ESTIMACIÓN DE LA SALUD DE CULTIVOS DE CAFÉ

MEDIANTE ANÁLISIS DE IMÁGENES

MULTIESPECTRALES CAPTURADAS EN VEHÍCULOS
AÉREOS NO TRIPULADOS

Trabajo de Grado en
Modalidad de Trabajo de investigación

NATALIA ARTEAGA LÓPEZ

CARLOS ANDRÉS DELGADO CALVACHE

Director: PhD. Cristhian Nicolás Figueroa Martínez

Codirector: PhD. Juan Carlos Corrales
Asesor: Mg. Juan Fernando Casanova

Universidad del Cauca

Facultad de Ingeniería Electrónica y Telecomunicaciones
Departamento de Telemática
Popayán, octubre de 2021
ESTIMACIÓN DE LA SALUD DE CULTIVOS DE CAFÉ
MEDIANTE ANÁLISIS DE IMÁGENES
MULTIESPECTRALES CAPTURADAS EN VEHÍCULOS
AÉREOS NO TRIPULADOS

Natalia Arteaga López

Carlos Andrés Delgado Calvache

Trabajo de grado presentado a la Facultad de Ingeniería Electrónica y

Telecomunicaciones de la
Universidad del Cauca para obtener el título de: Ingeniero en Electrónica y
Telecomunicaciones

Director: PhD. Cristhian Nicolás Figueroa Martínez

Codirector: PhD. Juan Carlos Corrales
Asesor: Mg. Juan Fernando Casanova

Departamento de Telemática
Facultad de Ingeniería Electrónica y Telecomunicaciones
Universidad del Cauca
Popayán, Cauca, 2021
Agradecimientos
Queremos agradecer a Dios por nuestras vidas, a nuestras familias y amigos,
especialmente a nuestros padres y hermanos por su incondicional apoyo y
acompañamiento en esta etapa. Agradecemos a la familia Cerón López por su
cordialidad y acompañamiento. Queremos agradecer a nuestro director el ingeniero
Cristhian Figueroa, nuestro codirector Juan Carlos Corrales y nuestro asesor Juan
Fernando Casanova por su ayuda y guía constante en nuestra investigación.
Resumen
El uso de vehículos aéreos no tripulados (VANT) equipados con cámaras
espectrales se ha incrementado en los últimos años, especialmente en el sector
agrícola, debido a que permite a los agricultores e investigadores analizar el estado
de un cultivo en cuanto a su salud, nutrientes, crecimiento, epidemias, entre otros
parámetros. En Colombia el sector cafetero afronta varios retos, como la necesidad
de incrementar la productividad, el rendimiento y la calidad del café. En este sentido
el presente trabajo estimó el estado de la salud de un cultivo de café de variedad
Castilla ubicado en San Joaquín, Tambo, Cauca con el fin de apoyar la toma de
decisiones de los caficultores. Para ello se midieron datos de clorofila en campo con
el dispositivo CCM-200 plus, se capturaron imágenes multiespectrales con la
cámara MAPIR SURVEY 3 aerotransportada en un VANT SOLO 3DR y se
generaron datos sintéticos con el fin de aumentar el conjunto de datos. Se
obtuvieron 6 índices de vegetación, los cuales, en conjunto con los valores de
clorofila se modelaron a través de la implementación de regresiones lineales simples
y múltiples, árboles de decisión, máquina de vectores, bosque aleatorios y k vecinos
más cercanos. El modelo que presentó el mejor desempeño con el error cuadrático
medio más bajo fue el entrenado con máquina de vectores de soporte. También, se
encontró que los índices que demostraron mejor desempeño en los modelos fueron
el CVI, GNDVI y GCI, los cuales son ampliamente utilizados en la agricultura para
estimar la clorofila de las plantas.

Keywords— Agricultura inteligente, aprendizaje automático, café, imágenes

multiespectrales, índices de vegetación, VANT.
Abstract
The use of unmanned aerial vehicles (UAVs) equipped with spectral cameras has
increased in recent years, especially in the agricultural sector, because it allows
farmers and researchers to analyze the state of a crop in terms of its health,
nutrients, growth, epidemics, among other parameters. In Colombia, the coffee
sector faces several challenges, such as the need to increase coffee productivity,
yield, and quality. In this sense, the present work estimated the health status of a
Castilla variety coffee crop located in San Joaquín, Tambo, Cauca to support coffee
growers' decision-making. For this, chlorophyll data were measured in the field with
the CCM-200 plus device, multispectral images were captured with the airborne
MAPIR SURVEY 3 camera in a VANT SOLO 3DR and synthetic data were
generated to increase the data set. 6 vegetation indices were obtained, which,
together with the chlorophyll values, were modeled through the implementation of
simple and multiple linear regressions, decision trees, vector machine, random
forest, and k closest neighbors. The model that presented the best performance and
gave the lowest error is the one trained with a vector machine, an error mae = 7.85,
in addition it was found that the indices that demonstrated better performance in the
different models were the CVI, GNDVI and GCI, the which are widely used to
estimate chlorophyll.

Keywords—coffee, machine learning, multispectral images, smart agriculture,

vegetation indices, UAV.
Contenido
1. Introducción........................................................................................................................ 16
1.1. Planteamiento del Problema ..................................................................................... 16
1.2 Antecedentes ............................................................................................................. 17
1.3 Motivación................................................................................................................... 17
1.4 Objetivos ..................................................................................................................... 18
1.4.1 Objetivo general ................................................................................................. 18
1.4.2 Objetivos específicos ......................................................................................... 18
2. Estado del arte ................................................................................................................... 20
2.1. Definiciones y conceptos fundamentales ................................................................ 20
2.1.1 Propiedades de la hoja ...................................................................................... 20
2.1.2 Métodos para obtener datos de la salud de la planta medidos en campo .... 20
2.1.3 Agricultura de precisión ..................................................................................... 21
2.1.4 Teledetección ..................................................................................................... 21
2.1.5 Vehículos aéreos no tripulados ......................................................................... 21
2.1.6 Espectro electromagnético ................................................................................ 22
2.1.7 Tipos de Imágenes espectrales ........................................................................ 22
2.1.8 Índices de vegetación ........................................................................................ 22
2.2. Análisis bibliométrico ................................................................................................. 23
2.2.1. Fases metodológicas y herramienta de software ............................................ 23
2.2.2. Búsqueda de conjuntos de datos ..................................................................... 26
2.2.3. Análisis de resultados ........................................................................................ 27
2.3. Trabajos relacionados ............................................................................................... 34
2.3.1 Estudios realizados en Colombia...................................................................... 35
2.3.2 Estudios realizados en otros países ................................................................. 37
2.4 Conclusiones del estado del arte ............................................................................. 38
3. Materiales y métodos ........................................................................................................ 40
3.1. Materiales ................................................................................................................... 40
3.2. Diseño experimental .................................................................................................. 42
3.2.1. Captura de datos ................................................................................................ 43
3.2.2. Preprocesamiento de datos .............................................................................. 55
3.2.3. Modelado de datos............................................................................................. 59
4. Conclusiones ..................................................................................................................... 74
5. Trabajos de futuros ........................................................................................................... 77
LISTA DE FIGURAS

ILUSTRACIÓN 1. FLUJO DE TRABAJO DEL ANÁLISIS BIBLIOMÉTRICO. IMAGEN ADAPTADA DE [31]. ................. 24
ILUSTRACIÓN 2. COMPRENSIÓN Y DISTRIBUCIÓN DEL MAPA ESTRATÉGICO. FUENTE [31] ............................ 25
ILUSTRACIÓN 3. FILTRO DE ETAPAS. FUENTE PROPIA ................................................................................. 27
ILUSTRACIÓN 4. PRIMER PERIODO. FUENTE PROPIA ................................................................................... 28
ILUSTRACIÓN 5. SEGUNDO PERIODO. FUENTE PROPIA ................................................................................ 31
ILUSTRACIÓN 6. DOCUMENTOS DE WOS Y SCOPUS SOBRE IMÁGENES MULTIESPECTRALES DE CULTIVOS DE
CAFÉ. FUENTE PROPIA ....................................................................................................................... 35
ILUSTRACIÓN 7. ETAPAS MODELO CRIPS-DM. FUENTE [250]. .................................................................. 42
ILUSTRACIÓN 8. ETAPAS DISEÑO EXPERIMENTAL. FUENTE ADAPTADA DE [250]. ......................................... 43
ILUSTRACIÓN 9. METODOLOGÍA PARA LA CAPTURA DE DATOS. FUENTE PROPIA. ......................................... 44
ILUSTRACIÓN 10. MONTAJE DEL VANT. FUENTE PROPIA ........................................................................... 45
ILUSTRACIÓN 11.PUNTOS DE POLÍGONO (ROJOS) Y PUNTOS DE CONTROL (VERDES). FUENTE PROPIA. ...... 47
ILUSTRACIÓN 12. NIVEL DE SALUD POR NDVI. FUENTE [262]. ................................................................... 48
ILUSTRACIÓN 13. MAPEO DEL CULTIVO DEL TERRENO. FUENTE PROPIA. .................................................... 48
ILUSTRACIÓN 14.RASTER CALCULATOR DE QGIS. FUENTE PROPIA. .......................................................... 52
ILUSTRACIÓN 15. DISTRIBUCIÓN DE LAS PLANTAS EN EL TERRENO. FUENTE [266] ..................................... 53
ILUSTRACIÓN 16. MUESTREO DE PUNTOS POR HOJA. FUENTE ADAPTADA DE [269]. ................................... 54
ILUSTRACIÓN 17. REVISIÓN DE DATOS. FUENTE PROPIA. ............................................................................ 55
ILUSTRACIÓN 18. ZONA DE MEDIDA DIBUJO. FUENTE ADAPTADA DE [272]. ................................................. 57
ILUSTRACIÓN 19. DIFERENCIA COLOR ENTRE ZONA ALTA (A) Y ZONA MEDIA (B). FUENTE ADAPTADA DE [273].
.......................................................................................................................................................... 57
ILUSTRACIÓN 20. REPORTE DE RESULTADOS DE DATOS SINTÉTICOS OBTENIDOS EN GRETEL. FUENTE
CAPTURA DE LA HERRAMIENTA GRETEL [281]. ................................................................................... 58
ILUSTRACIÓN 21.REPORTE DE CORRELACIÓN ENTRE DATOS DE ENTRENAMIENTO Y SINTÉTICOS. FUENTE
PROPIA ............................................................................................................................................... 58
ILUSTRACIÓN 22. MODELADO DE DATOS. FUENTE PROPIA. ......................................................................... 59
ILUSTRACIÓN 23. RANGOS DE ESTADOS DE NUTRIENTES ADECUADOS PARA LAS HOJAS DE CAFÉ. FUENTE
[252].................................................................................................................................................. 60
ILUSTRACIÓN 24. MAPA DE CALOR DE CORRELACIÓN DE PEARSON. FUENTE PROPIA. ................................ 62
ILUSTRACIÓN 25. DISTRIBUCIÓN ERROR SIN DATOS SINTÉTICOS (A) Y CON DATOS SINTÉTICOS (B). FUENTE
PROPIA. ............................................................................................................................................. 63
ILUSTRACIÓN 26. DATOS REALES (AZUL) Y ESTIMADOS (ROJO) Y CORRELACIÓN DE PEARSON. FUENTE
PROPIA ............................................................................................................................................... 63
ILUSTRACIÓN 27. DISTRIBUCIÓN ERROR ÁRBOL DE DECISIÓN CON DATOS INICIALES (A) E INTEGRANDO
DATOS SINTÉTICOS (B). FUENTE PROPIA ............................................................................................ 65
ILUSTRACIÓN 28. DATOS REALES (AZUL) Y ESTIMADOS (ROJO) Y CORRELACIÓN DE PEARSON. FUENTE
PROPIA. ............................................................................................................................................. 65
ILUSTRACIÓN 29. DISTRIBUCIÓN DEL ERROR DE DATOS DE ENTRENAMIENTO INICIALES (A) Y DATOS
SINTÉTICOS (B) CON MÁQUINAS DE VECTORES. FUENTE PROPIA......................................................... 67
ILUSTRACIÓN 30. DATOS REALES (AZUL) Y ESTIMADOS (ROJO) Y CORRELACIÓN DE PEARSON. FUENTE
PROPIA. ............................................................................................................................................. 67
ILUSTRACIÓN 31. DISTRIBUCIÓN DEL ERROR DE DATOS INICIALES (A) Y DATOS SINTÉTICOS (B) CON BOSQUE
ALEATORIO. FUENTE PROPIA. ............................................................................................................. 69
ILUSTRACIÓN 32. DATOS REALES (AZUL) Y ESTIMADOS (ROJO) Y CORRELACIÓN DE PEARSON. FUENTE
PROPIA. ............................................................................................................................................. 69
ILUSTRACIÓN 33. DISTRIBUCIÓN DEL ERROR DE DATOS INICIALES (A) Y DATOS SINTÉTICOS (B) CON K
VECINOS MÁS CERCANOS. FUENTE PROPIA. ....................................................................................... 71
ILUSTRACIÓN 34. DATOS REALES (AZUL) Y ESTIMADOS (ROJO) Y CORRELACIÓN DE PEARSON. FUENTE
PROPIA. ............................................................................................................................................. 71
ILUSTRACIÓN 35. VALOR REAL Y VALOR DE PREDICCIÓN SEGÚN CADA MODELO. FUENTE PROPIA. .............. 73
LISTA DE TABLAS

TABLA 1. CAMBIO DE CUADRANTE POR TEMAS. FUENTE PROPIA............................................ 33

TABLA 2. RESUMEN COMPARATIVO DE TRABAJOS RELACIONADOS. FUENTE PROPIA. .............. 38
TABLA 3. ESPECIFICACIONES CÁMARA MAPIR SURVEY 3. FUENTE [238] .............................. 40
TABLA 5. ESPECIFICACIONES DEL CLOROFILÓMETRO CCM 200-PLUS [249]. ......................... 41
TABLA 6. VALORES ÍNDICES DE VEGETACIÓN. FUENTE PROPIA .............................................. 50
TABLA 7. VARIACIÓN ESTÁNDAR POR NÚMERO DE MUESTRAS. FUENTE PROPIA ...................... 53
TABLA 8. DESVIACIÓN ESTÁNDAR PROMEDIO DE PUNTOS DENTRO DE CADA HOJA. FUENTE
PROPIA. ..................................................................................................................... 54
TABLA 9. CORRELACIÓN DE PEARSON DE ÍNDICES DE VEGETACIÓN. FUENTE PROPIA ............. 57
TABLA 10. VALORES SPAD Y CCI POR NIVEL DE SALUD. FUENTE ADAPTADA DE DONG T ET AL.,
[249]. ........................................................................................................................ 60
TABLA 11. CORRELACIÓN ENTRE ÍNDICES DE VEGETACIÓN Y CLOROFILA. FUENTE PROPIA ...... 61
TABLA 12. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS CON REGRESIÓN LINEAL
MÚLTIPLE. FUENTE PROPIA.......................................................................................... 62
TABLA 13. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS POR CADA ÍNDICE DE
VEGETACIÓN CON REGRESIÓN LINEAL SIMPLE. FUENTE PROPIA. .................................... 64
TABLA 14. ERROR ÁRBOL DE DECISIÓN CON DATOS INICIALES Y CON DATOS SINTÉTICOS.
FUENTE PROPIA.......................................................................................................... 65
TABLA 15. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS POR CADA ÍNDICE DE
VEGETACIÓN CON ÁRBOL DE DECISIÓN. FUENTE PROPIA................................................ 66
TABLA 16. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS CON MÁQUINAS DE
VECTORES. FUENTE PROPIA. ....................................................................................... 66
TABLA 17. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS POR CADA ÍNDICE DE
VEGETACIÓN CON MÁQUINA DE VECTORES. FUENTE PROPIA .......................................... 68
TABLA 18. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS CON BOSQUE
ALEATORIO. FUENTE PROPIA. ...................................................................................... 68
TABLA 19. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS POR CADA ÍNDICE DE
VEGETACIÓN CON BOSQUE ALEATORIO. FUENTE PROPIA ............................................... 70
TABLA 20. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS CON K VECINOS MÁS
CERCANOS. FUENTE PROPIA ....................................................................................... 70
TABLA 21. ERROR DE DATOS DE ENTRENAMIENTO Y DATOS SINTÉTICOS POR CADA ÍNDICE DE
VEGETACIÓN CON K VECINOS MÁS CERCANOS. FUENTE PROPIA ..................................... 72
TABLA 22. COMPARACIÓN ERRORES Y CORRELACIÓN ENTRE LOS MODELOS. FUENTE PROPIA. 72
TABLA 23. ERRORES POR MODELOS E ÍNDICES DE VEGETACIÓN. FUENTE PROPIA. ................. 73
LISTA DE ACRONIMOS

CCI Chlorophyll Content Index

CVI Chlorophyll Vegetation Index
GCI Green Chlorophyll Index
GNDVI Green Normalized Difference Vegetation Index
NDVI Normalized Difference Vegetation Index
NRVI Normalized Ratio Vegetation Index
NIR Near Infrared
PA Precision Agriculture
PCA Principal Component Analysis
RVI Ratio Vegetation Index
SAVI Soil Adjusted Vegetation Index
SLR Systematic Literature Reviews in Software Engineering
SPAD Soil Plant Analysis Development
UAV Unmanned Aircraft Vehicle
VANT Vehículo Aéreo No Tripulado
VI Vegetation Indexes
ANEXOS

ANEXO A: Configuración del vuelo del VANT.

ANEXO B: Creación de ortomosaicos.
ANEXO C: Obtención de los índices de vegetación con QGIS.
ANEXO D: Archivos con los índices de vegetación obtenidos.
ANEXO E: Desviación estándar de los datos de clorofila por planta.
ANEXO F: Desviación estándar de los datos de clorofila por hoja.
ANEXO G: Datos de entrada para los modelos.
ANEXO H: Reportes de generación de datos sintéticos con Gretel.
ANEXO I: Ejemplo de procedimiento realizado con redes neuronales.
ANEXO J: Artículo y Poster.
ANEXO K: Artículo resultados de la investigación.
ANEXO L: Imágenes multiespectrales obtenidas
CAPÍTULO 1
1. Introducción
1.1. Planteamiento del Problema
El consumo de café a nivel mundial ha incrementado en los últimos años,
obligando a países líderes en la producción de café a mejorar su rendimiento.
Colombia es el único de los cinco primeros países productores de café que aún
no ha podido superar el nivel de producción del año 1991, siendo este, el
máximo valor alcanzado en los últimos 25 años [1]. Esta baja productividad del
café en Colombia es resultado de diferentes problemáticas, tales como: cambio
climático, epidemias, falta de apoyo económico por parte de entidades
gubernamentales, falta de innovación y tecnología, mal manejo de recursos,
entre otros [2]–[5]. La calidad y cantidad de la producción de café dependen del
estado de salud de las plantas, el cual, generalmente es monitoreado de forma
visual por los agricultores; esta observación directa de las plantas es propensa
a errores y no permite conocer de forma global y rápida el estado de salud del
cultivo [6].

Surge entonces, la necesidad de emplear herramientas tecnológicas

económicas que sean capaces de reconocer la salud en los cultivos con mayor
rapidez y precisión. En respuesta a esa necesidad tecnológica, se encuentra la
agricultura de precisión (PA, por sus siglas en inglés). La PA es una estrategia
de gestión agrícola, que apoya al agricultor en sus actividades y en la toma de
decisiones asociadas a la producción de cultivos al utilizar diferentes técnicas
de monitoreo [7]. Esas técnicas permiten observar grandes y pequeñas zonas
de cultivo ya que utilizan tecnologías como los sistemas de información
geográfica, satélites, visión por computador, Vehículos Aéreos No Tripulados
(VANT), entre otros.

En cuanto a la visión por computador, la fuente más usada de imágenes

terrestres para la PA es el satélite, pero este presenta algunas limitaciones tales
como su alta sensibilidad a la variabilidad de las condiciones climáticas, el bajo
monitoreo en tiempo real y la dificultad de obtener resoluciones
espaciotemporales adecuadas. En consecuencia, ha incrementado el uso de
VANT [8]–[10], ya que representan un enfoque prometedor para superar las
limitaciones de la teledetección satelital [11]. El uso de VANT equipados con
cámaras espectrales permite ver parámetros de la vegetación como el nivel del
verdor, cantidad de agua y la diferencia espectral entre la vegetación sana y la
enferma [12], entre otros; para ello se realizan estudios cuantitativos mediante
diversas técnicas como el cálculo de índices de vegetación (VI, por sus siglas
en inglés) [13], [14], que sirven como indicadores del estado de salud del cultivo
[15], [16].
 Existen dos tipos principales de imágenes útiles para el análisis de la salud en
las plantas, las hiperespectrales y las multiespectrales. Las primeras, poseen
varias bandas espectrales de información a través de todo el espectro
electromagnético y se utilizan frecuentemente en aplicaciones de PA y
teledetección [17]–[20], sin embargo son muy costosas para agricultores
pequeños o pequeñas empresas de teledetección [21]. En contraste, las
imágenes multiespectrales son más económicas porque utilizan menos bandas
espectrales, pero también permiten analizar la información del espectro
electromagnético con un nivel aceptable de precisión [22].

¿Es posible estimar el estado de salud de pequeños cultivos de café en el

departamento del Cauca utilizando imágenes capturadas por cámaras
multiespectrales de bajo costo transportadas en VANT?

1.2 Antecedentes
Gracias al proyecto IoT-Agro1 de la universidad del Cauca tenemos la
oportunidad de trabajar con las cámaras multiespectrales Agrocam y Survey 3.
Estas cámaras poseen las bandas rojo, verde e infrarrojo cercano (NIR, por sus
siglas en inglés), con las cuales podemos hallar índices de vegetación como el
Índice de vegetación de diferencia normalizada (NDVI, por sus siglas en inglés),
el Índice de vegetación de diferencia normalizada verde (GNDVI, por sus siglas
en inglés) y el Índice de vegetación ajustado al suelo (SAVI, por sus siglas en
inglés), los cuales ayudan a analizar el estado de salud de un cultivo.

1.3 Motivación
En Colombia, los caficultores se enfrentan a varios desafíos, entre ellos la falta
de apoyo económico por parte de entidades gubernamentales, recursos
limitados y bajo acceso a tecnologías que optimicen sus actividades [23]. Estas
limitaciones se pueden abordar desde diferentes puntos, sin embargo, desde el
ámbito tecnológico es necesaria una solución eficiente, económica, accesible y
que sea fácil de implementar.

Una de las tecnologías más usadas y menos costosas para optimizar la gestión
agrícola, son los VANT, ya que estos equipados con cámaras multiespectrales
permiten ver la diferencia espectral entre la vegetación sana y la enferma [13],
[24]. Al hacer uso de VANT equipados con cámaras multiespectrales para
analizar cultivos de café se debe tener en cuenta la variedad de suelos, entornos
y el tratamiento que se le da. Por consiguiente, pequeñas variaciones en dichas
condiciones pueden representar un impacto en las diferentes características
presentes en los cultivos y el análisis de su reflectancia [15], [25], [26]. Por

1
IoT-Agro: Alternativas Innovadoras de Agricultura Inteligente para sistemas productivos
agrícolas del departamento del Cauca soportado en entornos de IoT [312].
 ejemplo, es diferente analizar cultivos de café bajo sistemas agroforestales a
cultivos de libre exposición ya que crecen en diferentes microclimas.

Por estas razones, la presente investigación se enfocó en el estudio del estado

de salud de cultivos de café a través del análisis de imágenes obtenidas de las
cámaras multiespectrales Agrocam y Survey 3 transportadas en VANT, con el
fin de crear herramientas que a futuro permitan apoyar al caficultor en el
monitoreo de la salud general de sus cultivos de una forma global y rápida,
ahorrando recursos, tiempo y dinero.

1.4 Objetivos
1.4.1 Objetivo general

Estimar el estado de salud de cultivos de café mediante el análisis de

imágenes multiespectrales capturadas por vehículos aéreos no tripulados.

1.4.2 Objetivos específicos

1. Calcular índices de vegetación de un cultivo de café a partir de imágenes

capturadas por cámaras multiespectrales transportadas en VANT.
2. Crear un modelo basado en aprendizaje automático que permita
relacionar los índices de vegetación con datos de la salud de la planta
medidos en campo.
3. Evaluar la precisión del modelo creado para conocer la salud de un
cultivo.

1.5 Estructura del documento

Este documento ha sido dividido en los capítulos descritos a continuación.

o Capítulo 1: expone las bases del presente trabajo de grado, presenta el

planteamiento detallado del problema, la motivación del tema del trabajo
y define los objetivos y aportes investigativos del trabajo.
o Capítulo 2: describe una base conceptual para entrar en contexto en torno
a los conceptos básicos y artículos relacionados que tienen que ver con
la agricultura, las cámaras multiespectrales y las aeronaves no tripuladas.
o Capítulo 3: presenta la recolección bibliométrica con la herramienta Sci-
mat y la revisión sistemática de literatura (SLR, por sus siglas en inglés)
[27] en ingeniería de software a través de la metodología de Kitchenham
[28], [29].
o Capítulo 4: presenta el desarrollo del modelo de estimación de la salud de
cultivos de café.
 o Capítulo 5: presenta la experimentación y resultados, donde se hacen
pruebas del funcionamiento del algoritmo.
o Capítulo 6: se presentan las conclusiones y trabajos futuros de la
investigación.
En este capítulo se explicaron las bases y fundamentos del presente trabajo de
grado, se realizó el planteamiento del problema, la motivación, justificación, además
de los objetivos y aportes investigativos del trabajo.
CAPÍTULO 2
2. Estado del arte
En este capítulo se expone el análisis bibliométrico y sistemático realizado. El cual
se focalizó en las investigaciones relacionadas con el empleo del espectro
electromagnético en el sector agrícola. Para el análisis bibliométrico se utilizó la
herramienta SciMAT [27], [28], [30] y para la revisión sistemática de literatura se
siguieron las guías propuestas por Kitchenham [28], [30].

2.1. Definiciones y conceptos fundamentales

2.1.1 Propiedades de la hoja

La detección remota de la cobertura de cultivos se fundamenta en algunas

propiedades que tienen las hojas al interactuar con la radiación solar. Se
presentan a continuación estas propiedades de acuerdo con el trabajo de
Gómez, K [15].
o Estructura de la hoja: en el campo de la teledetección, muchas de las
aplicaciones en la agricultura dependen de la comprensión de las
propiedades espectrales de las plantas y cada una de sus partes.
Aunque la estructura de la hoja no es igual en todas las plantas,
existen ciertos elementos comunes a la mayoría, como la epidermis
superior, la epidermis inferior, el tejido empalizado y el tejido
esponjoso [15].

o Comportamiento espectral de la hoja viva: las características

espectrales de la hoja cambian con la madurez o estrés en las plantas,
estos cambios aparentemente ocurren simultáneamente en las
regiones visibles e infrarrojo, lo cual permite realizar estudios de
vegetación como por ejemplo: conocer el estado de madurez y salud
de la planta, saber que zonas poseen superficie vegetativa viva e
identificar si hay escasez de humedad [15].

2.1.2 Métodos para obtener datos de la salud de la planta medidos en campo

Para la obtención de datos de la salud de la planta existen diversos métodos,

uno de ellos es el cálculo del índice del área foliar [31]. Otros métodos
requieren de pruebas en laboratorio, por ejemplo, calcular el contenido
hídrico relativo [32] y el nivel de clorofila presente en una planta utilizando
dimetilsulfóxido [33]. También existe la posibilidad de determinar los niveles
 de clorofila a través de una medición portátil con dispositivos electrónicos
como lo es el CCM-200 plus [34].

2.1.3 Agricultura de precisión

La Agricultura de Precisión (PA, por sus siglas en inglés) es el conjunto de
técnicas y tecnologías que se aplican al trabajo realizado entorno a la
agricultura, con el fin de optimizar el rendimiento, precisión y eficacia de
producción de los cultivos. Para ello utiliza la teledetección usando
dispositivos remotos como satélites, vehículos aéreos no tripulados (VANT),
sensores, imágenes y datos geográficos; que reúnen información de utilidad
para el agricultor, además de ser amigables con el medio ambiente [35]–[37].

2.1.4 Teledetección
Permite adquirir y recolectar información global a distancia [38]. Al no tener
que entrar en contacto físico con el entorno, se observan ventajas de
optimización de tiempo y cuidado del medio ambiente, ya que no requiere de
pruebas invasivas al cultivo. Algunos de los métodos más utilizados para la
teledetección son los satelitales, cámaras espectrales, VANT e imágenes
laser (LIDAR, Light Detection and Ranging o Laser Imaging Detection and
Ranging), entre otros, en donde se pueden evaluar valores de temperatura,
humedad y luminosidad [39]–[41].

2.1.5 Vehículos aéreos no tripulados

Los VANT, pueden ser controlados de forma remota y ofrecen una gran
cantidad de aplicaciones en diferentes sectores como agricultura, seguridad,
monitoreo ambiental, cobertura y desarrollo de vegetación, entre otros [42].
También, al combinarse con sensores de imágenes, rango y posicionamiento
forman un sistema que brinda grandes ventajas y beneficios en las
actividades agrícolas; al adquirir de forma rápida y fácil datos de campo para
el monitoreo y manejo de recursos, nutrientes, herbicidas, entre otros [9], [11],
[12].
En este trabajo de grado se hizo uso del VANT Solo de 3DR, el cual funciona
con cuatro motores y cuatro hélices. A través del uso de un computador se
controla la navegación, la altitud y las comunicaciones del vuelo; las entradas
de control se reciben mediante la red de Wi-Fi segura de 3DR Link. Solo
cuenta con un procesador de 1GHz, un motor de 880 KV, batería de 14.7 V
5200-mAh L polímero de Litio, dimensiones de 25 cm x 46 cm y un peso de
1,5 kg [43].
2.1.6 Espectro electromagnético
Es un conjunto de radiaciones electromagnéticas que difieren entre sí por su
frecuencia. El espectro de un objeto se refleja y absorbe en la distribución
característica de su radiación electromagnética [44].

2.1.7 Tipos de Imágenes espectrales

o Imagen multiespectral: es un tipo de imagen que captura datos dentro
de rangos de longitud de onda específicos a través del espectro
electromagnético. En la agricultura de precisión se utiliza la banda del
infrarrojo cercano y el rojo visible [45].
o Imágenes hiperespectrales: es una imagen que posee varias bandas
espectrales de información, contiguas entre sí, a través de todo el
espectro electromagnético [46]. Estas imágenes tienen diferentes
usos, tales como: identificación y vigilancia de cultivos, identificación
de minerales, calidad y seguridad de alimentos, entre otros [19], [20].

2.1.8 Índices de vegetación

Los índices de vegetación(VI, Vegetation Indexes) son producto de varios
valores espectrales que son operados para producir un simple valor que
indique la cantidad o vigor de vegetación dentro de un píxel [15]. Se
presentan a continuación algunos de los índices de vegetación más
relevantes de acuerdo con el reporte de ADSU [47].
o Índice de vegetación de diferencia normalizada (NDVI, Normalized
Difference Vegetación Index): el NDVI es útil para detectar la
capacidad viva, verde o fotosintética de las plantas. Para esto mide la
diferencia entre el infrarrojo cercano (que refleja fuertemente la
vegetación) y la luz roja (que la vegetación absorbe). Es un índice útil
para identificar rápidamente las áreas de vegetación y su condición.
Este índice puede utilizarse para analizar los cultivos en todas las
etapas del crecimiento [48]–[50].
o Índice de vegetación de diferencia normalizada verde (GNDVI, Green
Normalized Difference Vegetation Index): el GNDVI es sensible a las
variaciones de clorofila en el cultivo. Es útil para evaluar biomasa,
nitrógeno, actividad fotosintética, madurez o estrés en las plantas.
Para ello opera la banda visible verde y la banda infrarrojo cercano
[51], [52].
 o Índice de vegetación de cociente normalizado (NRVI, Normalized
Ratio Vegetation Index): el NRVI reduce los efectos del suelo y la
topografía, factores de luminosidad y los efectos atmosféricos [12].
o Índice de vegetación simple (RVI, Ratio Vegetation Index): el RVI es
sensible a la topografía del terreno y poco sensible a la luminosidad
[12].
o Índice de clorofila verde (GCI, Green Chlorophyll Index): el GCI se
utiliza para estimar el contenido de clorofila de las hojas teniendo en
cuenta las bandas verdes e infrarrojas cercanas [10].
o Índice de vegetación de clorofila (CVI, Chlorophyll Vegetation Index):
el CVI presenta sensibilidad al contenido de clorofila. Se utiliza del
principio a mitad del ciclo de crecimiento de un cultivo. La mayor
sensibilidad del índice a la concentración de clorofila en la hoja se
debe al trabajar con los colores rojo y verde [53].

2.2. Análisis bibliométrico

2.2.1. Fases metodológicas y herramienta de software

Para realizar el análisis bibliométrico se utilizó la herramienta de mapeo
científico de código abierto SciMAT [30]. El mapeo científico permite a los
científicos realizar análisis de la evolución del entorno científico [54] y también
muestra cómo los campos, documentos y autores individuales se relacionan
entre sí [55], [56]. El mapeo científico realizado se centró en estudiar los
avances en el análisis de imágenes multiespectrales obtenidas por VANT de
cultivos. La Ilustración 1 muestra los pasos seguidos, los cuales son descritos
a continuación.
 Ilustración 1. Flujo de trabajo del análisis bibliométrico. Imagen adaptada
[30].
Recuperación de datos: esta investigación eligió la base de datos
bibliográfica Web of Science (WoS) para construir un conjunto de datos, dado
que es una de las bases de datos científicas más importantes. En este punto,
la revisión entregó 10.999 documentos relacionados con la cadena de
búsqueda "AGRICULTURA Y (ESPECTRAL O MUSLTISPECTRAL O
HIPERSPECTRAL)", entre los años 2008 y 2019. Cabe resaltar que este
revisión se realizó al inicio del trabajo de grado, en 2019, por eso los estudios
se analizaron hasta ese año.

o Preprocesamiento: para realizar el preprocesamiento es necesaria la

reducción de datos, para ello se establece un umbral de frecuencia mínima,
dicho umbral es de tres citas, es decir, para que los documentos sean tenidos
en cuenta, estos deben haber sido citados 3 veces.
o Diseño de red de unidades de análisis y normalización: se pueden establecer
varias relaciones entre las unidades de análisis, estas se pueden representar
como una red; donde autores, revistas, referencias, términos o documentos,
se representan como nodos. Se estableció la red, en base a la concurrencia,
con el fin de obtener aquellas que manejan relaciones por documentos,
autores, términos y referencias.

o Mapeo científico: en la construcción del mapa, el algoritmo de agrupación

permite identificar clústeres de temas y sus agrupaciones asociadas,
incluidos los requisitos analizados y la información bibliográfica relacionada.

o Esquemas de visualización y análisis: los investigadores pueden observar el

comportamiento de publicaciones, autores y referencias en diferentes áreas
relacionadas con el uso de VANT y el análisis de imágenes multiespectrales,
aplicadas en la agricultura. El análisis se realiza detectando patrones y
tendencias en temas de investigación relacionados, para ello, los autores
agrupan palabras y términos similares o estrechamente relacionados. Se
elaboró un diagrama mostrando los grupos organizados por circunstancias,
centralidad y densidad de las esferas en un plano cartesiano como se
observa en la Ilustración 2. La centralidad mide el grado de conexión de una
red con otra y el nivel de participación.

o Interpretación visual: los resultados fueron identificados de acuerdo con los

temas, áreas, campos, disciplinas y esquemas teóricos sobre el
conocimiento y la evolución científica del uso de VANT y análisis de
imágenes multiespectrales aplicadas en agricultura.

Ilustración 2. Comprensión y distribución del mapa estratégico. Fuente [30]

2.2.2. Búsqueda de conjuntos de datos
La cadena de búsqueda “AGRICULTURA Y (ESPECTRAL O
MULTISPECTRAL O HIPERSPECTRAL)” ejecutada en el motor de
búsqueda avanzada de la base de datos WoS entregó 10,999 documentos.
Este corpus fue cargado en la herramienta SciMAT para desarrollar la
metodología propuesta en el apartado anterior. La Ilustración 3, muestra el
número de documentos resultantes de los filtros.
o Primer filtro: se seleccionaron los clústeres generados por la
herramienta SciMat relacionados con el tema de investigación. Se
eliminaron las referencias con menos de cinco citas, excepto las
publicadas a partir del 2018. Dando como resultado un total de 856
documentos.

o Segundo filtro: se seleccionaron los títulos que estaban relacionados

con el tema de investigación, obteniendo 372 documentos.

o Tercer filtro: el estudio fue enfocado en el uso de tecnologías como los

VANT y las imágenes multiespectrales por lo cual se optó por eliminar
aquellos que hicieran uso de imágenes satelitales o imágenes
hiperespectrales.

o Cuarto filtro: se seleccionaron los documentos con mayor relación con

el tema de investigación. De los 125 documentos obtenidos sólo uno
fue realizado en Colombia, más no hablaba de café, por esa razón se
procedió a realizar la búsqueda mencionada en la sección 2.3 Trabajos
relacionados.
 Ilustración 3. Filtro de etapas. Fuente propia
2.2.3. Análisis de resultados
En diciembre de 2015, la Convención Marco de las Naciones Unidas sobre el
Cambio Climático (CMNUCC) firmó el Acuerdo de París [57], cuyo objetivo es
mantener el aumento de la temperatura mundial por debajo de 2˚C en los
niveles preindustriales y limitar el aumento de temperatura a 1,5 ˚C. Por ello,
el Panel Intergubernamental sobre Cambio Climático (IPCC) publicó el informe
especial sobre calentamiento global de 1,5 ° C, donde proponen la introducción
de energías renovables, una mejor gestión de residuos y la reducción de la
demanda energética, entre otras cosas, con el fin de fortalecer la respuesta
global a la amenaza del cambio climático [58].
El cambio climático y las medidas que toman los gobiernos para enfrentarlo
son fundamentales para la agricultura y su gestión. Por lo anterior, el acuerdo
de París fue la referencia para dividir el análisis en dos periodos de tiempo,
2008-2015 y 2016-2019.
Según el contexto desarrollado se explican a continuación los mapas
estratégicos presentes según los periodos de tiempo en la Ilustración 4 y la
Ilustración 5.
 Ilustración 4. Primer periodo. Fuente propia
En el primer cuadrante se encuentran los temas motores, aparecen los
términos “índices de vegetación” y “teledetección” los cuales fueron descritos
en la sección 2.1 Definiciones y conceptos fundamentales. Términos como la
“espectroscopía”, “infrarrojo medio” y “visión por computadora” representan
tecnologías no invasivas utilizadas para el análisis de cultivos o terrenos en
la agricultura, las cuales no contaminan ni destruyen el medio ambiente y son
consideradas como rápidas, confiables y precisas [10], [59], [60]. La revisión
bibliográfica realizada con los resultados arrojados por SciMat destaca el uso
de estas tecnologías, por ejemplo, en el análisis de la calidad y madurez de
la vegetación, además permiten monitorear componentes como el carbono,
calcio y nitrógeno en diferentes terrenos, cultivos y alimentos [61]–[70].
También, aparecen palabras representativas de los cultivos de canola [71]–
[75], carne [76]–[78], manzana [79]–[81], bosques [82]–[84], remolacha [85]–
[87] o maíz [88], [89], los cuales son tipos de vegetación o alimentos
altamente estudiados.
Los temas de alto desarrollo encontrados en el segundo cuadrante son más
especializados. Por ejemplo se agrupan investigaciones en torno al metal, en
donde se analizan el comportamiento de ligandos y complejos metálicos
mediante la síntesis y caracterización de metales como el zinc, el cobre y el
cobalto [90]–[92]. En concordancia con lo visto en el primer cuadrante, la
espectroscopía es ampliamente utilizada en diferentes campos. Por ejemplo,
en la salud, es aplicable para detectar e identificar alteraciones y cambios en
los tejidos biológicos relacionados con el cáncer y fármacos para combatirlo
[93], [94].
Por otro lado, diversas investigaciones se centran en conocer la calidad y
estado de salud en productos alimenticios, analizando si han sido afectadas
por virus [95] o por insectos [96]–[99]. Partes importantes de análisis de las
plantas para detectar dichas problemáticas, son la piel de los alimentos
[100]–[102], las hojas y el suelo del cultivo; como se menciona en los términos
encontrados en el primer cuadrante del segundo periodo.
La separación de periodos de tiempo están estrechamente relacionados con
el cambio climático, los periodos de sequias pueden llevar a la muerte a
muchos árboles, por ende, las imágenes multiespectrales pueden ayudar a
encontrar tendencias para identificar las medidas de mitigación que se
pueden realizar [103]. Además, aparecen componentes como el hierro [104],
hidrogeno [105], [106] y el nitrógeno nuevamente, por ejemplo, se puede
conocer o estimar la cantidad de nitrógeno presente en una planta al
establecer una relación entre la materia seca y el contenido de nitrógeno en
las hojas [107].

El tercer cuadrante recalca la importancia de la teledetección y los países

que sobresalen en este campo investigativo, como lo son Brasil [108]–[111]
y China [112]–[114]. Se destaca en la teledetección el uso de tecnologías
como los sistemas de información geográfica [115]–[117], VANT [118]–[121]
y las imágenes espectrales ya que permiten una fácil manipulación de una
gran cantidad de datos y superar las limitaciones de las medidas en tierra.
Las imágenes hiperespectrales en conjunto con el uso de filtros permiten
crear un sistema para la captura de imágenes de alta calidad con parámetros
óptimos de trabajo [122].

En el ámbito de la teledetección y la agricultura de precisión, la

espectroscopía es bastante utilizada. Por ejemplo, se destaca la
identificación de polímeros en objetos que precisan de conservación, es difícil
por los métodos convencionales ya que son destructivos, por esta razón el
uso de espectroscopia de infrarrojo cercano puede ser una solución viable
para este proceso. Este mecanismo requiere una base de datos amplia para
tener la capacidad de distinguir una mayor cantidad de polímeros, y tiene
limitaciones para objetos con una reflexión limitada en la región NIR [123],
[124].

Un término relevante en el tercer cuadrante es “algoritmo”. Los algoritmos

pueden ser utilizados para un sinfín de propósitos. Algunos ejemplos de uso
en la agricultura son: detectar la contaminación por Frass (excremento de
insectos) [125]; estimar el volumen forestal, utilizando una combinación de
datos ópticos remotos y de escáner laser [126]; estudiar las variaciones en la
fotosíntesis, el rendimiento y el crecimiento de la planta con diferente
concentración de nitrógeno [127] e identificar unidades litológicas [128],
[129].

También, el tercer cuadrante muestra el término “salinidad”, ya que en

algunas ocasiones es necesario el uso de agua salada para hidratar los
cultivos, esto puede generar reacciones negativas en las plantas
dependiendo del nivel de tolerancia, por esta razón es importante conocer en
qué momento el nivel de sal no es adecuado [130]–[132].

Como último término a analizar en el tercer cuadrante, se encuentra la

palabra “rata” (mouse-rat). Al usar una técnica de imagen de reflectancia
difusa multiespectral para calcular los coeficientes óptico corticales de los
cerebros de rata expuestos, se logra conocer los cambios espaciotemporales
de la hemodinámica cerebral y la morfología del tejido cortical al mismo
tiempo, esto se podría aplicar en cirugía cerebral, para monitorear las
funciones cerebrales [133].

Finalmente, en el cuarto cuadrante, el análisis de imagen es uno de los

términos más abarcados. Este hace parte de todo sistema de teledetección,
pero puede hacerse de muchas formas y para diferentes propósitos, como el
cálculo de clorofila en las hojas de un cultivo a partir de imágenes RGB [134],
o para mapear y caracterizar vegetación [135], [136]. También es posible
identificar y caracterizar alimentos como la carne con la ayuda de imágenes
multiespectrales [137]. Las imágenes y datos espectrales facilitan el trabajo
de monitorear el estado de los cultivos en sus diferentes etapas, por ejemplo,
al analizar lotes tanto en cosecha como en pos-cosecha se puede controlar
el estado de envejecimiento de los lotes usando espectroscopia NIR [138],
[139]. Por otro lado, las imágenes espectrales en conjunto con algoritmos de
aprendizaje supervisado y no supervisado permiten identificar el estrés,
maduración y calidad de un cultivo, entre otros parámetros [140]–[142].

En los algoritmos, las redes neuronales se pueden emplear para separar

alimentos según su tiempo de maduración [143], identificar el estado de salud
[144] o predecir el rendimiento y crecimiento de un cultivo; con datos de las
malezas, elevación e imágenes multiespectrales [145]. Continuando con el
análisis de alimentos, los métodos de fluorescencia tienen potencial para
evaluar y cuantificar de forma rápida y no destructiva el estado de salud,
maduración, calidad y parámetros microbianos de varios productos crudos y
procesados. Todo esto con el fin de ayudar a la industria alimentaria a reducir
costos y mejorar los controles y seguimiento de alimentos [146]–[150].

El suelo es un factor clave en la agricultura, por ejemplo, el carbono orgánico

del suelo (COS) tiene una relación directa con la sustentabilidad de cultivos
presentes en ese espacio, por esta razón es importante estimar los niveles
de COS en el suelo con tecnologías rápidas y eficientes [64], [151]–[153].
 Ilustración 5. Segundo periodo. Fuente propia
En el primer cuadrante del segundo periodo, como método de análisis, se
destaca la regresión de mínimos cuadrados parciales (PLSR). Este tiene
diferentes aplicaciones en el contexto de la agricultura, principalmente para
analizar componentes específicos de productos alimentarios [154]–[156].
Otra tecnología de alto uso en la teledetección aplicada a la agricultura son
los satélites. Las imágenes satelitales tienen un gran potencial en el
seguimiento y caracterización de enfermedades de cultivos e insectos que
afectan grandes áreas [157], [158]. Al procesar dichas imágenes se puede
obtener la caracterización y cuantificación de atributos de un terreno,
optimizando así el trabajo y toma de decisiones de los agricultores [159]–
[161].

La calidad, salud y seguridad de los alimentos son de gran importancia para

las personas. Llevar un estilo de vida saludable con una nutrición adecuada
requiere que los productos consumidos estén en excelentes condiciones y
procurar la protección del medio ambiente, por ejemplo, al reducir el
desperdicio de agua en el riego [60], [162], [163] o al detectar y predecir
enfermedades de forma no invasiva [164]–[166]. La industria alimentaria
busca crear productos de alta calidad utilizando tecnologías sostenibles
[167]–[170] para evaluar el suelo del terreno o las hojas de los cultivos para
estimar salud o componentes esenciales como carbono, nitrógeno y
humedad [171]–[175].
En el segundo cuadrante, se encuentran temas tratados previamente, las
plagas, en relación con las enfermedades e insectos, afectan la calidad y el
estado sanitario de los cultivos, generando gran preocupación para la
humanidad. Por lo tanto, varias investigaciones se han centrado en la
creación y desarrollo de técnicas de detección más allá de los métodos
tradicionales para proporcionar una evaluación rápida y no destructiva de la
vegetación [99], [66], [100] - [102].
En el grupo “flower”, el girasol es uno de los términos más comunes. Un
ejemplo es el uso de espectroscopía e imágenes VIS o NIR para analizar la
salud de las hojas de girasoles de una manera no destructiva, rápida y
consistente [176], [177].
Como se ha mencionado, el análisis de los componentes y elementos de un
cultivo es un motor principal en la agricultura; el fósforo, el nitrógeno y el
carbono, son elementos comunes para monitorear y analizar los cultivos
[178], [179]. Temáticas aisladas, en donde también se analizan elementos
particulares, como el estudio de la actividad antimicrobiana para aplicaciones
en medicina [180],[181] y las propiedades antioxidantes de hierbas,
alimentos y cultivos [182], [183]. Al aislar los componentes de los hongos,
como las depsidonas y los metabolitos, se investigan compuestos obtenidos
con propiedades antibacterianas, antioxidantes y citotóxicas, que ayudan a
crear un arsenal contra bacterias resistentes a múltiples fármacos [180],
[184], [185].
En el tercer cuadrante, de temáticas emergentes o en declive, se encuentran
varios métodos y tecnologías aplicadas para el estudio de materia biológica.
Investigadores analizan las propiedades ópticas dependientes del tiempo y
del espectro del material biológico para evaluar su firmeza, salud o calidad
[186]–[189]. El uso de la frecuencia con fines de investigación es extenso ya
que permite evaluar e identificar el comportamiento de diferentes fenómenos
y seres. Por ejemplo, la frecuencia puede utilizarse para rastrear cómo
cambia el estado de la planta según las condiciones ambientales [190] para
caracterizar y diferenciar cultivos [191].
Se pueden observar otros términos como la madera, los árboles y el pescado.
A continuación, se expone lo principal de cada uno. Para la madera se suelen
usar imágenes espectrales para analizar las modificaciones químicas y
cambios en la composición de la madera cuando se expone a diferentes
ambientes [192]–[195]. Por otro lado, diferentes investigaciones analizan los
componentes y aspectos del árbol para caracterizar y diferenciar unas
especies de otras. Además, pueden monitorear y estimar el estrés hídrico,
índice de área foliar, clorofila y biomasa, entre otros [196], [197], [206], [198]–
[205].
El pescado es un alimento muy demandado a nivel mundial, de ahí la
importancia de analizar su calidad e inocuidad. La espectroscopia, las
técnicas de aprendizaje automático, el análisis de imágenes multiespectrales
e hiperespectrales representan alternativas rápidas, precisas y no invasivas
para monitorear, estimar o predecir factores relacionados con la calidad y
salud de los peces [155], [207]–[210].

Por último, en el cuarto cuadrante, en el área de temas transversales, se

pueden observar términos como hortalizas; tratando de analizar la calidad,
inocuidad y desempeño de alimentos, como frutas y verduras, aplicando
tecnologías como espectroscopia infrarroja media FT (FT-MIR) [211],
imágenes espectrales [167] y luces LED [212]. Por otro lado, están los temas
generales como la discriminación, el fenotipo y los algoritmos. Los algoritmos
de aprendizaje automático como se ha mencionado anteriormente se han
aplicado para analizar, discriminar y estimar diferentes factores y atributos de
un terreno, vegetación o alimento. Para discriminar plantas enfermas de
alimentos sanos, de baja calidad o alterados, diferentes investigaciones han
analizado el estrés de la planta, su salud, madurez y calidad a través de
imágenes hiperespectrales [166], [213]–[215]. En la aplicación de fenotipado
de plantas de alto rendimiento [216], el uso de reflectancia espectral [217],
[218], VANT [219]–[221], entre otras tecnologías, se desarrollan soluciones
no intrusivas y con seguimiento de alto rendimiento de las características
fisiológicas de las plantas.
Tabla 1. Cambio de cuadrante por temas. Fuente propia

Cuadrante 1° Cuadrante 2°
Tema periodo periodo

VEGETATION-INDEXES 1 1

COMPUTER-VISION 1 1

MATURITY 1 3

CLIMATE-CHANGE 3 3

ALGORITHM 3 4

DRONES 3 1

En la Tabla 1 se observa el cambio de cuadrante por tema principal

relacionado con el tema de investigación propuesto en este trabajo. El tema,
índices de vegetación continúa siendo un tema motor al igual que la visión
por computadora, lo que indica que son temas con relevancia y de interés
investigativo.
 La madurez, al pasar del 1° al 3° cuadrante demuestra ser un tema en declive
por lo cual está dejando de ser un foco importante de investigación. Por el
contrario, drones pasa del 3° al 1°, lo cual denota que es un tema en
crecimiento que terminó siendo un tema motor, esto implica que es una
temática en auge, con potencial crecimiento y que es un buen tema para
seguir investigando. Cabe destacar que el factor cambio climático,
fundamento de la división temporal, sigue en el mismo cuadrante
(crecimiento o declive), al ser algo importante y de gran impacto al planeta
se podría concluir que es un tema en crecimiento.
Por último, como se mencionó en conclusión a la Ilustración 3, ninguno de
los 125 documentos resultantes estudiaba el café, y fueron realizados en
Colombia, por esa razón se procedió a realizar la búsqueda mencionada en
la sección 2.3. Trabajos relacionados.

2.3. Trabajos relacionados

Adicionalmente al análisis bibliométrico realizado se ejecutó la búsqueda
bibliográfica con el filtro de búsqueda “Multispectral and Coffee” sin restricción
de años, en las bases de datos WOS y Scopus, se encontraron 21 y 30
documentos respectivamente, de los cuales se descartaron aquellos
documentos que no se relacionaban con el tema de investigación o estaban
duplicados, obteniendo así, solamente 22 estudios que analizaban cultivos de
café a través de imágenes multiespectrales. De estos estudios ninguno fue
realizado en Colombia, como puede observarse en la Ilustración 6.

Por esta razón, se expande la investigación al revisar los 536 resultados de la

cadena de búsqueda “Multispectral and Coffee and Colombia” en Google
Scholar, sin embargo, solamente se encontraron dos estudios enfocados en
cultivos de café en Colombia [6], [222], en los cuales, ninguno utilizó una cámara
multiespectral comercial, probada a nivel industrial, sino una construcción
científica en laboratorio basada en Raspberry Pi 2 [6] e imágenes satelitales
[222]. Cabe destacar que en dicha búsqueda se encontraron investigaciones de
imágenes multiespectrales en Colombia de otros cultivos que contribuyeron a la
construcción de esta sección. A continuación, se presenta la descripción de los
trabajos más destacados en el estudio de imágenes multiespectrales de cultivos
agrícolas, clasificados en: realizados en Colombia y realizados en otros países.

2
Raspberry Pi es un minicomputador de placa simple, creado inicialmente para incentivar la enseñanza de la
informática.
Ilustración 6. Documentos de WOS y Scopus sobre imágenes multiespectrales de
cultivos de café. Fuente propia

2.3.1 Estudios realizados en Colombia

En esta sección se presentan estudios de cultivos agrícolas que hacen uso
de VANT e imágenes multiespectrales realizados en Colombia.

2.3.1.1 Estudios de café

o En la investigación de J. M. Castrillón Cuervo et al., [223] desarrollaron un

algoritmo de segmentación (lineal, bayesiano y vecinos más cercanos) de
granos de café a través de la adquisición de imágenes de granos sanos y
defectuosos. Determinaron las mayores diferencias entre tres clases de
granos, sanos, fermento e inmaduro. A diferencia de esta investigación,
nosotros nos enfocamos en las hojas de los cultivos de café, no en el
grano ni su estado de maduración.

o En la investigación de C. Castrillón et al., [224] desarrollaron un algoritmo

que permite segmentar los granos de café lavado e identificar si han sido
afectados por la broca del café al analizar la representación del color de
crominancia azul y roja. En comparación nuestro trabajo no evalúa la
salud del cultivo de café a través del análisis del grano, sino de la hoja.

o En el trabajo de J.A Bolaños et al., [6] se desarrolló un sistema con una

Raspberry pi para la toma de imágenes de cultivos del municipio de
Timbío. Los investigadores calcularon el índice de vegetación NDVI, con
el fin de estimar la salud de dicho cultivo; para ello crearon un sistema
desarrollado en laboratorio con una Raspberry pi cámara NOIR
(RGB+NIR) y una Raspberry PI Cámara RGB. Cabe resaltar las
siguientes diferencias: se calculó más de un índice de vegetación, no sólo
el NDVI y se analizó la correlación de dichos índices con niveles de
 clorofila, se usó una cámara multiespectral comercial para corroborar la
estimación de salud realizada con modelos de aprendizaje automático,
entre otros.

o En la investigación de S. Bolaños et al., [222] se mapeó y clasificó el área

de diferentes sistemas de café (monocultivo, policultivo y sistemas
agroforestales) en el departamento de Huila. Realizaron una clasificación
supervisada utilizando el algoritmo de vecino más cercano en un enfoque
basado en objetos; para ello utilizaron la información espacial y espectral
obtenida al integrar imágenes de satélite y mapas topográficos a través
de sistemas de información geográfica (SIG).

2.3.1.2 Estudios en otros cultivos diferentes al café:

o En el artículo de J.P Rojas et al., [225] desarrollaron un sistema (Hardware

y Software) para la toma y el procesamiento de imágenes
multiespectrales de cultivos de arroz en sus diferentes etapas y para dos
tipos diferentes de siembra: Santa Rosa para tierras bajas y Palmira para
tierras altas. Para esto construyeron un mosaico georreferenciado con
las imágenes capturadas y calcularon los índices de vegetación (RVI,
NDVI, GNDVI, DVI, CTVI, TVI y MSAVI).

o En el trabajo de C.A. Devia et al., [226], los autores calcularon 7 índices

de vegetación (RVI, NDVI, GNDVI, DVI, TVI, CTVI y MSAVI) para estimar
la biomasa aérea (materia orgánica viva por encima del suelo [227]) del
arroz en diferentes etapas de cultivo. También compararon los resultados
de los métodos K-Means y redes neuronales artificiales (ANN, Artificial
Neural Network) al momento de realizar las estimaciones dentro del
algoritmo general de búsqueda estocástica. Nuestro estudio estima la
salud, no la biomasa de cultivos de café a través del uso de regresiones
lineales y redes neuronales artificiales con datos físicos de clorofila y los
índices de vegetación.

o El trabajo de J. Navia et al., [8] presentó un enfoque de la teledetección y

la agricultura de precisión para monitorear campos de cultivo de arroz en
Bogotá. Gracias a este enfoque los autores proporcionaron a los
agricultores una herramienta integrada para medir y evaluar la vegetación
verde viva mediante el ensamblaje de un mosaico de imágenes
multiespectrales del terreno.

o En la investigación de A.R Johnsen et al., [228] fueron evaluados los

problemas más comunes que suceden durante el desarrollo del cultivo de
papa en el departamento de Cundinamarca tales como, estrés por exceso
de sales minerales y exceso de humedad en el suelo. Para esto, utilizaron
la respuesta espectral de los cultivos obtenida a partir de imágenes de
infrarrojo cercano (NIR) de alta resolución. Los resultados obtenidos
demostraron que la respuesta espectral permite identificar características
 de la vegetación y problemas en el cultivo de papa.

o A.K Torres Galindo et al., [229] desarrollaron un sistema con una Rasberry
Pi B capaz de capturar imágenes multiespectrales en las bandas RGBN
(rojo, verde, azul e infrarrojo cercano) y una aplicación que permite
calcular el índice de vegetación NDVI para estimar la salud de la
vegetación de la palma de aceite de la altillanura de la Orinoquía.

2.3.2 Estudios realizados en otros países

o P. Pereira Coltri et al., [230] utilizaron imágenes multiespectrales del

satélite GeoEye-1 con bandas RGN para obtener índices de vegetación
como GNDVI y NDVI. Entre sus resultados, se destaca que encontraron
una buena correlación entre las bandas y la biomasa del café, y que esta
relación es mucho más fuerte al trabajar con los índices de vegetación.
De manera similar concluyeron que se puede tener una correcta
estimación del stock de carbono en los cultivos de café de Minas Gerais,
Brasil.

o En el estudio de A. Chemura et al., [231] realizado en “Jersey Tea and

Coffee Estates” en el Distrito de Chipinge, Zimbabwe demostró el valor de
los datos multiespectrales de Sentinel-2 MSI y su relación con los índices
de vegetación en el modelado de nitrógeno foliar de café a escala de
paisaje. Identificaron las variables que mejor se desempeñaron en la
predicción de N para mapear y medir los niveles que pueden usarse para
la caracterización y administración de cultivos de café con el fin de lograr
una excelente productividad.

o La investigación de D.B Marin et al., [232] evaluó el potencial del sensor

multiespectral OLS / TIRS Landsat 8 para la identificación y
monitorización espacial y temporal del café (Cofea arabica) afectado por
el tizón bacteriano en un campo de café comercial en el estado de Minas
Gerais, Brasil.

o L.F. Johnson et al., [233] recolectaron imágenes multiespectrales con un

VANT Pathfinder-Plus sobre un cafetal comercial de Hawai durante la
temporada de cosecha 2002. Estas imágenes fueron utilizadas para
monitorear el estado de madurez del cafetal. El índice de madurez medio
por campo fue correlacionado significativamente con los recuentos en
tierra registrados por el productor y con la fecha de cosecha final.

o El objetivo del estudio de C. Gómez et al., [234] fue identificar áreas

adecuadas para la hibridación interespecífica del café en Nueva
Caledonia. Para esto, los investigadores generaron un mapa predictivo al
entrenar un sistema de red neuronal, esta red utilizó parámetros
ambientales basados en el campo, predictores de detección remota
mediante imágenes pancromáticas (blanco y negro) de Quickbird e
 imágenes multiespectrales.

o El estudio realizado por F. S. Kawakubo et al., [235] en Minas Gerais,

Brasil tuvo como objetivo contribuir al mapeo y clasificación de los cultivos
de café (café de producción, café mixto y café viejo) utilizando imágenes
multiespectrales con una resolución espacial de 23.5 m. Las imágenes
multiespectrales fueron tomadas por el instrumento Linear Imaging Self
Scanner a bordo del sistema satelital Indian Remote Sensing.

o El estudio realizado por A. Chemura et al., [236] en Chipinge, Zimbabwe

evaluaron el potencial de Landsat 8 OLI para desarrollar mapas temáticos
específicos por edad del café. Concluyeron que es útil para el desarrollo
de dichos mapas y que la banda NIR de OLI fue la banda más importante
en la discriminación intraclase del café.

o El estudio realizado en Brasil de G. D. Martins et al., [237] identificó la

presencia de nematodos a través de mediciones biofísicas y espectrales
de las hojas de café; ninguno de los parámetros biofísicos empleados
como: Índice Foliar, biomasa y clorofila discriminaron eficientemente el
estado de salud de las hojas. Por el contrario, la clasificación
multiespectral (rojo, borde rojo e infrarrojo cercano) definió la distribución
espacial de plantas de café sanas, moderadamente infectadas y
severamente infectadas a través de con una precisión general del 78% y
un coeficiente Kappa de 0,71.

2.4 Conclusiones del estado del arte

Tabla 2. Resumen comparativo de trabajos relacionados. Fuente propia.

Ubicación Cultivo Fuente de dato
Articulo Cámara
Colombia Exterior Café Otro Satelital Otro
multiespectral
[222] X x x
[223] X x x
[224] X x x
[225] X x x
[8] X x x
[226] X x x
[229] X x x
[6] X x x
[228] X x x
[230] x x x
[231] x x x
[232] x x x
[233] x x x
[234] x x x
 [235] x x x
[236] x x x
[237] x x x
Este
estudio x x x

Deducciones obtenidas a partir de la Tabla 2, la cual presenta de forma

sintetizada lo encontrado en los trabajos relacionados:
En Colombia se encontraron pocos estudios realizados sobre cultivos de
café; pero, a diferencia de nuestro estudio, estos no realizan un análisis de
datos de los índices de vegetación y clorofila con técnicas de aprendizaje
automático (regresiones líneas y redes neuronales artificiales) para estimar
la salud.

A nivel internacional, se encuentran varios trabajos científicos sobre el

estudio de cultivos de café. No obstante, la mayoría de estos estudios hacen
uso de imágenes satelitales [230]–[232],[234]–[237]. En contraste, el
presente estudio pretende usar imágenes capturadas por cámaras
multiespectrales transportadas en VANT. Por último, este trabajo presenta
un estudio del estado de salud de cultivos de café en el departamento del
Cauca, Colombia a través de imágenes capturadas por la cámara
multiespectral Survey 3 transportada en VANT.

En este capítulo se explicaron los pasos realizados para elaborar el estado

del arte, el análisis bibliométrico realizado en la herramienta SciMat y la
descripción de la base conceptual para entrar en contexto en torno a los
conceptos básicos y artículos relacionados con la agricultura, las cámaras
multiespectrales y los VANT.
CAPÍTULO 3
3. Materiales y métodos
A continuación, se describen los materiales utilizados para el desarrollo de la
presente investigación.

3.1. Materiales
Los materiales y equipos utilizados en el desarrollo del trabajo de investigación
serán mencionados y descritos a continuación:

o Computador: Un computador portátil HP con 4GB de memoria RAM y

procesador AMD A6-5200 APU Radeon (TM) HD Graphics 2.00 GHz, en el
cual se realizaron todos los procesamientos correspondientes en Python.

o Cámara MAPIR Survey 3: La cámara incluye un receptor GPS USB externo

para geo-etiquetar automáticamente cada imagen capturada. Su sensor de
12MP, como se ve en la Tabla 3, y su lente nítido sin ojo de pez, le permite
capturar fácilmente medios aéreos. Captura fotos en el disparador
predeterminado del temporizador o se puede enviar una señal PWM a través
del puerto HDMI. Este modelo cuenta con bandas Rojo Verde + NIR (RGN,
NDVI), por lo cual ve luz infrarroja cercana de 850 nm, roja de 660 nm y verde
de 550 nm [238].

o Tabla 3. Especificaciones cámara MAPIR Survey 3. Fuente [238]

Resolución 12 MP (4,000 x 3,000 px), 8MP

Óptica 87° HFOV (19mm) f/2.8
Velocidad de RAW+JPG:2.75 segundos/foto.
captura JPG: 1.5 segundos/foto.
GSD 5.5 cm/px (2.17in/px) a 120 m
(~400 ft) AGL
Peso 76g con batería
Dimensiones 59 x 41.5 x 36mm
Batería Removible Li-ion (1200mAh)
Almacenamiento Micro SD (128GB) (64GB Card ≈
15,000 JPG, 2,200 RAW+JPG)
Conectividad PWM vía HDMI
GPS ublox UBX-G7020-KT

o Vehículo aéreo no tripulado: SOLO 3DR es un VANT pequeño que

funciona con cuatro motores y cuatro hélices. Este contiene módulos que
controlan la navegación, la altitud y las comunicaciones del vuelo; además,
 posee unas entradas de control mediante la red de Wi-Fi segura de 3DR Link.
Cuenta con un procesador de 1GHz, un motor de 880 KV, batería de 14.7 V
5200-mAh L polímero de Litio, dimensiones de 25 cm x 46 cm y un peso de
1,5 kg [43].

o QGIS: es un sistema de información geográfica con licencia GNU. Es un

proyecto oficial de Open Source Geospatial Foundation (OSGeo) [239].

o Agisoft Metashape: es un software fotogramétrico que implementa

algoritmos de procesamiento de imágenes, con técnicas de fotogrametría
digital para tareas de reconstrucción, visualización, topografía y mapeo 3D
con el fin de desarrollar nuevas herramientas [240].

o Colaboratory: es una herramienta que permite ejecutar código en la nube

con lenguaje Python, dando acceso a instalaciones fáciles y acceso gratuito
a GPU [241].

o Programa Mission planner: es una aplicación gratuita de código abierto que

se puede utilizar como una utilidad de configuración o como un complemento
de control dinámico para vehículos autónomos [242].

o Clorofilómetro CCM 200-PLUS: es un aparato compacto, manual,

abastecido por una pila alcalina de 9V. El CCM 200-PLUS cuenta con una
sección para la evaluación de muestras localizada en la parte superior del
instrumento y una pantalla de cristal liquida (LCD) en donde se ve el valor del
índice de contenido de clorofila (CCI, por sus siglas en ingles). Este
dispositivo representa ser una herramienta útil para estimar de manera no
destructiva las concentraciones de clorofila [243]–[246]. Las especificaciones
se encuentran en la Tabla 4.

Tabla 4. Especificaciones del clorofilómetro CCM 200-plus [249].

Parámetros de medida 653 nm (Clorofila) & 931 nm (NIR).
Area de medida 9.52 mm (3/8") diámetro (71 mm2)
Resolución 1 unidad CCI
Detector Fotodiodo de silicio con amplificador integral para
medición de absorbancia, monitoreo de potencia y
compensación de temperatura.
Almacenamiento 8 Mbytes de memoria para hasta 160.000
mediciones de datos, o 94.000 con entradas de
datos GPS adicionales.
Modos Un solo punto, seleccionable por el usuario con
promedios de 1 a 30 puntos y un protocolo
estadístico de 10 a 30 puntos que solicita
reemplazar los puntos de datos más allá de una
desviación estándar de 2 sigma.
Interfaz de usuario Pantalla gráfica de 128 x 32 píxeles, señales de
pitido, teclas para: configuración, protocolos de
 medición, diagnóstico, control de datos y entrada
de líneas de comentarios alfanuméricos por parte
del usuario.
I/O: USB 1.1 y RS-232; salida de archivos multipunto,
salida única bajo demanda, compatible con NMEA
0183 para la entrada de datos GPS.
Rango de temperatura 0-50 °C.
Fuente de poder 9V batería alcalina
Intervalo de auto 4 minutos
apagado
Tamaño 152(L) x 82(W) x 25(D) mm

3.2. Diseño experimental

Para el diseño experimental se adaptó el modelo CRISP-DM [247]. Este modelo
consta de 5 fases, las cuales se pueden observar en la Ilustración 7. La primera
fase, involucra la comprensión del negocio y entender los objetivos del proyecto;
la segunda fase, plantea la recolección de los datos; la tercera fase, la
preparación de los datos, lo cual implica un primer acercamiento en el estudio y
entendimiento de los datos obtenidos y la cuarta fase, corresponde a las
técnicas y el procesamiento aplicado a los datos, los cuales se evalúan en la
quinta fase (Evaluación).

El color azul hace referencia al estado del arte, el color verde agrupa las fases
de análisis y preparación de los datos y el color gris, las etapas de modelación
y evaluación.

Ilustración 7. Etapas modelo CRIPS-DM. Fuente [247].

En la Ilustración 8, se observan las etapas del diseño experimental adaptado

uniendo algunas fases del modelo CRIPS-DM. En la primera etapa “Captura de
datos”, se encuentra el entendimiento de la problemática que se ve reflejada en
 el estado del arte; la segunda etapa “Preprocesamiento de datos”, corresponde
a la unión de la segunda y tercera fase del modelo CRISP-DM, en la cual se
capturan y recolectan los datos, se filtran y se generan datos sintéticos, con el
fin de obtener el conjunto de datos final con los que serán entrenados los
modelos y la tercera etapa “Modelado de datos”, representa la implementación
de modelos de aprendizaje automático y la evaluación del error de los mismos.

Ilustración 8. Etapas diseño experimental. Fuente adaptada de [247].

3.2.1. Captura de datos

Para la captura de los datos, se realizaron tres procesos como se observa en

la Ilustración 9. El primer paso fue la programación del vuelo del VANT en el
software Mission Planner y la captura de las imágenes multiespectrales por
medio de la cámara mapir survey3 aerotransportada en el VANT Solo 3DR
(Este VANT tiene compatibilidad con el programa Mission Planner y permite
configurar la captura automática de fotos); el segundo paso fue el
procesamiento de las imágenes en los programas agisoft metashape y QGIS
para la obtención de los índices de vegetación y en el tercer paso se tomaron
muestras de clorofila en las plantas de café con el clorofilómetro CCM-200
PLUS, el cual fue usado como método no destructivo para determinar el
contenido de clorofila en las plantas [248], [249].
 Ilustración 9. Metodología para la captura de datos. Fuente propia.

3.2.1.1. Metodología para la captura de imágenes multiespectrales

Existen diferentes parámetros que intervienen en el proceso de captura de

las imágenes usando VANT, los cuales están definidos por el alcance de las
herramientas utilizadas y su acoplamiento. Entre los más importantes se
destacan la altura, autonomía y velocidad del vuelo del VANT, el intervalo de
captura de la cámara, el área a cubrir, y la resolución de la cámara [250].

Para acoplar la cámara Mapir Survey con el VANT y generar la captura

programada en el vuelo, se siguieron los pasos de la guía “Activar la cámara
Survey2 usando la señal PWM de 3DR SOLO” que se encuentra disponible
en línea [251]. Para el montaje físico mostrado en la Ilustración 10, se
utilizaron amarras para evitar movimientos de la cámara que produzcan
distorsiones en las imágenes, además se acopló un módulo GPS para
habilitar la realización de vuelos autónomos. De acuerdo con la guía
mencionada, se utilizó la herramienta Mission Planner para la configuración
del vuelo del VANT, en la cual se generó una misión que luego fue cargada
al VANT 3DRSolo.
 Ilustración 10. Montaje del VANT. Fuente propia

Para realizar una correcta recolección de información a partir de imágenes

es importante tener en cuenta las limitaciones del sistema, como lo es: la
resolución, distancia focal, velocidad de captura, entre otros [252]. En el
presente estudio para establecer el plan de vuelo utilizaron las siguientes
características físicas de la cámara Survey3W.

o Ancho del sensor: 6.2496mm

o Alto del sensor: 4.6872mm
o Distancia focal: 3.37mm
o Resolución: 12MP (4032*3024 pixeles)
o Velocidad de captura: 0.00575 segundos

Con los anteriores parámetros fue calculada la distancia de muestreo del

suelo (GSD por sus siglas en inglés), la cual es la distancia entre el centro de
dos pixeles medidos en el suelo. Entre mayor sea la distancia GSD habrá
mayor cobertura en la foto; pero, con menor detalle; y entre menor sea la
distancia GSD, la cobertura será menor; pero, con mayor detalle en cada
fotografía. La Ecuación 1 representa dicha relación

𝐼𝑚𝑊 ∗ 𝐺𝑆𝐷 ∗ 𝐹
𝐻𝑚 =
𝑆𝑊 ∗ 100
Ecuación 1
 Donde:
H: altura del vuelo en metros
ImW: ancho de la foto en pixeles
GSD: distancia de muestreo del suelo en centímetros/pixel
SW: ancho del sensor en milímetros
F: distancia focal en milímetros

A partir de la Ecuación 1 se obtiene el valor de GSD como se puede observar

en la Ecuación 2.
SW ∗ 100 ∗ Hm
GSD =
ImW ∗ F

Ecuación 2
Los valores más comunes de GSD utilizados en la agricultura de precisión
varían de 2cm a 15cm [253]. Tomando estos valores de referencia, la altura
mínima sería de 44m y la altura máxima sería de 327m. Sin embargo, a pesar
de tener valores de referencia, estos no fueron aplicados. En primera
instancia, porque la altura máxima de 327m excede la altura legal permitida
en Colombia regulada por la Unidad Administrativa Especial de Aeronáutica
Civil de 123m [254]. Por otro lado, la altura mínima utilizada fue de 25m (GSD
=1.2cm), esto con el fin de buscar la mejor resolución en las fotos teniendo
en cuenta los obstáculos del terreno (otro tipo de árboles). Cabe resaltar que
el terreno de análisis es un cultivo de café de variedad Castillo ubicado en
una finca en San Joaquín, Tambo, Cauca.

Al delimitar el área del cultivo de café, sobre la cual se efectúa el plan de

vuelo automático en Mission planner (área roja de la Ilustración 11), éste no
permitió una altura superior a 80m. Por dicha razón, y para no estar sobre el
límite establecido por el programa, la altura máxima usada fue de 75m.

Después de determinar las alturas del vuelo (25m y 75m), Mission Planner
genera la mejor misión de vuelo teniendo en cuenta las especificaciones de
la cámara, como por ejemplo, la altura, un traslape frontal de 80% y un
traslape lateral de 75% [255], [256]. Las misiones de vuelo generan puntos
de espera (puntos verdes) con coordenadas en los cuales el VANT enviará
una señal PWM a la cámara, para que esta tome una fotografía. Este proceso
de configuración de vuelo se describe detenidamente en el ANEXO A,
además las imágenes multiespectrales capturadas en los vuelos se
encuentran disponibles en un repositorio de GitHub3.

3
Repositorio de Github disponible en [313].
 Ilustración 11.Puntos de polígono (rojos) y puntos de control (verdes).
Fuente propia.
Las imágenes multiespectrales obtenidas fueron procesadas en la
herramienta software agisoft metashape para la creación del ortomosaico
(representación proyectada ortogonal del terreno en forma de foto [257]). El
proceso necesario para generar el ortomosaico, a partir de las imágenes
multiespectrales individuales, se encuentra descrito detalladamente en el
ANEXO B.

3.2.1.2. Obtención de los índices de vegetación

Los índices de vegetación están relacionados con las condiciones de un

cultivo, al analizar los valores espectrales de las diferentes bandas (rojo,
verde, infrarrojo cercano) se puede determinar el vigor, nivel de clorofila y/o
salud de la vegetación en determinado píxel de la imagen. Por ejemplo, se
destaca el NDVI, en donde los valores fluctúan entre -1 y +1; a mayor valor
numérico, más vigor tendrá la cobertura, como se encuentra representado
Ilustración 12 [258]. Cabe destacar que los índices de vegetación obtenidos
son: NDVI, GNDVI, RVI, GCI, NRVI y CVI.
 Ilustración 12. Nivel de salud por NDVI. Fuente [258].

Para obtener los índices de vegetación NDVI, GNDVI, RVI, GCI, NRVI y CVI
se cargaron las ortofotos en el programa QGIS, se dibuja un recuadro de
cada árbol muestreado (figura roja) del terreno, como se observa en la
Ilustración 13. Además, se ve el cultivo de café segmentado en 3 secciones,
3 hileras con 5 filas y cada fila con 30 cafetos, dando un total de 450 cafetos.
El mapeo del cultivo del terreno se describe detalladamente en la sección
3.2.1.3 Muestreo de clorofila, en donde se explica la selección del mapeo en
forma de X y el número de muestras a tomar.

Ilustración 13. Mapeo del cultivo del terreno. Fuente propia.

Posteriormente, se agregaron las fórmulas correspondientes a los índices de
vegetación, en el apartado de ‘raster calculator’ del software QGIS (La
configuración del software QGIS está descrita en el ANEXO C). Como se
observa en la Ilustración 14, en el panel de operaciones se colocan las
ecuaciones relacionadas al cálculo de los índices de vegetación. Los valores
calculados para los índices de vegetación seleccionados (NDVI, CVI, GNDVI,
NRVI3, NRVI, RVI y GCI), se anexan al valor de clorofila promedio por planta,
lo cual se ve representado por la columna MEDIA de valor 1. Este valor es
resultado de promediar los valores de clorofila por hoja de la planta, que se
encuentran en la columna MEDIA con valor igual a 0. Además, están los
datos de fecha y hora de la muestra tomada y del vuelo del VANT. Igualmente
se registra la zona donde fue tomada la muestra, la cual indica la sección en
donde se tomó dicha muestra, si es de la parte alta o media como se
representa en la Ilustración 18 y se explica detalladamente en la sección de
filtrado de datos. Cada muestra posee identificadores únicos que se sacan
según el vuelo, fila y columna de la planta. Los resultados obtenidos y las
columnas descritas se observan en la Tabla 5, y los datos completos de los
vuelos se encuentran en el ANEXO D.
 Tabla 5. Valores índices de vegetación. Fuente propia
HORA HORA CLL
VUELO FILA PLANTA MEDIA FECHA ZONA NDVI CVI GNDVI NRVI RVI GCI NRVI3
ID CLL VUELO (CCI)
02-06-
1 2 1 7:00 11:30 MEDIA
112 1 21 114.51 0.227 1.458 0.519 0.227 1.589 1.519 0.011
02-06-
1 2 0 7:00 11:30 MEDIA
112 1 21 114.9
02-06-
1 2 0 7:01 11:30 ALTA
112 1 21 82.7
02-06-
1 2 0 7:01 11:30 ALTA
112 1 21 74.9
02-06-
1 2 0 7:02 11:30 MEDIA
112 1 21 124.9
02-06-
1 2 0 7:03 11:30 MEDIA
112 1 21 123.1
02-06-
1 2 0 7:03 11:30 MEDIA
112 1 21 115.8
02-06-
1 2 0 7:04 11:30 MEDIA
112 1 21 152.8
02-06-
1 2 0 7:05 11:30 MEDIA
112 1 21 135.3
02-06-
1 2 0 7:05 11:30 ALTA
112 1 21 92.9
02-06-
1 2 0 7:06 11:30 MEDIA
112 1 21 116.8
02-06-
1 2 0 7:07 11:30 MEDIA
112 1 21 148.6
02-06-
1 2 0 7:07 11:30 MEDIA
112 1 21 147.8
02-06-
1 2 0 7:07 11:30 ALTA
112 1 21 82
 02-06-
1 2 0 7:08 11:30 MEDIA
112 1 21 140.3
02-06-
1 2 0 7:09 11:30 MEDIA
112 1 21 146.4
02-06-
1 2 0 7:10 11:30 MEDIA
112 1 21 108.6
02-06-
1 2 0 7:10 11:30 MEDIA
112 1 21 110
02-06-
1 2 0 7:11 11:30 MEDIA
112 1 21 155.6
02-06-
1 2 0 7:12 11:30 MEDIA
112 1 21 118.6
02-06-
1 2 0 7:13 11:30 MEDIA
112 1 21 121.8
02-06-
1 2 0 7:13 11:30 MEDIA
112 1 21 123.6
02-06-
1 2 0 7:14 11:30 ALTA
112 1 21 41.2
02-06-
1 2 0 7:14 11:30 MEDIA
112 1 21 118.1
02-06-
1 2 0 7:15 11:30 MEDIA
112 1 21 125.9
02-06-
1 2 0 7:16 11:30 ALTA
112 1 21 50.2
02-06-
1 2 0 7:16 11:30 ALTA
112 1 21 79.5
 Ilustración 14.Raster calculator de QGIS. Fuente propia.

3.2.1.3. Muestreo de clorofila

Como se ha mencionado anteriormente, los índices de vegetación están

relacionados con diversos componentes de las plantas, la clorofila es uno de
ellos. Por ejemplo, el índice CVI analiza las bandas NIR, verde y roja para
estimar el contenido de clorofila [259], en donde reluce la banda roja (550/850
nm) al presentar una alta correlación con la concentración de clorofila [260].
Por esta razón, se realizó el muestreo de clorofila en las plantas de café
usando el clorofilómetro CCM-200 PLUS (tercer paso de la Ilustración 9).
Además, en paralelo con el muestreo de clorofila, se capturaron imágenes
multiespectrales para encontrar la correlación entre dichos datos. Las tomas
de clorofila del terreno se hicieron en un periodo de 8 horas (entre las 7 am y
las 3 pm) y el vuelo fue realizado a las 12 del mediodía.

Para realizar el muestreo físico de clorofila en el cultivo, se seleccionó un

área con aproximadamente 450 plantas de café de variedad castilla de la
misma edad (2 años) organizadas en 15 hileras, cada hilera con 30 plantas.
Al analizar la documentación encontrada para muestreo foliar de cultivos de
café [261]–[264], se establece un rango de muestreo de 10-30 plantas,
tomando por cada planta 15-30 hojas.
Con base en lo anterior, se tomó como referencia el límite superior, es decir,
se hizo un muestreo de 30 cafetos y de cada uno de los cafetos se tomaron
muestras de 30 hojas, las cuales estaba ubicadas en zona media y alta del
cafeto. Por cada una de las 30 hojas se tomaron medidas en dos puntos
(centro y exterior) de la hoja. El muestreo se realizó de manera semi-aleatoria
en forma de X, como se puede observar en el cuarto elemento de la
Ilustración 15 y en la Ilustración 13, con base en lo expuesto por J. Lozano
[262].

Ilustración 15. Distribución de las plantas en el terreno. Fuente [262]

Arriba mencionado, en la literatura encontrada se determinó que el número

de muestras por cafeto debía ser alrededor de 30 hojas [253]–[256]. En
consecuencia, el presente estudio, para corroborar dicho valor (30), varió el
número de muestras de hojas desde 10 hasta 70, encontrando también, que
el número adecuado de muestras a tomar es 30 hojas, ya que este es el punto
en donde la desviación estándar no se reduce significativamente como se
observa en la Tabla 6 (Los datos completos que se usaron para calcular la
desviación estándar se encuentran en el ANEXO E). Además, se observó
que la desviación estándar es alta entre las hojas de una misma planta, es
decir, hay gran dispersión de los datos. Lo anterior se debe a varios factores,
por ejemplo, la diferencia de color entre las hojas de las ramas altas y medias,
la posición de las hojas en la rama, los puntos de la hoja en donde se toman
las muestras de clorofila, el clima, el error humano, el ángulo en el cual está
dando el sol al momento de la captura de la imagen multiespectral, entre
otros.
Tabla 6. Variación estándar por número de muestras. Fuente propia

N° hojas σ CCI

10 58.22

20 55.70
 30 55.04

40 55.56

50 54.89

60 54.45

70 54.43

Otro factor que contribuye al incremento de la desviación estándar de la

clorofila entre las hojas es que incluso existen variaciones entre los valores
de clorofila de puntos cercanos en la misma hoja; como se puede observar
en la Tabla 7, existe una gran desviación estándar entre puntos diferentes de
una misma hoja, como se observa en la Ilustración 16, se tomaron seis
puntos repartidos entre externos y medios de la hoja. Los datos que se
usaron para calcular la desviación estándar se encuentran en el ANEXO F.
Esta alta desviación estándar presente en los valores de clorofila en los
diferentes puntos de la hoja y entre las hojas en sí, además de los
mencionados anteriormente, se debe a que el cloroplasto no es uniforme 4;
en otras palabras, la pigmentación verde en los cloroplastos varía.

Ilustración 16. Muestreo de puntos por hoja. Fuente adaptada de [265].

Tabla 7. Desviación estándar promedio de puntos dentro de cada hoja.

Fuente propia.

4
Orgánulo presente en las plantas que contiene la clorofila y realiza la fotosíntesis
[314]
 σ CCI por hoja
47.9
15.73
13.85
6.7
5.8
10.05
4.94
4.09
22.11
19.62
19.89
26.54
27.34
15.73

3.2.1.4 Preprocesamiento de datos

Ilustración 17. Revisión de datos. Fuente propia.

En la etapa de preprocesamiento, se tienen 3 subprocesos como se observa
en la Ilustración 17, el análisis de correlación, el filtrado de los datos y la
creación de los datos sintéticos. Los datos obtenidos (índices de vegetación
y concentración de clorofila) se encuentran en el ANEXO G.

 Filtrado de datos

En primera instancia, se analiza la correlación de Pearson, la cual mide la

relación entre los datos, entre más se acerquen a 1, mejor es la relación de
las variables [266], [267]. En la Tabla 8 se puede observar que la correlación
inicial con todos los datos es muy baja, por lo cual es importante analizar los
datos y filtrar la información según los atributos de categorización expuestos
en la Tabla 5. Por esta razón, se definieron 3 filtros para la información
obtenida. El primero es la zona de la planta la cual indica la sección en donde
se tomó la muestra, zona alta o zona media como se representa en la
Ilustración 18, ya que representa una diferencia en ubicación y color; se
observa en la Ilustración 19, una diferencia de verdor entre la zona alta (color
verde claro) y la zona media (color verde oscuro), entre más claro sea el
verde de la hoja medida, menor es el valor de clorofila dado; el segundo filtro
es la hora y el tercero la fecha, los cuales indican la información temporal de
la toma de cada muestra en las plantas.

El filtro compuesto con el cual la correlación de Pearson mejoró, fue aquel en

donde se filtró por zona media de la planta, ya que es la zona más amplia,
con mayor cantidad de hojas y más visible en la foto. La fecha con mejor
comportamiento fue el 06/02/2021, esto se debe a que el 28/03/2021 se nubló
por secciones al momento de tomar las fotografías, además se filtró en un
intervalo de hora de 08:00 am a 04:00 pm para estar en una franja horaria
más cerca del vuelo del VANT, el cual fue realizado a las 11:30 am.
 Ilustración 18. Zona de medida dibujo. Fuente adaptada de [268].

Ilustración 19. Diferencia color entre zona alta (a) y zona media (b). Fuente
adaptada de [269].
Tabla 8. Correlación de Pearson de índices de vegetación. Fuente propia

ANTES DEL FILTRO DESPUÉS DE FILTRO

NDVI 0,08671 0.596
CVI -0,01813 0.222
GNDVI -0,00187 0.272
NRVI 0,08671 0.596
RVI 0,091016 0.602
GCI -0,00172 0.272

En la Tabla 8 se observa que después del proceso de filtrado, la correlación

de Pearson mejoró, ya que los valores obtenidos se acercan un poco más a
1, en comparación a los datos sin manejo de filtros. No obstante, la
información se redujo, por lo cual, para aumentar el tamaño del conjunto de
datos y superar las limitantes de tiempo para tomar más muestras en campo,
se optó por una alternativa usada en el ámbito del aprendizaje automático, la
generación de datos sintéticos [270]–[274] .

 Generación de datos sintéticos

Para generar los datos sintéticos se usó la librería de Gretel Synthetics, la

cual permite generar datos sintéticos a través del uso de enlaces a la API
REST de Gretel [275]. Gretel tiene diferentes configuraciones, donde se
probaron las principales, las cuales fueron: la predeterminada, recuento de
registros bajo, datos numéricos y recuento de campos alto [276]. Cada una
de estas configuraciones fue probada, con el fin de buscar aquella que diera
el mejor resultado, es decir, que el reporte generado por la API de Gretel
diera un puntaje en la calidad de los datos “excelente”, como el que se
observa en la Ilustración 20 [277]. En el ANEXO H se encuentran los
resultados obtenidos con sus respectivos datos.

Ilustración 20. Reporte de resultados de datos sintéticos obtenidos en

Gretel. Fuente captura de la herramienta Gretel [277].

En las estadísticas de los datos en la Ilustración 20, se pueden observar tres

identificadores: estabilidad de correlación de campo (95), estabilidad de
estructura profunda (75) y estabilidad de distribución de campo (83). Los
valores observados indican el puntaje de los datos en ese identificador, entre
mayor sea, indica una mejor calidad de datos, se consideran buenos valores
70-100, siendo 100 el mejor valor.

Ilustración 21.Reporte de correlación entre datos de entrenamiento y

sintéticos. Fuente propia
Para hallar la estabilidad de correlación de campo, se calcula la correlación
en los datos de entrenamiento (Training Correlations de la Ilustración 21) y
 en los datos sintéticos (Synthetic Correlations Correlations de la Ilustración
21). Posteriormente, se calcula la diferencia entre estos valores, dando como
resultado la diferencia de la correlación (Correlation Difference), la cual se
promedia en todos los campos, entre menor sea la diferencia de correlación,
es decir, un valor más cercano a 0 (color amarillo) como se observa en la
escala de colores de la Ilustración 21, mejor será la calidad de los datos
obtenidos, lo cual es importante para el entrenamiento de técnicas de
aprendizaje automático.

Para calcular la estabilidad de estructura profunda, Gretel compara un

análisis de componentes principales (PCA, por sus siglas en inglés) con los
datos originales y luego con los datos sintéticos, una explicación más
detallada sobre PCA se encuentra en la documentación de Gretel [277].

Por último, la estabilidad de distribución de campo denota que tan parecida

es la distribución de campo en los datos sintéticos con respecto a los
originales, para conocer la calidad de los datos se utiliza la distancia de
Jensen-Shannon. Cuanto menor sea este valor, mejor serán los datos. Para
mayor información se puede consultar la explicación de la documentación de
Gretel [277].

3.2.1.5 Modelado de datos

Ilustración 22. Modelado de datos. Fuente propia.

La clorofila sirve como indicador del estado de salud, nutrientes y
productividad de las plantas [246], [278]–[280]. Establecer un esquema de
clasificación del estado de salud y nutrición de la planta con base en los
valores de clorofila medidos in situ es posible [249], [281]–[284], un ejemplo
de ello se observa en la Ilustración 23 en donde, entre mayor es el valor dado
por el clorofilómetro SPAD, mejor será el estado de salud de la planta [285].
Para expresar la relación del estado de salud de la planta con los valores
CCI, se utilizó la relación entre SPAD y CCI expresado en el estudio de Dong
T. et al., [249], el cual se ve expuesto en la Tabla 9, ya que tiene en cuenta
varios tipos de cultivos.

Ilustración 23. Rangos de estados de nutrientes adecuados para las hojas

de café. Fuente [249]
Tabla 9. Valores SPAD y CCI por nivel de salud. Fuente adaptada de Dong
T et al., [249].

CATEGORÍA SPAD 502 (SPAD) CCM-200 (CCI)

Deficiente X < 43 X < 25

Marginal/Normal 44 < X > 55 26 < X > 54

Adecuado X > 56 X > 55

Teniendo claro y definiendo los valores de SPAD y CCI para el estudio, se

necesita una herramienta adecuada para realizar la estimación de variables
y componentes vegetativos, estudios previos han demostrado la efectividad
y popularidad del uso de las regresiones lineales, árboles de decisión,
bosques aleatorios, máquinas de vectores y k vecinos más cercanos para la
estimación de variables y componentes vegetativos [48], [60], [286]–[291],
además de ser útiles para conjuntos de datos pequeños [292], [293]. Por
estas razones, en el presente estudio fueron implementados dichos modelos
tanto para los datos iniciales sin datos sintéticos como para aquellos con los
datos sintéticos. Los códigos implementados se encuentran en nuestro
 repositorio de github 5.

Como se observa en la Ilustración 22, en el proceso de modelado de datos,

se aplicaron cinco modelos; regresión lineal (simple y múltiple), árbol de
decisión, bosque aleatorio, máquina de vectores y k vecinos más cercanos.
Para cada uno de ellos se utilizó validación cruzada, ya que permite evaluar
los modelos mediante su entrenamiento en subconjuntos de datos. Estos se
dividen en datos de entrada disponibles (80%) y datos complementarios
(20%), los datos utilizados se encuentran en el ANEXO G [294]. Para el
entrenamiento de dichos modelos y la segmentación en los subconjuntos de
datos, se utilizó la librería train_test_split() de scikit-learn, ya que minimiza el
sesgo en los procesos de evaluación y validación [295].

 Modelado con regresión lineal

La regresión lineal simple o múltiple es comúnmente aplicada para estimar el

valor de una variable según el valor de otra a través de una recta que refleja
el comportamiento de las variables [296]. En este caso la variable
dependiente, es decir, la que se quiere predecir es el nivel de clorofila CCI, y
las variables o la variable independiente serán dadas por los índices de
vegetación hallados.

Para evitar la multicolinealidad se analizó la correlación entre las variables,

esto se puede observar en la Tabla 10 y en la Ilustración 24 (Entre más claro
sea el color referente a la línea de color ubicada en el extremo derecho,
mayor es la correlación). Posteriormente, se eliminaron aquellas que se veían
representadas en otra, es decir, que presentarán una correlación mayor a
0.9, por esta razón se realizó la regresión lineal múltiple para el RVI y GCI.

Para entrenar los modelos de regresión lineal simple y regresión lineal

múltiple se utilizó de forma aleatoria el 80% de los datos y para los datos de
pruebas el 20% restante. La implementación de la regresión lineal utilizada
corresponde a la librería sklearn de python.

Tabla 10. Correlación entre índices de vegetación y clorofila. Fuente propia

CLL NDVI CVI GNDVI NRVI RVI GCI NRVI3

CLL 1.0000 0.5966 0.4298 0.4674 0.5966 0.6001 0.4674 0.5980
NDVI 0.5966 1.0000 0.6100 0.6754 1.0000 0.9995 0.6754 0.9999
CVI 0.4298 0.6100 1.0000 0.9962 0.6100 0.6247 0.9962 0.6145
GNDVI 0.4674 0.6754 0.9962 1.0000 0.6754 0.6890 1.0000 0.6796
NRVI 0.5966 1.0000 0.6100 0.6754 1.0000 0.9995 0.6754 0.9999
RVI 0.6001 0.9995 0.6247 0.6889 0.9995 1.0000 0.6890 0.9995
GCI 0.4674 0.6754 0.9962 1.0000 0.6754 0.6890 1.0000 0.6796
NRVI3 0.5980 0.9999 0.6145 0.6796 0.9999 0.9995 0.6796 1.0000

5
Repositorio de github https://github.com/NataliaArteaga/MultispectralImagesCoffee.
 Ilustración 24. Mapa de calor de correlación de Pearson. Fuente propia.

En la Tabla 11 se registran el MSE y el MAE de la regresión lineal múltiple.

Para la regresión lineal múltiple (y para los siguientes modelos) el valor a
predecir fue el índice de contenido de clorofila (CCI) y las variables
independientes los índices de vegetación (RVI y GCI). Además, se
implementó una regresión lineal simple para cada uno de los índices de
vegetación para analizar su comportamiento individual. Como se observa en
la Tabla 12, el mejor comportamiento de la regresión lineal se observó en el
NRVI al tener el error más bajo, esto puede deberse a que este índice reduce
los efectos topográficos, de iluminación e implicaciones climáticas [15].

Tabla 11. Error de datos de entrenamiento y datos sintéticos con regresión

lineal múltiple. Fuente propia

INICIAL CON DATOS SINTETICOS

MSE 163.998 111.954
MAE 10.614 8.575
 Ilustración 25. Distribución error sin datos sintéticos (a) y con datos
sintéticos (b). Fuente propia.

Ilustración 26. Datos reales (azul) y estimados (rojo) y correlación de

Pearson. Fuente propia
Al aumentar el número de muestras, como se observa en la Ilustración 25, la
distribución del error se acerca más a la distribución gaussiana, la cual es la
distribución normal y esperada al analizar el error de un modelo [297], [298].
En la Ilustración 26, se visualiza la comparación de los valores reales y los
estimados, en el eje X se encuentra el identificador y en el eje Y el valor de
clorofila, además se obtiene una correlación de Pearson de 0.41, por lo cual
hay una correlación positiva moderada entre los valores reales y estimados
del modelo, entre mayor sea la correlación de los datos y menor el error
presentado, mejor es el funcionamiento del modelo.

Tabla 12. Error de datos de entrenamiento y datos sintéticos por cada

índice de vegetación con regresión lineal simple. Fuente propia.

INICIAL DATOS SINTÉTICOS

MAE 10.6102 8.4129
NDVI
MSE 163.0969 108.682
MAE 10.5688 8.4148
CVI
MSE 162.321 116.220
MAE 10.5640 8.44
GNDVI
MSE 162.421 115.56
MAE 10.5404 8.4031
NRVI
MSE 160.45113 108.084
MAE 10.5916 8.41612
RVI
MSE 162.022 108.308
MAE 10.5668 8.4506
GCI
MSE 161.6797 115.56

Cabe resaltar que inicialmente se hizo el mismo procedimiento y aplicación

de la regresión lineal simple y múltiple para analizar el comportamiento sin el
filtro realizado por zona y fecha mencionado, la diferencia se encuentra en
que se realizó una limpieza de datos externos manualmente y además se
modeló el conjunto de datos con redes neuronales artificiales; los resultados
obtenidos no fueron los mejores en ese momento, por lo cual se tomó la
decisión de realizar el proceso de filtración y explorar nuevos algoritmos, ya
que las redes neuronales no eran las adecuadas. Lo mencionado
anteriormente se encuentra descrito en el ANEXO I.

 Modelado con árbol de decisión

Los árboles de decisión son algoritmos que al igual que las regresiones
relacionan distintas variables con el fin de predecir otra, utilizados
principalmente cuando la variable de respuesta es numérica. Los árboles de
decisión poseen una estructura que está formada por ramas y nodos.
Los nodos internos representan las características que se tienen en cuenta
para tomar una decisión, las ramas representan la decisión en función de una
condición y los nodos finales el resultado de la decisión, es decir, representa
la estimación esperada [299], [300]. Para la implementación se utilizó la
librería sklearn con la configuración por defecto [301]. El algoritmo se entrenó
con los datos iniciales y el conjunto de datos integrando los datos sintéticos,
se observa en la Tabla 13 que nuevamente el error disminuyó al incluirlos y
en la Ilustración 27 mejoró la distribución gaussiana (que es lo esperado) al
incorporar los datos sintéticos.
Tabla 13. Error árbol de decisión con datos iniciales y con datos sintéticos.
Fuente propia

INICIAL CON DATOS SINTETICOS

MAE 11.71 10.87
MSE 262.73 208.05

Ilustración 27. Distribución error árbol de decisión con datos iniciales (a) e
integrando datos sintéticos (b). Fuente propia

En la gráfica de la Ilustración 28 se observa la correlación de Pearson

obtenida entre los valores reales y estimados, la cual es sustancial o fuerte
con un valor de 0.502, lo cual indica una fuerte conexión en la estimación del
valor.

Ilustración 28. Datos reales (azul) y estimados (rojo) y correlación de

Pearson. Fuente propia.
La Tabla 14 enseña el error obtenido con cada índice de vegetación con los
datos iniciales y con los datos sintéticos, en este caso, quien demostró el
mejor desempeño es el CVI, el cual es un índice adecuado al ser usado para
estimar el contenido de clorofila de las hojas [302], [303].

Tabla 14. Error de datos de entrenamiento y datos sintéticos por cada

índice de vegetación con árbol de decisión. Fuente propia.

INICIAL DATOS SINTÉTICOS

MAE 13.9162 11.69
NDVI
MSE 290.13 242.01
MAE 11.18 9.84
CVI
MSE 264.73 175.79
MAE 11.13 11.04
GNDVI
MSE 221.12 209.56
MAE 13.92 11.70
NRVI
MSE 289.87 241.79
MAE 12.42 11.11
RVI
MSE 243.36 213.79
MAE 10.48 11.16
GCI
MSE 225.81 219.582

 Modelado con máquina de vectores

La máquina de vectores (SVM, por sus siglas en inglés) es un algoritmo de

aprendizaje supervisado, en el cual, a partir de un conjunto de datos de
entrenamiento, se configura un modelo que prediga la clase de un nuevo
dato. Para ello, el algoritmo obtiene un hiperplano que representa de la mejor
manera posible el comportamiento de los datos, separándolos entre si al
categorizar y segmentar los datos según su ubicación en el hiperplano [304],
[305]. El rendimiento depende de la configuración de los parámetros del
Kernel, es por ello que se debe usar librerías de programación que tengan
bien desarrolladas la implementación de este algoritmo, como Scikit Learn
[306]. Se observa en la Tabla 15 y en la Ilustración 29 que el error mejoró
tanto en su valor como en la forma de la distribución al incluir los datos
sintéticos, al igual que en los modelos anteriores.

Tabla 15. Error de datos de entrenamiento y datos sintéticos con máquinas

de vectores. Fuente propia.

INICIAL CON DATOS SINTETICOS

MAE 10.129 7.849
MSE 188.77 106.491
Ilustración 29. Distribución del error de datos de entrenamiento iniciales (a)
y datos sintéticos (b) con máquinas de vectores. Fuente propia.

En la Ilustración 30 se observa una alta correlación entre los valores

predichos y reales con un valor de 0.764, lo cual refleja ser un modelo
adecuado para el fin de esta investigación debido a su alta correlación
presente.

Ilustración 30. Datos reales (azul) y estimados (rojo) y correlación de

Pearson. Fuente propia.
La Tabla 16 enseña los errores obtenidos por el modelo en cada índice de
vegetación con los datos iniciales y con los datos sintéticos, en este caso el
índice con mejor comportamiento fue el GNDVI, el cual es más sensible a la
variación de la clorofila en el cultivo que el índice NDVI, este índice es
adecuado para estimar el vigor del cultivo [307], cabe resaltar que el CVI y
GCI, índices enfocados en la estimación de clorofila tuvieron un error
bastante próximo al GNDVI, lo que concuerda con lo encontrado en el análisis
de la correlación de Pearson.

Tabla 16. Error de datos de entrenamiento y datos sintéticos por cada

índice de vegetación con máquina de vectores. Fuente propia

INICIAL DATOS SINTÉTICOS

MAE 10.26 8.44
NDVI
MSE 192.69 117.18
MAE 10.03 7.96
CVI
MSE 188.83 108.31
MAE 10.014 7.95
GNDVI
MSE 187.178 108.81
MAE 10.32 8.50
NRVI
MSE 195.18 118.93
MAE 10.17 8.45
RVI
MSE 190.50 117.26
MAE 10.07 7.96
GCI
MSE 190.23 108.61

 Modelado con bosque aleatorio

Los bosques aleatorios seleccionan al azar características para construir

varios árboles de decisión y luego promediar los resultados. Los bosques
aleatorios generalmente evitan el exceso de adaptación, ningún árbol ve
todos los datos de entrenamiento, esto hace que cada árbol se entrene con
distintas muestras de datos para un mismo problema; al promediar y
combinar dichos resultados, unos errores se compensan con otros y se tiene
una predicción que generaliza mejor [308]. Nuevamente para la
implementación del modelo se utilizó la librería sklearn.

Al integrar los datos sintéticos en el conjunto de datos que alimentan el

modelo, se ve una mejoría del error en la Tabla 17 y en la distribución
observada en la Ilustración 31.

Tabla 17. Error de datos de entrenamiento y datos sintéticos con bosque

aleatorio. Fuente propia.

INICIAL CON DATOS SINTETICOS

MAE 9.05 8.79
MSE 154.70 130.98
Ilustración 31. Distribución del error de datos iniciales (a) y datos sintéticos
(b) con bosque aleatorio. Fuente propia.
Para el modelo de bosque aleatorio el conjunto de datos analizados, es decir,
los datos reales y estimados se asemejan entre sí, como se observa en la
Ilustración 32 arrojó una correlación de 0.693, la cual es una correlación muy
alta y representa ser un buen modelo de predicción al igual que la máquina
de vectores.

Ilustración 32. Datos reales (azul) y estimados (rojo) y correlación de

Pearson. Fuente propia.
El índice que mostró el error más bajo en el modelo bosque aleatorio es el
CVI como se observa en la Tabla 18, un índice que es utilizado regularmente
para estimar la clorofila.

Tabla 18. Error de datos de entrenamiento y datos sintéticos por cada

índice de vegetación con bosque aleatorio. Fuente propia

INICIAL DATOS SINTÉTICOS

MAE 11.41 10.25
NDVI
MSE 207.19 177.50
MAE 10.50 8.848
CVI
MSE 192.59 137.78
MAE 9.52 9.49
GNDVI
MSE 163.13 155.409
MAE 11.18 10.27
NRVI
MSE 200.74 177.30
MAE 10.68 9.64
RVI
MSE 185.16 162.17
MAE 9.39 9.38
GCI
MSE 163.22 157.02

 Modelado con K vecinos más cercanos

K vecinos más cercanos (KNN, por sus siglas en inglés) es un algoritmo

de aprendizaje supervisado. Este algoritmo no hace suposiciones sobre la
funcionalidad y busca memorizar las instancias de aprendizaje que se utilizan
para usarlo en la fase predictiva. Una pequeña cantidad de vecinos suele
demostrar mayor flexibilidad, bajo sesgo, pero alta varianza. Por el contrario,
un gran número de vecinos una varianza más baja pero un sesgo más alto.

El algoritmo clasifica cada nuevo dato que ingresa en el grupo que

corresponda, dependiendo del número de vecinos más cercanos de un grupo
o de otro. Los datos parecidos están próximos y los que no lo son están
alejados entre sí. Por lo tanto, la distancia entre dos casos es una medida de
disimilaridad. Para usos de predicción de valores continuos se utiliza la media
o el valor objetivo medio de los vecinos más cercanos [309]–[311].

En la Tabla 19 se registran los errores obtenidos con los datos iniciales y con
los datos sintéticos del modelo de la librería sklearn. Nuevamente se
demuestra una mejoría en el error al modelar el algoritmo con los datos
sintéticos. Esto también se observa al mejorar la distribución gaussiana
obtenida en la Ilustración 33.

Tabla 19. Error de datos de entrenamiento y datos sintéticos con k vecinos

más cercanos. Fuente propia

INICIAL CON DATOS SINTETICOS

MAE 9.71 8.247
 MSE 152.67 120.74

Ilustración 33. Distribución del error de datos iniciales (a) y datos sintéticos
(b) con k vecinos más cercanos. Fuente propia.
La Ilustración 34 muestra en una gráfica una línea azul que vislumbra los
valores reales versus la línea roja que son los valores estimados, además se
observa la correlación dada, la cual es de 0.446, la cual es moderada y no
tan eficiente en comparación con los modelos anteriores. Entre mayor sea la
cercanía entre los puntos al valor real (azul), mejor es el comportamiento del
modelo.

Ilustración 34. Datos reales (azul) y estimados (rojo) y correlación de

Pearson. Fuente propia.
En la Tabla 20 se observa la mejoría al integrar los datos sintéticos para cada
índice de vegetación, destaca en este caso el GNDVI, GCI y CVI
nuevamente, como en el algoritmo de máquina de vectores.

Tabla 20. Error de datos de entrenamiento y datos sintéticos por cada

índice de vegetación con k vecinos más cercanos. Fuente propia

INICIAL DATOS SINTÉTICOS

MAE 10.43 9.43
NDVI
MSE 180.25 140.70
MAE 10.88 8.30
CVI
MSE 170.32 111.51
MAE 9.96 8.25
GNDVI
MSE 154.14 115.68
MAE 10.44 9.42
NRVI
MSE 180.22 140.97
MAE 10.35 9.27
RVI
MSE 175.38 135.91
MAE 10.02 8.26
GCI
MSE 156.55 17.15

 Comparación entre modelos

En la Tabla 21 se observa que el modelo que obtuvo el error más bajo al

tener todos los datos de entrenamiento es el registrado por máquina de
vectores de soporte, con un error de 7.85 y una correlación de 0.58. En la
Ilustración 35 se observa el comportamiento de los datos estimados de cada
modelo en comparación con los datos reales (línea azul), el eje X representa
el identificador del dato y el eje Y el valor de clorofila.

Tabla 21. Comparación errores y correlación entre los modelos. Fuente

propia.
MODELO MAE MSE PEARSON CORR
Regresión lineal 8.58 111.95 0.48
Árbol de decisión 10.87 208.05 0.42
Máquina de vectores 7.85 106.49 0.58
Bosque aleatorio 8.79 130.98 0.49
K vecinos más cercanos 8.26 120.74 0.51
 Ilustración 35. Valor real y valor de predicción según cada modelo. Fuente
propia.

El índice con mejor desempeño es el CVI como se observa en la columna

Media de la Tabla 22, el cual fue uno de los más destacados en cada modelo.
El CVI como se ha mencionado en secciones anteriores es uno de los índices
más usados para estimar clorofila, al igual que el GCI y GNDVI, los cuales
también resaltan por desempeñarse mejor que los demás. El modelo que
presentó el error más bajo es máquina de vectores, debido a la
estandarización que este genera en la creación del hiperplano y la
segmentación de datos en ella, mitigando estimaciones con valores
extremos, otro modelo con buen desempeño es el bosque aleatorio, el cual
al ser un conjunto de árboles de decisión que no se ven entre sí, mitiga el
error y crea una mejor generalización en la estimación de los datos.

Tabla 22. Errores por modelos e índices de vegetación. Fuente propia.

K
Máquina
Regresión Árbol de Bosque vecinos
de Media
lineal decisión aleatorio más
vectores
cercanos
MAE 8.412 11.69 8.44 10.25 9.43 9.64
NDVI
MSE 108.68 242.01 117.18 177.50 140.70 157.21
MAE 8.414 9.84 7.96 8.848 8.30 8.67
CVI
MSE 116.22 175.79 108.31 137.78 111.51 129.92
GNDVI MAE 8.44 11.04 7.95 9.49 8.23 9.03
 MSE 115.56 209.56 108.81 155.41 115.68 141
MAE 8.403 11.70 8.50 10.27 9.42 9.66
NRVI
MSE 108.08 241.79 118.93 177.30 140.97 157.41
MAE 8.416 11.11 8.45 9.64 9.27 9.38
RVI
MSE 108.31 213.79 117.26 162.17 135.91 147.49
MAE 8.45 11.16 7.96 9.38 8.26 9.04
GCI
MSE 115.56 219.582 8.44 157.02 17.15 103.55

En este capítulo se describió la metodología aplicada y sus fundamentos para

la captura de los datos (imágenes multiespectrales y la clorofila en planta con
el CCM-200 plus), además de su procesamiento. Después del
procesamiento, los datos finales alimentaron los modelos de regresión lineal,
árboles de decisión, bosque aleatorio, máquina de vectores de soporte y k
vecinos más cercanos. Cada uno de estos modelos fue evaluado con los
datos sin y con los datos sintéticos con los errores MAE y MSE y el análisis
de la correlación de Pearson.
4. Conclusiones
Al analizar los errores en los diferentes modelos, sus valores se pueden justificar
por varios factores. En primera instancia, los datos de la clorofila presentan una
desviación estándar significativa tanto a nivel de hoja como de planta, lo que
aumenta la dispersión entre los datos obtenidos. Además, se deben tener en cuenta
los tiempos de muestreo largos de los parámetros físicos respecto al tiempo del
vuelo del VANT, ya que tomar las muestras físicas llevaba un tiempo aproximado
de 7 - 8 horas y el vuelo del VANT se llevaba a cabo durante 10 minutos en una
hora específica del día (generalmente entre las 11:00am y 01:00pm). Otro aspecto
importante es que la variación climática afecta la respuesta de clorofila y la
reflectancia capturada por la cámara, ya que, en uno de los vuelos, el día estaba
despejado y en el otro existió nubosidad intermitente. (Se realizaron más vuelos,
pero estos fueron descartados al no poder tomar todos los datos de forma completa
ya que las lluvias afectaron la toma de muestras físicas, además el paro nacional
del 28 de abril de 2021 y la emergencia sanitaria debida a la pandemia por COVID
-19 afectaban la movilización para realizar más vuelos).

Por estas razones fue importante tener categorizada y segmentada la información,

para poder realizar el análisis exploratorio de datos pertinente y modelar los datos
de una mejor forma. Para ello, es importante tomar los datos en una hora
determinada, preferiblemente al medio día en donde el sol se encuentra en el punto
más alto y el nivel de reflectancia es el más adecuado. Tener un esquema de
muestreo es importante, definir la sección y puntos de medición a nivel de hoja y de
planta permite relacionar mejor los datos obtenidos.

Teniendo en cuenta los aspectos que afectaron el experimento, al observar los

errores obtenidos, la correlación y el nivel de precisión obtenido, el modelo que más
se destaca es la máquina de vectores, en el cual los valores atípicos tienen menos
impacto debido a la segmentación de hiperplanos. Otro modelo que se destaca por
su buen rendimiento y correlación es el bosque aleatorio, el cual al promediar los
resultados de árboles de decisión que no se ven entre sí, disminuye el error que
pueden generar datos extremos. Al momento de revisar la multicolinealidad a través
del análisis de la correlación entre los índices de vegetación se destaca la división
entre dos grupos, el primero relaciona los índices NDVI, RVI y NRVI. El segundo
grupo es el que contiene los índices GNDVI, GCI y CVI. Para la mayoría de los
modelos, exceptuando la regresión lineal, el segundo grupo destaca por obtener los
errores más bajos, y tiene todo el sentido, ya que como se ha expresado en varias
ocasiones, según la literatura son índices que se utilizan para estimar el contenido
de clorofila. En la regresión lineal el índice que se destacó fue el NRVI (aunque fue
cuestión de decimales), el cual es similar al NDVI, pero además reduce los efectos
de la topografía, la iluminación y los efectos atmosféricos, lo cual ayudó en momento
en que las nubes nublaban la captura de las imágenes multiespectrales.

Para finalizar, la salud del cultivo en general se estima como adecuada en cada
planta tomando de referencia el valor de clorofila de referencia y el estimado, ya que
este supera los 54 CCI en cada planta. En términos generales la cámara mapir
Survey aerotransportada en VANT fue útil para estimar la salud de cultivos de café,
no obstante, se aconseja tener más indicativos (carbono, nitrógeno, abono, entre
otros) a parte de la clorofila medida con el CCM 200 PLUS para alimentar los
modelos de predicción.

LIMITACIONES
Como se ha mencionado en diferentes secciones, en el desarrollo de esta
investigación existieron varias limitaciones, una de las más grandes fue la dificultad
de no poder ir frecuentemente a tomar muestras con el clorofilómetro y los vuelos
del VANT, esto debido a la coyuntura por la que está pasando el mundo debida a la
pandemia por COVID-19, sumado a la problemática socio cultural de Colombia y el
Cauca en el marco del paro nacional. Lo anterior en combinación con la variabilidad
climática, en donde en varias ocasiones se presentaron lluvias, lo que no permitió
continuar con la captura de datos, lo que influyó en que el volumen de datos
obtenido no fuera de la cantidad esperada. Esto en conjunto con las variables
climáticas tales como: lluvia, nubosidad, viento, entre otras, hicieron que el vuelo del
VANT y la concentración de clorofila se vieran afectadas, lo cual altera la relación
que se quiere establecer entre los índices de vegetación (calculados a partir de las
imágenes multiespectrales) y el valor CCI, que se toma manualmente, proceso que
tiene una duración aproximada de 8 horas, espaciado aproximadamente por 4 horas
del vuelo del VANT.

Otro inconveniente que se tuvo en el desarrollo del proyecto fue la falta de acceso
a un cultivo tecnificado que permitiera tener en cuenta otras variables que se
relacionan con la salud del cultivo como por ejemplo el nitrógeno, abono utilizado y
carbono, lo cual permitiría tener más variables y datos a relacionar para entrenar los
modelos, no sólo la clorofila capturada por el CCM200. Las restricciones de acceso
fueron atribuidas a la pandemia y al paro nacional.

APORTES

En el presente trabajo de investigación se destacan los siguientes aportes:

 Reporte de la revisión bibliométrica realizada (CAPÍTULO 2).

 Poster y artículo titulado ‘Uso de UAV equipados con cámaras
multiespectrales para el análisis de cultivos de café’ IEEE COLCOM
(Colombian Conference on Communications and Computing) del 7-8 de
agosto 2020 (ANEXO J).
 Tutoriales para el manejo de las herramientas QGIS (ANEXO A) y mission
planner para el procesamiento de imágenes y de sistemas aéreos no
tripulados (ANEXO B).
 Repositorio GIT con los códigos implementados para los modelos de
aprendizaje automático.
 Artículo que contiene los resultados de la investigación (ANEXO K).
 Banco de imágenes multiespectrales recolectadas (ANEXO L).
5. Trabajos de futuros
Teniendo en cuenta las oportunidades de investigación que se abren con el
desarrollo de este proyecto de investigación, se proponen los siguientes trabajos
futuros.
1. Con el fin de aumentar el tamaño de datos, es importante tomar un número
mayor de muestras, de ser posible con varios equipos (más dispositivos para
medir variables físicas en campo). Es importante, tener en cuenta otras
variables físicas como el nitrógeno, cantidad y tipo de abono utilizado,
carbono, entre otras, de un lote tecnificado con el objetivo de mejorar la
estimación y tener en cuenta más factores que influyen en ella. Esto
acompañado de otros modelos de entrenamiento como vecinos cercanos,
árbol de decisiones, bosque aleatorio, entre otros.
2. Otra posibilidad, es, si se tiene el acceso, trabajar con cultivos enfermos
segmentados por tipo de enfermedad, con el fin de analizar dicho cultivo y
comportamiento a través de las imágenes multiespectrales y diferentes
parámetros medidos en tierra, esto permite caracterizar el cultivo y realizar
segmentación automática.
3. Una variante que se puede agregar a este estudio y a lo mencionado en los
puntos anteriores de esta sección, es realizar los análisis con cámaras de
mayor alcance y más bandas para tener en cuenta más índices de vegetación
y una mejor resolución. Además, el tener acceso a un geolocalizador de
precisión que acompañe las medidas en tierra, ayudaría a mejorar la calidad
y rectificación del ortomoisaco.
4. Las etapas del café son prolongadas, por lo cual se propone realizar un
análisis de los diferentes ciclos del café, para validar la relación entre los
valores de clorofila en cada etapa del crecimiento y el estado de salud.
5. Realizar el estudio para diferentes cultivos agrícolas representativos de
Colombia como el plátano, el banano, aguacate, caña, entre otros.
6. Un aspecto importante para validar y realizar pruebas es utilizar nuevos datos
de entrada para analizar el comportamiento de los modelos, es decir, utilizar
generalización, ya que tomar nuevos datos según el panorama nacional y el
tiempo no eran viables en nuestro caso.
7. Crear un prototipo en el cual se suban las fotografías multiespectrales
capturadas por VANT y arroje directamente el estado de salud de la planta
y/o cultivo de café.
REFERENCIAS
[1] International Coffee Organization, “International Coffee Organization -
What’s New.” [Online]. Available: http://www.ico.org/. [Accessed: 31-Oct-
2019].
[2] J. Avelino et al., “The coffee rust crises in Colombia and Central America
(2008–2013): impacts, plausible causes and proposed solutions,” Food
Security, vol. 7, no. 2, pp. 303–321, 2015.
[3] M. M. Machado-Vargas, C. I. Nicholls-Estrada, and L. A. Ríos-Osorio,
“Social-ecological resilience of small-scale coffee production in the porce
river basin, antioquia (Colombia),” Idesia, vol. 36, no. 3, pp. 141–151, 2018.
[4] C. J. Arias Barrera and J. F. Prada Hernández, “La producción cafetera y su
impacto en el crecimiento económico del departamento del Huila, Colombia,”
Ánfora, vol. 24, no. 42, pp. 45–66, 2017.
[5] K. D. Rodriguez Vargas, “Evolución de la producción cafetera y su
contribución a la competitividad en el periodo 2010-2017,” Universidad
católica de Colombia, 2018.
[6] J. A. Bolaños, L. Campo, and J. C. Corrales, “Characterization in the Visible
and Infrared Spectrum of Agricultural Crops from a Multirotor Air Vehicle,”
vol. 687, P. Angelov, J. A. Iglesias, and J. C. Corrales, Eds. Cham: Springer
International Publishing, 2018, pp. 29–43.
[7] National Research Council, Precision Agriculture in the 21st Century:
Geospatial and Information Technologies in Crop Management. Washington,
DC: The National Academies Press, 1997.
[8] J. Navia, I. Mondragon, D. Patino, and J. Colorado, “Multispectral mapping in
agriculture: Terrain mosaic using an autonomous quadcopter UAV,” 2016
International Conference on Unmanned Aircraft Systems (ICUAS), IEEE, pp.
1351–1358, Jun-2016.
[9] T. Duan, S. C. Chapman, Y. Guo, and B. Zheng, “Dynamic monitoring of
NDVI in wheat agronomy and breeding trials using an unmanned aerial
vehicle,” Field Crops Research, vol. 210, no. March, Elsevier, pp. 71–80,
Aug-2017.
[10] S. Candiago, F. Remondino, M. De Giglio, M. Dubbini, and M. Gattelli,
“Evaluating Multispectral Images and Vegetation Indices for Precision
Farming Applications from UAV Images,” Remote Sensing, vol. 7, no. 4, pp.
4026–4047, 02-Apr-2015.
[11] E. Pino V., “Los drones una herramienta para una agricultura eficiente: un
futuro de alta tecnología,” Idesia (Arica), vol. 37, pp. 75–84, 2019.
[12] P. M. Aguayo, “Apuntes de Teledetección: Índices de vegetación,” Chile,
2013.
[13] S. Kharuf-Gutierrez, L. Hernandez-Santana, R. Orozco-Morales, O. de la C.
Aday Diaz, and I. Delgado Mora, “Analisis de imagenes multiespectrales
adquiridas con vehiculos aereos no tripulados,” Ingeniería Electrónica,
Automática y Comunicaciones, vol. 39, scielocu, pp. 79–91, 2018.
[14] Z. Liu, J. Shi, L. Zhang, and J. Huang, “Discrimination of rice panicles by
hyperspectral reflectance data based on principal component analysis and
support vector classification,” Journal of Zhejiang University SCIENCE B, vol.
11, no. 1, pp. 71–78, 2010.
[15] M. Katty Gómez Almonte, “Índice de vegetación en áreas del bosque seco
del noroeste del perú a partir de imágenes satelitales,” Universidad de Piura,
2005.
[16] J. Wijitdechakul, S. Sasaki, Y. Kiyoki, and C. Koopipat, “UAV-based
multispectral image analysis system with semantic computing for agricultural
health conditions monitoring and real-time management,” Proceedings -
2016 International Electronics Symposium, IES 2016, IEEE, pp. 459–464,
2017.
[17] J. C. Rodríguez Villamizar, “Sistemas multiespectrales e hiperespectrales
para la observación del territorio : análisis y aplicación a la prospección de
hidrocarburos.,” 2015.
[18] D. Wu and D.-W. Sun, “Advanced applications of hyperspectral imaging
technology for food quality and safety analysis and assessment: A review —
Part I: Fundamentals,” Innovative Food Science & Emerging Technologies,
vol. 19, pp. 1–14, Jul-2013.
[19] Y.-Y. Pu, Y.-Z. Feng, and D.-W. Sun, “Recent Progress of Hyperspectral
Imaging on Quality and Safety Inspection of Fruits and Vegetables: A
Review,” Comprehensive Reviews in Food Science and Food Safety, vol. 14,
no. 2, pp. 176–188, Mar-2015.
[20] M. J. Khan, H. S. Khan, A. Yousaf, K. Khurshid, and A. Abbas, “Modern
Trends in Hyperspectral Image Analysis: A Review,” IEEE Access, vol. 6, no.
c, pp. 14118–14129, 2018.
[21] F. López-Granados, “Weed detection for site-specific weed management:
mapping and real-time approaches,” Weed Research, vol. 51, no. 1, pp. 1–
11, Feb-2011.
[22] C. Zeng, D. J. King, M. Richardson, and B. Shan, “Fusion of Multispectral
Imagery and Spectrometer Data in UAV Remote Sensing,” Remote Sensing,
vol. 9, no. 7, p. 696, 06-Jul-2017.
[23] Ministerio de Hacienda y Crédito Público, “Presupuesto Ciudadano 2019
Ministerio de Hacienda y Crédito Público,” Bogotá, 2018.
[24] H. C. and M. O. S. Park, A. Nolan, D. Ryu, S. Fuentes, E. Hernandez,
“Estimation of crop water stress in a nectarine orchard using high-resolution
 imagery from unmanned aerial vehicle (UAV) S.,” Remote Sens., vol. 9, no.
8, p. 828, Aug. 2015.
[25] D. M. Gates, H. J. Keegan, J. C. Schleter, and V. R. Weidner, “Spectral
Properties of Plants,” Appl. Opt., vol. 4, no. 1, p. 11, 1965.
[26] A. A. Gitelson, Y. Gritz, and M. N. Merzlyak, “Relationships between leaf
chlorophyll content and spectral reflectance and algorithms for non
destructive chlorophyll assessment in higher plant leaves,” J. Plant Physiol.,
vol. 160, pp. 271–282, 2003.
[27] J. Pérez Rave, Revisión sistemática de literatura en ingeniería. IDINNOV,
2019.
[28] D. Carrizo and C. Moller, “Methodological structures of systematic literature
review in software engineering: A systematic mapping study,” Ingeniare, vol.
26. Universidad de Tarapaca, pp. 45–54, 2018.
[29] B. Kitchenham, “Procedures for Performing Systematic Reviews,” 2004.
[30] M. J. Cobo, A. G. Lõpez-Herrera, E. Herrera-Viedma, and F. Herrera,
“SciMAT: A new science mapping analysis software tool,” J. Am. Soc. Inf.
Sci. Technol., vol. 63, no. 8, pp. 1609–1630, Aug. 2012.
[31] G. Valencia A, “Relación entre el índice de área foliar y la productividad del
cafeto,” Cenicafé (Colombia)v. 24(4) p. 79-89, 1973.
[32] E. A. Bacelar, D. L. Santos, J. M. Moutinho-Pereira, B. C. Gonçalves, H. F.
Ferreira, and C. M. Correia, “Immediate responses and adaptative strategies
of three olive cultivars under contrasting water availability regimes: Changes
on structure and chemical composition of foliage and oxidative damage,”
Plant Science, vol. 170, no. 3, pp. 596–605, Mar-2006.
[33] J. D. Hiscox and G. F. Israelstam, “A method for the extraction of chlorophyll
from leaf tissue without maceration,” Canadian Journal of Botany, vol. 57, no.
12, pp. 1332–1334, 15-Jun-1979.
[34] optisciences, “CCM-200.” [Online]. Available: https://www.optisci.com/ccm-
200.html. [Accessed: 02-Jun-2020].
[35] A. González, G. Amarillo, M. Amarillo, and F. Sarmiento, “Drones Aplicados
a la Agricultura de Precisión,” Publicaciones e Investig., vol. 10, pp. 23–37,
Mar. 2016.
[36] A. Ahmad and A. M. Samad, “Aerial mapping using high resolution digital
camera and unmanned aerial vehicle for Geographical Information System,”
in Proceedings - CSPA 2010: 2010 6th International Colloquium on Signal
Processing and Its Applications, 2010.
[37] B. Brisco, R. J. Brown, T. Hirose, H. Mc Naim, and K. Staenz, “Precision
agriculture and the role of remote sensing: A review,” Can. J. Remote Sens.,
vol. 24, no. 3, pp. 315–327, 1998.
[38] J. F. F. Sabins, “Remote sensing: Principles and interpretation.” W.H.
Freeman and Company,New York, NY, 01-Jan-1986.
[39] S. K. Balasundram, “A Review: The Role of Remote Sensing in Precision
Agriculture,” 2010.
[40] V. Andreo and D. V. Andreo, “Remote Sensing and Geographic Information
Systems in Precision Farming LST-Land Surface Temperature time series
View project MEW 9 Seminario Remote Sensing and Geographic Information
Systems in Precision Farming,” 2013.
[41] A. Vibhute and S. K. Bodhe, “Application of Image Processing in Agriculture:
A Survey,” Int. J. Comput. Appl., vol. 52, pp. 0975 – 8887, 2012.
[42] G. Pajares, “Overview and Current Status of Remote Sensing Applications
Based on Unmanned Aerial Vehicles (UAVs),” Photogrammetric Engineering
& Remote Sensing, vol. 81, no. 4, pp. 281–330, 01-Apr-2015.
[43] PlanetaDrones, “Drone 3DR Solo - Todo lo que debes saber - Planeta
drones.” [Online]. Available: https://planetadrones.es/drone-3dr-solo/.
[Accessed: 07-Nov-2019].
[44] J. Luque Ordóñez, “Espectro electromagnético y espectro radioeléctrico,”
Man. Form. ACTA, ISSN 1888-6051, No. 62, 2012, págs. 17-31, no. 62, pp.
17–31, 2012.
[45] S. Sistemas & Telemática ; Universidad Icesi Kharuf-Gutierrez, R. Orozco-
Morale, O. Aday, E. Pineda, and S. Kharuf-Gutierrez, “Multispectral aerial
image processing system for precision agriculture,” Sist. Telemática, vol. 16,
no. 47, pp. 45–58, 2018.
[46] A. Roman-Gonzalez and N. I. Vargas-Cuentas, “Análisis de imágenes
hiperespectrales,” Revista Ingenieria & Desarrollo, no. 9, pp. 14–17, 2013.
[47] ADSU Filmaciones, “Herramientas de Análisis.” [Online]. Available:
http://sitioftp.com/ADSU/herramientas-analisis.pdf. [Accessed: 02-Nov-2019].
[48] F. A. Vega, F. C. Ramírez, M. P. Saiz, and F. O. Rosúa, “Multi-temporal
imaging using an unmanned aerial vehicle for monitoring a sunflower crop,”
Biosystems Engineering, vol. 132, pp. 19–27, Apr-2015.
[49] J. Geipel, J. Link, J. Wirwahn, and W. Claupein, “A Programmable Aerial
Multispectral Camera System for In-Season Crop Biomass and Nitrogen
Content Estimation,” Agriculture, vol. 6, no. 1, p. 4, Jan. 2016.
[50] A. B. Potgieter et al., “Multi-Spectral Imaging from an Unmanned Aerial
Vehicle Enables the Assessment of Seasonal Leaf Area Dynamics of
Sorghum Breeding Lines,” Front. Plant Sci., vol. 8, no. September, pp. 1–11,
Sep. 2017.
[51] C. Lelong, P. Burger, G. Jubelin, B. Roux, S. Labbé, and F. Baret,
“Assessment of Unmanned Aerial Vehicles Imagery for Quantitative
 Monitoring of Wheat Crop in Small Plots,” Sensors, vol. 8, no. 5, pp. 3557–
3585, May 2008.
[52] H. Zheng et al., “Evaluation of RGB, Color-Infrared and Multispectral Images
Acquired from Unmanned Aerial Systems for the Estimation of Nitrogen
Accumulation in Rice,” Remote Sensing, vol. 10, no. 6, p. 824, 25-May-2018.
[53] L. Peroni Venancio et al., “Potential of using spectral vegetation indices for
corn green biomass estimation based on their relationship with the
photosynthetic vegetation sub-pixel fraction,” Agric. Water Manag., vol. 236,
p. 106155, Jun. 2020.
[54] E. C. M. Noyons, H. F. Moed, and A. F. J. Van Raan, “Integrating research
performance analysis and science mapping,” Scientometrics, vol. 46, no. 3,
pp. 591–604, 1999.
[55] H. Small, “Visualizing science by citation mapping,” J. Am. Soc. Inf. Sci., vol.
50, no. 9, pp. 799–813, Jan. 1999.
[56] M. A. Maleka, P. Budhwarb, and B. S. Reiche, “Sources of support and
expatriation: A multiple stakeholder perspective of expatriate adjustment and
performance in Malaysia,” Int. J. Hum. Resour. Manag., vol. 26, no. 2, pp.
258–276, Jan. 2015.
[57] Naciones Unidas, “Convención Marco sobre el Cambio Climático,” 2015.
[58] Intergovernmental Panel on Climate Change, “Global Warming of 1.5°C.An
IPCC Special Report on the impacts of global warming of 1.5°C above pre-
industrial levels and related global greenhouse gas emission pathways, in
the context of strengthening the global response to the threat of climate
change, sustainable development, and efforts to eradicate poverty,” 2018.
[59] X. Zhou et al., “Predicting grain yield in rice using multi-temporal vegetation
indices from UAV-based multispectral and digital imagery,” ISPRS Journal of
Photogrammetry and Remote Sensing, vol. 130, pp. 246–255, Aug-2017.
[60] M. Romero, Y. Luo, B. Su, and S. Fuentes, “Vineyard water status estimation
using multispectral imagery from an UAV platform and machine learning
algorithms for irrigation scheduling management,” Comput. Electron. Agric.,
vol. 147, no. January, pp. 109–117, Apr. 2018.
[61] M. Nagle, B. Mahayothee, P. Rungpichayapichet, S. Janjai, and J. Müller,
“Effect of irrigation on near-infrared (NIR) based prediction of mango
maturity,” Scientia Horticulturae, vol. 125, no. 4, pp. 771–774, 2010.
[62] P. Williams, P. Geladi, G. Fox, and M. Manley, “Maize kernel hardness
classification by near infrared (NIR) hyperspectral imaging and multivariate
data analysis,” Analytica Chimica Acta, vol. 653, no. 2, pp. 121–130, 2009.
[63] A. Xie, D. W. Sun, Z. Xu, and Z. Zhu, “Rapid detection of frozen pork quality
without thawing by Vis-NIR hyperspectral imaging technique,” Talanta, vol.
139, Elsevier, pp. 208–215, 2015.
[64] C. Gomez, R. A. Viscarra Rossel, and A. B. McBratney, “Soil organic carbon
prediction by hyperspectral remote sensing and field vis-NIR spectroscopy:
An Australian case study,” Geoderma, vol. 146, no. 3–4, pp. 403–411, 2008.
[65] A. Tellaeche, G. Pajares, X. P. Burgos-Artizzu, and A. Ribeiro, “A computer
vision approach for weeds identification through Support Vector Machines,”
Applied Soft Computing Journal, vol. 11, no. 1, pp. 908–915, 2011.
[66] F. M. Satoru Koda, Keiichi Mochida, Komaki Inoue, Takashi Hirayama,
Shojiro Tanaka, Ryuei Nishii, “Computer vision-based phenotyping for
improvement of plant productivity: a machine learning perspective,” The
Japanese journal of gastroenterological surgery, vol. 8, no. 5, pp. 529–530,
1975.
[67] B. Zhang et al., “Principles, developments and applications of computer
vision for external quality inspection of fruits and vegetables: A review,” Food
Research International, vol. 62, Elsevier Ltd, pp. 326–343, 2014.
[68] P. Jackman, D. W. Sun, and P. Allen, “Recent advances in the use of
computer vision technology in the quality assessment of fresh meats,”
Trends in Food Science and Technology, vol. 22, no. 4, Elsevier Ltd, pp.
185–197, 2011.
[69] J. M. Soriano-Disla, L. J. Janik, R. A. Viscarra Rossel, L. M. MacDonald, and
M. J. McLaughlin, “The performance of visible, near-, and mid-infrared
reflectance spectroscopy for prediction of soil physical, chemical, and
biological properties,” Applied Spectroscopy Reviews, vol. 49, no. 2, pp.
139–186, 2014.
[70] E. Anastasaki et al., “Differentiation of saffron from four countries by mid-
infrared spectroscopy and multivariate analysis,” European Food Research
and Technology, vol. 230, no. 4, pp. 571–577, 2010.
[71] K. Theodoridou and P. Yu, “Application Potential of ATR-FT/IR Molecular
Spectroscopy in Animal Nutrition: Revelation of Protein Molecular Structures
of Canola Meal and Presscake, As Affected by Heat-Processing Methods, in
Relationship with Their Protein Digestive Behavior and Utili,” Journal of
Agricultural and Food Chemistry, vol. 61, no. 23, pp. 5449–5458, 2013.
[72] H. Xin and P. Yu, “Chemical profile, energy values, and protein molecular
structure characteristics of biofuel/bio-oil co-products (Carinata Meal) in
comparison with canola meal,” Journal of Agricultural and Food Chemistry,
vol. 61, no. 16, pp. 3926–3933, 2013.
[73] Samadi, K. Theodoridou, and P. Yu, “Detect the sensitivity and response of
protein molecular structure of whole canola seed (yellow and brown) to
different heat processing methods and relation to protein utilization and
availability using ATR-FT/IR molecular spectroscopy with chemometrics,”
Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy, vol.
105, pp. 304–313, 2013.
[74] S. Abeysekara, Samadi, and P. Yu, “Response and sensitivity of lipid related
molecular structure to wet and dry heating in Canola tissue,” Spectrochimica
Acta - Part A: Molecular and Biomolecular Spectroscopy, vol. 90, Elsevier
B.V., pp. 63–71, 2012.
[75] H. Xin and P. Yu, “Using ATR-FT/iR to detect carbohydrate-related molecular
structure features of carinata meal and their in situ residues of ruminal
fermentation in comparison with canola meal,” Spectrochimica Acta - Part A:
Molecular and Biomolecular Spectroscopy, vol. 114, Elsevier B.V., pp. 599–
606, 2013.
[76] F. Tao and Y. Peng, “A method for nondestructive prediction of pork meat
quality and safety attributes by hyperspectral imaging technique,” Journal of
Food Engineering, vol. 126, Elsevier Ltd, pp. 98–106, 2014.
[77] Z. Xiong, A. Xie, D. W. Sun, X. A. Zeng, and D. Liu, “Applications of
Hyperspectral Imaging in Chicken Meat Safety and Quality Detection and
Evaluation: A Review,” Critical Reviews in Food Science and Nutrition, vol.
55, no. 9, pp. 1287–1301, 2015.
[78] H. Pu, D. W. Sun, J. Ma, and J. H. Cheng, “Classification of fresh and frozen-
thawed pork muscles using visible and near infrared hyperspectral imaging
and textural analysis,” Meat Science, vol. 99, pp. 81–88, 2014.
[79] G. ElMasry, N. Wang, C. Vigneault, J. Qiao, and A. ElSayed, “Early detection
of apple bruises on different background colors using hyperspectral imaging,”
LWT - Food Science and Technology, vol. 41, no. 2, pp. 337–345, 2008.
[80] Y. Peng and R. Lu, “Analysis of spatially resolved hyperspectral scattering
images for assessing apple fruit firmness and soluble solids content,”
Postharvest Biol. Technol., vol. 48, no. 1, pp. 52–62, 2008.
[81] W. Huang, J. Li, Q. Wang, and L. Chen, “Development of a multispectral
imaging system for online detection of bruises on apples,” J. Food Eng., vol.
146, pp. 62–71, 2015.
[82] G. Alberti et al., “A LiDAR-based approach for a multi-purpose
characterization of alpine forests: An italian case study,” IForest, vol. 6, no. 1,
pp. 156–168, 2013.
[83] Y. Hirata, R. Tabuchi, P. Patanaponpaiboon, S. Poungparn, R. Yoneda, and
Y. Fujioka, “Estimation of aboveground biomass in mangrove forests using
high-resolution satellite data,” Journal of Forest Research, vol. 19, no. 1, pp.
34–41, 2014.
[84] J. Mohammadi and S. Shataee, “Possibility investigation of tree diversity
mapping using Landsat ETM+ data in the Hyrcanian forests of Iran,” Remote
Sensing of Environment, vol. 114, no. 7, Elsevier B.V., pp. 1504–1512, 2010.
[85] L. Pan, Q. Zhu, R. Lu, and J. M. McGrath, “Determination of sucrose content
in sugar beet by portable visible and near-infrared spectroscopy,” Food
 Chemistry, vol. 167, Elsevier Ltd, pp. 264–271, 2015.
[86] L. Pan, R. Lu, Q. Zhu, J. M. McGrath, and K. Tu, “Measurement of moisture,
soluble solids, sucrose content and mechanical properties in sugar beet
using portable visible and near-infrared spectroscopy,” Postharvest Biology
and Technology, vol. 102, Elsevier India Pvt Ltd, pp. 42–50, 2015.
[87] A. K. Mahlein, U. Steiner, H. W. Dehne, and E. C. Oerke, “Spectral
signatures of sugar beet leaves for the detection and differentiation of
diseases,” Precision Agriculture, vol. 11, no. 4, pp. 413–431, 2010.
[88] A. Kross, H. McNairn, D. Lapen, M. Sunohara, and C. Champagne,
“Assessment of RapidEye vegetation indices for estimation of leaf area index
and biomass in corn and soybean crops,” Int. J. Appl. Earth Obs. Geoinf.,
vol. 34, no. 1, pp. 235–248, 2015.
[89] J. Geipel, J. Link, and W. Claupein, “Combined spectral and spatial modeling
of corn yield based on aerial images and crop surface models acquired with
an unmanned aircraft system,” Remote Sensing, vol. 6, no. 11, pp. 10335–
10355, 2014.
[90] X. Ran, L. Wang, Y. Lin, J. Hao, and D. Cao, “Syntheses, characterization
and biological studies of zinc(ll), copper(ll) and cobalt(ll) complexes with
Schiff base ligand derived from 2-hydroxy-1-naphthaldehyde and
selenomethionine,” Appl. Organomet. Chem., vol. 24, no. 10, pp. 741–747,
2010.
[91] O. B. Chanu, A. Kumar, A. Ahmed, and R. A. Lal, “Synthesis and
characterisation of heterometallic trinuclear copper(II) and zinc(II) complexes
derived from bis(2-hydroxy-1-naphthaldehyde) oxaloyldihydrazone,” J. Mol.
Struct., vol. 1007, pp. 257–274, 2012.
[92] X. Ran, L. Wang, D. Cao, Y. Lin, and J. Hao, “Synthesis, characterization
and in vitro biological activity of cobalt(II), copper(II) and zinc(II) Schiff base
complexes derived from salicylaldehyde and D,L-selenomethionine,” Applied
Organometallic Chemistry, vol. 25, no. 1. pp. 9–15, 2011.
[93] E. I. Galanzha, J. W. Kim, and V. P. Zharov, “Nanotechnology-based
molecular photoacoustic and photothermal flow cytometry platform for in-vivo
detection and killing of circulating cancer stem cells,” Journal of
Biophotonics, vol. 2, no. 12. pp. 725–735, 2009.
[94] R. Gasper, T. Mijatovic, A. Bénard, A. Derenne, R. Kiss, and E.
Goormaghtigh, “FTIR spectral signature of the effect of cardiotonic steroids
with antitumoral properties on a prostate cancer cell line,” Biochim. Biophys.
Acta - Mol. Basis Dis., vol. 1802, no. 11, pp. 1087–1094, 2010.
[95] R. A. Naidu, E. M. Perry, F. J. Pierce, and T. Mekuria, “The potential of
spectral reflectance technique for the detection of Grapevine leafroll-
associated virus-3 in two red-berried wine grape cultivars,” Comput. Electron.
Agric., vol. 66, no. 1, pp. 38–45, 2009.
[96] C. B. Singh, D. S. Jayas, J. Paliwal, and N. D. G. White, “Detection of insect-
damaged wheat kernels using near-infrared hyperspectral imaging,” J.
Stored Prod. Res., vol. 45, no. 3, pp. 151–158, 2009.
[97] S. Adelabu, O. Mutanga, and E. Adam, “Evaluating the impact of red-edge
band from Rapideye image for classifying insect defoliation levels,” ISPRS J.
Photogramm. Remote Sens., vol. 95, pp. 34–41, 2014.
[98] C. B. Singh, D. S. Jayas, J. Paliwal, and N. D. G. White, “Identification of
insect-damaged wheat kernels using short-wave near-infrared hyperspectral
and digital colour imaging,” Comput. Electron. Agric., vol. 73, no. 2, pp. 118–
125, 2010.
[99] R. Moscetti, R. P. Haff, S. Saranwong, D. Monarca, M. Cecchini, and R.
Massantini, “Nondestructive detection of insect infested chestnuts based on
NIR spectroscopy,” Postharvest Biol. Technol., vol. 87, pp. 88–94, 2014.
[100] E. Zamora-Rojas, B. Aernouts, A. Garrido-Varo, W. Saeys, D. Pérez-Marín,
and J. E. Guerrero-Ginel, “Optical properties of pig skin epidermis and
dermis estimated with double integrating spheres measurements,” Innov.
Food Sci. Emerg. Technol., vol. 20, pp. 343–349, 2013.
[101] E. Zamora-Rojas et al., “Understanding near infrared radiation propagation in
pig skin reflectance measurements,” Innov. Food Sci. Emerg. Technol., vol.
22, pp. 137–146, 2014.
[102] F. Vaudelle and J. P. L’Huillier, “Influence of the size and skin thickness of
apple varieties on the retrieval of internal optical properties using Vis/NIR
spectroscopy: A Monte Carlo-based study,” Comput. Electron. Agric., vol.
116, pp. 137–149, 2015.
[103] C. Stone, T. Penman, and R. Turner, “Managing drought-induced mortality in
Pinus radiata plantations under climate change conditions: A local approach
using digital camera data,” For. Ecol. Manage., vol. 265, pp. 94–101, 2012.
[104] V. M. Sellitto et al., “Comparing two different spectroscopic techniques for
the characterization of soil iron oxides: Diffuse versus bi-directional
reflectance,” Geoderma, vol. 251–252, no. 1–2, pp. 2–9, 2015.
[105] N. Prieto et al., “At line prediction of PUFA and biohydrogenation
intermediates in perirenal and subcutaneous fat from cattle fed sunflower or
flaxseed by near infrared spectroscopy,” Meat Science, vol. 90, no. 1,
Elsevier Ltd, pp. 43–51, 2013.
[106] N. Prieto, M. E. R. Dugan, O. López-Campos, T. A. McAllister, J. L. Aalhus,
and B. Uttaro, “Near infrared reflectance spectroscopy predicts the content of
polyunsaturated fatty acids and biohydrogenation products in the
subcutaneous fat of beef cows fed flaxseed,” Meat Science, vol. 90, no. 1,
Elsevier Ltd., pp. 43–51, 2012.
[107] X. Yao et al., “Using leaf dry matter to quantify the critical nitrogen dilution
 curve for winter wheat cultivated in eastern China,” F. Crop. Res., vol. 159,
pp. 33–42, 2014.
[108] C. M. Souza et al., “Ten-year landsat classification of deforestation and
forest degradation in the brazilian amazon,” Remote Sens., vol. 5, no. 11, pp.
5493–5513, 2013.
[109] D. Lu, M. Batistela, and E. Moran, “Change Detection in the Brazilian
Amazon,” Photogramm Eng Remote Sens., vol. 74, no. 4, pp. 421–430,
2008.
[110] D. Lu, M. Batistella, E. Moran, S. Hetrick, D. Alves, and E. Brondizio,
“Fractional forest cover mapping in the brazilian amazon with a combination
of modis and tm images,” Int. J. Remote Sens., vol. 32, no. 22, pp. 7131–
7149, 2011.
[111] C. Brannstrom, W. Jepson, A. M. Filippi, D. Redo, Z. Xu, and S. Ganesh,
“Land change in the Brazilian Savanna (Cerrado), 1986-2002: Comparative
analysis and implications for land-use policy,” Land use policy, vol. 25, no. 4,
pp. 579–595, 2008.
[112] F. Li et al., “Estimating N status of winter wheat using a handheld
spectrometer in the North China Plain,” F. Crop. Res., vol. 106, no. 1, pp.
77–85, 2008.
[113] K. Yu, F. Li, M. L. Gnyp, Y. Miao, G. Bareth, and X. Chen, “Remotely
detecting canopy nitrogen concentration and uptake of paddy rice in the
Northeast China Plain,” ISPRS J. Photogramm. Remote Sens., vol. 78, pp.
102–115, 2013.
[114] W. Koppe et al., “Evaluating multispectral and hyperspectral satellite remote
sensing data for estimating winter wheat growth parameters at regional scale
in the North China plain,” Photogramm. Fernerkundung, Geoinf., vol. 2010,
no. 3, pp. 167–178, 2010.
[115] C. T. Morehart, “Mapping ancient chinampa landscapes in the Basin of
Mexico: A remote sensing and GIS approach,” J. Archaeol. Sci., vol. 39, no.
7, pp. 2541–2551, 2012.
[116] S. Deng, M. Katoh, Q. Guan, N. Yin, and M. Li, “Interpretation of forest
resources at the individual tree level at Purple Mountain, Nanjing City, China,
using WorldView-2 imagery by combining GPS, RS and GIS technologies,”
Remote Sens., vol. 6, no. 1, pp. 87–110, 2013.
[117] M. Jayanthi, “Monitoring brackishwater aquaculture development using multi-
spectral satellite data and GIS - a case study near Pichavaram mangroves
south-east coast of India,” Indian J. Fish., vol. 58, no. 1, pp. 85–90, 2011.
[118] P. J. Zarco-Tejada, V. González-Dugo, and J. A. J. Berni, “Fluorescence,
temperature and narrow-band indices acquired from a UAV platform for
water stress detection using a micro-hyperspectral imager and a thermal
 camera,” Remote Sens. Environ., vol. 117, pp. 322–337, Feb. 2012.
[119] J. Bendig et al., “Combining UAV-based plant height from crop surface
models, visible, and near infrared vegetation indices for biomass monitoring
in barley,” Int. J. Appl. Earth Obs. Geoinf., vol. 39, no. 1, pp. 79–87, Jul.
2015.
[120] P. J. Zarco-Tejada, M. L. Guillén-Climent, R. Hernández-Clemente, A.
Catalina, M. R. González, and P. Martín, “Estimating leaf carotenoid content
in vineyards using high resolution hyperspectral imagery acquired from an
unmanned aerial vehicle (UAV),” Agric. For. Meteorol., vol. 171–172, pp.
281–294, Apr. 2013.
[121] K. Uto, H. Seki, G. Saito, and Y. Kosugi, “Characterization of rice paddies by
a UAV-mounted miniature hyperspectral sensor system,” IEEE J. Sel. Top.
Appl. Earth Obs. Remote Sens., vol. 6, no. 2, pp. 851–860, 2013.
[122] J. Gómez-Sanchis, D. Lorente, E. Soria-Olivas, N. Aleixos, S. Cubero, and J.
Blasco, “Development of a Hyperspectral Computer Vision System Based on
Two Liquid Crystal Tuneable Filters for Fruit Inspection. Application to Detect
Citrus Fruits Decay,” Food Bioprocess Technol., vol. 7, no. 4, pp. 1047–
1056, 2014.
[123] V. Šuštar et al., “Identification of historical polymers using Near-Infrared
Spectroscopy,” Polym. Degrad. Stab., vol. 47, no. 5, pp. 341–347, 2014.
[124] A. Bilici, I. Kaya, and M. Yildirim, “A comparative study of 9,9-bis(4-
aminophenyl)fluorene polymers prepared by catalytic and non-catalytic
oxidative polymerisation methods,” Eur. Polym. J., vol. 47, no. 5, pp. 1005–
1017, 2011.
[125] C.-C. Yang et al., “Development of multispectral imaging algorithm for
detection of frass on mature red tomatoes,” Postharvest Biol. Technol., vol.
93, pp. 1–8, Jul. 2014.
[126] S. Shataee, H. Weinaker, and M. Babanejad, “Plot-level forest volume
estimation using airborne laser scanner and TM data, comparison of
boosting and random forest tree regression algorithms,” in Procedia
Environmental Sciences, 2011, vol. 7, pp. 68–73.
[127] Z. Duli, K. R. Reddy, V. G. Kakani, and J. J. Read, “Remote-sensing
algorithms for estimating nitrogen uptake and nitrogen-use efficiency in
cotton,” Acta Agric. Scand. Sect. B Soil Plant Sci., vol. 60, no. 6, pp. 500–
509, 2010.
[128] B. Waske, J. A. Benediktsson, K. Árnason, and J. R. Sveinsson, “Mapping of
hyperspectral AVIRIS data using machine-learning algorithms,” Can. J.
Remote Sens., vol. 35, no. sup1, pp. S106–S116, Jan. 2009.
[129] S. Adelabu, O. Mutanga, E. Adam, and M. A. Cho, “Exploiting machine
learning algorithms for tree species classification in a semiarid woodland
 using RapidEye image,” J. Appl. Remote Sens., vol. 7, no. 1, p. 073480,
Nov. 2013.
[130] R. Rud, M. Shoshany, and V. Alchanatis, “Spectral indicators for salinity
effects in crops: A comparison of a new green indigo ratio with existing
indices,” Remote Sens. Lett., vol. 2, no. 4, pp. 289–298, 2011.
[131] H. R. Matinfar, S. K. Alavi Panah, F. Zand, and K. Khodaei, “Detection of soil
salinity changes and mapping land cover types based upon remotely sensed
data,” Arab. J. Geosci., vol. 6, no. 3, pp. 913–919, 2013.
[132] S. Hamzeh et al., “Estimating salinity stress in sugarcane fields with
spaceborne hyperspectral: Vegetation indices,” Int. J. Appl. Earth Obs.
Geoinf., vol. 21, no. 1, pp. 282–290, 2012.
[133] I. Nishidate et al., “Evaluation of Cerebral Hemodynamics and Tissue
Morphology of in Vivo Rat Brain Using Spectral Diffuse Reflectance
Imaging,” Appl. Spectrosc., vol. 71, no. 5, pp. 866–878, 2017.
[134] S. P. Yadav, Y. Ibaraki, and S. Dutta Gupta, “Estimation of the chlorophyll
content of micropropagated potato plants using RGB based image analysis,”
Plant Cell, Tissue Organ Cult., vol. 100, no. 2, pp. 183–188, Feb. 2010.
[135] M. Karlson et al., “Tree crown mapping in managed woodlands (Parklands)
of semi-arid West Africa using WorldView-2 imagery and geographic object
based image analysis,” Plant Cell, Tissue Organ Cult., vol. 67, no. 1, pp.
22643–22669, Feb. 2014.
[136] S. Dupuya, G. Lainé, J. Tassin, and J. M. Sarrailh, “Characterization of the
horizontal structure of the tropical forest canopy using object-based LiDAR
and multispectral image analysis,” Int. J. Appl. Earth Obs. Geoinf., vol. 25,
no. 1, pp. 76–86, 2013.
[137] A. I. Ropodi, D. E. Pavlidis, F. Mohareb, E. Z. Panagou, and G. J. E. Nychas,
“Multispectral image analysis approach to detect adulteration of beef and
pork in raw meats,” Food Res. Int., vol. 67, pp. 12–18, 2015.
[138] G. Giovanelli, N. Sinelli, R. Beghi, R. Guidetti, and E. Casiraghi, “NIR
spectroscopy for the optimization of postharvest apple management,”
Postharvest Biol. Technol., vol. 87, pp. 13–20, 2014.
[139] K. Koenig et al., “Comparative classification analysis of post-harvest growth
detection from terrestrial LiDAR point clouds in precision agriculture,” ISPRS
J. Photogramm. Remote Sens., vol. 104, pp. 112–125, 2014.
[140] A. R. Johnsen et al., “Detection of early plant stress responses in
hyperspectral images,” ISPRS J. Photogramm. Remote Sens., vol. 49, no. 6,
pp. 2261–2274, 2014.
[141] A. R. Johnsen, B. P. Horgan, B. S. Hulke, and V. Cline, “Evaluation of
remote sensing to measure plant stress in creeping bentgrass (Agrostis
stolonifera L.) fairways,” Crop Sci., vol. 49, no. 6, pp. 2261–2274, 2009.
[142] Y. C. Yang, D. W. Sun, N. N. Wang, and A. Xie, “Real-time evaluation of
polyphenol oxidase (PPO) activity in lychee pericarp based on weighted
combination of spectral data and image features as determined by fuzzy
neural network,” Talanta, vol. 139, pp. 198–207, 2015.
[143] M. Prevolnik et al., “Classification of dry-cured hams according to the
maturation time using near infrared spectra and artificial neural networks,”
Meat Sci., vol. 96, no. 1, pp. 14–20, 2014.
[144] Z. Y. Liu, H. F. Wu, and J. F. Huang, “Application of neural networks to
discriminate fungal infection levels in rice panicles using hyperspectral
reflectance and principal components analysis,” Comput. Electron. Agric.,
vol. 72, no. 2, pp. 99–106, 2010.
[145] P. A. Gutiérrez, F. López-Granados, J. M. Peña-Barragán, M. Jurado-
Expósito, M. T. Gómez-Casero, and C. Hervás-Martínez, “Mapping
sunflower yield as affected by Ridolfia segetum patches and elevation by
applying evolutionary product unit neural networks to remote sensed data,”
Comput. Electron. Agric., vol. 60, no. 2, pp. 122–132, 2008.
[146] H. J. He and D. W. Sun, “Microbial evaluation of raw and processed food
products by Visible/Infrared, Raman and Fluorescence spectroscopy,”
Trends Food Sci. Technol., vol. 46, no. 2, pp. 199–210, 2015.
[147] D. L. Betemps et al., “Non-destructive evaluation of ripening and quality traits
in apples using a multiparametric fluorescence sensor,” J. Sci. Food Agric.,
vol. 92, no. 9, pp. 1855–1864, 2012.
[148] C. C. Yang et al., “Red to far-red multispectral fluorescence image fusion for
detection of fecal contamination on apples,” J. Food Eng., vol. 108, no. 2, pp.
312–319, 2012.
[149] K. Yu, G. Leufen, M. Hunsche, G. Noga, X. Chen, and G. Bareth,
“Investigation of leaf diseases and estimation of chlorophyll concentration in
seven barley varieties using fluorescence and hyperspectral indices,”
Remote Sens., vol. 6, no. 1, pp. 64–86, 2013.
[150] K. Brling et al., “UV-induced fluorescence spectra and lifetime determination
for detection of leaf rust (Puccinia triticina) in susceptible and resistant wheat
(Triticum aestivum) cultivars,” J. Food Eng., vol. 92, no. 9, pp. 337–345,
2012.
[151] S. M. O’Rourke et al., “Comparing different multivariate calibration methods
for the determination of soil organic carbon pools with visible to near infrared
spectroscopy,” Geoderma, vol. 166, no. 3–4, pp. 198–205, 2011.
[152] G. N. Nóbrega et al., “Evaluation of methods for quantifying organic carbon
in mangrove soils from semi-arid region,” J. Soils Sediments, vol. 15, no. 2,
pp. 282–291, 2015.
[153] S. M. O’Rourke and N. M. Holden, “Optical sensing and chemometric
 analysis of soil organic carbon - a cost effective alternative to conventional
laboratory methods?,” Soil Use Manag., vol. 27, no. 2, pp. 143–155, 2011.
[154] T. Liu et al., “Non-destructive assessment of ascorbic acid in apples using
near-infrared (NIR) spectroscopy together with partial least squares (PLS)
regression,” Acta Hortic., vol. 1208, pp. 447–454, 2018.
[155] J. H. Cheng and D. W. Sun, “Partial Least Squares Regression (PLSR)
Applied to NIR and HSI Spectral Data Modeling to Predict Chemical
Properties of Fish Muscle,” Food Eng. Rev., vol. 9, no. 1, pp. 36–49, 2017.
[156] H. Lee, M. S. Kim, H. S. Lim, E. Park, W. H. Lee, and B. K. Cho, “Detection
of cucumber green mottle mosaic virus-infected watermelon seeds using a
near-infrared (NIR) hyperspectral imaging system: Application to seeds of
the ‘Sambok Honey’ cultivar,” Biosyst. Eng., vol. 148, pp. 138–147, 2016.
[157] A. M. West et al., “Using multi-date satellite imagery to monitor invasive
grass species distribution in post-wildfire landscapes: An iterative, adaptable
approach that employs open-source data and software,” Int. J. Appl. Earth
Obs. Geoinf., vol. 59, pp. 135–146, 2017.
[158] J. Zhang, Y. Huang, L. Yuan, G. Yang, L. Chen, and C. Zhao, “Using satellite
multispectral imagery for damage mapping of armyworm (Spodoptera
frugiperda) in maize at a regional scale,” Pest Manag. Sci., vol. 72, no. 2, pp.
335–348, 2016.
[159] J. A. M. Demattê, C. T. Fongaro, R. Rizzo, and J. L. Safanelli, “Geospatial
Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve
soil spectral reflectance from satellite images,” Remote Sens. Environ., vol.
212, no. August 2017, pp. 161–175, 2018.
[160] Y. Feng, D. Lu, E. Moran, L. Dutra, M. Calvi, and M. de Oliveira, “Examining
Spatial Distribution and Dynamic Change of Urban Land Covers in the
Brazilian Amazon Using Multitemporal Multisensor High Spatial Resolution
Satellite Imagery,” Remote Sens., vol. 9, no. 4, p. 381, 2017.
[161] C. Wei, J. Huang, L. R. Mansaray, Z. Li, W. Liu, and J. Han, “Estimation and
mapping of winter oilseed rape LAI from high spatial resolution satellite data
based on a hybrid method,” Remote Sens., vol. 9, no. 5, 2017.
[162] C. Romero-Trigueros et al., “Effects of saline reclaimed waters and deficit
irrigation on Citrus physiology assessed by UAV remote sensing,” Agric.
Water Manag., vol. 183, pp. 60–69, 2017.
[163] S. Vanino et al., “Capability of Sentinel-2 data for estimating maximum
evapotranspiration and irrigation requirements for tomato crop in Central
Italy,” Remote Sens. Environ., vol. 215, no. October 2017, pp. 452–470,
2018.
[164] A. Lowe, N. Harrison, and A. P. French, “Hyperspectral image analysis
techniques for the detection and classification of the early onset of plant
 disease and stress,” Plant Methods, vol. 13, no. 1, pp. 1–12, 2017.
[165] S. Thomas et al., “Benefits of hyperspectral imaging for plant disease
detection and plant protection: a technical perspective,” J. Plant Dis. Prot.,
vol. 125, no. 1, pp. 5–20, 2018.
[166] Y. Sun, K. Wei, Q. Liu, L. Pan, and K. Tu, “Classification and discrimination
of different fungal diseases of three infection levels on peaches using
hyperspectral reflectance imaging analysis,” Sensors (Switzerland), vol. 18,
no. 4, 2018.
[167] Y. Lu, Y. Huang, and R. Lu, “Innovative hyperspectral imaging-based
techniques for quality evaluation of fruits and vegetables: A review,” Appl.
Sci., vol. 7, no. 2, 2017.
[168] Y. Liu, H. Pu, and D. W. Sun, “Hyperspectral imaging technique for
evaluating food quality and safety during various processes: A review of
recent applications,” Trends Food Sci. Technol., vol. 69, pp. 25–35, 2017.
[169] T. Yaseen, D. W. Sun, and J. H. Cheng, “Raman imaging for food quality and
safety evaluation: Fundamentals and applications,” Trends Food Sci.
Technol., vol. 62, pp. 177–189, 2017.
[170] R. Siche, R. Vejarano, V. Aredo, L. Velasquez, E. Saldaña, and R. Quevedo,
“Evaluation of Food Quality and Safety with Hyperspectral Imaging (HSI),”
Food Eng. Rev., vol. 8, no. 3, pp. 306–322, 2016.
[171] A. Morellos et al., “Machine learning based prediction of soil total nitrogen,
organic carbon and moisture content by using VIS-NIR spectroscopy,”
Biosyst. Eng., vol. 152, pp. 104–116, 2016.
[172] A. C. Dotto, R. S. D. Dalmolin, A. ten Caten, and S. Grunwald, “A systematic
study on the application of scatter-corrective and spectral-derivative
preprocessing for multivariate prediction of soil organic carbon by Vis-NIR
spectra,” Geoderma, vol. 314, no. May 2017, pp. 262–274, 2018.
[173] F. Cao, F. Liu, H. Guo, W. Kong, C. Zhang, and Y. He, “Fast detection of
sclerotinia sclerotiorum on oilseed rape leaves using low-altitude remote
sensing technology,” Sensors (Switzerland), vol. 18, no. 12, 2018.
[174] L. Huang et al., “Potential of visible and near-infrared hyperspectral imaging
for detection of Diaphania pyloalis larvae and damage on mulberry leaves,”
Sensors (Switzerland), vol. 18, no. 7, pp. 1–16, 2018.
[175] A. Y. Khaled, S. Abd Aziz, S. K. Bejo, N. M. Nawi, and I. Abu Seman,
“Spectral features selection and classification of oil palm leaves infected by
Basal stem rot (BSR) disease using dielectric spectroscopy,” Comput.
Electron. Agric., vol. 144, no. August 2017, pp. 297–309, 2018.
[176] F. López-Granados, J. Torres-Sánchez, A. Serrano-Pérez, A. I. de Castro,
F.-J. Mesas-Carrascosa, and J.-M. Peña, “Early season weed mapping in
sunflower using UAV technology: variability of herbicide treatment maps
 against weed thresholds,” Precis. Agric., vol. 17, no. 2, pp. 183–199, Apr.
2016.
[177] A. J. Steidle Neto, D. C. Lopes, F. A. C. Pinto, and S. Zolnier, “Vis/NIR
spectroscopy and chemometrics for non-destructive estimation of water and
chlorophyll status in sunflower leaves,” Biosyst. Eng., vol. 155, pp. 124–133,
Mar. 2017.
[178] G. R. Mahajan, R. N. Pandey, R. N. Sahoo, V. K. Gupta, S. C. Datta, and D.
Kumar, “Monitoring nitrogen, phosphorus and sulphur in hybrid rice (Oryza
sativa L.) using hyperspectral remote sensing,” Precis. Agric., vol. 18, no. 5,
pp. 736–761, 2017.
[179] Y. Zhang et al., “Energy transfer and tunable emission of
Ca14Al10Zn6O35:Bi3+,Sm3+ phosphor,” Mater. Res. Bull., vol. 100, no.
November 2017, pp. 56–61, 2018.
[180] S. R. M. Ibrahim, E. S. Elkhayat, G. A. A. Mohamed, S. M. Fat’hi, and S. A.
Ross, “Fusarithioamide A, a new antimicrobial and cytotoxic benzamide
derivative from the endophytic fungus Fusarium chlamydosporium,”
Biochem. Biophys. Res. Commun., vol. 479, no. 2, pp. 211–216, 2016.
[181] Y. Z. Zhu, J. W. Liu, X. Wang, I. H. Jeong, Y. J. Ahn, and C. J. Zhang, “Anti-
BACE1 and antimicrobial activities of steroidal compounds isolated from
marine urechis unicinctus,” Mar. Drugs, vol. 16, no. 3, 2018.
[182] S. Felhi, A. Daoud, H. Hajlaoui, K. Mnafgui, N. Gharsallah, and A. Kadri,
“Solvent extraction effects on phytochemical constituents profiles, antioxidant
and antimicrobial activities and functional group analysis of Ecballium
elaterium seeds and peels fruits,” Food Sci. Technol., vol. 37, no. 3, pp. 483–
492, 2017.
[183] N. Ahmad, N. Ahmad, and A. Rab, “Light-induced biochemical variations in
secondary metabolite production and antioxidant activity in callus cultures of
Stevia rebaudiana (Bert),” J. Photochem. Photobiol. B Biol., vol. 154, pp. 51–
56, 2016.
[184] W. W. May Zin et al., “Antibacterial and antibiofilm activities of the
metabolites isolated from the culture of the mangrove-derived endophytic
fungus Eurotium chevalieri KUFA 0006,” Phytochemistry, vol. 141, pp. 86–
97, 2017.
[185] J. Ouyang et al., “Mollicellins O–R, four new depsidones isolated from the
endophytic fungus Chaetomium sp. EEF-10,” Molecules, vol. 23, no. 12, pp.
1–11, 2018.
[186] M. L. Askoura, F. Vaudelle, and J. P. L’Huillier, “Use of steady-state imaging
setup for assessing the internal optical properties of non-spherical apple
samples,” Comput. Electron. Agric., vol. 157, no. August 2018, pp. 181–188,
2019.
[187] A. López-Maestresalas et al., “Bulk Optical Properties of Potato Flesh in the
500–1900 nm Range,” Food Bioprocess Technol., vol. 9, no. 3, pp. 463–470,
2016.
[188] W. Wang, M. Huang, Q. Zhu, and J. Qin, “Optical property inversion of
biological materials using Fourier series expansion and LS-SVM for
hyperspectral imaging,” Inverse Probl. Sci. Eng., vol. 26, no. 7, pp. 1019–
1036, 2018.
[189] N. Bluvshtein et al., “Broadband optical properties of biomass-burning
aerosol and identification of brown carbon chromophores,” J. Geophys. Res.,
vol. 122, no. 10, pp. 5441–5456, 2017.
[190] T. S. Magney, L. A. Vierling, J. U. H. Eitel, D. R. Huggins, and S. R. Garrity,
“Response of high frequency Photochemical Reflectance Index (PRI)
measurements to environmental conditions in wheat,” Remote Sens.
Environ., vol. 173, pp. 84–97, 2016.
[191] A. W. Njoroge et al., “Frequency and time pattern differences in acoustic
signals produced by Prostephanus truncatus (Horn) (Coleoptera:
Bostrichidae) and Sitophilus zeamais (Motschulsky) (Coleoptera:
Curculionidae) in stored maize,” J. Stored Prod. Res., vol. 69, pp. 31–40,
2016.
[192] M. Traoré, J. Kaal, and A. Martínez Cortizas, “Application of FTIR
spectroscopy to the characterization of archeological wood,” Spectrochim.
Acta - Part A Mol. Biomol. Spectrosc., vol. 153, pp. 63–70, 2016.
[193] G. Capobianco et al., “Protective behaviour monitoring on wood photo-
degradation by spectroscopic techniques coupled with chemometrics,”
Spectrochim. Acta - Part A Mol. Biomol. Spectrosc., vol. 172, pp. 34–42,
2017.
[194] G. Bonifazi et al., “A new approach for the modelling of chestnut wood photo-
degradation monitored by different spectroscopic techniques,” Environ. Sci.
Pollut. Res., vol. 24, no. 16, pp. 13874–13884, 2017.
[195] D. Cirule et al., “Spectral Sensitivity of Thermally Modified and Unmodified
Wood,” BioResources, vol. 11, no. 1, pp. 324–335, 2016.
[196] D. Kachamba, H. Ørka, T. Gobakken, T. Eid, and W. Mwase, “Biomass
Estimation Using 3D Data from Unmanned Aerial Vehicle Imagery in a
Tropical Woodland,” Remote Sens., vol. 8, no. 11, p. 968, Nov. 2016.
[197] C. Camino, P. J. Zarco-Tejada, and V. Gonzalez-Dugo, “Effects of
heterogeneity within tree crowns on airborne-quantified SIF and the CWSI as
indicators of water stress in the context of precision agriculture,” Remote
Sens., vol. 10, no. 4, pp. 1–18, 2018.
[198] D. Gómez-Candón, N. Virlet, S. Labbé, A. Jolivot, and J.-L. Regnard, “Field
phenotyping of water stress at tree scale by UAV-sensed imagery: new
 insights for thermal acquisition and calibration,” Precis. Agric., vol. 17, no. 6,
pp. 786–800, Dec. 2016.
[199] L. Liu, N. C. Coops, N. W. Aven, and Y. Pang, “Mapping urban tree species
using integrated airborne hyperspectral and LiDAR remote sensing data,”
Remote Sens. Environ., vol. 200, pp. 170–182, Oct. 2017.
[200] N. Verma, D. Lamb, N. Reid, and B. Wilson, “Comparison of Canopy Volume
Measurements of Scattered Eucalypt Farm Trees Derived from High Spatial
Resolution Imagery and LiDAR,” Remote Sens., vol. 8, no. 5, p. 388, May
2016.
[201] G. Vaglio Laurin, N. Puletti, Q. Chen, P. Corona, D. Papale, and R. Valentini,
“Above ground biomass and tree species richness estimation with airborne
lidar in tropical Ghana forests,” International Journal of Applied Earth
Observation and Geoinformation, vol. 52, Elsevier B.V., pp. 371–379, 2016.
[202] M. Karlson, M. Ostwald, H. Reese, H. R. Bazié, and B. Tankoano,
“Assessing the potential of multi-seasonal WorldView-2 imagery for mapping
West African agroforestry tree species,” Int. J. Appl. Earth Obs. Geoinf., vol.
50, pp. 80–88, Aug. 2016.
[203] S. Madonsela et al., “Multi-phenology WorldView-2 imagery improves remote
sensing of savannah tree species,” Int. J. Appl. Earth Obs. Geoinf., vol. 58,
pp. 65–73, Jun. 2017.
[204] G. Omer, O. Mutanga, E. Abdel-Rahman, and E. Adam, “Empirical Prediction
of Leaf Area Index (LAI) of Endangered Tree Species in Intact and
Fragmented Indigenous Forests Ecosystems Using WorldView-2 Data and
Two Robust Machine Learning Algorithms,” Remote Sens., vol. 8, no. 4, p.
324, Apr. 2016.
[205] A. Axelsson, E. Lindberg, and H. Olsson, “Exploring Multispectral ALS Data
for Tree Species Classification,” Remote Sens., vol. 10, no. 3, p. 183, Jan.
2018.
[206] J. Guerra-Hernández et al., “Comparison of ALS- and UAV(SfM)-derived
high-density point clouds for individual tree detection in Eucalyptus
plantations,” Int. J. Remote Sens., vol. 39, no. 15–16, pp. 5211–5235, Aug.
2018.
[207] J. L. Xu, C. Riccioli, and D. W. Sun, “Development of an alternative
technique for rapid and accurate determination of fish caloric density based
on hyperspectral imaging,” J. Food Eng., vol. 190, pp. 185–194, 2016.
[208] J. H. Cheng et al., “Developing a multispectral imaging for simultaneous
prediction of freshness indicators during chemical spoilage of grass carp fish
fillet,” J. Food Eng., vol. 182, pp. 9–17, 2016.
[209] G. ElMasry, N. Nakazawa, E. Okazaki, and S. Nakauchi, “Non-invasive
sensing of freshness indices of frozen fish and fillets using pretreated
 excitation-emission matrices,” Sensors Actuators, B Chem., vol. 228, pp.
237–250, 2016.
[210] J. H. Cheng, D. W. Sun, G. Liu, and Y. N. Chen, “Developing a multispectral
model for detection of docosahexaenoic acid (DHA) and eicosapentaenoic
acid (EPA) changes in fish fillet using physarum network and genetic
algorithm (PN-GA) method,” Food Chem., vol. 270, pp. 181–188, 2019.
[211] S. Bureau, D. Cozzolino, and C. J. Clark, “Contributions of Fourier-transform
mid infrared (FT-MIR) spectroscopy to the study of fruit and vegetables: A
review,” Postharvest Biol. Technol., vol. 148, no. October 2018, pp. 1–14,
2019.
[212] G. Cocetta et al., “Light use efficiency for vegetables production in protected
and indoor environments,” Eur. Phys. J. Plus, vol. 132, no. 1, 2017.
[213] H. Pu, D. Liu, L. Wang, and D. W. Sun, “Soluble Solids Content and pH
Prediction and Maturity Discrimination of Lychee Fruits Using Visible and
Near Infrared Hyperspectral Imaging,” Food Analytical Methods, vol. 9, no. 1,
pp. 235–244, 2015.
[214] X. Feng, Y. Zhao, C. Zhang, P. Cheng, and Y. He, “Discrimination of
transgenic maize kernel using NIR hyperspectral imaging and multivariate
data analysis,” Sensors (Switzerland), vol. 17, no. 8, 2017.
[215] N. Susič et al., “Discrimination between abiotic and biotic drought stress in
tomatoes using hyperspectral imaging,” Sensors Actuators, B Chem., vol.
273, pp. 842–852, 2018.
[216] S. C. Kefauver et al., “Comparative UAV and field phenotyping to assess
yield and nitrogen use efficiency in hybrid and conventional barley,” Front.
Plant Sci., vol. 8, no. October, pp. 1–15, 2017.
[217] A.-K. Mahlein, “Plant Disease Detection by Imaging Sensors – Parallels and
Specific Demands for Precision Agriculture and Plant Phenotyping,” Plant
Dis., vol. 100, no. 2, pp. 241–251, Feb. 2016.
[218] C. R. Yendrek et al., “High-throughput phenotyping of maize leaf
physiological and biochemical traits using hyperspectral reflectance,” Plant
Physiol., vol. 173, no. 1, pp. 614–626, 2017.
[219] Z. Khan, V. Rahimi-Eichi, S. Haefele, T. Garnett, and S. J. Miklavcic,
“Estimation of vegetation indices for high-throughput phenotyping of wheat
using aerial imaging,” Plant Methods, vol. 14, no. 1, pp. 1–11, 2018.
[220] M. Tattaris, M. P. Reynolds, and S. C. Chapman, “A Direct Comparison of
Remote Sensing Approaches for High-Throughput Phenotyping in Plant
Breeding,” Front. Plant Sci., vol. 7, no. AUG2016, pp. 1–9, Aug. 2016.
[221] A. Haghighattalab et al., “Application of unmanned aerial systems for high
throughput phenotyping of large wheat breeding nurseries,” Plant Methods,
vol. 12, no. 1, pp. 1–15, Jun. 2016.
[222] S. Bolanos, “Integrating GIS and remote sensing for coffe mapping Sandra,”
in XII SELPER Symposium, 2006, pp. 1–11.
[223] J. M. Castrillón Cuervo, J. R. Sanz Uribe, and P. J. Ramos Giraldo,
“Técnicas de Visión Artificial para la Identificación de Dos Defectos del Café
Lavado,” Cenicafé, vol. 69, no. 1, pp. 83–90, 2018.
[224] C. Castrillón, U. Sanz, G. Ramos, and P. J. Algoritmo, “Algoritmo para la
identificación de café lavado afectado por la broca del café,” Cenicafé, vol.
68, no. 2, pp. 7–19, 2017.
[225] J. P. Rojas et al., “Aerial mapping of rice crops using mosaicing techniques
for vegetative index monitoring,” 2018 International Conference on
Unmanned Aircraft Systems, ICUAS 2018, IEEE, pp. 846–855, 2018.
[226] C. A. Devia et al., “High-Throughput Biomass Estimation in Rice Crops Using
UAV Multispectral Imagery,” Journal of Intelligent and Robotic Systems:
Theory and Applications, Journal of Intelligent & Robotic Systems, pp. 573–
589, 2019.
[227] Forest Resources Assessment, “Actualización de la evaluación de los
recursos forestales mundiales a 2005.” [Online]. Available:
http://www.fao.org/3/ae156s/ae156s03.htm#TopOfPage. [Accessed: 07-Nov-
2019].
[228] V. A. B. Meneses, J. M. Téllez, and D. F. A. Velasquez, “Uso De Drones
Para El Analisis De Imágenes Multiespectrales En Agricultura De Precisión,”
Ciencia y Tecnología Alimentaria, vol. 13, no. 1, pp. 28–40, 2015.
[229] A. K. Torres Galindo, A. F. Gómez Rivera, and A. F. Jiménez López,
“Desarrollo de un sistema multiespectral para aplicaciones en agricultura de
precisión usando dispositivos embebidos,” Sistemas y Telemática, vol. 13,
no. 33, pp. 27–44, 2015.
[230] P. Pereira Coltri, J. Zullo, R. Ribeiro Do Valle Goncalves, L. A. S. Romani,
and H. S. Pinto, “Coffee crop’s biomass and carbon stock estimation with
usage of high resolution satellites images,” IEEE Journal of Selected Topics
in Applied Earth Observations and Remote Sensing, vol. 6, no. 3, pp. 1786–
1795, 2013.
[231] A. Chemura, O. Mutanga, J. Odindi, and D. Kutywayo, “Mapping spatial
variability of foliar nitrogen in coffee (Coffea arabica L.) plantations with
multispectral Sentinel-2 MSI data,” ISPRS Journal of Photogrammetry and
Remote Sensing, vol. 138, International Society for Photogrammetry and
Remote Sensing, Inc. (ISPRS), pp. 1–11, 2018.
[232] D. B. Marin, M. de Carvalho Alves, E. A. Pozza, L. L. Belan, and M. L. de
Oliveira Freitas, “Multispectral radiometric monitoring of bacterial blight of
coffee,” Precision Agriculture, no. 0123456789, Springer US, 2018.
[233] L. F. Johnson, S. R. Herwitz, B. M. Lobitz, and S. E. Dunagan, “Feasibility of
 monitoring coffee field ripeness with airborne multispectral imagery,” vol. 20,
no. 6, pp. 845–850, 2004.
[234] C. Gomez et al., “Use of high-resolution satellite imagery in an integrated
model to predict the distribution of shade coffee tree hybrid zones,” Remote
Sensing of Environment, vol. 114, no. 11, Elsevier Inc., pp. 2731–2744,
2010.
[235] F. S. Kawakubo and R. P. Pérez Machado, “Mapping coffee crops in
southeastern Brazil using spectral mixture analysis and data mining
classification,” International Journal of Remote Sensing, vol. 37, no. 14, pp.
3414–3436, 2016.
[236] A. Chemura and O. Mutanga, “Developing detailed age-specific thematic
maps for coffee (Coffea arabica L.) in heterogeneous agricultural landscapes
using random forests applied on Landsat 8 multispectral sensor,” Geocarto
International, vol. 32, no. 7, pp. 759–776, 2017.
[237] G. D. Martins, M. D. L. B. T. Galo, and B. S. Vieira, “Detecting and Mapping
Root-Knot Nematode Infection in Coffee Crop Using Remote Sensing
Measurements,” IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, vol. 10, no. 12, pp. 5395–5403, 2017.
[238] MAPIR, “Cámara Survey3W - Rojo + Verde + NIR (RGN, NDVI) - CÁMARA
MAPIR.” [Online]. Available: https://www.mapir.camera/products/survey3w-
camera-red-green-nir-rgn-ndvi. [Accessed: 02-Nov-2019].
[239] QGIS, “QGIS.” [Online]. Available: https://www.qgis.org/es/site/. [Accessed:
14-Jun-2021].
[240] Agisoft, “Agisoft Metashape.” [Online]. Available: https://www.agisoft.com/.
[Accessed: 14-Jun-2021].
[241] Colaboratory, “Colaboratory.” [Online]. Available:
https://colab.research.google.com/notebooks/welcome.ipynb?hl=es-AR.
[Accessed: 14-Jun-2021].
[242] ARDUPILOT, “Mission Planner.” [Online]. Available:
https://ardupilot.org/planner/. [Accessed: 14-Jun-2021].
[243] R. Novoa S.-A. and N. Villagrán A., “Evaluación de un instrumento medidor
de clorofila en la determinación de niveles de nitrógeno foliar en maíz,”
Agric. Técnica, vol. 62, no. 1, Jan. 2002.
[244] N. Knighton and B. Bugbee, “A Comparison of Opti-Sciences CCM-200
Chlorophyll Meter and the Minolta SPAD 502 Chlorophyll Meter.”
[245] C. Santiago Castañeda, P. José Almanza-merchán, E. Hernando Pinzón, G.
Eduardo Cely-reyes, and P. Antonio Serrano-cely, “Estimación de la
concentración de clorofila mediante métodos no destructivos en vid (Vitis
vinifera L.) cv. Riesling Becker,” Ciencias Hortícolas, vol. 12, no. 2, pp. 329–
337.
[246] A. R. Reis, J. L. Favarin, E. Malavolta, J. L. Júnior, and M. F. Moraes,
“Photosynthesis, chlorophylls, and SPAD readings in coffee leaves in relation
to nitrogen supply,” Commun. Soil Sci. Plant Anal., vol. 40, no. 9–10, pp.
1512–1528, May 2009.
[247] A. Azevedo and M. F. Santos, “KDD, SEMMA and CRISP-DM: a parallel
overview,” IADS - DM, 2008.
[248] R. Callejas, E. Kania, A. Contreras, C. Peppi, and L. Morales, “Evaluación de
un método no destructivo para estimar las concentraciones de clorofila en
hojas de variedades de uva de mesa,” Idesia, vol. 31, no. 4, pp. 19–26,
2013.
[249] C. S. Castañeda, P. J. Almanza-Merchán, E. H. Pinzón, G. E. Cely, and P.
A. Serrano, “Estimación de la concentración de clorofila mediante métodos
no destructivos en vid (Vitis vinifera L.) cv. Riesling Becker,” Rev. Colomb.
Ciencias Hortícolas, vol. 12, no. 2, pp. 329–337, 2018.
[250] J. Ortega, “Caracterización en el espectro visible e infrarrojo de cultivos
agrícolas desde un vehículo aéreo multirrotor,” 2017.
[251] MAPIR, “Trigger Survey2 Camera Using PWM Signal From 3DR SOLO -
MAPIR CAMERA.” [Online]. Available:
https://www.mapir.camera/pages/trigger-survey2-cameras-from-3dr-solo.
[Accessed: 14-Feb-2021].
[252] B. Ruzgiene, “Requirements for aerial photography,” L. Use Law Zo. Dig.,
vol. 30, no. 3, pp. 75–79, 2004.
[253] M. Elarab, A. M. Ticlavilca, A. F. Torres-Rua, I. Maslova, and M. McKee,
“Estimating chlorophyll with thermal and broadband multispectral high
resolution imagery from an unmanned aerial system using relevance vector
machines for precision agriculture,” Int. J. Appl. Earth Obs. Geoinf., vol. 43,
pp. 32–42, Dec. 2015.
[254] Unidad Administrativa Especial de Aeronáutica Civil, “Reglamentos
Aeronáuticos de Colombia,” 2020. [Online]. Available:
https://www.aerocivil.gov.co/normatividad/RAC/RAC 91 - Reglas Generales
de Vuelo y Operación.pdf. [Accessed: 14-Jun-2021].
[255] S. Heriberto and V. Bilbao, “FOTOGRAFIA AEREA,” 2005.
[256] B. T. Fraser and R. G. Congalton, “Issues in Unmanned Aerial Systems
(UAS) Data Collection of Complex Forest Environments,” Remote Sens.
2018, Vol. 10, Page 908, vol. 10, no. 6, p. 908, Jun. 2018.
[257] P. Nuñez Calleja, “Comparativa de software para la realización de ortofotos
a partir de imágenes obtenidas por drones,” Universidad de oviedo, 2016.
[258] E. G. Manrique, “Índice de vegetación, aplicación del NDVI,” Av. y
apliaciones, pp. 217–219, 1999.
[259] M. Vincini, E. Frazzi, and P. D’Alessio, “A broad-band leaf chlorophyll
vegetation index at the canopy scale,” in Precision Agriculture, 2008, vol. 9,
no. 5, pp. 303–319.
[260] J. S. Schepers, T. M. Blackmer, W. W. Wilhelm, and M. Resende,
“Transmittance and reflectance measurements of corn leaves from plants
with different nitrogen and water supply,” J. Plant Physiol., vol. 148, no. 5,
pp. 523–529, Jan. 1996.
[261] J. Avelino, E. Treminio, F. Casanoves, S. Vilchez, J. Cárdenas, and C.
Lizardo, “Guía para la vigilancia de la roya del café (Hemileia vastatrix),”
2019.
[262] J. Lozano, “Guía para la toma de muestra foliar,” pp. 8–9, 2006.
[263] E. Héctor Iván Trujillo, A. Luis Fernando Aristizábal, P. Alex Enrique Bustillo,
and Q. Mauricio Jiménez, “Evaluación de métodos para cuantificar
poblaciones de broca del café, Hypothenemus hampei (Ferrari) (Coleoptera:
Curculionidae: Scolytinae), en fincas de caficultores experimentadores,” Rev.
Colomb. Entomol., vol. 32, no. 1, pp. 39–44, 2006.
[264] L. R. M. Díaz, “Actividades de monitoreo y manejo de la roya del café,” 2014.
[265] “Hoja de café.” [Online]. Available: https://www.freepik.es/fotos-
premium/hoja-cafe-sobre-fondo-blanco_2630216.htm. [Accessed: 21-May-
2021].
[266] H. Lalinde et al., “Sobre el uso adecuado del coeficiente de correlación de
Pearson: definición, propiedades y suposiciones,” 2018.
[267] A. Carrasquilla-Batista et al., “Regresión lineal simple y múltiple: aplicación
en la predicción de variables naturales relacionadas con el crecimiento
microalgal,” Rev. Tecnol. en Marcha, vol. 29, no. 8, pp. 33–45, Dec. 2016.
[268] IStock, “Ilustración De Dibujo De Flores Y Hojas De Café Con Arte Lineal
Sobre Fondos Blancos y más Vectores Libres de Derechos de Cafeto.”
[Online]. Available: https://www.istockphoto.com/es/vector/ilustración-de-
dibujo-de-flores-y-hojas-de-café-con-arte-lineal-sobre-fondos-blancos-
gm1203209083-345730167. [Accessed: 09-Aug-2021].
[269] 123RF, “Hoja de café.” [Online]. Available: https://es.123rf.com/imagenes-
de-archivo/hoja_de_cafe.html?sti=mqeu16b51k8q1eb0jm%7C. [Accessed:
29-Aug-2021].
[270] J. Tremblay et al., “Training Deep Networks with Synthetic Data: Bridging the
Reality Gap by Domain Randomization,” 2018.
[271] A. Kortylewski, B. Egger, A. Schneider, T. Gerig, A. Morel-Forster, and T.
Vetter, “Analyzing and Reducing the Damage of Dataset Bias to Face
Recognition with Synthetic Data,” 2019.
[272] Y. Toda et al., “Training instance segmentation neural network with synthetic
 datasets for crop seed phenotyping,” Commun. Biol., vol. 3, no. 1, pp. 1–12,
Dec. 2020.
[273] T. A. Le, A. G. Baydin, R. Zinkov, and F. Wood, “Using synthetic data to train
neural networks is model-based reasoning,” in Proceedings of the
International Joint Conference on Neural Networks, 2017, vol. 2017-May, pp.
3514–3521.
[274] F. S. Saleh, “Effective Use of Synthetic Data for Urban Scene Semantic
Segmentation ⋆,” 2018.
[275] “Gretel.” [Online]. Available: https://gretel.ai/. [Accessed: 19-May-2021].
[276] “gretel-blueprints/config_templates/gretel/synthetics at main · gretelai/gretel-
blueprints.” [Online]. Available: https://github.com/gretelai/gretel-
blueprints/tree/main/config_templates/gretel/synthetics. [Accessed: 19-May-
2021].
[277] Gretel, “Interpreting the Gretel Synthetics Report - Gretel.ai.” [Online].
Available: https://docs.gretel.ai/deep-dives/gretel-synthetics/interpreting-the-
gretel-synthetics-report#field-correlation-stability. [Accessed: 19-May-2021].
[278] K. TAKAYAMA and H. NISHINA, “Chlorophyll Fluorescence Imaging of the
Chlorophyll Fluorescence Induction Phenomenon for Plant Health
Monitoring,” Environ. Control Biol., vol. 47, no. 2, pp. 101–109, 2009.
[279] A. K. Dey, M. Sharma, and M. R. Meshram, “An Analysis of Leaf Chlorophyll
Measurement Method Using Chlorophyll Meter and Image Processing
Technique,” in Procedia Computer Science, 2016, vol. 85, pp. 286–292.
[280] D. Pavlovic, B. Nikolic, S. Djurovic, H. Waisi, A. Andjelkovic, and D.
Marisavljevic, “Chlorophyll as a measure of plant health: Agroecological
aspects,” Pestic. i fitomedicina, vol. 29, no. 1, pp. 21–34, 2014.
[281] Cenicafe, “Evaluación temprana de la deficiencia del nitrógeno en café y
aplicaciones.”
[282] T. Dong et al., “Assessment of Portable Chlorophyll Meters for Measuring
Crop Leaf Chlorophyll Concentration,” Remote Sens., vol. 11, p. 2706, 2019.
[283] R. Callejas, E. Kania, A. Contreras, C. Peppi, and L. Morales, “Evaluación de
un método no destructivo para estimar las concentraciones de clorofila en
hojas de variedades de uva de mesa,” Idesia, vol. 31, no. 4, pp. 19–26,
2013.
[284] A. T. Netto, E. Campostrini, J. G. De Oliveira, and R. E. Bressan-Smith,
“Photosynthetic pigments, nitrogen, chlorophyll a fluorescence and SPAD-
502 readings in coffee leaves,” Sci. Hortic. (Amsterdam)., vol. 104, no. 2, pp.
199–209, Mar. 2005.
[285] K. Minolta, “A lightweight handheld meter for measuring the chlorophyll
content of leaves without causing damage to plants. SPAD-502Plus.”
[286] T. Poblete, S. Ortega-Farías, M. Moreno, and M. Bardeen, “Artificial Neural
Network to Predict Vine Water Status Spatial Variability Using Multispectral
Information Obtained from an Unmanned Aerial Vehicle (UAV),” Sensors,
vol. 17, no. 11, p. 2488, Oct. 2017.
[287] X. E. Pantazi, A. A. Tamouridou, T. K. Alexandridis, A. L. Lagopodi, J.
Kashefi, and D. Moshou, “Evaluation of hierarchical self-organising maps for
weed mapping using UAS multispectral imagery,” Comput. Electron. Agric.,
vol. 139, pp. 224–230, Jun. 2017.
[288] J. Behmann, A.-K. Mahlein, T. Rumpf, C. Römer, and L. Plümer, “A review of
advanced machine learning methods for the detection of biotic stress in
precision crop protection,” Precis. Agric., vol. 16, no. 3, pp. 239–260, Jun.
2015.
[289] G. A. Lobos, I. Matus, A. Rodriguez, S. Romero-Bravo, J. L. Araus, and A.
del Pozo, “Wheat genotypic variability in grain yield and carbon isotope
discrimination under Mediterranean conditions assessed by spectral
reflectance,” J. Integr. Plant Biol., vol. 56, no. 5, pp. 470–479, May 2014.
[290] A. J. Steidle Neto, D. C. Lopes, F. A. C. Pinto, and S. Zolnier, “Vis/NIR
spectroscopy and chemometrics for non-destructive estimation of water and
chlorophyll status in sunflower leaves,” Biosyst. Eng., vol. 155, pp. 124–133,
2017.
[291] P. Rajkumar, N. Wang, G. EImasry, G. S. V. Raghavan, and Y. Gariepy,
“Studies on banana fruit quality and maturity stages using hyperspectral
imaging,” J. Food Eng., vol. 108, no. 1, pp. 194–200, Jan. 2012.
[292] S. Sharma and V. Sharma, “Performance of Various Machine Learning
Classifiers on Small Datasets with Varying Dimensionalities,” Circ. Comput.
Sci., vol. 1, pp. 30–35, 2016.
[293] J. P. Maheswari, “Breaking the curse of small datasets in Machine Learning,”
2018. [Online]. Available: https://towardsdatascience.com/breaking-the-
curse-of-small-datasets-in-machine-learning-part-1-36f28b0c044d.
[Accessed: 08-Sep-2021].
[294] C. Schaffer and S. A. H. C. Edu, “Selecting a classification method by cross-
validation,” Mach. Learn. 1993 131, vol. 13, no. 1, pp. 135–143, Oct. 1993.
[295] R. Python, “Divida su conjunto de datos con train_test_split () de scikit-
learn.” [Online]. Available: https://realpython.com/train-test-split-python-data/.
[Accessed: 20-Sep-2021].
[296] M. H. Diskin, “Definition and Uses of the Linear Regression Model,” Water
Resour. Res., vol. 6, no. 6, pp. 1668–1673, Dec. 1970.
[297] L. Tian, T. Cai, E. Goetghebeur, and L. J. Wei, “Model Evaluation Based on
the Distribution of Estimated Absolute Prediction Error Model Evaluation
Based on the Distribution of Estimated Absolute Prediction Error.”
[298] D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination
R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE
in regression analysis evaluation,” PeerJ Comput. Sci., vol. 7, pp. 1–24, Jul.
2021.
[299] C. Kingsford and S. L. Salzberg, “What are decision trees?,” Nat. Biotechnol.
2008 269, vol. 26, no. 9, pp. 1011–1013, Sep. 2008.
[300] L. Rokach and O. Maimon, “Decision Trees,” Data Min. Knowl. Discov.
Handb., pp. 165–192, May 2005.
[301] Sklearn, “Decision Tree Regressor.” [Online]. Available: https://scikit-
learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.htm
l. [Accessed: 09-Sep-2021].
[302] J. J. Negron-Granados, R. Legarda-Sáenz, and V. Uc-Cetina, “Approach for
the Classification of Polinífera Vegetation Using Multispectral Images and
Neural Networks,” Res. Comput. Sci., vol. 147, no. 5, 2018.
[303] M. E. Arboit and D. S. Maglione, “Análisis multitemporal y multiespacial del
índice de vegetación de diferencia normalizada (NDVI) y del índice de
vegetación ajustado al suelo (SAVI) en centros urbanos forestados y oasis
irrigados, con climas secos,” vol. 109, pp. 13–60, 2019.
[304] M. Awad and R. Khanna, “Support Vector Regression,” Effic. Learn. Mach.,
pp. 67–80, 2015.
[305] A. J. Smola and B. Schölkopf, “A tutorial on support vector regression,” Stat.
Comput. 2004 143, vol. 14, no. 3, pp. 199–222, Aug. 2004.
[306] Aprende IA, “Vectores de Soporte Regresión.” [Online]. Available:
https://aprendeia.com/maquina-de-vectores-de-soporte-regresion-teoria/.
[Accessed: 09-Sep-2021].
[307] M. A. Gilabert, J. Gonzalez-Piqueras, and J. García-Haro, “Acerca de los
índices de vegetación,” Teledeteccion, 1997.
[308] H. Wang, Q. Yilihamu, M. Yuan, H. Bai, H. Xu, and J. Wu, “Prediction models
of soil heavy metal(loid)s concentration for agricultural land in Dongli: A
comparison of regression and random forest,” Ecol. Indic., vol. 119, p.
106801, Dec. 2020.
[309] S. Götz, N. Zimmermann, D. Engelhardt, and H. Bernhardt, “Simulation of
Agricultural Logistic Processes with k-Nearest Neighbors Algorithm,” Agric.
Eng. Int. CIGR J., Apr. 2015.
[310] A. Mucherino, P. Papajorgji, and P. M. Pardalos, “A survey of data mining
techniques applied to agriculture,” Oper. Res. 2009 92, vol. 9, no. 2, pp.
121–140, Jun. 2009.
[311] S. Bafandeh, I. And, and M. Bolandraftar, “Application of K-Nearest Neighbor
(KNN) Approach for Predicting Economic Events: Theoretical Background,”
 J. Eng. Res. Appl. www.ijera.com, vol. 3, pp. 605–610, 2013.
[312] “Proyecto: IoT-Agro.” [Online]. Available: https://www.iot-agro.com/proyecto/.
[Accessed: 25-May-2020].
[313] N. Arteaga and C. Delgado, “Multispectral Images Coffee.” [Online].
Available: https://github.com/NataliaArteaga/MultispectralImagesCoffee.
[Accessed: 22-May-2021].
[314] H. C. S. Nascimento and R. A. Marenco, “SPAD-502 readings in response to
photon fluence in leaves with different chlorophyll content,” Rev. Ceres, vol.
57, no. 5, pp. 614–620, Oct. 2010.
ANEXO A: Configuración del vuelo del VANT
Este anexo corresponde a un video tutorial de configuración del vuelo del VANT
SOLO 3D en el programa Mission Planner, donde se muestra cómo crear el
polígono correspondiente al área de estudio, la configuración de las
especificaciones requeridas para el vuelo y toda la información necesaria para
realizar las tomas. El video se encuentra en la siguiente URL:
https://drive.google.com/drive/folders/1c7zjNkOnTEH_Cz8xJQlpF2HJPyZGeT85?u
sp=sharing
ANEXO B: Creación de ortomosaicos
Este anexo corresponde a un video tutorial en donde se encuentra el proceso
requerido para una correcta creación de ortomosaico a partir de imágenes
individuales georreferenciadas que son primero procesadas y calibradas para
posteriormente ser corregirlas espacialmente con el fin de unificarlas en una sola
imagen. Este anexo se encuentra en
https://drive.google.com/drive/folders/1onwRHIccvdUuUz-
4o6R3ibIY2rI2Ncno?usp=sharing
ANEXO C: Obtención de los índices de
vegetación con QGIS
Este anexo es un video tutorial que contiene la guía para realizar el cálculo de
funciones matemáticas utilizando las bandas disponibles en las imágenes de
entradas, en este caso las funciones tienen como resultado índices de vegetación
por zonas, estas zonas son delimitadas por polígonos y los promedios son
calculados gracias a las librerías propias de QGIS. La dirección es
https://drive.google.com/drive/folders/1xCxZEClmYjdGLVh0kdhqFCshbUB2d7K_?
usp=sharing
ANEXO D: Archivos con los índices de
vegetación obtenidos
Después de la generación de las ortofotos y su procesamiento en el programa
QGIS, se obtienen como resultado los archivos de configuración para cargar en el
programa y un archivo (por cada cálculo de índice de vegetación) con los
identificadores del valor que se dan según la ubicación de la planta, la media, el
valor mínimo, el valor máximo, el promedio y todos los cálculos que se
seleccionaron en la herramienta QGIS. URL de acceso
https://drive.google.com/drive/folders/1ffrJkDtRux6bC4BLDsk7cx28i7P7RsFo?usp
=sharing
ANEXO E: Desviación estándar de los datos
de clorofila por planta
El documento desviaciónEstandar.xlsx posee los datos de clorofila tomados de una
sola planta en diferentes zonas (baja, media y alta), para validar la desviación
estándar según el número de datos a tomar en cuenta por planta. Estos datos fueron
utilizados para generar la tabla 7 de la monografía. URL
https://drive.google.com/drive/folders/1_7YzklmSLKO-6wm-PFR-
k4A_93XyNunD?usp=sharing
ANEXO F: Desviación estándar de los datos
de clorofila por hoja
El documento desviaciónEstandarPorHoja.xlsx posee los datos de clorofila tomados
de seis puntos de una misma hoja. Se tomaron en total catorce hojas, dando por
ende un total de 84 muestras para analizar la desviación estándar por hoja. Estos
datos fueron utilizados para generar la tabla 8 de la monografía. Este documento se
encuentra en el siguiente enlace:
https://drive.google.com/drive/folders/1KKSFoJi3lOdYt3xV0w2dPn0rSv-
7IO_X?usp=sharing
ANEXO G: Datos de entrada para los
modelos
Se realizaron dos procedimientos, el primero con el proceso de filtrado que se
menciona en el capítulo 3, el cual tiene un archivo con todos los índices de
vegetación y valor de clorofila (CLL con unidades CCI, NDVI, CVI, NRVI, RVI, GCI,
GNDVI adimensionales) con los datos iniciales y otro integrando los datos sintéticos.
Además, si se requiere, en una carpeta hay archivos por cada índice de vegetación
en contraste con el CLL con sólo los datos iniciales y otro integrando los datos
sintéticos.
Por otro lado, el segundo proceso, el cual implica la limpieza de datos extremos, en
el archivo datosCorrelacionIndices.xlsx (ubicado en) contiene los datos
mencionados en el primer procedimiento, con el análisis de correlación inicial y la
correlación al remover datos extremos. URL de acceso
https://drive.google.com/drive/folders/1FiTTipllmHeZIsziOmyn6LsDYJX9uOnP?usp
=sharing
ANEXO H: Reportes de generación de datos
sintéticos con Gretel
Contiene los reportes de las pruebas realizadas en la API de Gretel con diferentes
configuraciones soportadas en la librería (default, low and field count), donde se
visualiza la correlación y calidad de los datos generados en comparación con los
datos originales (Ilustración 20 e Ilustración 21), también se agrega un archivo con
extensión .csv con los datos generados para alimentar los diferentes modelos
expuestos en el capítulo 3. Las columnas que contiene son: CLL, NDVI, GCI,
GNDVI, RVI, NRVI, CVI y NRVI3. Estos reportes se encuentran en
https://drive.google.com/drive/folders/16vwfn2tc2P8yVhN1Wr4FXVi6x45tLD2d?us
p=sharing
ANEXO I: Ejemplo de procedimiento
realizado con redes neuronales
Se describe el segundo procedimiento realizado con los datos obtenidos del anexo
H, datos con los cuales se modelo una red neuronal artificial y regresión lineal simple
y múltiple tanto con el conjunto de datos iniciales como con aquellos integrando los
datos sintéticos generados por la API de Gretel. En este anexo se encuentran los
modelos entrenados con los datos sin ningún tipo de filtro inicial y sus resultados.
También se puede encontrar en la siguiente URL de acceso
https://drive.google.com/drive/folders/1isZzZIbh4x9bsaF1aUpljYmPN3iiLS7m?usp
=sharing
Limpieza de datos
A continuación, se condensan dichos resultados a través de una gráfica de
dispersión con la ecuación de la recta dada por ‘y’. Al observar datos extremos (en
amarillo). Cómo se representa en la Ilustración 1 y la Ilustración 1, se procedió a
limpiar dichos valores, esto se realizó de forma manual ya que eran pocos valores.
La limpieza se realizó con el fin de mejorar la correlación de Pearson y el 𝑅2 los
cuales miden la relación entre los datos, entre más se acerquen a 1, mejor es la
relación de las variables.

Ilustración 1. Gráfica de dispersión con valores extremos para RVI(a) y NDVI(b).

Fuente propia
 Ilustración 2. Gráfica de dispersión después de eliminar valores extremos para
RVI(a) y NDVI(b). Fuente propia.

Tabla 1. Correlación de Pearson de índices de vegetación. Fuente propia

ANTES DE LIMPIEZA DESPUÉS DE LIMPIEZA

NDVI 0,08671 0,164307
CVI -0,01813 -0,00014
GNDVI -0,00187 0,021876
NRVI 0,08671 0,164307
RVI 0,091016 0,16979
GCI -0,00172 0,022046

En la Tabla 1 se observa que después de la limpieza la correlación de Pearson

mejoró ya que los valores obtenidos se acercan un poco más al 1 en comparación
a los datos sin limpieza de extremos.

Para aumentar el tamaño del conjunto de datos obtenidos inicialmente y superar las
limitantes de tiempo y espacio para tomar más muestras en campo, se optó por una
alternativa usada en el ámbito del aprendizaje automático, la generación de datos
sintéticos [1]–[5].
Regresión lineal

Tabla 2. Error regresión lineal con y sin datos sintéticos. Fuente propia

INICIAL CON DATOS SINTETICOS

MSE 225.41 199.66
MAE 12.01 11.43

En la Tabla 2 se registran el MSE y el MAE de la regresión lineal múltiple tanto con

los datos iniciales en contraste con los datos integrando los datos sintéticos. Para
la regresión lineal múltiple el valor a predecir fue el índice de contenido de clorofila
(CCI) y las variables independientes los índices de vegetación (NDVI, CVI, GNDVI,
NRVI3, NRVI, RVI y GCI) por planta. Además, se implementó una regresión lineal
simple para cada uno de los índices de vegetación. Como se observa en la Tabla 3,
el mejor comportamiento de la regresión lineal se observó en el NRVI al tener los
errores de error más bajo.

Tabla 3. Error de datos de entrenamiento y datos sintéticos por cada índice de

vegetación con regresión lineal simple. Fuente propia.

INICIAL CON DATOS SINTETICOS

MAE 9.35 10.77
NDVI
MSE 140.90 177.97
MAE 9.24 10.97
CVI
MSE 133.63 182.26
MAE 9.26 10.8
GNDVI
MSE 134.74 178.37
MAE 8.97 10.74
NRVI
MSE 135.67 177.03
MAE 9.04 10.83
RVI
MSE 133.46 179.74
MAE 9.16 10.91
GCI
MSE 132.62 179.82

Se observa que la regresión lineal múltiple mostrada en la Tabla 2 mejora al

evaluarla con los datos sintéticos, no obstante, al evaluar cada índice por separado
condensada en la Tabla 3, el error aumenta un poco en comparación con los datos
iniciales.

Red neuronal artificial

Las redes neuronales son sistemas computacionales, inspirados en las
neuronas presentes en el cerebro, las cuales se conectan entre sí buscando
establecer inteligencia artificial para entender datos del mundo real [6]. Para la
configuración de la red neuronal se configuraron 3 métodos de activación y de
corrección en base a la librería Keras [7].
  Funciones de activación

Sigmoid: La función de activación (FA) Sigmoid no lineal es una función

diferenciable acotada y definida para valores de entrada reales, con
derivadas positivas y con cierto grado de suavidad [8].
Tanh: La función tangente hiperbólica conocida es una función centrada en
cero, con rango entre -1 y 1 [9]. La función tanh es más usada en
comparación con la función sigmoidea, ya que proporciona un mejor
rendimiento de entrenamiento para redes neuronales multicapa [8], [10] .
Relu: La FA Relu es la más utilizada [11], [12] ya que permite el aprendizaje
rápido en las redes neuronales y es fácil de optimizar con métodos de
descenso de gradiente por su comportamiento casi lineal [13].

 Métodos de corrección

Una devolución de llamada (callback) se puede realizar acciones en varias

etapas del entrenamiento con el fin de mejorar el entrenamiento. A
continuación se explican brevemente las utilizadas [14].

EarlyStopping: Esta función lo que realiza es detener el entrenamiento

cuando la métrica monitoreada ha dejado de mejorar.
ModelCheckpoint: Permite ejecutar un modelo en un intervalo en donde se
va guardando el mejor resultado obtenido.
ReduceLROnPlateau: Ha diferencia del EarlyStopping, este método no
detiene el entrenamiento, sino que reduce la tasa de aprendizaje cuando una
métrica ha dejado de mejorar, el límite se establece en base a las épocas de
‘paciencia’.
Se realizó una prueba inicial con los datos para observar cual era la mejor
configuración de activación y de corrección. Como se observa en la Tabla 4,
la mejor configuración es en la que se usa el método de activación Relu, lo
cual cual valida lo expuesto en la literatura [15], [16] y la función de corrección
EarlyStopping.

Tabla 4. Error con diferentes funciones de activación y de corrección. Fuente

propia.

CONFIGURACIÓN MAE MSE

Activación Callback
Relu ReduceLROnPlateau 10.01 155.28
Relu ModelCheckpoint 10.47 164.48
Relu EarlyStopping 9.92 148.67
Tanh ReduceLROnPlateau 11.05 175.39
Tanh ModelCheckpoint 11.06 177.98
Tanh EarlyStopping 11.05 175.09
Sigmoid ReduceLROnPlateau 11.05 175.45
 Sigmoid ModelCheckpoint 11.05 177.46
Sigmoid EarlyStopping 11.05 175.09

Ilustración 3.Perdida de entrenamiento y de validación. Fuente propia

La pérdida de validación fue monitoreada y evaluada contra la pérdida de

entrenamiento para asegurar que no exista sobreajuste, lo cual sucede si la perdida
de validación es mayor que la de entrenamiento [17]. Se puede observar que los
valores de perdida de validación no fueron significativamente mayores que las
pérdidas de entrenamiento como se denota en la Ilustración 3¡Error! No se
encuentra el origen de la referencia.. Se encuentra una mayor relación cuando
se entrena el modelo con los datos sintéticos.

Ilustración 4. Distribución de valores respecto a la recta de predicción. Fuente

propia
En la Ilustración 4 se observa la distribución de los valores a validar en relación con
la recta de predicción. Entre más cerca estén los valores estimados a la recta de
predicción, mejor habrá sido el modelo.

Ilustración 5. Distribución del error. Fuente propia.

Al aumentar el número de muestras, como es esperado y se observa en la

Ilustración 5 la distribución del error debería acercarse a la distribución gaussiana,
la cual es la distribución normal y esperada al analizar el error de un modelo [18],
[19].
Se realizó el procedimiento realizado previamente para analizar el comportamiento
de cada uno de los índices de vegetación con la configuración que mostró el mejor
desempeño (activación es relu y su callback de corrección es EarlyStopping).
Cuando se entrenan con todos los datos (con todos los indices de vegetación), se
observa que la red neuronal artificial ofrece una mejor estimación al tener un error
mae y mse más pequeño en comparación con la regresión lineal múltiple. Además,
se analizó el comportamiento de la red neuronal artificial con el conjunto de datos
inicial Ilustración 6(a) en contraste con el conjunto de datos integrando los datos
sintéticos generados Ilustración 6(b).
 Ilustración 6. Perdida de entrenamiento y de validación sin datos sintéticos (a) y
con datos sintéticos (b). Fuente propia.

La pérdida de validación fue monitoreada y evaluada contra la pérdida de

entrenamiento para asegurar que no exista sobreajuste, lo cual sucede si la perdida
de validación es mayor que la de entrenamiento [17]. Se puede observar que los
valores de perdida de validación no fueron significativamente mayores que las
pérdidas de entrenamiento como se denota en la Ilustración 6.

Ilustración 7. Distribución de valores respecto a la recta de predicción. Fuente

propia
En la Ilustración 7¡Error! No se encuentra el origen de la referencia. se observa
la distribución de los valores a validar en relación con la recta de predicción. Entre
más cerca estén los valores estimados a la recta de predicción, mejor habrá sido el
modelo. Se observa una mejoría en la cantidad de datos cercanos a la recta cuando
se entrenan con los datos sintéticos ¡Error! No se encuentra el origen de la
referencia.(b) en contraste con los datos iniciales ¡Error! No se encuentra el
origen de la referencia. (a).
 Ilustración 8. Distribución del error. Fuente propia.
Al aumentar el número de muestras, como es esperado y se observa en laIlustración
8, la distribución del error se acercar a la distribución gaussiana cuando se agregan
los datos sintéticos Ilustración 8 (b), mejorando respecto a la Ilustración 8 (a), la cual
es la distribución normal y esperada al analizar el error de un mode.
Se ejecutó el procedimiento realizado previamente para analizar el comportamiento
de cada uno de los índices de vegetación con la configuración que mostró el mejor
desempeño (activación es relu y su callback de corrección es EarlyStopping).
De manera similar, se aplica el análisis efectuado anteriormente para la Ilustración
9, contrastando el comportamiento de los datos iniciales en comparación con los
datos integrando los datos sintéticos. El mejor comportamiento fue dado por el
GNDVI como se observa en la comparación de errores de la Tabla 5¡Error! No se
encuentra el origen de la referencia.. El comportamiento en la Ilustración
9Ilustración 9Ilustración 9 del GNDVI representa la mejoría del modelo al comparar
los datos iniciales Ilustración 9(a) con los datos integrando los datos sintéticos
generados Ilustración 9(b).
 Ilustración 9. Resultados de predicción para GNDVI. Fuente propia.
Tabla 5. Error por cada índice de vegetación en cada modelo. Fuente propia

Regresión lineal Red neuronal artificial

mae mse mae mse
NDVI 10.77 177.97 11.01 178.67
GNDVI 10.80 178.37 9.69 147.15
NRVI 10.74 177.03 10.87 171.65
CVI 10.97 182.26 9.99 157.70
GCI 10.91 179.82 10.46 164.50
RVI 10.83 179.74 10.33 159.57
El procedimiento descrito anteriormente se realizó para cada índice de vegetación
como se muestran de la Ilustración 10 a la Ilustración 15.

Ilustración 10. Resultados de predicción para NDVI. Fuente propia.

Ilustración 11. Resultados de predicción para CVI. Fuente propia.
Ilustración 12. Resultados de predicción para GNDVI. Fuente propia.
Ilustración 13. Resultados de predicción para NRVI. Fuente propia.
Ilustración 14. Resultados de predicción para RVI. Fuente propia.
Ilustración 15. Resultados de predicción para GCI. Fuente propia.
ANEXO J: Artículo y Poster
Poster y artículo titulado ‘Uso de UAV equipados con cámaras multiespectrales
para el análisis de cultivos de café’ IEEE COLCOM (Colombian Conference on
Communications and Computing) del 7-8 de agosto 2020. También se pueden
encontrar en
https://drive.google.com/drive/folders/1oZ3G2I82romPiLMzaLfokMbKNqRyhL1A?
usp=sharing
ANEXO K: Artículo resultados de la
investigación
Artículo que contiene los resultados de la investigación, consta de introducción,
estado del arte, materiales y métodos y conclusiones. Este artículo también se
encuentra en https://drive.google.com/drive/folders/11A-
FEbQjFlG4n5br0PtZA3OLmKWzErW_?usp=sharing
ANEXO L: Imágenes Multiespectrales
Obtenidas
Banco de imágenes multiespectrales de un cultivo de café de variedad Castillo
ubicado en una finca en San Joaquín, Tambo, Cauca. Las imágenes se obtuvieron
de la cámara MAPIR SURVEY 3 aerotransportada en un VANT SOLO 3DR entre
los meses de febrero y marzo de 2021, las cuales se utilizaron y se procesaron el
programa agisoft metashape y posteriormente QGIS. El banco de imágenes se
encuentra en
https://drive.google.com/drive/folders/1GEHuU3yGkkcitbcP_HZV1Sd9vx2RIdQ1?u
sp=sharing
REFERENCIAS

[1] J. Tremblay et al., “Training Deep Networks with Synthetic Data: Bridging the
Reality Gap by Domain Randomization,” 2018.
[2] A. Kortylewski, B. Egger, A. Schneider, T. Gerig, A. Morel-Forster, and T.
Vetter, “Analyzing and Reducing the Damage of Dataset Bias to Face
Recognition with Synthetic Data,” 2019.
[3] Y. Toda et al., “Training instance segmentation neural network with synthetic
datasets for crop seed phenotyping,” Commun. Biol., vol. 3, no. 1, pp. 1–12,
Dec. 2020.
[4] T. A. Le, A. G. Baydin, R. Zinkov, and F. Wood, “Using synthetic data to train
neural networks is model-based reasoning,” in Proceedings of the
International Joint Conference on Neural Networks, 2017, vol. 2017-May, pp.
3514–3521.
[5] F. S. Saleh, “Effective Use of Synthetic Data for Urban Scene Semantic
Segmentation ⋆,” 2018.
[6] Enzyme, “¿Qué son las redes neuronales y cómo se aplican?” [Online].
Available: https://blog.enzymeadvisinggroup.com/redes-neuronales-que-son-
y-aplicaciones. [Accessed: 21-May-2021].
[7] Keras, “Keras: the Python deep learning API.” [Online]. Available:
https://keras.io/. [Accessed: 21-May-2021].
[8] J. Han and C. Moraga, “The influence of the sigmoid function parameters on
the speed of backpropagation learning,” in Lecture Notes in Computer
Science (including subseries Lecture Notes in Artificial Intelligence and
Lecture Notes in Bioinformatics), 1995, vol. 930, pp. 195–201.
[9] K. G. Kim, “Deep learning,” Nature, vol. 29, no. 7553, pp. 1–73, 2019.
[10] R. M. Neal, “Connectionist learning of belief networks,” Artif. Intell., vol. 56,
no. 1, pp. 71–113, Jul. 1992.
[11] V. Nair and G. E. Hinton, “Rectified Linear Units Improve Restricted
Boltzmann Machines.”
[12] P. Ramachandran, B. Zoph, and Q. V. Le, “Searching for Activation
Functions,” arXiv, Oct. 2017.
[13] E. Thoret, T. Andrillon, D. Léger, and D. Pressnitzer, “Probing machine-
learning classifiers using noise, bubbles, and reverse correlation,” bioRxiv.
bioRxiv, p. 2020.06.22.165688, 23-Jun-2020.
[14] Keras, “Callbacks.” [Online]. Available: https://keras.io/api/callbacks/.
[Accessed: 20-May-2021].
[15] M. D. Zeiler et al., “On rectified linear units for speech processing,” in
ICASSP, IEEE International Conference on Acoustics, Speech and Signal
Processing - Proceedings, 2013, pp. 3517–3521.
[16] G. E. Dahl, T. N. Sainath, and G. E. Hinton, “Improving deep neural networks
for LVCSR using rectified linear units and dropout,” in ICASSP, IEEE
International Conference on Acoustics, Speech and Signal Processing -
Proceedings, 2013, pp. 8609–8613.
[17] R. Roberts, L. Inzerillo, and G. Di Mino, “Exploiting data analytics and deep
learning systems to support pavement maintenance decisions,” Appl. Sci.,
vol. 11, no. 6, p. 2458, Mar. 2021.
[18] L. Tian, T. Cai, E. Goetghebeur, and L. J. Wei, “Model Evaluation Based on
the Distribution of Estimated Absolute Prediction Error Model Evaluation
Based on the Distribution of Estimated Absolute Prediction Error.”
[19] Physics, “Error Analysis.” [Online]. Available:
http://felix.physics.sunysb.edu/~allen/252/PHY_error_analysis.html.
[Accessed: 20-May-2021].