Manejo de Drones para Analizar Imágenes Multiespectrales en Agricultura de Precisión
| dc.contributor.advisor | Ramos Catañeda, Marcos Andres | |
| dc.contributor.author | Díaz Jorge, Iván Camilo | |
| dc.contributor.corporatename | Universidad Santo Tomás | |
| dc.contributor.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001356699 | |
| dc.contributor.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001999776 | |
| dc.contributor.orcid | https://orcid.org/0000-0002-2851-2919 | |
| dc.date.accessioned | 2025-07-23T14:41:54Z | |
| dc.date.available | 2025-07-23T14:41:54Z | |
| dc.date.issued | 2025-07-23 | |
| dc.description | El texto examina 25 estudios que resaltan el uso de drones equipados con cámaras multiespectrales y tecnología de teledetección para crear mapas detallados del terreno y evaluar el estado de los cultivos. Estas herramientas permiten a los agricultores tomar decisiones informadas sobre fertilización y riego, optimizando los recursos disponibles y reduciendo los costos operativos. Asimismo, los drones promueven la sostenibilidad, consolidándose como una herramienta esencial en la agricultura moderna. La agricultura de precisión se presenta como un enfoque tecnológico que utiliza datos y herramientas avanzadas, como sensores, GPS e imágenes satelitales, para gestionar eficientemente recursos como agua, fertilizantes y pesticidas. Este enfoque no solo incrementa la productividad de los cultivos, sino que también minimiza los impactos. Además, las imágenes multiespectrales capturadas por sensores especializados recolectan información en longitudes de onda visibles (rojo, verde, azul) y no visibles (infrarrojo cercano, medio y lejano). Estos datos permiten analizar con precisión la salud de los cultivos y las condiciones del suelo, ya que cada material refleja la luz de En este marco, el NDVI (Índice de Vegetación de Diferencia Normalizada) se destaca como una herramienta clave para medir la cantidad y el estado de la vegetación. Este índice se calcula utilizando las reflectancias en las bandas rojas (620-700 nm) y de infrarrojo cercano (750-900 nm). Los sensores multiespectrales, dependiendo de su resolución y propósito, proporcionan datos más precisos que las imágenes visibles (Campbell). Por último, estudios de caso evidencian que el uso de drones mejora la producción de cultivos como el arroz y el café, ya que permite identificar áreas de bajo rendimiento mediante índices como el NDVI, facilitando intervenciones precisas y fomentando una agricultura más eficiente. | |
| dc.description.abstract | The article examines 25 studies that highlight the use of drones equipped with multispectral cameras and remote sensing technology to create detailed land maps and assess crop health. These tools allow farmers to make informed decisions about fertilization and irrigation, optimizing available resources and reducing operating costs. Drones also promote sustainability, establishing themselves as an essential tool in modern agriculture. Precision agriculture is presented as a technological approach that uses data and advanced tools, such as sensors, GPS, and satellite images, to efficiently manage resources like water, fertilizers, and pesticides. This approach not only increases crop productivity but also minimizes impacts. Furthermore, multispectral images captured by specialized sensors collect information in visible (red, green, blue) and non-visible (near, mid, and far infrared) wavelengths. These data allow for accurate analysis of crop health and soil conditions, as each material reflects light. In this context, the NDVI (Normalized Difference Vegetation Index) stands out as a key tool for measuring the quantity and condition of vegetation. This index is calculated using reflectance in the red (620-700 nm) and near-infrared (750-900 nm) bands. Multispectral sensors, depending on their resolution and purpose, provide more accurate data than visible images (Campbell). Finally, case studies show that the use of drones improves the production of crops such as rice and coffee, as it allows for the identification of low-yielding areas using indices such as NDVI, facilitating precise interventions and promoting more efficient agriculture. | |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | Ingeniero Ambiental | spa |
| dc.format.mimetype | application/pdf | |
| dc.identifier.citation | Diaz Jorge I, C. (2024), Manejo de drones para analizar imágenes multiespectrales en agricultura de precisión,[Trabajo de Grado, Universidad santo Tomas]. Repositorio Institucional. | |
| 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/11634/68660 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Santo Tomás | spa |
| dc.publisher.branch | CRAI-USTA Bogotá | |
| dc.publisher.faculty | Facultad de Ingeniería Ambiental | spa |
| dc.publisher.program | Pregrado de Ingeniería Ambiental | spa |
| dc.relation.references | Acuña Huaraca, DS (2023). Uso de sensor multiespectral en arándano Vaccinium corymbosum L. y sus aplicaciones en agricultura de precisión.https://repositorio.lamolina.edu.pe/items/edee52ed-8a21-4caf-bbcc-9a485d069881 | |
| dc.relation.references | AgroNoa. (2023). Argentina, uno de los países más avanzados en Agricultura de Precisión. Recuperado de https://agronoa.com.ar | |
| dc.relation.references | AméricaEconomía. (2023). Argentina se ubica entre los países con mayor agricultura de precisión. Recuperado de https://www.americaeconomia.com | |
| dc.relation.references | Banco Interamericano de Desarrollo (BID). (s.f.). Agricultura de precisión: tecnología para enfrentar el cambio climático. Recuperado de https://blogs.iadb.org | |
| dc.relation.references | Beltrán Nieto, J. R. (2022). Fotogrametría con drones, diferentes usos y aplicaciones en la agricultura de precisión. Universidad Técnica de Babahoyo, Facultad de Ciencias Agropecuarias.https://dspace.utb.edu.ec/bitstream/handle/49000/13192/E-UTB-FACIAG-ING%20AGRON-000449.pdf?sequence=1&isAllowed=y | |
| dc.relation.references | Berrio, V., Alzate, D., & Ramon, J. (2018). Sistema de optimización de las técnicas de planificación en agricultura de precisión por medio de drones. Espacios, 39. https://www.revistaespacios.com/a18v39n45/18394518.html | |
| dc.relation.references | Berrío, V. A., Mosquera, J. T., & Alzate, D. F. (2015). Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. Revista @limentech, Ciencia y Tecnología Alimentaria, 13(1), 28-40. | |
| dc.relation.references | Bonnaire Rivera, L., Montoya Bonilla, B., & Obando-Vidal, F. (2021). Procesamiento de imágenes multiespectrales captadas con drones para evaluar el índice de vegetación de diferencia normalizada en plantaciones de café variedad Castillo. Ciencia y Tecnología Agropecuaria, 22(1), e1578. https://doi.org/10.21930/rcta.vol22_num1_art:1578 | |
| dc.relation.references | Bonilla Mora, KV, Cubillos Varón, JG y Valencia Achuri, PA (2023). Agricultura de precisión para la producción de arroz empleando tecnología para cultivos extensivos, RPAS en el monitoreo y aspersión. Universidad de Cundinamarca.https://repositorio.ucundinamarca.edu.co/handle/20.500.12558/4933 | |
| dc.relation.references | Campbell, J. B., & Wynne, R. H. (2011). Introduction to remote sensing (5th ed.). | |
| dc.relation.references | Castillo Guevara, M. A. (2019). Análisis de imágenes multiespectrales aéreas de una parcela de cultivo de palta [Tesis de pregrado, Universidad Nacional de San Antonio Abad del Cusco]. https://repositorio.unsaac.edu.pe/bitstream/handle/20.500.12918/4765/253T20190694_TC.pdf?sequence=1&isAllowed=y | |
| dc.relation.references | Diaz, J. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. UNIVERSIDAD COMPLUTENSE DE MADRID, 26. https://docta.ucm.es/rest/api/core/bitstreams/8f785b6f-2e22-4d29-a2d2-1e6aae847cd8/content | |
| dc.relation.references | Facchi, A., Sona, G., Passoni, D., Masseroni, D., Ortuani, B., Pinto, L., & Pagliari, D. (2016). Levantamiento multiespectral UAV para mapear el suelo y los cultivos para aplicaciones de agricultura de precisión. Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial. https://isprs-archives.copernicus.org/articles/XLI-B1/1023/2016/ | |
| dc.relation.references | González, A., Amarillo, G., Amarillo, M., & Sarmiento, F. (2016). Drones aplicados a la agricultura de precisión. Revista Especializada en Ingeniería, 10, 23-36. https://hemeroteca.unad.edu.co/index.php/publicaciones-e-investigacion/article/view/1585 | |
| dc.relation.references | Lozano Mayorga, SE y Torres Forero, CA (2019). Implementación de técnicas de agricultura de precisión en el cultivo de café Castillo “Coffea arabica L.” presente en la finca La Portada, vereda San Miguel, Pandi-Cundinamarca.Universidad. https://repositorio.ucundinamarca.edu.co/handle/20.500.12558/2937 | |
| dc.relation.references | Medina, PA, & Niño, JC (2017). Diseño de un modelo de agricultura de precisión utilizando drones y un sistema de captura, almacenamiento y análisis de datos que permite identificar a tiempo la generación de la pudrición del cogollo en cultivos de palma de aceite que se encuentran en los departamentos de Bolívar y Santander. Universidad Distrital Francisco José de Caldas. https://repository.udistrital.edu.co/server/api/core/bitstreams/37610d79-205d-4b24-a456-1ace3367e3ee/content | |
| dc.relation.references | Meneses, V. A. B., Téllez, J. M., & Velasquez, D. F. A. (2015). USO DE DRONES PARA EL ANALISIS DE IMÁGENES MULTIESPECTRALES EN AGRICULTURA DE PRECISIÓN. Limentech Ciencia y Tecnología Alimentaria, 13(1). https://doi.org/10.24054/16927125.v1.n1.2015.1647 | |
| dc.relation.references | Mitsikostas, E. (2017). Monitorización y optimización de tierras con drones y fotogrametría aérea para aplicaciones de precisión en agricultura. Escuela Técnica Superior de Ingeniería Geodésica, Cartográfica y Topográfica. https://riunet.upv.es/bitstream/handle/10251/86353/MITSIKOSTAS%20-%20Monitorizaci%c3%b3n%20y%20optimizaci%c3%b3n%20de%20tierras%20con%20drones%20y%20fotogrametr%c3%ada%20a%c3%a9rea%20para%20apli....pdf?sequence=4&isAllowed=y | |
| dc.relation.references | * Montilla, R., Montilla, G., Pérez, E., Frassato, L., & Seijas, C. (2021). Agricultura de precisión para cultivos de arroz con énfasis en áreas con bajo índice de salud. Revista Facultad Nacional de Agronomía Medellín, 74(1), 9383-9393. https://doi.org/10.15446/rfnam.v74n1.85310 | |
| dc.relation.references | Moreno Toro y Salgado Polo (2018), Análisis de Cultivo de Maíz para Ensilaje utilizando Imágenes desde un UAV. https://ridum.umanizales.edu.co/handle/20.500.12746/3406 | |
| dc.relation.references | M, V. A. B., T, J. M., & Alzate, D. F., V. (2015). Uso de drones para el analisis de imágenes multiespectrales en agricultura de precisión. ojs.unipamplona.edu.co. https://doi.org/10.24054/limentech.v13i1.1600 | |
| dc.relation.references | Ortiz González, B. A., & Hernández Medina, E. (2022). Análisis de imágenes multiespectrales obtenidas en cultivos de arroz para la determinación de anomalías. https://repository.upb.edu.co/handle/20.500.11912/10974 | |
| dc.relation.references | Parra González, VM (2016). Estimación del rendimiento de trigo con imágenes UAV: Aplicación en el contexto de la agricultura de precisión. https://zaguan.unizar.es/record/58585# | |
| dc.relation.references | Planas de Martí, S. (2018). Agricultura de precisión y protección de cultivos. Revista de Ingeniería, 47, 10-19.https://revistas.uniandes.edu.co/index.php/rdi/article/view/7456/7823 | |
| dc.relation.references | Santos, LM, Ferraz, GAS, Barbosa, BDS y Andrade, AD (2019). Utilización de sistemas de aeronaves no tripuladas en agricultura de precisión: una revisión . Revista DYNA https://doi.org/10/dina .v | |
| dc.relation.references | Silva, J. A., & Oliveira, J. L. (2021). Precision agriculture in Brazil: Innovations, challenges, and future perspectives. Agricultural Systems. https://doi.org/10.1016/j.agsy.2020.102766 | |
| dc.relation.references | Udris, M., & Zhang, Z. (2019). Sustainability through precision farming: The role of drones and UAVs in modern agriculture. Agricultural Systems. https://doi.org/10.1016/j.agsy.2019.05.006 | |
| dc.relation.references | Virgues Rodríguez, T. Y., Zabala Rodríguez, A. K., & Valencia Achuri, P. A. (2022). Aplicación de drones como herramienta tecnológica para la transición de la agricultura convencional a la de precisión. Revista de Ciencias Agropecuarias, 1(2), 10-20. https://repositorio.ucundinamarca.edu.co/bitstream/handle/20.500.12558/4681/APLICACI%c3%93N%20DE%20DRONES%20COMO%20HERRAMIENTA%20TECNOL%c3%93GICA%20%20PARA%20LA%20TRANSICI%c3%93N%20DE%20LA%20AGRICULTURA%20CONVENCIONAL%20A%20LA%20%20DE%20PRECISI%c3%93N.pdf?sequence=6&isAllowed=y | |
| dc.relation.references | Zarco-Tejada P.J., Guillén-Climent M.L., Hernández-Clemente R., Catalina, A., González M.R., Martín, P. (2013). Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV). Agric. for. Meteorol. | |
| dc.rights | Attribution-NonCommercial-NoDerivs 2.5 Colombia | en |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.local | Abierto (Texto Completo) | spa |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | |
| dc.subject.keyword | Multispectral sensors | |
| dc.subject.keyword | NDVI indices | |
| dc.subject.keyword | remote sensing | |
| dc.subject.keyword | water stress | |
| dc.subject.keyword | nm (nanometers). | |
| dc.subject.lemb | Ingeniería ambiental | |
| dc.subject.lemb | Imágenes satelitales | |
| dc.subject.lemb | Aplicaciones en agricultura | |
| dc.subject.proposal | Sensores multiespectrales | |
| dc.subject.proposal | índices NDVI | |
| dc.subject.proposal | teledetección | |
| dc.subject.proposal | estrés hídrico | |
| dc.subject.proposal | nm (nanómetros). | |
| dc.title | Manejo de Drones para Analizar Imágenes Multiespectrales en Agricultura de Precisión | |
| dc.type | bachelor thesis | |
| 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 |
Archivos
Bloque original
1 - 3 de 3
Cargando...
- Nombre:
- 2025cartadefacultad.pdf
- Tamaño:
- 438.86 KB
- Formato:
- Adobe Portable Document Format
Cargando...
- Nombre:
- 2025cartadederechosdeautor.pdf
- Tamaño:
- 104.15 KB
- Formato:
- Adobe Portable Document Format
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 807 B
- Formato:
- Item-specific license agreed upon to submission
- Descripción:

