Determinación del estado hídrico del maíz mediante modelos de aprendizaje automático y super resolución en imágenes térmicas

Abstract

La medición de la temperatura del dosel mediante imágenes térmicas infrarrojas es una herramienta confiable para estimar el estrés hídrico, su uso se ve limitado por el alto costo y baja resolución de los sensores. En este estudio, se desarrolló una cámara térmica basada en el sensor MLX90640 (32 × 24 píxeles) y el microcontrolador Teensy 3.6, con tarjeta microSD, instalada a un RPAS y evaluada sobre un cultivo de maíz (Zea mays L.), comparando sus mediciones con un porómetro LI-COR LI-1600 (±0.5 °C). Las imágenes se mejoraron mediante interpolación bicúbica y se fusionaron con imágenes RGB para obtener una resolución de 640 × 480 píxeles, mostrando una variación de temperatura promedio de ∆T = 0.57 °C respecto al sensor de referencia. Posteriormente, se aplicaron técnicas de superresolución guiada, integrando la información radiométrica térmica con el detalle estructural de las imágenes RGB. Las imágenes se redimensionaron, se segmentó el dosel en el espacio de color YCrCb mediante el canal Cr y el umbral de Otsu, generando una máscara binaria del follaje. La fusión con el canal Y se realizó mediante alineamiento por Correlación Mejorada, implementando tres modelos de fusión: Refinamiento Bilateral Conjunto (JBR), Aumento de Resolución Bilateral Conjunto y Filtrado Guiado, siendo JBR el más robusto al preservar la fidelidad radiométrica y coherencia estructural. Con las imágenes mejoradas, se implementaron modelos de aprendizaje automático para predecir el estado hídrico, utilizando radiación solar, humedad relativa, temperatura del dosel y mediciones de humedad del suelo a 20 y 40 cm de profundidad. Los modelos de regresión evaluados fueron: Bosque Aleatorio (RF), Potenciación del Gradiente Extrema (XGB), Maquina de Soporte Vectorial, Redes Neuronales Artificiales y Regresión Multivariada Lineal. El modelo que mejores resultados obtuvo en la estimación del estrés hídrico fue RF con R² = 0.97, MAE = 0.37; RMSE = 1.18 y XGB con R² = 0.96, MAE =1.51; RMSE = 0.31, por lo que la integración de los RPAS con sensores térmicos y el análisis inteligente de datos pude ser una opción viable para caracterizar la variabilidad del estado hídrico del maíz.