Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth

Autores
Marini, Fabián; D'Amico, María Belén; Calandrini, Guillermo Luis; Renzi, Juan Pablo; Chantre Balacca, Guillermo Ruben
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado.Los resultados evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado.
In this paper, satellite images, machine learning algorithms and field measurements are combined to analyze the possibility of generating a model that predicts the yield of the legume Vicia villosa Roth before harvest. In a previous study, satellite information from different dates throughout the complete phenological cycle of the legume cultivated in several plots of the Guaminí district (Buenos Aires) was used and a close relationship was found between yield level and the time series of vegetation indices. Based on these results, the possibility of predicting yield is evaluated considering nine dates of the 2021-2022 campaign between sowing and prior to harvest. They are associated in different ways, determining their impact on the accuracy of the trained model. Results show that legume yield can be adequately classifed with remote monitoring of five dates. To have a prediction model could help in in-situ decisions by optimizing the use given to the crop (direct grazing, forage or seed production) based on its expected profit.
Fil: Marini, Fabián. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina
Fil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina
Fil: Renzi, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Centro de Recursos Naturales Renovables de la Zona Semiárida. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina. Universidad Nacional del Sur. Departamento de Agronomía; Argentina
Materia
MODELO
PREDICCION
RENDIMIENTO
LEGUMINOSA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/264482
Acceder
id CONICETDig_f6920fd39ecf8af23fb404f6dabb2fce
oai_identifier_str oai:ri.conicet.gov.ar:11336/264482
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa RothUse of satellite vegetation indices to predict yield levels of Vicia villosa RothMarini, FabiánD'Amico, María BelénCalandrini, Guillermo LuisRenzi, Juan PabloChantre Balacca, Guillermo RubenMODELOPREDICCIONRENDIMIENTOLEGUMINOSAhttps://purl.org/becyt/ford/4.1https://purl.org/becyt/ford/4En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado.Los resultados evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado.In this paper, satellite images, machine learning algorithms and field measurements are combined to analyze the possibility of generating a model that predicts the yield of the legume Vicia villosa Roth before harvest. In a previous study, satellite information from different dates throughout the complete phenological cycle of the legume cultivated in several plots of the Guaminí district (Buenos Aires) was used and a close relationship was found between yield level and the time series of vegetation indices. Based on these results, the possibility of predicting yield is evaluated considering nine dates of the 2021-2022 campaign between sowing and prior to harvest. They are associated in different ways, determining their impact on the accuracy of the trained model. Results show that legume yield can be adequately classifed with remote monitoring of five dates. To have a prediction model could help in in-situ decisions by optimizing the use given to the crop (direct grazing, forage or seed production) based on its expected profit.Fil: Marini, Fabián. Instituto Nacional de Tecnología Agropecuaria; ArgentinaFil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; ArgentinaFil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; ArgentinaFil: Renzi, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria; ArgentinaFil: Chantre Balacca, Guillermo Ruben. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Centro de Recursos Naturales Renovables de la Zona Semiárida. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina. Universidad Nacional del Sur. Departamento de Agronomía; ArgentinaSociedad Argentina de Informática e Investigación Operativa2025-06-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/264482Marini, Fabián; D'Amico, María Belén; Calandrini, Guillermo Luis; Renzi, Juan Pablo; Chantre Balacca, Guillermo Ruben; Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth; Sociedad Argentina de Informática e Investigación Operativa; SADIO Electronic Journal of Informatic and Operation Research; 24; 2; 1-6-2025; 18-321514-6774CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18959info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e076info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-10T13:10:35Zoai:ri.conicet.gov.ar:11336/264482instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-10 13:10:35.751CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
Use of satellite vegetation indices to predict yield levels of Vicia villosa Roth
title Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
spellingShingle Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
Marini, Fabián
MODELO
PREDICCION
RENDIMIENTO
LEGUMINOSA
title_short Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
title_full Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
title_fullStr Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
title_full_unstemmed Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
title_sort Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth
dc.creator.none.fl_str_mv Marini, Fabián
D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi, Juan Pablo
Chantre Balacca, Guillermo Ruben
author Marini, Fabián
author_facet Marini, Fabián
D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi, Juan Pablo
Chantre Balacca, Guillermo Ruben
author_role author
author2 D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi, Juan Pablo
Chantre Balacca, Guillermo Ruben
author2_role author
author
author
author
dc.subject.none.fl_str_mv MODELO
PREDICCION
RENDIMIENTO
LEGUMINOSA
topic MODELO
PREDICCION
RENDIMIENTO
LEGUMINOSA
purl_subject.fl_str_mv https://purl.org/becyt/ford/4.1
https://purl.org/becyt/ford/4
dc.description.none.fl_txt_mv En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado.Los resultados evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado.
In this paper, satellite images, machine learning algorithms and field measurements are combined to analyze the possibility of generating a model that predicts the yield of the legume Vicia villosa Roth before harvest. In a previous study, satellite information from different dates throughout the complete phenological cycle of the legume cultivated in several plots of the Guaminí district (Buenos Aires) was used and a close relationship was found between yield level and the time series of vegetation indices. Based on these results, the possibility of predicting yield is evaluated considering nine dates of the 2021-2022 campaign between sowing and prior to harvest. They are associated in different ways, determining their impact on the accuracy of the trained model. Results show that legume yield can be adequately classifed with remote monitoring of five dates. To have a prediction model could help in in-situ decisions by optimizing the use given to the crop (direct grazing, forage or seed production) based on its expected profit.
Fil: Marini, Fabián. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina
Fil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina
Fil: Renzi, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Centro de Recursos Naturales Renovables de la Zona Semiárida. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina. Universidad Nacional del Sur. Departamento de Agronomía; Argentina
description En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado.Los resultados evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado.
publishDate 2025
dc.date.none.fl_str_mv 2025-06-01
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/264482
Marini, Fabián; D'Amico, María Belén; Calandrini, Guillermo Luis; Renzi, Juan Pablo; Chantre Balacca, Guillermo Ruben; Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth; Sociedad Argentina de Informática e Investigación Operativa; SADIO Electronic Journal of Informatic and Operation Research; 24; 2; 1-6-2025; 18-32
1514-6774
CONICET Digital
CONICET
url http://hdl.handle.net/11336/264482
identifier_str_mv Marini, Fabián; D'Amico, María Belén; Calandrini, Guillermo Luis; Renzi, Juan Pablo; Chantre Balacca, Guillermo Ruben; Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth; Sociedad Argentina de Informática e Investigación Operativa; SADIO Electronic Journal of Informatic and Operation Research; 24; 2; 1-6-2025; 18-32
1514-6774
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18959
info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e076
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Sociedad Argentina de Informática e Investigación Operativa
publisher.none.fl_str_mv Sociedad Argentina de Informática e Investigación Operativa
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1842980534511206400
score 12.993085

Publicaciones similares