Identificación de productos agrícolas alternativos para ser cultivados en Hidalgo a través del análisis de imágenes satelitales
Barra lateral del artículo
Contenido principal del artículo
Resumen
La agricultura de precisión se ha popularizado como técnica para la optimización de recursos en el desarrollo de los procesos agrícolas, utilizando tecnologías de la información para recolectar y analizar datos referentes a los cultivos. Dentro de estas tecnologías se destaca el uso de imágenes satelitales para la toma de decisiones en la gestión de cultivos. Este trabajo aplica la metodología CRISP-DM, a través de la cual se busca extraer imágenes satelitales, en una primera aproximación para encontrar cultivos alternativos potenciales que puedan ser sembrados en el estado de Hidalgo, México. Esto se hace para combatir el problema de los monocultivos que resultan en el deterioro y finalmente en la desertificación de los suelos. Se generó un modelo de clasificación de imágenes, cuyo objetivo es asociar una imagen satelital con un cultivo que pueda ser plantado en la zona representada. Se construyeron modelos con diferentes arquitecturas deep learning, obteniendo la mejor exactitud de 83.37% con el modelo implementado utilizando la arquitectura EfficientNet B0.
Detalles del artículo
Citas
Secretaría de Medio Ambiente y Recursos Naturales. (2019). Monocultivos agrícolas y ganaderos, incompatibles con el entorno social. Available at: https://www.gob.mx/semarnat/articulos/monocultivos-agricolas-y-ganaderos-incompatibles-con-el-entorno-social. Accessed: Septiembre2, 2022.
Agrimonti, C., Lauro, M., & Visioli, G. (2021). Smart agriculture for food quality: facing climate change in the 21st century. Critical Reviews in Food Science and Nutrition, 61(6), 971–981. https://doi.uam.elogim.com/10.1080/10408398.2020.1749555
Pettorelli, N. (2013). The Normalized Difference Vegetation Index. Editorial OUP Oxford, Reino Unido.
Benedict, T. D., Brown, J. F., Boyte, S. P., Howard, D. M., Fuchs, B. A., Wardlow, B. D., Tadesse, T., Evenson, K. A., & ZHIZHIN, M. (2021). Exploring VIIRS Continuity with MODIS in an Expedited Capability for Monitoring Drought-Related Vegetation Conditions. Remote Sensing, 13(6), 1210. https://doi.org/10.3390/rs13061210
Demattê, J. A. M., Fongaro, C. T., Rizzo, R., & Safanelli, J. L. (2018). Geospatial Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve soil spectral reflectance from satellite images. Remote Sensing of Environment, 212, 161–175. https://doi.uam.elogim.com/10.1016/j.rse.2018.04.047
Tantalaki, N., Souravlas, S., & Roumeliotis, M. (2019). Data-Driven Decision Making in Precision Agriculture: The Rise of Big Data in Agricultural Systems. Journal of Agricultural & Food Information, 20(4), 344–380. https://doi.uam.elogim.com/10.1080/10496505.2019.1638264
Fathololoumi, S., Vaezi, A. R., Alavipanah, S. K., Ghorbani, A., Saurette, D., & Biswas, A. (2021). Effect of multi-temporal satellite images on soil moisture prediction using a digital soil mapping approach. Geoderma, 385. https://doi.uam.elogim.com/10.1016/j.geoderma.2020.114901
Nguyen, L. H., Robinson, S., & Galpern, P. (2022). Medium-resolution multispectral satellite imagery in precision agriculture: mapping precision canola (Brassica napus L.) yield using Sentinel-2 time series. Precision Agriculture, 23(3), 1051–1071. https://doi.uam.elogim.com/10.1007/s11119-022-09874-7
Novelli, F., & Vuolo, F. (2019). Assimilation of sentinel-2 leaf area index data into a physically-based crop growth model for yield estimation. Agronomy, 9(5). https://doi.uam.elogim.com/10.3390/agronomy9050255
Saltz, J. S. (2021). CRISP-DM for Data Science: Strengths, Weaknesses and Potential Next Steps. 2021 IEEE International Conference on Big Data (Big Data), Big Data (Big Data), 2021 IEEE International Conference On, 2337–2344. https://doi.uam.elogim.com/10.1109/BigData52589.2021.9671634
Mallano, A. I., Zhao, X., Sun, Y., Jiang, G., & Chao, H. (2021). Continuous monocropping highly affect the composition and diversity of microbial communities in peanut (Arachis hypogaea L.). NOTULAE BOTANICAE HORTI AGROBOTANICI CLUJ-NAPOCA, 49(4), 12532. https://doi.uam.elogim.com/10.15835/nbha49412532
Tapan Kumar Nath. (2016). Monoculture Farming: Global Practices, Ecological Impact and Benefits/Drawbacks. Nova.
Pervaiz, Z. H., Iqbal, J., Zhang, Q., Chen, D., Wei, H., & Saleem, M. (2020). Continuous Cropping Alters Multiple Biotic and Abiotic Indicators of Soil Health. Soil Systems, 4(4), 59. https://doi.org/10.3390/soilsystems4040059
Cámara de Diputados del H. Congreso de la Unión. (2021). Ley de Desarrollo Rural Sustentable. Available at: https://www.diputados.gob.mx/LeyesBiblio/pdf/235_030621.pdf
. Accessed: Septiembre2, 2022.
Tan, Mingxing and Le, Quoc V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. International conference on machine learning. https://doi.org/10.48550/arxiv.1905.11946
Skakun, S., Kalecinski, N. I., Brown, M. G. L., Johnson, D. M., Vermote, E. F., Roger, J.-C., Franch, B., & Mondino, E. B. (2021). Assessing within-Field Corn and Soybean Yield Variability from WorldView-3, Planet, Sentinel-2, and Landsat 8 Satellite Imagery. Remote Sensing, 13(5), 872. https://doi.org/10.3390/rs13050872