Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto

Tesis (Magister en aplicaciones de información espacial)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.

Detalles Bibliográficos
Autor principal: Carcedo, Diego Nahuel
Otros Autores: Scavuzzo, Carlos Marcelo
Formato: masterThesis
Lenguaje:Español
Publicado: 2024
Materias:
Computación
Sensado remoto
Rendimiento
Monitores de cosecha
Maíz
Aprendizaje automático
Remote sensing
Corn crop yield
Harvest monitors
Machine learning
Google Earth Engine
Acceso en línea:http://hdl.handle.net/11086/551405
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R141-11086-551405
record_format dspace
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Computación
Sensado remoto
Rendimiento
Monitores de cosecha
Maíz
Aprendizaje automático
Remote sensing
Corn crop yield
Harvest monitors
Machine learning
Google Earth Engine
spellingShingle Computación
Sensado remoto
Rendimiento
Monitores de cosecha
Maíz
Aprendizaje automático
Remote sensing
Corn crop yield
Harvest monitors
Machine learning
Google Earth Engine
Carcedo, Diego Nahuel
Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
topic_facet Computación
Sensado remoto
Rendimiento
Monitores de cosecha
Maíz
Aprendizaje automático
Remote sensing
Corn crop yield
Harvest monitors
Machine learning
Google Earth Engine
description Tesis (Magister en aplicaciones de información espacial)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
author2 Scavuzzo, Carlos Marcelo
author_facet Scavuzzo, Carlos Marcelo
Carcedo, Diego Nahuel
format masterThesis
author Carcedo, Diego Nahuel
author_sort Carcedo, Diego Nahuel
title Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
title_short Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
title_full Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
title_fullStr Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
title_full_unstemmed Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
title_sort estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto
publishDate 2024
url http://hdl.handle.net/11086/551405
work_keys_str_mv AT carcedodiegonahuel estimacionderendimientodecultivosagricolasintegraciondedatosderivadosdemonitoresderendimientoyproductosdelsensoramientoremoto
_version_ 1806948707689562112
spelling I10-R141-11086-5514052024-04-13T06:36:52Z Estimación de rendimiento de cultivos agrícolas: integración de datos derivados de monitores de rendimiento y productos del sensoramiento remoto Carcedo, Diego Nahuel Scavuzzo, Carlos Marcelo Pons Daher, Diego Hernán Computación Sensado remoto Rendimiento Monitores de cosecha Maíz Aprendizaje automático Remote sensing Corn crop yield Harvest monitors Machine learning Google Earth Engine Tesis (Magister en aplicaciones de información espacial)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022. Maestría conjunta con el Instituto de Altos Estudios Espaciales "Mario Gulich"-CONAE. Fil: Carcedo, Diego Nahuel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. Fil: Carcedo, Diego Nahuel. Comisión Nacional de Actividades Espaciales. Instituto de Altos Estudios Espaciales Mario Gulich; Argentina. En el contexto de un aumento demográfico continuo, la seguridad alimentaria global enfrenta desafíos, acentuados por el cambio climático. La producción de cultivos fundamentales como el maíz se ve afectada por las perturbaciones climáticas, lo que destaca la necesidad de soluciones resilientes. La teledetección emerge como un recurso práctico para estimar los rendimientos de maíz, al proporcionar vasta información de manera remota sobre el crecimiento y las condiciones del cultivo permitiendo ajustes precisos en la gestión agrícola. Esta capacidad no solo optimiza la eficiencia de los recursos para los agricultores, sino que también guía la formulación de políticas adaptativas a nivel local y global, con miras a asegurar la disponibilidad sostenible de alimentos. La recopilación de datos georreferenciados, especialmente a través de sistemas de monitoreo de cosecha, brinda una perspectiva detallada de los rendimientos agrícolas a nivel geográfico. La investigación, basada en información derivada de sensores satelitales, ha generado modelos de predicción de rendimiento de maíz a escala regional y paisajística. En esta investigación se trabajó sobre la hipótesis que la variabilidad de variables derivadas de información de sensado remoto medidas a nivel de lote permiten predecir el rendimiento del cultivo de maíz medido con monitores de cosecha. El objetivo principal de esta tesis fue generar modelos paramétricos y no paramétricos para predecir el rendimiento de maíz en la zona núcleo de la República Argentina a nivel de lote, tomando como datos de entrada información geoespacial de sensores remotos y utilizando observaciones de campo de 33 lotes. Se probó la efectividad de una metodología que permite depurar, estandarizar y re-escalar archivos de datos georreferenciados, que facilitó la interpolación geoestadística de manera cuasiautomática. Se probaron diferentes marcos teóricos para predecir el rendimiento desde información geo-espacial de sensores remotos, información climática y de relieve: modelos de regresión lineal múltiple (RLM) y regresión basada en el método de aprendizaje automático “bosque aleatorio” (RFR). Se ponderó la variabilidad intra lote de cada una de las variables predictoras calculando el desvío estándar y el rango. El modelo RLM con interacciones (RMSE: 1.48) explicó un 4,12 % más de la variabilidad del rendimiento que el mejor modelo RFR (RMSE: 1.87). Siendo ambos modelos eficientes para explicar y predecir la variabilidad de los rendimientos. La evidencia aportada por esta tesis sugiere que se pueden construir mejores protocolos de predicción estadística de rendimiento de maíz a nivel regional utilizando el modelo RLM. In the context of ongoing demographic growth, global food security faces significant challenges, accentuated by climate change. The production of fundamental crops like maize is affected by climatic disruptions, underscoring the need for resilient solutions. Remote sensing emerges as an essential resource for estimating maize yields, providing extensive information remotely on crop growth and conditions, allowing precise adjustments in agricultural management. This capability not only optimizes resource efficiency for farmers but also guides the formulation of adaptive policies at local and global levels, aiming to ensure sustainable food availability. The collection of georeferenced data, especially through harvest monitoring systems, offers a detailed perspective on agricultural yields at a geographical level. Research, based on information derived from satellite sensors, has generated predictive models for maize yield at regional and landscape scales. In this research, we worked on the hypothesis that the variability of multiple variables derived from remote sensing information measured at the field level allows predicting the yield of the corn crop measured with harvest monitors. The main objective of this thesis was to generate parametric and non-parametric models to predict corn yield in the core zone of the Argentine Republic at the field level, taking as input geospatial data from remote sensors and using data from 33 fields. In first place, the effectiveness of a methodology that allows debugging, standardizing and re-scaling georeferenced data files was tested, which facilitated geostatistical interpolation in a quasi-automatic manner. Secondly, different theoretical frameworks were tested to predict maize yield from climatic, relief and remote sensors geospatial information: multiple linear regression models (RLM) and regression based on the machine learning method random forest"(RFR). The intra-lot variability of each of the predictor variables was weighted by calculating the standard deviation and the range. The RLM model without interactions (RMSE: 1.48) explained 4,12 % more of the performance variability than the best RFR model (RMSE: 1.87). As both models are efficient to explain and predict the variability of yields, the evidence provided by this thesis suggests that better statistical prediction protocols for maize yield can be built at the regional level using the RLM model. Fil: Carcedo, Diego Nahuel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. Fil: Carcedo, Diego Nahuel. Comisión Nacional de Actividades Espaciales. Instituto de Altos Estudios Espaciales Mario Gulich; Argentina. 2024-04-12T13:59:00Z 2024-04-12T13:59:00Z 2023-12-13 masterThesis http://hdl.handle.net/11086/551405 spa Attribution-ShareAlike 4.0 International http://creativecommons.org/licenses/by-sa/4.0/

Ejemplares similares