Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning

El índice de área foliar (LAI) es un indicador importante para el estudio del desarrollo y el crecimiento del cultivo, sin embargo, la obtención de dicho índice es laboriosa y destructiva ya que los métodos directos e indirectos existentes son extensos en tiempo y requieren de artos recursos físicos...

Full description

Autores:
Ladino Polanco, Kelly Diomara
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4825
Acceso en línea:
https://hdl.handle.net/20.500.12313/4825
Palabra clave:
Cultivo de arroz - Machine Learning - Ténicas
Cultivo de arroz - Cultivo - Área foliar
LAI
Teledetección
RMSE
MSE
R 2
LAI
remote sensing
RMSE
MSE
R 2
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_3f7cddf603fe6591b8abc226a53d44dc
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4825
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
title Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
spellingShingle Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
Cultivo de arroz - Machine Learning - Ténicas
Cultivo de arroz - Cultivo - Área foliar
LAI
Teledetección
RMSE
MSE
R 2
LAI
remote sensing
RMSE
MSE
R 2
title_short Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
title_full Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
title_fullStr Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
title_full_unstemmed Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
title_sort Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning
dc.creator.fl_str_mv Ladino Polanco, Kelly Diomara
dc.contributor.advisor.none.fl_str_mv Murcia Moreno, Harold Fabian
Fernández Gallego, Jose Armando
dc.contributor.author.none.fl_str_mv Ladino Polanco, Kelly Diomara
dc.subject.armarc.none.fl_str_mv Cultivo de arroz - Machine Learning - Ténicas
Cultivo de arroz - Cultivo - Área foliar
topic Cultivo de arroz - Machine Learning - Ténicas
Cultivo de arroz - Cultivo - Área foliar
LAI
Teledetección
RMSE
MSE
R 2
LAI
remote sensing
RMSE
MSE
R 2
dc.subject.proposal.spa.fl_str_mv LAI
Teledetección
RMSE
MSE
R 2
dc.subject.proposal.eng.fl_str_mv LAI
remote sensing
RMSE
MSE
R 2
description El índice de área foliar (LAI) es un indicador importante para el estudio del desarrollo y el crecimiento del cultivo, sin embargo, la obtención de dicho índice es laboriosa y destructiva ya que los métodos directos e indirectos existentes son extensos en tiempo y requieren de artos recursos físicos y económicos para su implementación. Por ende, este estudio pretende la generación del LAI de forma remota implementando algoritmos de regresión (RF, SVR, ADABOOST, NN, PCA) utilizando un conjunto de datos del suelo, planta y teledetección procedentes de cámaras RGB Y multiespectrales mediante un vehículo aéreo no tripulado (UAV). El estudio fue realizado en lotes experimentales del cultivo de arroz en una región tropical de Espinal – Tolima, ubicados en la Corporación AGROSIA, donde se adquirieron datos durante dos campañas. Obteniendo en general resultados positivos, hallando el mejor resultado tras la aplicación del algoritmo AdaBoost con la base de datos SCT con R 2 = 0,68 RMSE= 0,87 y SI = 27,37%
publishDate 2023
dc.date.issued.none.fl_str_mv 2023
dc.date.accessioned.none.fl_str_mv 2025-03-13T19:39:25Z
dc.date.available.none.fl_str_mv 2025-03-13T19:39:25Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Ladino Polanco, K.D. (2023). Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4825
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4825
identifier_str_mv Ladino Polanco, K.D. (2023). Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4825
url https://hdl.handle.net/20.500.12313/4825
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Organización de las Naciones Unidas (ONU). Población. Naciones Unidas, paz dignidad e igualdad. 2021. [Online]. Available: https://www.un.org/es/global-issues/population .[Accedido el 3 de noviembre de 2022]
J. Segarra, M. L. Buchaillot, J. L. Araus y S. C. Kefauver, "Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications", Agronomy, vol. 10, n.o 5, p. 641, mayo de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10050641
O. Barrero, et al., “Rice remote monitoring: climate change resilience and agronomical management practices for regional adaptation, (RiceClimaRemote)”, Unibague, agrosavia e ILVO, Tecnico, 1, 2022. Available: https://drive.google.com/file/d/1SqwUlqJf01GBb1yVhfTgOE9ZHo03AepS/view?usp=shari ng
O. E. Apolo-Apolo, M. Pérez-Ruiz, J. Martínez-Guanter y G. Egea, "A Mixed Data- Based Deep Neural Network to Estimate Leaf Area Index in Wheat Breeding Trials", Agronomy, vol. 10, n.o 2, p. 175, enero de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10020175
B. N. Serrato Panqueba y C. A. Castillo, Medina, "COLOMBIA LAND OF OPPORTUNITIES TO APPLY PRECISION AGRICULTURE", International Journal of Agricultural Science, vol. 3, n. o 3, 2018, art. n. o 1. Accedido el 3 de noviembre de 2022. [Online]. Available: https://iaras.org/iaras/filedownloads/ijas/2018/014-0002(2018).pdf
DANE, "Encuesta Nacional de Arroz Mecanizado (ENAM) II Semestre 2021", Bogotá DC, Técnico, febrero de 2022. [Online]. Available: https://www.dane.gov.co/files/investigaciones/boletines/arroz/boletin_ENAM_IIsem21.pdf
E. García, F. Flego, “Agricultura de Precisión”. 2008. [Online]. Available: https://www.palermo.edu/ingenieria/downloads/pdfwebc&T8/8CyT12.pdf
R. Ortega y L. Flores, Agricultura de Presición Introducción al manejo sitio-específico. INIA QUILAMAPO: CARGILL LTDA, 1999. Accedido el 3 de noviembre de 2022. [Online]. Available: http://biblioteca.utsem- morelos.edu.mx/files/asp/agricultura/Agricultura%20de%20Precision%20Introduccion- Blu%20Molina.pdf
M. F. Monroy, "Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina", Maestría, Universidad de Ibagué, Ibagué, 2021. Accedido el 15 de octubre de 2022. [Online]. Available: https://repository.agrosavia.co/bitstream/handle/20.500.12324/36726/Ver_docu mento_36727.pdf?sequence=1&isAllowed=y
J. Diaz García, "Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión.", Maestría, UNIVERSIDAD COMPLUTENSE DE MADRID, Madrid, 2015. Accedido el 3 de noviembre de 2022. [Online]. Available: https://eprints.ucm.es/id/eprint/31423/1/TFM_Juan_Diaz_Cervignon.pdf
D. Ramos, “Los 6 Índices de Vegetación para completar el NDVI”, 2021. [Online]. Available: https://mappinggis.com/2020/07/los-6-indices-de-vegetacion-para-completar-el- ndvi/ .[Accedido el 3 de noviembre de 2022]
G. Toribio, “¿Qué índice de vegetación elegir?”. 2019. [Online]. Available: https://www.cursosteledeteccion.com/que-indice-de-vegetacion-elegir/ .[Accedido el 3 de noviembre de 2022]
Alonso, “Interacción de los elementos de la superficie terrestre con la radiación”. 2006. [Online]. Available: https://www.um.es/geograf/sigmur/temariohtml/node70_ct.html .[Accedido el 3 de noviembre de 2022]
G. Toribio, “NDVI, ¿qué es y para qué sirve? Cursos teledetección”. 2019. [Online]. Available: https://www.cursosteledeteccion.com/ndvi-que-es-y-para-que-sirve/. [Accedido el 3 de noviembre de 2022]
Geoinnova, “Índice de vegetación de diferencia normalizada”. 2021. [Online]. Available: https://geoinnova.org/blog-territorio/ndvi-indice-vegetacion/ .[Accedido el 3 de noviembre de 2022]
A. Michlig, “¿Qué es el índice GNDVI?”. 2022. [Online]. Available: https://help.auravant.com/es/articles/3636624-que-es-el-indice-gndvi .[Accedido el 3 de noviembre de 2022]
Eos Data Analytics, “NDRE”. 2022. [Online]. Available: https://eos.com/es/industries/agriculture/ndre/ .[Accedido el 3 de noviembre de 2022]
K. Sergieieva, “Índices de vegetación en la agricultura digital”. 2022. [Online]. Available: https://eos.com/es/blog/indices-de-vegetacion/ .[Accedido el 3 de noviembre de 2022]
D. H. Beltran Hernandez, "APLICACIÓN DE ÍNDICES DE VEGETACIÓN PARA EVALUAR PROCESOS DE RESTAURACIÓN ECOLÓGICA EN EL PARQUE FORESTAL EMBALSE DEL NEUSA", Trabajo de grado, Universidad Militar Nueva Granada, Bogotá D.C, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: https://repository.unimilitar.edu.co/bitstream/handle/10654/17210/BeltranHerna ndezDiegoHernan2017.pdf?sequence=1&isAllowed=y%7D
L3Harris Geospatial, "Verdor de Banda Ancha". https://www.l3harrisgeospatial.com/docs/broadbandgreenness.html#Green5. [Accedido el 3 de noviembre de 2022]
A. C. Nafarrete Hecht, "ESTIMACIÓN DIRECTA E INDIRECTA DEL ÍNDICE DE ÁREA FOLIAR (IAF) Y SU MODELACIÓN CON LiDAR EN UN BOSQUE TROPICAL SECO DE YUCATÁN", Maestría, Centro de Investigación Científica de Yucatán, Mérida, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/438/1/PCB_RN_M_ Tesis_2017_Nafarrate_Ana.pdf
Instituto para la innovación tecnológica en la agricultura, “El índice de área foliar (IAF) y su relación con el rendimiento del cultivo del maíz”. 2016. [Online]. https://www.intagri.com/articulos/cereales/el-indice-de-area-foliar-iaf .[Accedido el 3 de noviembre de 2022]
J. C. Valverde y D. Arias, "Evaluación del índice de área foliar con método indirecto y directo en distintas condiciones ambientales en plantaciones dendroenergéticas de Eucalyptus tereticornis Sm.", Madera y Bosques, vol. 26, n.o 2, abril de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.21829/myb.2020.2621953
C. Zhang, "The photochemical reflectance index (PRI) as an indicator of changes in photosynthetic dynamics and gross primary productivity in response to climate change", doctoralThesis, Universitat Autònoma de Barcelona, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: http://hdl.handle.net/10803/457747
R. Hernández-Clemente, R. M. Navarro-Cerrillo, L. Suárez, F. Morales y P. J. Zarco- Tejada, "Assessing structural effects on PRI for stress detection in conifer forests", Remote Sensing of Environment, vol. 115, n.o 9, pp. 2360–2375, septiembre de 2011. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1016/j.rse.2011.04.036
Campusa noticias de la universidad del país vasco, “La fluorescencia de la clorofila, la luz de la fotosíntesis que ilumina nuestra visión del funcionamiento de los ecosistemas”. 2021. [Online]. Available: https://www.ehu.eus/es/-/la-fluorescencia-de-la-clorofila
Wikipedia, la enciclopedia Libre, “Non-photochemical quenching”, 2022. [Online]. Available:https://en.wikipedia.org/w/index.php?title=Nonphotochemical_quenching&oldid=11051565 66
B. J. Gutiérrez Rodríguez, "Determinación de estado hídrico del cultivo mediante la espectroscopía VIS-NIR en plantas de soya en condiciones ambientales del piedemonte llanero", Maestría, Universidad Nacional de Colombia, Bogotá, 2018. Accedido el 3 de noviembre de 2022. [Online]. Available: https://repositorio.unal.edu.co/handle/unal/68845?show=full
I. Franiel and A. Babczyńska, "The Growth and Reproductive Effort of Betula pendula Roth in a Heavy-Metals Polluted Area", Polish J. of Environ. Stud, vol. 20, n.o 4, p. 6, 2011. Accedido el 3 de noviembre de 2022. [Online]. Available: http://www.pjoes.com/pdf-88657- 22516?filename=The%20Growth%20and.pdf
P. Gardner and R. Brent, R. Mitchel, “Carbon fixation by crop canopies. In: Physiology of Crop Plants”. 1985. [Online]. Available: http://agro.unc.edu.ar/~ceryol/documentos/ecofisiologia/FIJACIN_DE_CARBONO_POR_ LOS_CULTIVOS.pdf
J.Triana, “Explicación Variables experimentos Nataima. Try Notion”. 2022. [Online]. Available: https://ring-sneezeweed-54f.notion.site/Explicaci-n-Variables-experimentos- Nataima-9be4f36e89764365a64ca7baa05b358b
Universidad Nacional de la Pampa, "EL BALANCE HÍDRICO: TRANSPIRACIÓN Y CONDUCTANCIA ESTOMÁTICA", Informe Universidad Nacional de la Pampa, 2022. Accedido el 3 de noviembre de 2022. [Online]. Available: https://www.studocu.com/es- ar/document/universidad-nacional-de-la-pampa/fisiologia/balance-hidrico-transpiracion-y- conductancia-estomatica/30898355
Wikipedia, la enciclopedia Libre, “Transpiración Vegetal”, 2022. [Online]. Available: https://es.wikipedia.org/w/index.php?title=Transpiraci%C3%B3n_vegetal&oldid=14622 807
D. Li et al., "Climate, intrinsic water-use efficiency and tree growth over the past 150 years in humid subtropical China", PLOS ONE, vol. 12, n. o 2, febrero de 2017, art. n.o e0172045. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1371/journal.pone.0172045
Eos Data Analytics, “El control de la Humedad del Suelo: Un Factor Clave”. 2022. [Online]. Available: https://eos.com/es/blog/humedad- delsuelo/#:~:text=El%20contenido%20de%20humedad%20del,agua%20por%20pie%20d e%20suelo .[Accedido el 3 de noviembre de 2022]
D. Inman, R. Khosla y T. Mayfield, "On‐the‐go active remote sensing for efficient crop nitrogen management", Sensor Review, vol. 25, n.o 3, pp. 209–214, septiembre de 2005. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1108/02602280510606499
A. Zita, “¿Qué es la precipitación y cuáles son sus tipos?”. 2022. [Online]. Available: https://www.significados.com/precipitacion/ .[Accedido el 3 de noviembre de 2022]
A. Ordóñez, “Temperatura”. 2021. [Online]. Available: https://www.seiscubos.com/conocimiento/temperatura .[Accedió el 03 de noviembre de 2022]
S. Parent, “). ¿Cómo influye la humedad en la calidad de los cultivos?”. 2022. [Online]. Available: https://www.pthorticulture.com/es/centro-de- formacion/como-influye-la-humedad-en-la-calidad-de-los- cultivos/#:~:text=La%20humedad%20relativa%20se%20expresa,de%20agua%20de%20l a%20planta .[Accedió el 03 de noviembre de 2022]
Automatic Fertigation y Climate Control, “LA HUMEDAD RELATIVA EN INVERNADERO”. 2020. [Online]. Available: https://nutricontrol.com/es/la- humedad-relativa-en-invernadero/ .[Accedió el 03 de noviembre de 2022]
J. Sánchez, “¿Cómo aprenden las máquinas? Machine Learning y sus diferentes tipos”. 2020. [Online]. Available: https://datos.gob.es/es/blog/como-aprenden-las- maquinas-machine-learning-y-sus-diferentes-tipos .[Accedió el 03 de noviembre de 2022]
J. A. Nichols, H. W. Herbert Chan y M. A. B. Baker, "Machine learning: applications of artificial intelligence to imaging and diagnosis", Biophysical Reviews, vol. 11, n.o 1, pp. 111–118, septiembre de 2018. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1007/s12551-018-0449-9
Recuerdo de los Santos, “Tipos de Aprendizaje en Machine Learning: Supervisado y no supervisado”. 2021. [Online]. Available: https://empresas.blogthinkbig.com/que- algoritmo-elegir-en-ml-aprendizaje/ .[Accedió el 03 de noviembre de 2022]
TIBCO, “ Qué es el aprendizaje supervisado”. [Online]. Available: https://www.tibco.com/es/reference-center/what-is-supervised-learning .[Accedió el 03 de noviembre de 2022]
J. Bagnato, “Randome Forest, el poder del Ensamble”. 2019. [ Online]. Available: https://www.aprendemachinelearning.com/random-forest-el-poder-del-ensamble/ .[Accedió el 03 de noviembre de 2022]
A. Raj, “Unlocking the True Power of Support Vector Regression”. 2020. [Online]. Available: https://towardsdatascience.com/unlocking-the-true-power-of-support-vector- regression-847fd123a4a0 .[Accedió el 03 de noviembre de 2022]
F. Pedregosa, et al., “Sklearn.ensemble.AdaBoostRegressor”. 2011. [Online]. Available: https://scikit- learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostRegressor.html#:~:text=A n%20AdaBoost%20%5B1%5D%20regressor%20is,error%20of%20the%20current%20pr ediction .[Accedió el 20 de octubre de 2022]
Ibm Cloud Education, “Neural Networks”. 2020. [Online]. Available: https://www.ibm.com/cloud/learn/neural-networks .[Accedió el 20 de octubre de 2022]
M. Trip, “Analisís de componentes principales (PCA)”. [Online]. Available: https://rstudio-pubs static.s3.amazonaws.com/638839_b915111f7b634632bd0b88cbb4d50954.html#1:_Gene ralidades .[Accedió el 20 de octubre de 2022]
O. E. Apolo-Apolo, M. Pérez-Ruiz, J. Martínez-Guanter y G. Egea, "A Mixed Data- Based Deep Neural Network to Estimate Leaf Area Index in Wheat Breeding Trials", Agronomy, vol. 10, n.o 2, p. 175, enero de 2020. Accedido el 13 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10020175
G. V. Gaona Gaona, "Validación del Índice de Área Foliar (LAI) de Sensores Remotos con Mediciones Directas en la Reserva San Francisco (RSF).", Trabajo de grado, Universidad Nacional de Loja, Loja, 2009. Accedido el 3 de noviembre de 2022. [Online]. Available: https://dspace.unl.edu.ec/jspui/bitstream/123456789/5054/1/Validación%20del %20Índice%20de%20Área%20Foliar%20(LAI)%20de%20Sensores%20Remotos.pdf
O. Barrero, et al., “Rice remote monitoring: climate change resilience and agronomical management practices for regional adaptation, (RiceClimaRemote) First annual technical report RiceClimaRemote”. 2020. [Online]. Available: https://docs.google.com/document/d/1oXu8OxOLHotFV0nryKPtn5QTs19AEPb/edit?usp= sharing&ouid=109311261810207976061&rtpof=true&sd=true
Instituto de Hidrología, Meteorología y Estudios Ambientale, “Consulta y descarga de datos Hidrometereológicos”. 2022. [Online]. Available: http://dhime.ideam.gov.co/atencionciudadano/
L. Gonzales, “Evaluando el error en los modelos de regresión”. 2018. [Online]. Available: https://aprendeia.com/evaluando-el-error-en-los-modelos-de- regresion/#:~:text=En%20la%20actualidad%20hay%20algunas,error)%2C%20R%2Dcua drado- .[Accedió el 03 de noviembre de 2022]
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 71 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/7e570abc-167e-46a2-9c34-3317cf1f5d5a/download
https://repositorio.unibague.edu.co/bitstreams/b9886962-49fa-4cd6-b17d-a28f537312d0/download
https://repositorio.unibague.edu.co/bitstreams/47ecb2ef-ada7-4815-870b-4f2763e1f017/download
https://repositorio.unibague.edu.co/bitstreams/70457981-3fab-4702-996c-1fadeecb6ead/download
https://repositorio.unibague.edu.co/bitstreams/3d9937d4-cc95-41d8-8026-712d3a0d79db/download
https://repositorio.unibague.edu.co/bitstreams/8fcc138c-e1ad-4a10-8f98-31c9f2bfc68a/download
https://repositorio.unibague.edu.co/bitstreams/29984ec2-7221-4c3e-82e4-ae32718b6bc8/download
bitstream.checksum.fl_str_mv 581428f94fab3a089fe16a608ec76715
45207691c0a063545e45744c066119bc
2fa3e590786b9c0f3ceba1b9656b7ac3
4b1d923db22bb0e2c0070bb198261e44
ff4c8ff01d544500ea4bfea43e6108c1
62ee6dc80380cda88e6380348d2e9bb6
a3511c74950e588664b6260639fa0041
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059959288037376
spelling Murcia Moreno, Harold Fabian5b133e19-d824-4bf2-b8b1-482bfcd7d5b3-1Fernández Gallego, Jose Armando13f15360-a12b-4149-9932-b46907b21333-1Ladino Polanco, Kelly Diomaraaafdce76-5c5b-4830-862e-27cf01d8b789-12025-03-13T19:39:25Z2025-03-13T19:39:25Z2023El índice de área foliar (LAI) es un indicador importante para el estudio del desarrollo y el crecimiento del cultivo, sin embargo, la obtención de dicho índice es laboriosa y destructiva ya que los métodos directos e indirectos existentes son extensos en tiempo y requieren de artos recursos físicos y económicos para su implementación. Por ende, este estudio pretende la generación del LAI de forma remota implementando algoritmos de regresión (RF, SVR, ADABOOST, NN, PCA) utilizando un conjunto de datos del suelo, planta y teledetección procedentes de cámaras RGB Y multiespectrales mediante un vehículo aéreo no tripulado (UAV). El estudio fue realizado en lotes experimentales del cultivo de arroz en una región tropical de Espinal – Tolima, ubicados en la Corporación AGROSIA, donde se adquirieron datos durante dos campañas. Obteniendo en general resultados positivos, hallando el mejor resultado tras la aplicación del algoritmo AdaBoost con la base de datos SCT con R 2 = 0,68 RMSE= 0,87 y SI = 27,37%The leaf area index (LAI) is an important indicator for the study of crop development and growth, however, obtaining this index is laborious and destructive because the existing direct and indirect methods are time consuming and require extensive physical and economic resources for its implementation. Therefore, this study aims to generate the LAI remotely by implementing supervised (RF, SVR, ADABOOST, NN) and unsupervised (PCA) regression algorithms using a set of soil, plant and remote sensing data from RGB AND multispectral cameras using an unmanned aerial vehicle (UAV). The study was conducted in experimental plots of rice cultivation in a tropical region of Espinal - Tolima, located in the AGROSIA Corporation, where data were acquired during two campaigns. In general, positive results were obtained, finding the best result after the application of the AdaBoost algorithm with the SCT database with R 2 = 0,68 RMSE= 0,87 and SI = 27,37 %.PregradoIngeniera ElectrónicaResumen.....V Lista de Figuras.....VIII Lista de Tablas.....IX Introducción.....1 1. Objeto de Estudio.....3 1.1 Planteamiento del Problema y Justificación.....3 1.2 Objetivos.....5 1.2.1 Objetivo General.....5 1.2.2 Objetivos Específicos.....5 1.3 Marco Teórico.....5 1.3.1 Agricultura de Precisión.....5 1.3.2 Aprendizaje de Máquinas.....14 1.4 Estado del Arte.....16 2. Materiales y Métodos.....18 2.1 Descripción de la Investigación.....18 2.2 Materiales.....19 2.2.1 Área de Estudio.....19 2.2.2 Datos del Cultivo.....20 2.2.3 Datos Tomados Remotamente.....21 2.3 Métodos.....22 2.3.1 Procesamiento de Datos.....24 2.3.2 Generación de Base de Datos.....25 2.3.3 Análisis de Datos.....29 2.3.4 Determinación de las variables para las bases de datos.....29 2.3.5 Modelos de Predicción de Regresión.....30 2.3.6 Métodos de validación de los modelos de predicción.....31 3. Resultados.....32 3.1 Generación de la Base de Datos.....32 3.2 Validación de los Modelos de Predicción de Regresión.....36 4. Conclusiones y Recomendaciones.....46 A. Anexo : Adquisición de índices de vegetación a través del Software QGIS.....48 B. Anexo : Matriz de correlación de Pearson para la campaña 2.....52 C. Anexo : Modelos de Regresión para la base de datos PTD.....52 D. Anexo : Modelos de Regresión para la base de datos SCT.....52 E. Anexo : Modelos de Regresión para la base de datos SCMD.....53 F. Anexo : Modelos de Regresión PCA para SCT.....53 G. Anexo : Algoritmo Feature Selection para la base de datos SCT.....53 H. Anexo : Participación en la METIE versión #46.....54 Bibliografía.....5571 páginasapplication/pdfLadino Polanco, K.D. (2023). Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine Learning.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4825https://hdl.handle.net/20.500.12313/4825spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaOrganización de las Naciones Unidas (ONU). Población. Naciones Unidas, paz dignidad e igualdad. 2021. [Online]. Available: https://www.un.org/es/global-issues/population .[Accedido el 3 de noviembre de 2022]J. Segarra, M. L. Buchaillot, J. L. Araus y S. C. Kefauver, "Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications", Agronomy, vol. 10, n.o 5, p. 641, mayo de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10050641O. Barrero, et al., “Rice remote monitoring: climate change resilience and agronomical management practices for regional adaptation, (RiceClimaRemote)”, Unibague, agrosavia e ILVO, Tecnico, 1, 2022. Available: https://drive.google.com/file/d/1SqwUlqJf01GBb1yVhfTgOE9ZHo03AepS/view?usp=shari ngO. E. Apolo-Apolo, M. Pérez-Ruiz, J. Martínez-Guanter y G. Egea, "A Mixed Data- Based Deep Neural Network to Estimate Leaf Area Index in Wheat Breeding Trials", Agronomy, vol. 10, n.o 2, p. 175, enero de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10020175B. N. Serrato Panqueba y C. A. Castillo, Medina, "COLOMBIA LAND OF OPPORTUNITIES TO APPLY PRECISION AGRICULTURE", International Journal of Agricultural Science, vol. 3, n. o 3, 2018, art. n. o 1. Accedido el 3 de noviembre de 2022. [Online]. Available: https://iaras.org/iaras/filedownloads/ijas/2018/014-0002(2018).pdfDANE, "Encuesta Nacional de Arroz Mecanizado (ENAM) II Semestre 2021", Bogotá DC, Técnico, febrero de 2022. [Online]. Available: https://www.dane.gov.co/files/investigaciones/boletines/arroz/boletin_ENAM_IIsem21.pdfE. García, F. Flego, “Agricultura de Precisión”. 2008. [Online]. Available: https://www.palermo.edu/ingenieria/downloads/pdfwebc&T8/8CyT12.pdfR. Ortega y L. Flores, Agricultura de Presición Introducción al manejo sitio-específico. INIA QUILAMAPO: CARGILL LTDA, 1999. Accedido el 3 de noviembre de 2022. [Online]. Available: http://biblioteca.utsem- morelos.edu.mx/files/asp/agricultura/Agricultura%20de%20Precision%20Introduccion- Blu%20Molina.pdfM. F. Monroy, "Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina", Maestría, Universidad de Ibagué, Ibagué, 2021. Accedido el 15 de octubre de 2022. [Online]. Available: https://repository.agrosavia.co/bitstream/handle/20.500.12324/36726/Ver_docu mento_36727.pdf?sequence=1&isAllowed=yJ. Diaz García, "Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión.", Maestría, UNIVERSIDAD COMPLUTENSE DE MADRID, Madrid, 2015. Accedido el 3 de noviembre de 2022. [Online]. Available: https://eprints.ucm.es/id/eprint/31423/1/TFM_Juan_Diaz_Cervignon.pdfD. Ramos, “Los 6 Índices de Vegetación para completar el NDVI”, 2021. [Online]. Available: https://mappinggis.com/2020/07/los-6-indices-de-vegetacion-para-completar-el- ndvi/ .[Accedido el 3 de noviembre de 2022]G. Toribio, “¿Qué índice de vegetación elegir?”. 2019. [Online]. Available: https://www.cursosteledeteccion.com/que-indice-de-vegetacion-elegir/ .[Accedido el 3 de noviembre de 2022]Alonso, “Interacción de los elementos de la superficie terrestre con la radiación”. 2006. [Online]. Available: https://www.um.es/geograf/sigmur/temariohtml/node70_ct.html .[Accedido el 3 de noviembre de 2022]G. Toribio, “NDVI, ¿qué es y para qué sirve? Cursos teledetección”. 2019. [Online]. Available: https://www.cursosteledeteccion.com/ndvi-que-es-y-para-que-sirve/. [Accedido el 3 de noviembre de 2022]Geoinnova, “Índice de vegetación de diferencia normalizada”. 2021. [Online]. Available: https://geoinnova.org/blog-territorio/ndvi-indice-vegetacion/ .[Accedido el 3 de noviembre de 2022]A. Michlig, “¿Qué es el índice GNDVI?”. 2022. [Online]. Available: https://help.auravant.com/es/articles/3636624-que-es-el-indice-gndvi .[Accedido el 3 de noviembre de 2022]Eos Data Analytics, “NDRE”. 2022. [Online]. Available: https://eos.com/es/industries/agriculture/ndre/ .[Accedido el 3 de noviembre de 2022]K. Sergieieva, “Índices de vegetación en la agricultura digital”. 2022. [Online]. Available: https://eos.com/es/blog/indices-de-vegetacion/ .[Accedido el 3 de noviembre de 2022]D. H. Beltran Hernandez, "APLICACIÓN DE ÍNDICES DE VEGETACIÓN PARA EVALUAR PROCESOS DE RESTAURACIÓN ECOLÓGICA EN EL PARQUE FORESTAL EMBALSE DEL NEUSA", Trabajo de grado, Universidad Militar Nueva Granada, Bogotá D.C, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: https://repository.unimilitar.edu.co/bitstream/handle/10654/17210/BeltranHerna ndezDiegoHernan2017.pdf?sequence=1&isAllowed=y%7DL3Harris Geospatial, "Verdor de Banda Ancha". https://www.l3harrisgeospatial.com/docs/broadbandgreenness.html#Green5. [Accedido el 3 de noviembre de 2022]A. C. Nafarrete Hecht, "ESTIMACIÓN DIRECTA E INDIRECTA DEL ÍNDICE DE ÁREA FOLIAR (IAF) Y SU MODELACIÓN CON LiDAR EN UN BOSQUE TROPICAL SECO DE YUCATÁN", Maestría, Centro de Investigación Científica de Yucatán, Mérida, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/438/1/PCB_RN_M_ Tesis_2017_Nafarrate_Ana.pdfInstituto para la innovación tecnológica en la agricultura, “El índice de área foliar (IAF) y su relación con el rendimiento del cultivo del maíz”. 2016. [Online]. https://www.intagri.com/articulos/cereales/el-indice-de-area-foliar-iaf .[Accedido el 3 de noviembre de 2022]J. C. Valverde y D. Arias, "Evaluación del índice de área foliar con método indirecto y directo en distintas condiciones ambientales en plantaciones dendroenergéticas de Eucalyptus tereticornis Sm.", Madera y Bosques, vol. 26, n.o 2, abril de 2020. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.21829/myb.2020.2621953C. Zhang, "The photochemical reflectance index (PRI) as an indicator of changes in photosynthetic dynamics and gross primary productivity in response to climate change", doctoralThesis, Universitat Autònoma de Barcelona, 2017. Accedido el 3 de noviembre de 2022. [Online]. Available: http://hdl.handle.net/10803/457747R. Hernández-Clemente, R. M. Navarro-Cerrillo, L. Suárez, F. Morales y P. J. Zarco- Tejada, "Assessing structural effects on PRI for stress detection in conifer forests", Remote Sensing of Environment, vol. 115, n.o 9, pp. 2360–2375, septiembre de 2011. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1016/j.rse.2011.04.036Campusa noticias de la universidad del país vasco, “La fluorescencia de la clorofila, la luz de la fotosíntesis que ilumina nuestra visión del funcionamiento de los ecosistemas”. 2021. [Online]. Available: https://www.ehu.eus/es/-/la-fluorescencia-de-la-clorofilaWikipedia, la enciclopedia Libre, “Non-photochemical quenching”, 2022. [Online]. Available:https://en.wikipedia.org/w/index.php?title=Nonphotochemical_quenching&oldid=11051565 66B. J. Gutiérrez Rodríguez, "Determinación de estado hídrico del cultivo mediante la espectroscopía VIS-NIR en plantas de soya en condiciones ambientales del piedemonte llanero", Maestría, Universidad Nacional de Colombia, Bogotá, 2018. Accedido el 3 de noviembre de 2022. [Online]. Available: https://repositorio.unal.edu.co/handle/unal/68845?show=fullI. Franiel and A. Babczyńska, "The Growth and Reproductive Effort of Betula pendula Roth in a Heavy-Metals Polluted Area", Polish J. of Environ. Stud, vol. 20, n.o 4, p. 6, 2011. Accedido el 3 de noviembre de 2022. [Online]. Available: http://www.pjoes.com/pdf-88657- 22516?filename=The%20Growth%20and.pdfP. Gardner and R. Brent, R. Mitchel, “Carbon fixation by crop canopies. In: Physiology of Crop Plants”. 1985. [Online]. Available: http://agro.unc.edu.ar/~ceryol/documentos/ecofisiologia/FIJACIN_DE_CARBONO_POR_ LOS_CULTIVOS.pdfJ.Triana, “Explicación Variables experimentos Nataima. Try Notion”. 2022. [Online]. Available: https://ring-sneezeweed-54f.notion.site/Explicaci-n-Variables-experimentos- Nataima-9be4f36e89764365a64ca7baa05b358bUniversidad Nacional de la Pampa, "EL BALANCE HÍDRICO: TRANSPIRACIÓN Y CONDUCTANCIA ESTOMÁTICA", Informe Universidad Nacional de la Pampa, 2022. Accedido el 3 de noviembre de 2022. [Online]. Available: https://www.studocu.com/es- ar/document/universidad-nacional-de-la-pampa/fisiologia/balance-hidrico-transpiracion-y- conductancia-estomatica/30898355Wikipedia, la enciclopedia Libre, “Transpiración Vegetal”, 2022. [Online]. Available: https://es.wikipedia.org/w/index.php?title=Transpiraci%C3%B3n_vegetal&oldid=14622 807D. Li et al., "Climate, intrinsic water-use efficiency and tree growth over the past 150 years in humid subtropical China", PLOS ONE, vol. 12, n. o 2, febrero de 2017, art. n.o e0172045. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1371/journal.pone.0172045Eos Data Analytics, “El control de la Humedad del Suelo: Un Factor Clave”. 2022. [Online]. Available: https://eos.com/es/blog/humedad- delsuelo/#:~:text=El%20contenido%20de%20humedad%20del,agua%20por%20pie%20d e%20suelo .[Accedido el 3 de noviembre de 2022]D. Inman, R. Khosla y T. Mayfield, "On‐the‐go active remote sensing for efficient crop nitrogen management", Sensor Review, vol. 25, n.o 3, pp. 209–214, septiembre de 2005. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1108/02602280510606499A. Zita, “¿Qué es la precipitación y cuáles son sus tipos?”. 2022. [Online]. Available: https://www.significados.com/precipitacion/ .[Accedido el 3 de noviembre de 2022]A. Ordóñez, “Temperatura”. 2021. [Online]. Available: https://www.seiscubos.com/conocimiento/temperatura .[Accedió el 03 de noviembre de 2022]S. Parent, “). ¿Cómo influye la humedad en la calidad de los cultivos?”. 2022. [Online]. Available: https://www.pthorticulture.com/es/centro-de- formacion/como-influye-la-humedad-en-la-calidad-de-los- cultivos/#:~:text=La%20humedad%20relativa%20se%20expresa,de%20agua%20de%20l a%20planta .[Accedió el 03 de noviembre de 2022]Automatic Fertigation y Climate Control, “LA HUMEDAD RELATIVA EN INVERNADERO”. 2020. [Online]. Available: https://nutricontrol.com/es/la- humedad-relativa-en-invernadero/ .[Accedió el 03 de noviembre de 2022]J. Sánchez, “¿Cómo aprenden las máquinas? Machine Learning y sus diferentes tipos”. 2020. [Online]. Available: https://datos.gob.es/es/blog/como-aprenden-las- maquinas-machine-learning-y-sus-diferentes-tipos .[Accedió el 03 de noviembre de 2022]J. A. Nichols, H. W. Herbert Chan y M. A. B. Baker, "Machine learning: applications of artificial intelligence to imaging and diagnosis", Biophysical Reviews, vol. 11, n.o 1, pp. 111–118, septiembre de 2018. Accedido el 3 de noviembre de 2022. [Online]. Available: https://doi.org/10.1007/s12551-018-0449-9Recuerdo de los Santos, “Tipos de Aprendizaje en Machine Learning: Supervisado y no supervisado”. 2021. [Online]. Available: https://empresas.blogthinkbig.com/que- algoritmo-elegir-en-ml-aprendizaje/ .[Accedió el 03 de noviembre de 2022]TIBCO, “ Qué es el aprendizaje supervisado”. [Online]. Available: https://www.tibco.com/es/reference-center/what-is-supervised-learning .[Accedió el 03 de noviembre de 2022]J. Bagnato, “Randome Forest, el poder del Ensamble”. 2019. [ Online]. Available: https://www.aprendemachinelearning.com/random-forest-el-poder-del-ensamble/ .[Accedió el 03 de noviembre de 2022]A. Raj, “Unlocking the True Power of Support Vector Regression”. 2020. [Online]. Available: https://towardsdatascience.com/unlocking-the-true-power-of-support-vector- regression-847fd123a4a0 .[Accedió el 03 de noviembre de 2022]F. Pedregosa, et al., “Sklearn.ensemble.AdaBoostRegressor”. 2011. [Online]. Available: https://scikit- learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostRegressor.html#:~:text=A n%20AdaBoost%20%5B1%5D%20regressor%20is,error%20of%20the%20current%20pr ediction .[Accedió el 20 de octubre de 2022]Ibm Cloud Education, “Neural Networks”. 2020. [Online]. Available: https://www.ibm.com/cloud/learn/neural-networks .[Accedió el 20 de octubre de 2022]M. Trip, “Analisís de componentes principales (PCA)”. [Online]. Available: https://rstudio-pubs static.s3.amazonaws.com/638839_b915111f7b634632bd0b88cbb4d50954.html#1:_Gene ralidades .[Accedió el 20 de octubre de 2022]O. E. Apolo-Apolo, M. Pérez-Ruiz, J. Martínez-Guanter y G. Egea, "A Mixed Data- Based Deep Neural Network to Estimate Leaf Area Index in Wheat Breeding Trials", Agronomy, vol. 10, n.o 2, p. 175, enero de 2020. Accedido el 13 de noviembre de 2022. [Online]. Available: https://doi.org/10.3390/agronomy10020175G. V. Gaona Gaona, "Validación del Índice de Área Foliar (LAI) de Sensores Remotos con Mediciones Directas en la Reserva San Francisco (RSF).", Trabajo de grado, Universidad Nacional de Loja, Loja, 2009. Accedido el 3 de noviembre de 2022. [Online]. Available: https://dspace.unl.edu.ec/jspui/bitstream/123456789/5054/1/Validación%20del %20Índice%20de%20Área%20Foliar%20(LAI)%20de%20Sensores%20Remotos.pdfO. Barrero, et al., “Rice remote monitoring: climate change resilience and agronomical management practices for regional adaptation, (RiceClimaRemote) First annual technical report RiceClimaRemote”. 2020. [Online]. Available: https://docs.google.com/document/d/1oXu8OxOLHotFV0nryKPtn5QTs19AEPb/edit?usp= sharing&ouid=109311261810207976061&rtpof=true&sd=trueInstituto de Hidrología, Meteorología y Estudios Ambientale, “Consulta y descarga de datos Hidrometereológicos”. 2022. [Online]. Available: http://dhime.ideam.gov.co/atencionciudadano/L. Gonzales, “Evaluando el error en los modelos de regresión”. 2018. [Online]. Available: https://aprendeia.com/evaluando-el-error-en-los-modelos-de- regresion/#:~:text=En%20la%20actualidad%20hay%20algunas,error)%2C%20R%2Dcua drado- .[Accedió el 03 de noviembre de 2022]info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Cultivo de arroz - Machine Learning - TénicasCultivo de arroz - Cultivo - Área foliarLAITeledetecciónRMSEMSER 2LAIremote sensingRMSEMSER 2Estimación del índice de área foliar en el cultivo de arroz empleando técnicas de Machine LearningTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf2205939https://repositorio.unibague.edu.co/bitstreams/7e570abc-167e-46a2-9c34-3317cf1f5d5a/download581428f94fab3a089fe16a608ec76715MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf273329https://repositorio.unibague.edu.co/bitstreams/b9886962-49fa-4cd6-b17d-a28f537312d0/download45207691c0a063545e45744c066119bcMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/47ecb2ef-ada7-4815-870b-4f2763e1f017/download2fa3e590786b9c0f3ceba1b9656b7ac3MD53TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain102639https://repositorio.unibague.edu.co/bitstreams/70457981-3fab-4702-996c-1fadeecb6ead/download4b1d923db22bb0e2c0070bb198261e44MD58Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain4https://repositorio.unibague.edu.co/bitstreams/3d9937d4-cc95-41d8-8026-712d3a0d79db/downloadff4c8ff01d544500ea4bfea43e6108c1MD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg6962https://repositorio.unibague.edu.co/bitstreams/8fcc138c-e1ad-4a10-8f98-31c9f2bfc68a/download62ee6dc80380cda88e6380348d2e9bb6MD59Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg25356https://repositorio.unibague.edu.co/bitstreams/29984ec2-7221-4c3e-82e4-ae32718b6bc8/downloada3511c74950e588664b6260639fa0041MD51120.500.12313/4825oai:repositorio.unibague.edu.co:20.500.12313/48252025-08-13 01:04:31.579https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares