de la salinidad del suelo mediante el uso de imágenes multiespectrales capturadas mediante drones, así como el uso de modelos de árboles de decisión y redes neuronales, para estimar variables de salinidad: Porciento de Sodio Intercambiable (PSI), Relación de Adsorción de Sodio ajustado (RASaj) y concentración de sodio (mEq L-1). Se muestreó suelo agrícola con problemas de salinidad, se procesaron en laboratorio, los resultados se interpretaron y se clasificaron de acuerdo a sus niveles de salinidad. Se realizó un sobrevuelo con un dron que capturó imágenes y se extrajeron las reflectancias de las cuatro bandas multiespectrales (Green, red, red edge y near infrared), se calcularon los índices de salinidad para clasificar la salinidad del suelo usando redes neuronales y árboles de decisión. Las redes neuronales clasificaron el 82.6% de las muestras en la categoría de nivel medio en la estimación de PSI. El modelo también presentó una precisión del 71.88% cuando se determinó la concentración de sodio en la red neuronal. El trabajo de investigación demostró que es posible clasificar la salinidad del suelo con aceptable precisión a partir de las imágenes capturadas con vehículos aéreos no tripulados. Los modelos de redes neuronales mostraron mejor precisión en la estimación de los indicadores de salinidad del suelo con respecto a los árboles de decisión, estos procedimientos tecnológicos pueden aplicarse en el mapeo de la salinidad del suelo para conocer las áreas afectadas de una manera fácil y rápida.
Palabras clave: agricultura de precisión, drones, imágenes multiespectrales, índices de salinidad, reflectancias.
;)
