Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires

Autores
Melilli, Maria Paula
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Di Bella, Carlos Marcelo (tutor)
Descripción
Trabajo final para optar al título de Especialista en Teledetección y Sistemas de Información Geográfica, de la Universidad de Buenos Aires, en diciembre 2024.
Argentina, con una producción aproximada de 18 millones de toneladas de trigo, ocupa la decimoprimera posición en el ranking de los principales países productores. La producción se concentra en la zona pampeana, siendo las provincias de Buenos Aires, Córdoba y Santa Fe las responsables de más del 85% del total. La estimación de la producción de cultivos como trigo, arroz, maíz y soja es crucial para garantizar la seguridad alimentaria a nivel global, haciendo imperativo contar con datos confiables tanto de área como rendimiento para poder estimar la producción. Existen muchas técnicas de estimación de rendimiento basadas en diferentes métodos. El objetivo principal de este trabajo fue estimar rendimientos del cultivo de trigo de manera anticipada para mejorar las predicciones de producción en el partido de Junín, Provincia de Buenos Aires. Para ello se utilizaron imágenes satelitales de Landsat-8 y Sentinel-2 para calcular los índices de vegetación (Índice de Vegetación de Diferencia Normalizada-NDVI e Índice de Diferencia Normalizada de Humedad-NDMI), los cuales se correlacionaron con los rendimientos reales de lotes de trigo mediante regresión lineal. Los modelos basados en NDVI y NDMI demostraron ser herramientas valiosas para la estimación de rendimientos de trigo. En particular, el NDVI de la plataforma Sentinel 2 mostró el mejor ajuste con un R² de 0,79, confirmando su alta capacidad explicativa en la predicción de rendimientos. Aunque los modelos de Sentinel 2 presentaron mejores coeficientes de determinación (R²), también mostraron mayores errores cuadráticos medios (ECM) en comparación con los modelos de Landsat, sugiriendo que los datos de Sentinel 2, debido a su mayor resolución espacial, pueden ofrecer una mayor precisión, pero también pueden ser más susceptibles a errores en condiciones de alta variabilidad espacial, como la heterogeneidad intra lote debida a diferentes afectaciones del cultivo, tipo de suelo, posición topográfica lo que genera variabilidad de datos. En conclusión, los modelos basados en NDVI y NDMI, especialmente los de Sentinel 2, son herramientas prometedoras para la estimación anticipada de rendimientos de trigo en la región estudiada, aunque es necesario considerar la variabilidad espacial para mejorar la precisión de las predicciones.
Argentina, with an approximate production of 18 million tons of wheat, ranks eleventh among the world’s leading wheat-producing countries. Production is concentrated in the Pampas region, with the provinces of Buenos Aires, Córdoba, and Santa Fe accounting for more than 85% of the total. Estimating the production of crops such as wheat, rice, corn, and soybeans is crucial to ensuring global food security, making it imperative to have reliable data on both area and yield to estimate production. There are many yield estimation techniques based on different methods. The main objective of this study was to estimate wheat yields in advance to improve production predictions in the Junín district, Buenos Aires Province. For this purpose, satellite images from Landsat-8 and Sentinel-2 were used to calculate vegetation indices (Normalized Difference Vegetation Index-NDVI and Normalized Difference Moisture Index-NDMI), which were correlated with actual wheat yields using linear regression. Models based on NDVI and NDMI proved to be valuable tools for estimating wheat yields. In particular, the NDVI from the Sentinel 2 platform showed the best fit with an R² of 0.79, confirming its high explanatory capacity in yield prediction. Although the Sentinel 2 models showed better coefficients of determination (R²), they also showed higher mean squared errors (MSE) compared to the Landsat models, suggesting that Sentinel 2 data, due to its higher spatial resolution, may offer greater accuracy but may also be more susceptible to errors under conditions of high spatial variability, such as intra-field heterogeneity due to different crop impacts, soil type, and topographic position, which generate data variability. In conclusion, models based on NDVI and NDMI, especially those from Sentinel 2, are promising tools for the early estimation of wheat yields in the studied region, although it is necessary to consider spatial variability to improve prediction accuracy.
EEA Pergamino
Fil: Melilli, María Paula. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Agencia de Extensión Rural Junín; Argentina
Materia
Trigo
Rendimiento de Cultivos
Imágenes por Satélites
Teledetección Espacial
Wheat
Crop Yield
Satellite Imagery
Space-borne Remote Sensing
Junín, Buenos Aires
Datos Espectrales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/20496

id INTADig_509f757e9468f02a86de74ca348b6488
oai_identifier_str oai:localhost:20.500.12123/20496
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos AiresMelilli, Maria PaulaTrigoRendimiento de CultivosImágenes por SatélitesTeledetección EspacialWheatCrop YieldSatellite ImagerySpace-borne Remote SensingJunín, Buenos AiresDatos EspectralesTrabajo final para optar al título de Especialista en Teledetección y Sistemas de Información Geográfica, de la Universidad de Buenos Aires, en diciembre 2024.Argentina, con una producción aproximada de 18 millones de toneladas de trigo, ocupa la decimoprimera posición en el ranking de los principales países productores. La producción se concentra en la zona pampeana, siendo las provincias de Buenos Aires, Córdoba y Santa Fe las responsables de más del 85% del total. La estimación de la producción de cultivos como trigo, arroz, maíz y soja es crucial para garantizar la seguridad alimentaria a nivel global, haciendo imperativo contar con datos confiables tanto de área como rendimiento para poder estimar la producción. Existen muchas técnicas de estimación de rendimiento basadas en diferentes métodos. El objetivo principal de este trabajo fue estimar rendimientos del cultivo de trigo de manera anticipada para mejorar las predicciones de producción en el partido de Junín, Provincia de Buenos Aires. Para ello se utilizaron imágenes satelitales de Landsat-8 y Sentinel-2 para calcular los índices de vegetación (Índice de Vegetación de Diferencia Normalizada-NDVI e Índice de Diferencia Normalizada de Humedad-NDMI), los cuales se correlacionaron con los rendimientos reales de lotes de trigo mediante regresión lineal. Los modelos basados en NDVI y NDMI demostraron ser herramientas valiosas para la estimación de rendimientos de trigo. En particular, el NDVI de la plataforma Sentinel 2 mostró el mejor ajuste con un R² de 0,79, confirmando su alta capacidad explicativa en la predicción de rendimientos. Aunque los modelos de Sentinel 2 presentaron mejores coeficientes de determinación (R²), también mostraron mayores errores cuadráticos medios (ECM) en comparación con los modelos de Landsat, sugiriendo que los datos de Sentinel 2, debido a su mayor resolución espacial, pueden ofrecer una mayor precisión, pero también pueden ser más susceptibles a errores en condiciones de alta variabilidad espacial, como la heterogeneidad intra lote debida a diferentes afectaciones del cultivo, tipo de suelo, posición topográfica lo que genera variabilidad de datos. En conclusión, los modelos basados en NDVI y NDMI, especialmente los de Sentinel 2, son herramientas prometedoras para la estimación anticipada de rendimientos de trigo en la región estudiada, aunque es necesario considerar la variabilidad espacial para mejorar la precisión de las predicciones.Argentina, with an approximate production of 18 million tons of wheat, ranks eleventh among the world’s leading wheat-producing countries. Production is concentrated in the Pampas region, with the provinces of Buenos Aires, Córdoba, and Santa Fe accounting for more than 85% of the total. Estimating the production of crops such as wheat, rice, corn, and soybeans is crucial to ensuring global food security, making it imperative to have reliable data on both area and yield to estimate production. There are many yield estimation techniques based on different methods. The main objective of this study was to estimate wheat yields in advance to improve production predictions in the Junín district, Buenos Aires Province. For this purpose, satellite images from Landsat-8 and Sentinel-2 were used to calculate vegetation indices (Normalized Difference Vegetation Index-NDVI and Normalized Difference Moisture Index-NDMI), which were correlated with actual wheat yields using linear regression. Models based on NDVI and NDMI proved to be valuable tools for estimating wheat yields. In particular, the NDVI from the Sentinel 2 platform showed the best fit with an R² of 0.79, confirming its high explanatory capacity in yield prediction. Although the Sentinel 2 models showed better coefficients of determination (R²), they also showed higher mean squared errors (MSE) compared to the Landsat models, suggesting that Sentinel 2 data, due to its higher spatial resolution, may offer greater accuracy but may also be more susceptible to errors under conditions of high spatial variability, such as intra-field heterogeneity due to different crop impacts, soil type, and topographic position, which generate data variability. In conclusion, models based on NDVI and NDMI, especially those from Sentinel 2, are promising tools for the early estimation of wheat yields in the studied region, although it is necessary to consider spatial variability to improve prediction accuracy.EEA PergaminoFil: Melilli, María Paula. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Agencia de Extensión Rural Junín; ArgentinaFacultad de Agronomía, Universidad de Buenos AiresDi Bella, Carlos Marcelo (tutor)2024-12-06T11:04:46Z2024-12-06T11:04:46Z2024-12info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://hdl.handle.net/20.500.12123/20496spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuaria2025-09-29T13:47:00Zoai:localhost:20.500.12123/20496instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-09-29 13:47:00.419INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
title Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
spellingShingle Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
Melilli, Maria Paula
Trigo
Rendimiento de Cultivos
Imágenes por Satélites
Teledetección Espacial
Wheat
Crop Yield
Satellite Imagery
Space-borne Remote Sensing
Junín, Buenos Aires
Datos Espectrales
title_short Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
title_full Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
title_fullStr Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
title_full_unstemmed Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
title_sort Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires
dc.creator.none.fl_str_mv Melilli, Maria Paula
author Melilli, Maria Paula
author_facet Melilli, Maria Paula
author_role author
dc.contributor.none.fl_str_mv Di Bella, Carlos Marcelo (tutor)
dc.subject.none.fl_str_mv Trigo
Rendimiento de Cultivos
Imágenes por Satélites
Teledetección Espacial
Wheat
Crop Yield
Satellite Imagery
Space-borne Remote Sensing
Junín, Buenos Aires
Datos Espectrales
topic Trigo
Rendimiento de Cultivos
Imágenes por Satélites
Teledetección Espacial
Wheat
Crop Yield
Satellite Imagery
Space-borne Remote Sensing
Junín, Buenos Aires
Datos Espectrales
dc.description.none.fl_txt_mv Trabajo final para optar al título de Especialista en Teledetección y Sistemas de Información Geográfica, de la Universidad de Buenos Aires, en diciembre 2024.
Argentina, con una producción aproximada de 18 millones de toneladas de trigo, ocupa la decimoprimera posición en el ranking de los principales países productores. La producción se concentra en la zona pampeana, siendo las provincias de Buenos Aires, Córdoba y Santa Fe las responsables de más del 85% del total. La estimación de la producción de cultivos como trigo, arroz, maíz y soja es crucial para garantizar la seguridad alimentaria a nivel global, haciendo imperativo contar con datos confiables tanto de área como rendimiento para poder estimar la producción. Existen muchas técnicas de estimación de rendimiento basadas en diferentes métodos. El objetivo principal de este trabajo fue estimar rendimientos del cultivo de trigo de manera anticipada para mejorar las predicciones de producción en el partido de Junín, Provincia de Buenos Aires. Para ello se utilizaron imágenes satelitales de Landsat-8 y Sentinel-2 para calcular los índices de vegetación (Índice de Vegetación de Diferencia Normalizada-NDVI e Índice de Diferencia Normalizada de Humedad-NDMI), los cuales se correlacionaron con los rendimientos reales de lotes de trigo mediante regresión lineal. Los modelos basados en NDVI y NDMI demostraron ser herramientas valiosas para la estimación de rendimientos de trigo. En particular, el NDVI de la plataforma Sentinel 2 mostró el mejor ajuste con un R² de 0,79, confirmando su alta capacidad explicativa en la predicción de rendimientos. Aunque los modelos de Sentinel 2 presentaron mejores coeficientes de determinación (R²), también mostraron mayores errores cuadráticos medios (ECM) en comparación con los modelos de Landsat, sugiriendo que los datos de Sentinel 2, debido a su mayor resolución espacial, pueden ofrecer una mayor precisión, pero también pueden ser más susceptibles a errores en condiciones de alta variabilidad espacial, como la heterogeneidad intra lote debida a diferentes afectaciones del cultivo, tipo de suelo, posición topográfica lo que genera variabilidad de datos. En conclusión, los modelos basados en NDVI y NDMI, especialmente los de Sentinel 2, son herramientas prometedoras para la estimación anticipada de rendimientos de trigo en la región estudiada, aunque es necesario considerar la variabilidad espacial para mejorar la precisión de las predicciones.
Argentina, with an approximate production of 18 million tons of wheat, ranks eleventh among the world’s leading wheat-producing countries. Production is concentrated in the Pampas region, with the provinces of Buenos Aires, Córdoba, and Santa Fe accounting for more than 85% of the total. Estimating the production of crops such as wheat, rice, corn, and soybeans is crucial to ensuring global food security, making it imperative to have reliable data on both area and yield to estimate production. There are many yield estimation techniques based on different methods. The main objective of this study was to estimate wheat yields in advance to improve production predictions in the Junín district, Buenos Aires Province. For this purpose, satellite images from Landsat-8 and Sentinel-2 were used to calculate vegetation indices (Normalized Difference Vegetation Index-NDVI and Normalized Difference Moisture Index-NDMI), which were correlated with actual wheat yields using linear regression. Models based on NDVI and NDMI proved to be valuable tools for estimating wheat yields. In particular, the NDVI from the Sentinel 2 platform showed the best fit with an R² of 0.79, confirming its high explanatory capacity in yield prediction. Although the Sentinel 2 models showed better coefficients of determination (R²), they also showed higher mean squared errors (MSE) compared to the Landsat models, suggesting that Sentinel 2 data, due to its higher spatial resolution, may offer greater accuracy but may also be more susceptible to errors under conditions of high spatial variability, such as intra-field heterogeneity due to different crop impacts, soil type, and topographic position, which generate data variability. In conclusion, models based on NDVI and NDMI, especially those from Sentinel 2, are promising tools for the early estimation of wheat yields in the studied region, although it is necessary to consider spatial variability to improve prediction accuracy.
EEA Pergamino
Fil: Melilli, María Paula. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Agencia de Extensión Rural Junín; Argentina
description Trabajo final para optar al título de Especialista en Teledetección y Sistemas de Información Geográfica, de la Universidad de Buenos Aires, en diciembre 2024.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-06T11:04:46Z
2024-12-06T11:04:46Z
2024-12
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/20496
url http://hdl.handle.net/20.500.12123/20496
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Facultad de Agronomía, Universidad de Buenos Aires
publisher.none.fl_str_mv Facultad de Agronomía, Universidad de Buenos Aires
dc.source.none.fl_str_mv reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1844619197637722112
score 12.559606