Estimación de biomasa de maíz forrajero a partir de imágenes de drones y aprendizaje profundo

Abstract

El maíz (Zea mays L.) forrajero es uno de los componentes fundamentales en la alimentación del ganado, por lo que se requiere cuantificar la cantidad de materia verde que se puede cosechar en campo para establecer estrategias de ensilado. En la actualidad, la cuantificación de la materia verde se hace utilizando métodos tradicionales, que no consideran la variabilidad del cultivo, son destructivos y tardados, debido a lo anterior se propone una metodología para estimar biomasa verde de maíz a partir de imágenes multiespectrales de alta resolución y un modelo predictivo basado en una red neuronal artificial (RNA). Para ello, se tomaron 80 muestras georreferenciadas, cada una en un área de medio metro cuadrado obteniéndose las alturas y el peso promedio de las plantas; además se generaron las ortoimágenes del área de cultivo a partir del vuelo del dron Mavic 3M, para el cálculo de los siguientes índices de vegetación NDVI, EVI, GNDVI, WDRVI, CIre, RVI, SAVI, VARI, RGBVI, NGRDVI, ExG, al igual que las bandas R, G, B y el índice de área foliar (LAI). Posteriormente, se obtuvo la matriz de correlación y se aplicó el algoritmo de componentes principales generando una base de datos con seis componentes principales, que se normalizó y se dividió aleatoriamente en entrenamiento con el 90% de los datos y el restante 10% en prueba de la RNA, se generó un modelo predictivo basado en un perceptrón multicapa con las siguientes características, dos capas ocultas con 30 y 5 neuronas respectivamente, con funciones de activación tangente hiperbólica, la capa de salida con una neurona, con función de activación lineal, dicho modelo mostró un buen ajuste entre la biomasa real y la estimada, con un 𝑅 2= 92.9% y un error absoluto medio del rendimiento de 0.3 kg m-1 .