Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia vi...

Autores
Marini, Mario Fabian; D'Amico, María Belén; Calandrini, Guillermo Luis; Renzi Pugni, 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.
This study combines satellite imagery, machine learning algorithms, and field measurements to analyze whether it is possible to generate a yield prediction model for the legume Vicia villosa Roth (VV) before harvest. In a previous study, satellite data from different dates throughout the entire phenological cycle of VV grown in several plots in the Guaminí district (Buenos Aires province) was used and a close relationship was found between the time series of vegetation indices and the yield of these crops. Based on these results, the possibility of predicting yield based on nine dates during the 2021-2022 season between sowing and harvest is evaluated. These dates are associated in different ways, determining their impact on the accuracy of the trained model. The results show that remote monitoring of five dates makes it possible to adequately classify VV yield. Having a prediction model would help in on-site decisions by optimizing the use that can be given to the VV crop (direct grazing, forage or seed production) based on the expected yield.
EEA Bordenave
Fil: Marini, Mario Fabián. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bordenave. Agencia de Extensión Rural Bahía Blanca; Argentina
Fil: D'Amico, María Belén. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: D'Amico, María Belén. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Renzi Pugni, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Hilario Ascasubi; Argentina.
Fil: Renzi Pugni, Juan Pablo. Universidad Nacional del Sur. Departamento de Agronomía; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Departamento de Agronomía; 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; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina
Fuente
SADIO Electronic Journal of Information and Operation Research 24 (2) : 18-32. (2025)
Materia
Vicia villosa
Rendimiento
Imágenes por Satélites
Modelos Estadísticos
Yields
Satellite Imagery
Statistical Models
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:20.500.12123/22746
Acceder
id INTADig_cc318b433d36eab30112ae390172f058
oai_identifier_str oai:localhost:20.500.12123/22746
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa RothMarini, Mario FabianD'Amico, María BelénCalandrini, Guillermo LuisRenzi Pugni, Juan PabloChantre Balacca, Guillermo RubenVicia villosaRendimientoImágenes por SatélitesModelos EstadísticosYieldsSatellite ImageryStatistical ModelsEn 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.This study combines satellite imagery, machine learning algorithms, and field measurements to analyze whether it is possible to generate a yield prediction model for the legume Vicia villosa Roth (VV) before harvest. In a previous study, satellite data from different dates throughout the entire phenological cycle of VV grown in several plots in the Guaminí district (Buenos Aires province) was used and a close relationship was found between the time series of vegetation indices and the yield of these crops. Based on these results, the possibility of predicting yield based on nine dates during the 2021-2022 season between sowing and harvest is evaluated. These dates are associated in different ways, determining their impact on the accuracy of the trained model. The results show that remote monitoring of five dates makes it possible to adequately classify VV yield. Having a prediction model would help in on-site decisions by optimizing the use that can be given to the VV crop (direct grazing, forage or seed production) based on the expected yield.EEA BordenaveFil: Marini, Mario Fabián. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bordenave. Agencia de Extensión Rural Bahía Blanca; ArgentinaFil: D'Amico, María Belén. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; ArgentinaFil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; ArgentinaFil: D'Amico, María Belén. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; ArgentinaFil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; ArgentinaFil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; ArgentinaFil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; ArgentinaFil: Renzi Pugni, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Hilario Ascasubi; Argentina.Fil: Renzi Pugni, Juan Pablo. Universidad Nacional del Sur. Departamento de Agronomía; ArgentinaFil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Departamento de Agronomía; 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; ArgentinaFil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; ArgentinaSociedad Argentina de Informática e Investigación Operativa (SADIO)2025-06-23T11:44:09Z2025-06-23T11:44:09Z2025-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://hdl.handle.net/20.500.12123/22746https://revistas.unlp.edu.ar/ejs/article/view/189591514-6774https://doi.org/10.24215/15146774e076SADIO Electronic Journal of Information and Operation Research 24 (2) : 18-32. (2025)reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo: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)2025-09-11T10:25:47Zoai:localhost:20.500.12123/22746instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-09-11 10:25:48.141INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
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 level of Vicia villosa Roth
title Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
spellingShingle Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
Marini, Mario Fabian
Vicia villosa
Rendimiento
Imágenes por Satélites
Modelos Estadísticos
Yields
Satellite Imagery
Statistical Models
title_short Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
title_full Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
title_fullStr Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
title_full_unstemmed Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
title_sort Utilización de índices de vegetación satelitales para predecir niveles de rendimiento de Vicia villosa Roth = Use of satellite vegetation indices to predict yield level of Vicia villosa Roth
dc.creator.none.fl_str_mv Marini, Mario Fabian
D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi Pugni, Juan Pablo
Chantre Balacca, Guillermo Ruben
author Marini, Mario Fabian
author_facet Marini, Mario Fabian
D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi Pugni, Juan Pablo
Chantre Balacca, Guillermo Ruben
author_role author
author2 D'Amico, María Belén
Calandrini, Guillermo Luis
Renzi Pugni, Juan Pablo
Chantre Balacca, Guillermo Ruben
author2_role author
author
author
author
dc.subject.none.fl_str_mv Vicia villosa
Rendimiento
Imágenes por Satélites
Modelos Estadísticos
Yields
Satellite Imagery
Statistical Models
topic Vicia villosa
Rendimiento
Imágenes por Satélites
Modelos Estadísticos
Yields
Satellite Imagery
Statistical Models
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.
This study combines satellite imagery, machine learning algorithms, and field measurements to analyze whether it is possible to generate a yield prediction model for the legume Vicia villosa Roth (VV) before harvest. In a previous study, satellite data from different dates throughout the entire phenological cycle of VV grown in several plots in the Guaminí district (Buenos Aires province) was used and a close relationship was found between the time series of vegetation indices and the yield of these crops. Based on these results, the possibility of predicting yield based on nine dates during the 2021-2022 season between sowing and harvest is evaluated. These dates are associated in different ways, determining their impact on the accuracy of the trained model. The results show that remote monitoring of five dates makes it possible to adequately classify VV yield. Having a prediction model would help in on-site decisions by optimizing the use that can be given to the VV crop (direct grazing, forage or seed production) based on the expected yield.
EEA Bordenave
Fil: Marini, Mario Fabián. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bordenave. Agencia de Extensión Rural Bahía Blanca; Argentina
Fil: D'Amico, María Belén. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: D'Amico, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: D'Amico, María Belén. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: Calandrini, Guillermo Luis. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Ingeniería Eléctrica; Argentina
Fil: Calandrini, Guillermo Luis. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Renzi Pugni, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Hilario Ascasubi; Argentina.
Fil: Renzi Pugni, Juan Pablo. Universidad Nacional del Sur. Departamento de Agronomía; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Departamento de Agronomía; 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; Argentina
Fil: Chantre Balacca, Guillermo Ruben. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; 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 2025-06-23T11:44:09Z
2025-06-23T11:44:09Z
2025-06
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/20.500.12123/22746
https://revistas.unlp.edu.ar/ejs/article/view/18959
1514-6774
https://doi.org/10.24215/15146774e076
url http://hdl.handle.net/20.500.12123/22746
https://revistas.unlp.edu.ar/ejs/article/view/18959
https://doi.org/10.24215/15146774e076
identifier_str_mv 1514-6774
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 Sociedad Argentina de Informática e Investigación Operativa (SADIO)
publisher.none.fl_str_mv Sociedad Argentina de Informática e Investigación Operativa (SADIO)
dc.source.none.fl_str_mv SADIO Electronic Journal of Information and Operation Research 24 (2) : 18-32. (2025)
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_ 1842975544600166400
score 12.993085

Publicaciones similares