Un Marco de Predicción del Rendimiento de Huertos de Manzanas con Teledetección Multiespectral y Características del...

Área de la Ciencia:

• Ciencias Agrícolas
• Teledetección
• Aprendizaje Automático

Sus antecedentes:

• La estimación tradicional del rendimiento de las manzanas se basa en métodos manuales, careciendo de eficiencia y de integración de datos de múltiples fuentes.
• La predicción precisa del rendimiento es crucial para la planificación agrícola y la estabilidad del mercado.

Objetivo del estudio:

• Desarrollar un marco novedoso para la predicción del rendimiento de huertos de manzanos que integre la teledetección multiespectral y las características del suelo.
• Permitir la predicción del rendimiento tanto a nivel de distrito/condado como de huerto a pequeña escala.
• Mejorar la precisión de la estimación del rendimiento de las manzanas combinando la teledetección con datos de verdad terrestre.

Principales métodos:

• Extracción de áreas de plantación de huertos de manzanos utilizando muestras recolectadas en el campo.
• Predicción de rendimiento a gran escala utilizando características multiespectrales y ambientales procesadas a través de Google Earth Engine y el modelo APYieldNet.
• Corrección de huertos a pequeña escala utilizando la detección de frutas (modelo YOLO-A) y métodos de corrección proporcional.

Principales resultados:

• El modelo propuesto APYieldNet logró un rendimiento superior en la predicción de rendimiento a gran escala (MAE = 152,68 kg/mu, RMSE = 203,92 kg/mu).
• El modelo YOLO-A demostró una alta precisión en la detección de frutas y flores de manzana en entornos complejos de huertos.
• La corrección proporcional mejoró significativamente la precisión de las predicciones de rendimiento de huertos a pequeña escala, acercándolas a los rendimientos reales.

Conclusiones:

• El marco integrado predice eficazmente los rendimientos de las manzanas a múltiples escalas, superando a los métodos existentes.
• La combinación de datos de teledetección con la detección de frutas basada en tierra mejora la precisión de la predicción.
• Este enfoque ofrece una alternativa más eficiente y precisa a las técnicas tradicionales de estimación manual del rendimiento.