Methods using remote sensing associated with artificial intelligence to forecast corn yield at the management zone level can help farmers understand the spatial variability of yield before harvesting. Here, spectral bands, topographic wetness index, and topographic position index were integrated to predict corn yield at the management zone using machine learning approaches (e.g., extremely randomized trees, gradient boosting machine, XGBoost algorithms, and stacked ensemble models). We tested four approaches: only spectral bands, spectral bands + topographic position index, spectral bands + topographic wetness index, and spectral bands + topographic position index + topographic wetness index. We also explored two approaches for model calibration: the whole-field approach and the site-specific model at the management zone level. The model’s performance was evaluated in terms of accuracy (mean absolute error) and tendency (estimated mean error). The results showed that it is possible to predict corn yield with reasonable accuracy using spectral crop information associated with the topographic wetness index and topographic position index during the flowering growth stage. Site-specific models increase the accuracy and reduce the tendency of corn yield forecasting on management zones with high, low, and intermediate yields.

Resumen En este documento se presenta el desarrollo de una herramienta de hardware y software para análisis de coberturas vegetales mediante técnicas de sensado remoto. Inicia con un estudio de la interacción de las ondas electromagnéticas en las hojas de las plantas según el modelo de placa sencilla y múltiple para el espectro del visible y el infrarrojo, que permite mediante una aplicación desarrollada en Python encontrar la firma espectral de coberturas según parámetros de las hojas (conocido como un modelo de inversión), que da cuenta de una aproximación de lo que puede ocurrir con la reflectancia de la superficie de las hojas. Se explica también el desarrollo de un sistema de adquisición y procesamiento de imágenes en las bandas del visible e infrarrojo cercano para su uso en agricultura de precisión mediante un vehículo aéreo no tripulado VANT.

Contexto: la interpolación espacial de propiedades del suelo en el piedemonte llanero colombiano es compleja debido al efecto simultáneo de la génesis del suelo, las características del terreno, el uso actual, y el manejo que de él se hace. Mientras las técnicas de interpolación vienen siendo adaptadas para tener en cuenta estos efectos, algunas propiedades del suelo son difíciles de predecir con las técnicas convencionales. Método: en este trabajo se evaluaron seis técnicas de interpolación espacial: distancia inversa ponderada (IDW); Spline; kriging ordinario (KO); kriging universal (KU); cokriging (Ckg); y mejor predicción lineal insesgada empírica con máxima verosimilitud restringida (REML-EBLUP), a partir de la aplicación de hipercubo latino condicionado (HCLc) como estrategia de muestreo. Se utilizaron los índices de terreno calculados a partir de un modelo digital de elevación como información auxiliar del suelo en los procedimientos de Ckg y REML-EBLUP. Para determinar los índices de terreno más importantes de cada propiedad se utilizó el algoritmo de bosques aleatorios (RF) y para validar las interpolaciones sobre validaciones cruzadas se usaron las métricas de error. Resultados: los resultados soportan el supuesto de que HCLc captura adecuadamente la distribución total de la información auxiliar en condiciones del área experimental. Además, sugieren que Ckg y REML-EBLUP generan mejores predicciones de la mayoría de las propiedades del suelo evaluadas. Conclusiones: las técnicas de interpolación mixtas, teniendo también información auxiliar del suelo e índices de terreno, proporcionaron una mejora significativa de la predicción de propiedades del suelo, en comparación con las demás técnicas. Context: Interpolating soil properties at field-scale in the Colombian piedmont eastern plains is challenging due to: the highly and complex variable nature of some processes; the effects of the soil; the land use; and the management. While interpolation techniques are being adapted to include auxiliary information of these effects, the soil data are often difficult to predict using conventional techniques of spatial interpolation. Method: In this paper, we evaluated and compared six spatial interpolation techniques: Inverse Distance Weighting (IDW), Spline, Ordinary Kriging (KO), Universal Kriging (UK), Cokriging (Ckg), and Residual Maximum Likelihood-Empirical Best Linear Unbiased Predictor (REML-EBLUP), from conditioned Latin Hypercube as a sampling strategy. The ancillary information used in Ckg and REML-EBLUP was indexes calculated from a digital elevation model (MDE). The “Random forest” algorithm was used for selecting the most important terrain index for each soil properties. Error metrics were used to validate interpolations against cross validation. Results: The results support the underlying assumption that HCLc captured adequately the full distribution of variables of ancillary information in the Colombian piedmont eastern plains conditions. They also suggest that Ckg and REML-EBLUP perform best in the prediction in most of the evaluated soil properties. Conclusions: Mixed interpolation techniques having auxiliary soil information and terrain indexes, provided a significant improvement in the prediction of soil properties, in comparison with other techniques.

La agricultura de precisión busca la aplicación de insumos en cultivos agrícolas en el lugar, el momento y la cantidad adecuados. El manejo de malezas específico del sitio es una estrategia de agricultura de precisión que permite la reducción en la aplicación de herbicidas, minimizando costos de insumos, con efectos positivos para el medioambiente. El objetivo de este artículo es mostrar los avances en el desarrollo de un sistema inteligente para la detección de malezas y aplicación de herbicida en un cultivo de piña con conceptos de agricultura de precisión. El prototipo utiliza un sistema de visión artificial para la adquisición de la reflectancia en las plantas en el espectro del visible y un sistema embebido que permite el procesamiento de las imágenes en tiempo real como mecanismo de detección de maleza. El prototipo cuenta con un sistema de fumigación automático, el cual emula la aplicación del herbicida selectivo; lo que en conjunto es implementado sobre un vehículo terrestre que realiza su recorrido entre los surcos de un cultivo de piña. El algoritmo de detección de malezas para el cultivo de piña tuvo una eficiencia de más del 80 %, obteniendo así resultados satisfactorios y el cumplimiento de requerimiento para la detección y aplicación de insumo solo en los lugares en donde se necesita.