Determinación de zonas de manejo en un sistema de producción rotacional arroz, maíz – algodón usando técnicas de aprendizaje de máquina

Abstract

La definición de zonas de manejo (ZM) dentro de un campo de cultivo es una estrategia importante para la aplicación de la agricultura de precisión. Sin embargo, la determinación de las ZM es complicada debido a la existencia de múltiples factores que son responsables de la variabilidad espacial y temporal en el campo. En este estudio se desarrolló una metodología para determinar las ZM y la predicción de rendimiento a mitad del ciclo de un cultivo, utilizando un conjunto de datos del suelo, planta y de teledetección procedentes de cámaras RGB y multiespectral montadas en un vehículo aéreo no tripulado (UAV). El estudio se llevó a cabo en un sistema de cultivo comercial de arroz, maíz-algodón (sistema de producción rotacional) de 5 hectáreas en una región tropical (Tolima, Colombia). La información fue obtenida de dos campañas de los cultivos de arroz y maíz, y una campaña del cultivo de algodón. Las variables medidas incluyeron las propiedades del suelo, las condiciones del cultivo y los índices de vegetación (MI) obtenidos desde un UAV en diferentes etapas hasta la mitad de la campaña. Los resultados de los modelos de predicción de rendimiento utilizando los algoritmos de regresión mostraron que RF, KNN, MLP, y SVM con la base de datos de SOIL cuenta con alta precisión en la predicción de rendimiento, con resultados de R2 0.96 a 0.99 para el cultivo de arroz, el cultivo de algodón con un R2 entre 0.70 a 0.92 y el cultivo de maíz con R2 entre 0.96 a 0.99. Estos resultados demostraron que diferentes algoritmos son capaces de generar modelos igualmente eficientes en la predicción de rendimiento donde destacan RF, KNN y SVM.