Identificación inteligente de cultivos estivales mediante sensores remotos
- Autores
- Castillo, Cristina Alejandra; Veramendi, Brenda Noelia; Revollo Sarmiento, Gisela Noelia
- Año de publicación
- 2023
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción.
The agricultural sector has been experiencing a profound change towards digital transformation, seeking to anticipate soil-climatic events that can influence productive results and facilitate remote decision-making. Crop monitoring with remote sensors and the application of machine learning techniques are tools that allow identifying crops, changes in phenology, anomalies and at lower or almost zero cost than traditional methods. Identifying crops, obtaining estimates and yield predictions are essential to improve the country's productive prospects. Currently, in Argentina very few developments in different contexts (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) have the scientific and technological means to carry out this study using satellite technology and Machine learning techniques and that is within the reach of producers. In this first stage of research, corn was classified vs. soybean in Sentinel-2 multispectral images with data recorded from the 2019/2020 campaign of the General López department (Santa Fe). The data set for classification consisted of the selection of representative bands, the calculation of statistical measurements (average, maximum, minimum, deviation, etc.) and the calculation of vegetative indices (NDVI, SAVI). Two machine learning algorithms Random forest (RF) and Support vector machine (SVM) were implemented with an overall accuracy of 79% and 73%. The general objective is to extend these results to a larger agro-productive agricultural region and to estimate yields and production.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
Sensores remotos
Machine learning
Clasificación - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/165444
Ver los metadatos del registro completo
id |
SEDICI_f08b0bc34f811e808f857db7af317e13 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/165444 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Identificación inteligente de cultivos estivales mediante sensores remotosCastillo, Cristina AlejandraVeramendi, Brenda NoeliaRevollo Sarmiento, Gisela NoeliaCiencias InformáticasSensores remotosMachine learningClasificaciónEl sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción.The agricultural sector has been experiencing a profound change towards digital transformation, seeking to anticipate soil-climatic events that can influence productive results and facilitate remote decision-making. Crop monitoring with remote sensors and the application of machine learning techniques are tools that allow identifying crops, changes in phenology, anomalies and at lower or almost zero cost than traditional methods. Identifying crops, obtaining estimates and yield predictions are essential to improve the country's productive prospects. Currently, in Argentina very few developments in different contexts (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) have the scientific and technological means to carry out this study using satellite technology and Machine learning techniques and that is within the reach of producers. In this first stage of research, corn was classified vs. soybean in Sentinel-2 multispectral images with data recorded from the 2019/2020 campaign of the General López department (Santa Fe). The data set for classification consisted of the selection of representative bands, the calculation of statistical measurements (average, maximum, minimum, deviation, etc.) and the calculation of vegetative indices (NDVI, SAVI). Two machine learning algorithms Random forest (RF) and Support vector machine (SVM) were implemented with an overall accuracy of 79% and 73%. The general objective is to extend these results to a larger agro-productive agricultural region and to estimate yields and production.Sociedad Argentina de Informática e Investigación Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf58-65http://sedici.unlp.edu.ar/handle/10915/165444spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/772info:eu-repo/semantics/altIdentifier/issn/2451-7496info: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:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:55Zoai:sedici.unlp.edu.ar:10915/165444Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:55.883SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Identificación inteligente de cultivos estivales mediante sensores remotos |
title |
Identificación inteligente de cultivos estivales mediante sensores remotos |
spellingShingle |
Identificación inteligente de cultivos estivales mediante sensores remotos Castillo, Cristina Alejandra Ciencias Informáticas Sensores remotos Machine learning Clasificación |
title_short |
Identificación inteligente de cultivos estivales mediante sensores remotos |
title_full |
Identificación inteligente de cultivos estivales mediante sensores remotos |
title_fullStr |
Identificación inteligente de cultivos estivales mediante sensores remotos |
title_full_unstemmed |
Identificación inteligente de cultivos estivales mediante sensores remotos |
title_sort |
Identificación inteligente de cultivos estivales mediante sensores remotos |
dc.creator.none.fl_str_mv |
Castillo, Cristina Alejandra Veramendi, Brenda Noelia Revollo Sarmiento, Gisela Noelia |
author |
Castillo, Cristina Alejandra |
author_facet |
Castillo, Cristina Alejandra Veramendi, Brenda Noelia Revollo Sarmiento, Gisela Noelia |
author_role |
author |
author2 |
Veramendi, Brenda Noelia Revollo Sarmiento, Gisela Noelia |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Sensores remotos Machine learning Clasificación |
topic |
Ciencias Informáticas Sensores remotos Machine learning Clasificación |
dc.description.none.fl_txt_mv |
El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción. The agricultural sector has been experiencing a profound change towards digital transformation, seeking to anticipate soil-climatic events that can influence productive results and facilitate remote decision-making. Crop monitoring with remote sensors and the application of machine learning techniques are tools that allow identifying crops, changes in phenology, anomalies and at lower or almost zero cost than traditional methods. Identifying crops, obtaining estimates and yield predictions are essential to improve the country's productive prospects. Currently, in Argentina very few developments in different contexts (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) have the scientific and technological means to carry out this study using satellite technology and Machine learning techniques and that is within the reach of producers. In this first stage of research, corn was classified vs. soybean in Sentinel-2 multispectral images with data recorded from the 2019/2020 campaign of the General López department (Santa Fe). The data set for classification consisted of the selection of representative bands, the calculation of statistical measurements (average, maximum, minimum, deviation, etc.) and the calculation of vegetative indices (NDVI, SAVI). Two machine learning algorithms Random forest (RF) and Support vector machine (SVM) were implemented with an overall accuracy of 79% and 73%. The general objective is to extend these results to a larger agro-productive agricultural region and to estimate yields and production. Sociedad Argentina de Informática e Investigación Operativa |
description |
El sector agrícola viene experimentando un profundo cambio hacia la transformación digital, buscando anticiparse a eventos edafoclimáticos que puedan inferir en los resultados productivos y facilitar la toma de decisiones de forma remota. El monitoreo de cultivos con sensores remotos y la aplicación de técnicas de aprendizaje de máquina son herramientas que permiten identificar cultivos, cambios en la fenología, anomalías y a menor o casi nulo costo que los métodos tradicionales. La identificación de cultivos, obtención de estimaciones y predicciones de rendimiento son esenciales para mejorar las prospectivas productivas del país. Actualmente, en Argentina muy pocos desarrollos en distintos contextos (John Deere, Monsanto, http://www.sepa.inta.gob.ar, http://www.agropuma.com) tienen los medios científico tecnológicos para realizar este estudio usando tecnología satelital y técnicas de Machine learning y que este al alcance de los productores. En esta primera etapa de investigación se clasificó maíz vs. soja en imágenes multiespectrales Sentinel-2 con datos registrados de la campaña 2019/2020 del departamento General López (Santa Fe). El data set para la clasificación consistió en la selección de bandas representativas, el cálculo de medidas estadísticas (promedio, máximo, mínimo, desviación, etc.) y el cálculo de índices vegetativos (NDVI, SAVI). Se implementaron dos algoritmos de aprendizaje de máquina Random forest (RF) y Support vector machine (SVM) con una precisión global de 79 % y 73 %. El objetivo general es extender estos resultados a una mayor región agropecuaria agroproductiva y a la estimación de rindes y producción. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-09 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/165444 |
url |
http://sedici.unlp.edu.ar/handle/10915/165444 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/772 info:eu-repo/semantics/altIdentifier/issn/2451-7496 |
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 58-65 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616306865733632 |
score |
13.070432 |