Metodología para la estimación de productividad de un cultivo de papa mediante técnicas de percepción remota, caso de estudio municipio de Ventaquemada (Boyacá)
La estimación de la productividad agrícola mediante imágenes satelitales constituye una herramienta clave para la agricultura de precisión, pues permite anticipar rendimientos y apoyar la toma de decisiones en territorios con alta variabilidad agroecológica. En el caso del cultivo de papa, este proc...
- Autores:
-
Carmona Salazar, Camila
Vargas Pérez, Jorge Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad del Valle
- Repositorio:
- Repositorio Digital Univalle
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.univalle.edu.co:10893/38362
- Acceso en línea:
- https://hdl.handle.net/10893/38362
- Palabra clave:
- Teledetección
Sensores remotos
Cultivo de papa
Productividad agrícola
Ventaquemada (Boyacá)
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
| Summary: | La estimación de la productividad agrícola mediante imágenes satelitales constituye una herramienta clave para la agricultura de precisión, pues permite anticipar rendimientos y apoyar la toma de decisiones en territorios con alta variabilidad agroecológica. En el caso del cultivo de papa, este proceso presenta retos adicionales debido a su heterogeneidad intrapredial y a la frecuente nubosidad que afecta a los sensores ópticos. Ante este escenario, el presente trabajo se planteó como objetivo desarrollar una metodología para estimar la productividad de papa en el municipio de Ventaquemada (Boyacá, Colombia) a partir de la integración de sensores remotos y datos de campo. Para ello se utilizaron imágenes ópticas de Sentinel-2 y PlanetScope, complementadas con información radar de Sentinel-1 y validadas con mediciones de 20 predios productivos. A partir de estas fuentes se calcularon índices de vegetación (NDVI, GNDVI, SAVI y EVI) y arámetros SAR (VH, VV, VH/VV y RVI), que se emplearon como predictores en modelos de regresión lineal simple, múltiple y Random Forest. Los resultados mostraron que los modelos lineales simples tuvieron un desempeño limitado (R2 máximo de 0,369), mientras que la regresión múltiple alcanzó un mejor ajuste en el mes 4 con R2=0,520 y MSE=1,54 t/ha. No obstante, los modelos Random Forest presentaron mayor estabilidad en los errores, con un escenario óptimo de R2=0,362, RMSE=0,663 t/ha y MAE=0,420 t/ha. Estos hallazgos evidencian que la integración multifuente y el uso de enfoques de aprendizaje automático fortalecen la consistencia en la predicción de rendimientos, constituyéndose en una alternativa aplicable a la gestión agrícola en regiones con condiciones variables como Boyacá. |
|---|
