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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165444

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