Uso de Aeronaves y Tratamiento Digital de Imágenes para Diagnóstico y Rendimiento de la Producción Agrícola

Sánchez Garcés, Sara Ximena; Ramírez García, Juan Sebastián

Uso de Aeronaves y Tratamiento Digital de Imágenes para Diagnóstico y Rendimiento de la Producción Agrícola

dc.contributor.advisor	Sierra Parada, Ronald Jackson
dc.contributor.author	Sánchez Garcés, Sara Ximena
dc.contributor.author	Ramírez García, Juan Sebastián
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001431760
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001800462
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000066241
dc.contributor.googlescholar	https://scholar.google.com/citations?hl=es&user=GNp1oP8AAAAJ
dc.date.accessioned	2024-04-23T12:36:50Z
dc.date.available	2024-04-23T12:36:50Z
dc.date.issued	2024-04-05
dc.description	El uso de aeronaves no tripuladas (UAVs) y tratamiento digital de imágenes es una técnica innovadora que permite obtener información precisa y oportuna sobre el estado de los cultivos, el suelo y el clima. Esta información se puede utilizar para mejorar la eficiencia y la productividad agrícola, así como para reducir el impacto ambiental. Partiendo de ello, esta investigación se propuso analizar el impacto de implementar UAVs y el tratamiento digital de imágenes en la producción agrícola. Para ello se desarrolló un análisis bibliométrico del cual se obtuvo una visión clara del papel que juegan los UAVs, las imágenes RGBs, el análisis multiespectral, algoritmos y softwares en el fortalecimiento de las capacidades agrícolas, encontrando casos en donde la detección de malezas y patologías de cultivo aumentaron a un 97% y 85% respectivamente, llevando a concluir que las metodologías de seguimiento utilizando UAVs, son efectivas para el monitoreo agrícola y por tanto es importante trabajar en la divulgación y expansión de estos métodos en la agricultura.	spa
dc.description.abstract	The use of aircraft and digital image processing is an innovative technique that allows obtaining precise and adequate information on the state of crops, soil, and climatic conditions. This information can be used to improve the efficiency and productivity of agriculture, as well as reduce environmental impact. Unmanned aerial vehicles, or UAVs, can be equipped with different optical, thermal, spectral, or hyperspectral sensors. These sensors capture images that are processed using specialized algorithms and software to extract agronomic indicators such as vegetation index (VI), water stress, detection of pests and diseases, yield estimation, among other variables and relationships that is decisive at the time of apply techniques in the way of precision agriculture. That is why this article proposes to develop a bliometric analysis on the main research topics related to the implementation of UAVs and image processing in the agricultural production sector that allowed for defining the nature of the role that thematic trends in the academic field, in addition to providing a clear vision of the role that UAVs, RGB images, multispectral analysis, algorithms and software do, in orther to development and improve of agricultural capacities in Colombia, in orther to the existence of cases where weed detection rates reached precision of 97%, situations where fruit detection achieved an effectivity around 83,5% and cases of early detection of diseases that demonstrated effectiveness of 85%	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero Ambiental	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	Sánchez Garcés, S. X, y Ramírez García, J. S. (s.f.). Uso de Aeronaves y Tratamiento Digital de Imágenes para Diagnóstico y Rendimiento de la Producción Agrícola. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/54801
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá	spa
dc.publisher.faculty	Facultad de Ingeniería Ambiental	spa
dc.publisher.program	Pregrado de Ingeniería Ambiental	spa
dc.relation.references	J. Valenzuela, B. de la Peña, T. Gaytán, “Agricultura 4.0”, Agraria, Edicion especial, No. 1, 2022, Accedido el 26 de marzo de 2024. [En línea]. Disponible: https://doi.org/10.59741/agraria.v19iSE1.4	spa
dc.relation.references	E. Pino, “Los drones una herramienta para una agricultura eficiente: un futuro de alta tecnología”, IDESIA (Chile), , vol. 37, n.º 1, p. 75 - 84, marzo de 2019. Accedido el 26 de marzo de 2024. [En línea]. Disponible: https://doi.org/10.3390/agriculture1308159	spa
dc.relation.references	A. Benedikter, P. Laderach, A. Eitzinger, S. Cook, A. Quiroga, A. Pantoja, M. Bruni, “Cambio climático mundial y cadena de suministro de alimentos: Política para la adaptación colectiva”, CIAT Politics en Sintesis, No. 11, septiembre 2013. Accedio el 20 de marzo de 2024. [en línea]. Disponible: https://cgspace.cgiar.org/server/api/core/bitstreams/132f41a2-0883-4fcf-84df-202fa62651ac/content	spa
dc.relation.references	E. M. B. M. Karunathilake, A. T. Le, S. Heo, Y. S. Chung y S. Mansoor, “The Path to Smart Farming: Innovations and Opportunities in Precision Agriculture”, Agriculture, vol. 13, n.º 8, p. 1593, agosto de 2023. Accedido el 30 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/agriculture1308159	spa
dc.relation.references	J. Wieme, K. Mollazade, I. Malounas, M. Zude, M. Zhao, A. Gowen, D. Argypoulos, S. Fountas, J. Van, “Application of Hyperspectral imaging systems and artificial intelligence for quality assessment of fruit, vegetables and mushrooms: a review”, Biosystems Engineering, vol. 222, p. 156, julio de 2022. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1016/j.biosystemseng.2022.07.013	spa
dc.relation.references	S. Lorduy, “Generación de ortotmágenes usando vehículos aéreos no tripulados aplicado a la agricultura” Tesis de grado. Departameno de ciencias físicas. Universidad EAFIT. Medellin. Colombia. 2017. Tomado de: https://repository.eafit.edu.co/server/api/core/bitstreams/a467a31b-85a9-441d-b50b-48c23c158e60/content	spa
dc.relation.references	Galvez, C. Co-word analysis applied to highly cited papers in Library and Information Science (2007-2017). TransInformação, Campinas, 30(3):277-286, set./dez., 2018. Accedido el 02 de octubre de 2024. [En línea]. Disponible: https://www.scielo.br/j/tinf/a/RgynpHSFbrMk4PFG55bGfwr/?format=pdf&lang=es	spa
dc.relation.references	Eurostat, 2017. “Archive:Productos agrícolas”. Marzo de 2017 Accedido el 02 de febrero de 2024. [En línea]. Disponible: https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Archive:Productos_agr%C3%ADcolas	spa
dc.relation.references	M. Chakraborty, A. Pourreza, X. Zhang, H. Jafarbiglu, K. A. Shackel y T. DeJong, “Early almond yield forecasting by bloom mapping using aerial imagery and deep learning”, Comput. Electron. Agriculture, vol. 212, p. 108063, septiembre de 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1016/j.compag.2023.108063	spa
dc.relation.references	K. Zhichkin, V. Nosov, L. Zhichkina, O. Anichkina, I. Borodina y A. Beketov, “Efficiency of using drones in agricultural production”, E3S Web Conf., vol. 381, p. 01048, 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1051/e3sconf/202338101048	spa
dc.relation.references	F. Reuter, A. Pedenovi, “Drones y sus aplicaciones a la ingeniería”, SERIE DIDÁCTICA, No. 43, marzo de 2019. Accedio 26 de marzo de 2024. Departameno de ciencias físicas. Disponible: https://fcf.unse.edu.ar/wp-content/uploads/2014/07/SD-43-Drones-y-su-aplicacion-a-la-ingenieria-REUTER_r.pdf	spa
dc.relation.references	M. H. M. Ghazali, A. Azmin y W. Rahiman, “Drone implementation in precision agriculture – A survey”, Int. J. Emerg. Technol. Adv. Eng., vol. 12, n.º 4, pp. 67–77, abril de 2022. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.46338/ijetae0422_10	spa
dc.relation.references	C. Marty, S. Khare, S. Rossi, J. Lafond, M. Boivin y M. C. Paré, “Detection of management practices and cropping phases in wild lowbush blueberry fields using multispectral UAV data”, Can. J. Remote Sens., pp. 1–12, mayo de 2022. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1080/07038992.2022.2070144	spa
dc.relation.references	A. B. Valluvan, R. Raj, R. Pingale y A. Jagarlapudi, “Canopy height estimation using drone-based RGB images”, Smart Agricultural Technol., p. 100145, diciembre de 2022. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1016/j.atech.2022.100145	spa
dc.relation.references	A. W. Herr et al., “UAS imagery for phenotyping in cotton, maize, soybean, and wheat breeding”, Crop Sci., junio de 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1002/csc2.21028	spa
dc.relation.references	L. Anfruns Espuña, “Uso y aplicación de sensores RGB y multiespectral embarcados en dron para la monitorización del cultivo de café”, GeoFocus Rev. Int. Cienc. Tecnol. Informacion Geogr., vol. 31, pp. 5–38, julio de 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.21138/gf.800	spa
dc.relation.references	A. Vázquez-Ramírez, D. Mújica-Vargas, A. Luna-Álvarez, M. Matuz-Cruz y J. d. J. Rubio, “Real-Time detection of bud degeneration in oil palms using an unmanned aerial vehicle”, Eng, vol. 4, n.º 2, pp. 1581–1596, mayo de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/eng4020090	spa
dc.relation.references	K. Amores y K. Trelles, “Implemetación de un sistema para detectar la enfermedad de la Sigatoka negra en una plantación de banano empleando técnicas de visión artificial” tesis de grado. Departamento de ingeniería electrónica. Universidad del AZUAY. Cuenca. Ecuador. 2022. Tomado de: https://dspace.uazuay.edu.ec/bitstream/datos/11682/1/17211.pdf	spa
dc.relation.references	Barrero, O., Perdomo, SA Fusión de imágenes RGB y UAV multiespectrales para la detección de malezas Gramineae en campos de arroz. Agricultura de precisión 19 , 809–822 (2018). Accedido el 07 de febrero de 2024. [En línea]. Disponible: https://doi.org/10.1007/s11119-017-9558-x	spa
dc.relation.references	Berrío, V., Mosquera, J y Alzate, D, “Use of drones for multispectral image analysis in precision agriculture”, @limentech, Ciencia y Tecnología Alimentaria 13(2015) 28-40, Accedido el 07 de febrero de 2024. [En línea]. Disponible: https://core.ac.uk/download/pdf/230755963.pdf [21] R. Hine, “Monitoreo del crecimiento de plantas de piña (Ananas comosus) en los primeros seis meses del cultivo medianamente la estimación de altura con imágenes RGB obtenidas con vehículos aéreos no tripulados” Tesis de grado. Facultad de Ciencias Agroalimentarias. Universidad de Costa Rica. Costa Rica. Tomado de: https://repo.sibdi.ucr.ac.cr/bitstream/123456789/18284/1/45557.pdf	spa
dc.relation.references	N. Dawn et al., “Implementation of artificial intelligence, machine learning, and internet of things (iot) in revolutionizing agriculture: A review on recent trends and challenges”, Int. J. Exp. Res. Rev., vol. 30, pp. 190–218, abril de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.52756/ijerr.2023.v30.018	spa
dc.relation.references	Á. Székely, T. Szalóki, M. Jancsó, J. Pauk y C. Lantos, “Temporal changes of leaf spectral properties and rapid chlorophyll—a fluorescence under natural cold stress in rice seedlings”, Plants, vol. 12, n.º 13, p. 2415, junio de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/plants12132415	spa
dc.relation.references	F. L. Macedo et al., “Estimation of productivity and above-ground biomass for corn (zea mays) via vegetation indices in madeira island”, Agriculture, vol. 13, n.º 6, p. 1115, mayo de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/agriculture13061115	spa
dc.relation.references	S. Martins, R. Lhissou, K. Chokmani y A. Cambouris, “Determining the beginning of potato tuberization period using plant height detected by drone for irrigation purposes”, Agronomy, vol. 13, n.º 2, p. 492, febrero de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/agronomy13020492	spa
dc.relation.references	W. Yuan, W. Hua, P. H. Heinemann y L. He, “UAV photogrammetry-based apple orchard blossom density estimation and mapping”, Horticulturae, vol. 9, n.º 2, p. 266, febrero de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/horticulturae9020266	spa
dc.relation.references	B. A. Friesenhahn et al., “Using drones to detect and quantify wild pig damage and yield loss in corn fields throughout plant growth stages”, Wildlife Soc. Bull., abril de 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1002/wsb.1437	spa
dc.relation.references	J. C. S. Vasconcelos et al., “Development and validation of a model based on vegetation indices for the prediction of sugarcane yield”, AgriEngineering, vol. 5, n.º 2, pp. 698–719, abril de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/agriengineering5020044	spa
dc.relation.references	U. Shafi et al., “Tackling food insecurity using remote sensing and machine learning based crop yield prediction”, IEEE Access, p. 1, 2023. Accedido el 26 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.1109/access.2023.3321020	spa
dc.relation.references	C. Fragassa, G. Vitali, L. Emmi y M. Arru, “A new procedure for combining uav-based imagery and machine learning in precision agriculture”, Sustainability, vol. 15, n.º 2, p. 998, enero de 2023. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3390/su15020998	spa
dc.relation.references	M. H. M. Ghazali, A. Azmin y W. Rahiman, “Drone implementation in precision agriculture – A survey”, Int. J. Emerg. Technol. Adv. Eng., vol. 12, n.º 4, pp. 67–77, abril de 2022. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.46338/ijetae0422_10	spa
dc.relation.references	B. Al-Rami, K. M. A. Alheeti, W. M. Aldosari, S. M. Alshahrani y S. M. Al-Abrez, “A new classification method for drone-based crops in smart farming”, Int. J. Interact. Mobile Technol. (iJIM), vol. 16, n.º 09, pp. 164–174, mayo de 2022. Accedido el 27 de octubre de 2023. [En línea]. Disponible: https://doi.org/10.3991/ijim.v16i09.30037	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.lemb	Ingeniería Ambiental	spa
dc.subject.lemb	Imágenes- Digital.	spa
dc.subject.lemb	Impacto Ambiental	spa
dc.subject.proposal	UAVs	spa
dc.subject.proposal	RGBs	spa
dc.subject.proposal	Monitoreo Agrícola	spa
dc.subject.proposal	Análisis Multiespectral	spa
dc.subject.proposal	Tratamiento Digital de Imágenes	spa
dc.subject.proposal	Dron	spa
dc.subject.proposal	Agricultural Production	spa
dc.subject.proposal	Crops	spa
dc.subject.proposal	Precision Agriculture	spa
dc.subject.proposal	Orthomosaic	spa
dc.title	Uso de Aeronaves y Tratamiento Digital de Imágenes para Diagnóstico y Rendimiento de la Producción Agrícola	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Trabajo de Grado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion