Clasificación automatizada de superficies citrícolas mediante SVM y patrones temporales de NDVI: aplicaciones para agricultura de precisión y gestión logística
Resumen
Este estudio desarrolló un modelo basado en máquinas de vectores de soporte (support vector machines, SVM) y series temporales del índice de vegetación de diferencia normalizada (normalized difference vegetation index, NDVI) para clasificar superficies citrícolas en Álamo, Veracruz, México. Se utilizaron imágenes MODIS (MOD13Q1, 250 m de resolución) de 2003 a 2022, procesadas mediante corrección radiométrica, filtrado de ruido y armonización temporal. Las zonas de entrenamiento se clasificaron en cuatro categorías (cítricos, vegetación natural, pastizales y áreas urbanas) y se utilizaron 3759 series temporales (50 % positivas para cítricos). El modelo SVM (kernel RBF: γ = 0,1, C = 10) alcanzó una precisión del 91,4 % mediante validación cruzada (cinco pliegues), con un 88 % de acierto en cítricos y 93,9 % en no cítricos. Los resultados mostraron un NDVI promedio de 0,74 para cítricos, diferenciable de la maleza (0,87), aunque con desafíos en parcelas pequeñas debido a la resolución espacial. Las estimaciones coincidieron con datos oficiales (SIACON) en 2021 (diferencia de 548 ha), aunque presentaron discrepancias en años con sequías (2007 y 2015) o cambios de manejo (2019 y 2020). Se identificó que factores climáticos y antropogénicos afectan la dinámica del NDVI, lo que evidencia la utilidad del modelo para monitoreo agrícola. Las limitaciones incluyen mezcla de píxeles en áreas heterogéneas. Este trabajo demuestra que el enfoque SVM-NDVI es robusto para la clasificación de superficies citrícolas a escala regional con aplicaciones potenciales en gestión logística, como la optimización de rutas de transporte y la planificación de cosechas mediante patrones espaciotemporales de NDVI. Estos hallazgos abren oportunidades para integrar teledetección y aprendizaje automático en cadenas de suministro agrícola sostenibles.
Descargas
Citas
Aguilar Lome, J. (2021). Identificación temprana y evaluación de procesos de degradación de tierras y sequía empleando datos-imágenes de satélite [Tesis de doctorado, Universidad Nacional Mayor de San Marcos]. Repositorio Institucional UNMSM. https://cybertesis.unmsm.edu.pe/handle/20.500.12672/17542
Bautista, R., Constante, P., Gordon, A., & Mendoza, D. (2018). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente. Infociencia, 12, 30-35. https://doi.org/10.24133/infociencia.v12i1.1230
Bautista-Santos, H., Martínez-Flores, J. L., Fernández-Lambert, G., Bernabé-Loranca, M. B., Sánchez-Galván, F., & Sablón-Cossío, N. (2015). Modelo de integración de cadenas de suministro colaborativas. Dyna, 82(193), 145-154. http://dx.doi.org/10.15446/dyna.v82n193.47370
Choubin, B., Soleimani, F., Pirnia, A., Sajedi-Hosseini, F., Alilou, H., Rahmati, O., Melesse, A. M., Singh, V. P., & Shahabi, H. (2019). Effects of drought on vegetative cover changes: Investigating spatiotemporal patterns. En A. M. Melesse, W. Abtew & G. Senay (Eds.), Extreme hydrology and climate variability (pp. 213-222). Elsevier. https://doi.org/10.1016/B978-0-12-815998-9.00017-8
Cleves-Leguizamo, J. A., Ramírez-Castañeda, L. N., & Díaz, E. D. (2021). Proposal of an empirical model to estimate the productivity of ‘Valencia’ orange (Citrus sinensis L. Osbeck) in the Colombian low tropics. Revista Colombiana de Ciencias Hortícolas, 15(3), e10860. https://doi.org/10.17584/rcch.2021v15i3.10860
Didan, K. (2021). MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V061 [Conjunto de datos]. NASA EOSDIS; USGS. https://doi.org/10.5067/MODIS/MOD13Q1.061
Dirección General del Servicio de Información Agroalimentaria y Pesquera. (2023). SIACON. Sistema de Información Agroalimentaria de Consulta. Gobierno de México. https://www.gob.mx/agricultura/dgsiap/documentos/siacon-ng-161430
Fernández-Echeverría, E., Lavoignet-Ruiz, M., García-Santamaría, L. E., Fernández-Lambert, G., Ruvalcaba-Sánchez, L., Bautista-Santos, H., Sánchez-Galván, F., & Romero-Romero, Y. (2024). Management of citrus cultivation in emerging rural communities in Mexico: Practices and challenges in the central-northern region of Veracruz. Sustainability, 16(20), 8732. https://doi.org/10.3390/su16208732
Figueira Branco, E. R., Rosa dos Santos, A., Macedo Pezzopane, J. E., Banhos dos Santos, A., Alexandre, R. S., Pimentel Bernardes, V., Gomes da Silva, R., Barbosa de Souza, K., & Moura, M. M. (2019). Space-time analysis of vegetation trends and drought occurrence in domain area of tropical forest. Journal of Environmental Management, 246, 384-396. https://doi.org/10.1016/j.jenvman.2019.05.097
Girimonte, P., & García, J. (2020). El índice NDVI y la clasificación de áreas sembradas aprendizaje automático no supervisado “k-means”. Revista de investigación en modelos matemáticos aplicados a la gestión y la economía, 1(7), 39-52. https://www.economicas.uba.ar/wp-content/uploads/2016/04/Girimonte-Garcia-Fronti.pdf
Hsu, C. W., Chang, C. C., & Lin, C.-J. (2016). A practical guide to support vector classification. National Taiwan University. https://eecs.csuohio.edu/~sschung/DSA460/SVM_guide.pdf
Instituto Nacional de Estadística y Geografía. (2010). Compendio de información geográfica municipal 2010. Álamo Temapache. Veracruz de Ignacio de la Llave. https://www.inegi.org.mx/contenidos/app/mexicocifras/datos_geograficos/30/30160.pdf
Kadhim, Z., Khayyun, T., & Alwan, I. (2022). Impact of climate change on crops productivity using MODIS-NDVI time series. Civil Engineering Journal, 8(6), 1136. https://doi.org/10.28991/CEJ-2022-08-06-04
Khare, S., Drolet, G., Sylvain, J.-D., Paré, M. C., & Rossi, S. (2019). Assessment of spatio-temporal patterns of black spruce bud phenology across Quebec based on MODIS-NDVI time series and field observations. Remote Sensing, 11(23), 2745. https://doi.org/10.3390/rs11232745
Kiani, F., Randazzo, G., Yelmen, I., Seyyedabbasi, A., Nematzadeh, S., Anka, F. A., Erenel, F., Zontul, M., Lanza, S., & Muzirafuti, A. (2022). A smart and mechanized agricultural application: From cultivation to harvest. Applied Sciences, 12(12), 6021. https://doi.org/10.3390/app12126021
Measho, S., Chen, B., Trisurat, Y., Pellikka, P., Guo, L., Arunyawat, S., Tuankrua, V., Ogbazghi, W., & Yemane, T. (2019). Spatio-temporal analysis of vegetation dynamics as a response to climate variability and drought patterns in the semiarid region, Eritrea. Remote Sensing, 11(6), 724. https://doi.org/10.3390/rs11060724
Mu, S., Li, B., Yao, J., Yang, G., Wan, R., & Xu, X. (2020). Monitoring the spatio-temporal dynamics of the wetland vegetation in Poyang Lake by Landsat and MODIS observations. Science of The Total Environment, 725, 138096. https://doi.org/10.1016/j.scitotenv.2020.138096
Nolasco, M., Martinez Arraigada, M. de los Á., & Bocco, M. (2023). Caracterización del ciclo del cultivo de trigo en la provincia de Córdoba mediante teledetección. Congreso Argentino de AgroInformática, 9(4), 34-45. http://sedici.unlp.edu.ar/handle/10915/165446
Novo-Fernández, A., Franks, S., Wehenkel, C., López-Serrano, P. M., Molinier, M., & López-Sánchez, C. A. (2018). Landsat time series analysis for temperate forest cover change detection in the Sierra Madre Occidental, Durango, Mexico. International Journal of Applied Earth Observation and Geoinformation, 73, 230-244. https://doi.org/10.1016/j.jag.2018.06.015
Servicio Nacional de Sanidad, Inocuidad y Calidad Agroalimentaria. (2022). Análisis de impacto económico ante un posible establecimiento y de dispersión del cancro de los cítricos en México en áreas comerciales. https://dj.senasica.gob.mx/Contenido/files/2022/agosto/An%C3%A1lisisdeimpactoecon%C3%B3micoanteunposibleestablecimientoydispersi%C3%B3ndelCancrodelosc%C3%ADtricosenM%C3%A9xicoen%C3%A1reascomerciales_107e4f44-49be-4b9a-8058-df20da906b1a.pdf
Testa, S., Soudani, K., Boschetti, L., & Borgogno Mondino, E. (2018). MODIS-derived EVI, NDVI and WDRVI time series to estimate phenological metrics in French deciduous forests. International Journal of Applied Earth Observation and Geoinformation, 64, 132-144. https://doi.org/10.1016/j.jag.2017.08.006
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Última actualización: 03/05/21