The aim of this paper is to classify the land covered with oat crops, and the quantification of frost damage on oats, while plants are still in the flowering stage. The images are taken by a digital colour camera CCD-based sensor. Unsupervised classification methods are applied because the plants present different spectral signatures, depending on two main factors: illumination and the affected state. The colour space used in this application is CIELab, based on the decomposition of the colour in three channels, because it is the closest to human colour perception. The histogram of each channel is successively split into regions by thresholding. The best threshold to be applied is automatically obtained as a combination of three thresholding strategies: (a) Otsu’s method, (b) Isodata algorithm, and (c) Fuzzy thresholding. The fusion of these automatic thresholding techniques and the design of the classification strategy are some of the main findings of the paper, which allows an estimation of the damages and a prediction of the oat production.

The information about where crops are distributed is useful for agri-environmental assessments, but is chiefly important for food security and agricultural policy managers. The quickness with which this information becomes available, especially over large areas, is important for decision makers. Methodologies have been proposed for the study of crops. Most of them require field survey for ground truth data and a single crop map is generated for the whole season at the end of the crop cycle and for the next crop cycle a new field survey is necessary. Here, we present models for recognizing maize (Zea mays L.), beans (Phaseolus vulgaris L.), and alfalfa (Medicago sativa L.) before the crop cycle ends without current-year field survey for ground truth data. The models were trained with an exhaustive field survey at plot level in a previous crop cycle. The field surveys begin since days before the emergence of crops to maturity. The algorithms used for classification were support vector machine (SVM) and bagged tree (BT), and the spectral information captured in the visible, red-edge, near infrared, and shortwave infrared regions bands of Sentinel 2 images was used. The models were validated within the next crop cycle each fifteen days before the mid-season. The overall accuracies range from 71.9% (38 days after the begin of cycle) to 87.5% (81 days after the begin cycle) and a kappa coefficient ranging from 0.53 at the beginning to 0.74 at mid-season

The scarcity of water for agricultural use is a serious problem that has increased due to intense droughts, poor management, and deficiencies in the distribution and application of the resource. The monitoring of crops through satellite image processing and the application of machine learning algorithms are technological strategies with which developed countries tend to implement better public policies regarding the efficient use of water. The purpose of this research was to determine the main indicators and characteristics that allow us to discriminate the phenological stages of maize crops (Zea mays L.) in Sentinel 2 satellite images through supervised classification models. The training data were obtained by monitoring cultivated plots during an agricultural cycle. Indicators and characteristics were extracted from 41 Sentinel 2 images acquired during the monitoring dates. With these images, indicators of texture, vegetation, and colour were calculated to train three supervised classifiers: linear discriminant (LD), support vector machine (SVM), and k-nearest neighbours (kNN) models. It was found that 45 of the 86 characteristics extracted contributed to maximizing the accuracy by stage of development and the overall accuracy of the trained classification models. The characteristics of the Moran’s I local indicator of spatial association (LISA) improved the accuracy of the classifiers when applied to the L*a*b* colour model and to the near-infrared (NIR) band. The local binary pattern (LBP) increased the accuracy of the classification when applied to the red, green, blue (RGB) and NIR bands. The colour ratios, leaf area index (LAI), RGB colour model, L*a*b* colour space, LISA, and LBP extracted the most important intrinsic characteristics of maize crops with regard to classifying the phenological stages of the maize cultivation. The quadratic SVM model was the best classifier of maize crop phenology, with an overall accuracy of 82.3%.

La cuenca del río Sordo, localizada al oeste de Oaxaca, México, presenta problemas de erosión hídrica y pérdida de biodiversidad. El presente trabajo tiene como objetivo comparar los escurrimientos aforados en la estación Ixtayutla (20021) con valores simulados de los modelos WEAP (Water Evaluation And Planning System) y SWAT (Soil and Water Assessment Tool). Se procuró que WEAP, a través del método de la humedad del suelo, utilizara los mismos datos climáticos, de vegetación y suelos que SWAT; reportados para esta misma cuenca por Sánchez-Galindo et al. (2017). La comparación se basó en la eficiencia estadística de ambos modelos para simular los escurrimientos mensuales y anuales ocurridos durante el periodo 1975-1985. Se calcularon tres índices de eficiencia: el coeficiente de determinación (r2), Nash-Sutcliffe (NSE) y el sesgo porcentual (PBIAS). Con respecto a los escurrimientos mensuales aforados WEAP presentó un NSE = 0.73 (Bueno), un PBIAS = -16.05 (Satisfactorio) y una r2 = 0.84 mientras que SWAT, para ese mismo periodo, mostró un NSE = 0.82 (Muy bueno), un PBIAS = -15.92 (Satisfactorio) y una r2 = 0.85. Para los escurrimientos anuales SWAT y WEAP obtuvieron un NSE de 0.73 y 0.3, un r2 de 0.76 y 0.63 y un PBIAS de -4.65 y -16.23, respectivamente. Los dos modelos resultaron satisfactorios para simular escurrimientos mensuales por lo que la elección de uno u otro modelo dependerá de la problemática de la cuenca, los datos con que se cuente y los objetivos por cumplir.

La fertilidad del suelo es la capacidad más importante en la nutrición de las plantas y su variabilidad espacial puede determinarse mediante técnicas geoestadísticas que permiten mapear y delimitar áreas de manejo. Una de las ventajas importantes de los sistemas de información geográf ica (SIG) es el análisis espacial, en particular el uso de las interpolaciones de diferentes variables físicas químicas del suelo. El objetivo del trabajo fue analizar la fertilidad del suelo en la comunidad de Santo Domingo, Huasca de Ocampo, Hidalgo; utilizando mapas temáticos creados por el método de interpolación Kriging ordinario y validados con las técnicas de validación en campo y cruzada para las variables de fertilidad del suelo: contenido de nutrientes N, P, K, Ca, Mg y Na, y las propiedades pH, CE, MO y CIC. La información estadística para las variables demostró ser uniforme y fácilmente predecible; a excepción del pH y MO donde se observa poca representatividad de la media asociadas a una variabilidad intrazonal. El modelo seleccionado para el ajuste del semivariograma experimental, que mejor ajustó al de las variables estudiadas, fue el modelo Gaussiano; a excepción de la variable CE la cual se ajustó al modelo esférico. Los resultados muestran suelos con pH<6.0, que indica suelos ácidos, por lo tanto, los nutrientes Ca, P y Mg están menos disponibles para la planta. Asimismo, los nutrientes primarios como el N, P y K se encuentran en cantidades def icientes. Se concluye que los mapas obtenidos en este estudio, a partir, del modelo Kriging ordinario y los dos tipos de validación utilizados, es una herramienta útil como aproximación y referencia para determinar en buena medida la distribución espacial y variabilidad de las propiedades de fertilidad de los suelos. Los valores de MO, N, K, P y pH def inieron principalmente el estado actual de la fertilidad de los suelos y evidencian su degradación.

La información climatológica es importante en la aplicación e investigación en distintas disciplinas relacionadas con los recursos naturales y el medio ambiente, sin embargo su adquisición puede ser difícil y demandar mucho tiempo, particularmente en zonas montañosas (Kouwen et al., 2005). Las estaciones meteorológicas terrestres no siempre representan de modo adecuado el clima que ocurre en las regiones de estudio o cuenca hidrográficas por su falta de cobertura geográfica, además de que presentan vacíos de información en sus series de datos. Ante tal problemática, en el presente trabajo de investigación se evaluaron datos mensuales de precipitación, temperatura máxima y mínima provenientes del conjunto de datos meteorológicos globales denominado “Reanálisis del Sistema de Predicción del Clima” (CFSR, por sus siglas en inglés), como una fuente de información de uso alternativo frente a las observadas in situ en estaciones convencionales (CLICOM), mediante un análisis estadístico en la cuenca alta del río Mayo, Chihuahua, México. Los indicadores estadísticos que se emplearon (sesgo porcentual, raíz del error cuadrático medio, error promedio absoluto y coeficiente de determinación) mostraron que, en general, existe un buen desempeño del CFSR en el modelamiento de la precipitación, temperatura máxima y mínima en época seca, y una sobreestimación durante los meses de lluvia.