Acceso usuarios
[1]
;
Bojórquez Delgado, Gilberto
[1]
La estimación precisa de la humedad gravimétrica del suelo es esencial para la gestión eficiente de recursos hídricos en agricultura de precisión, especialmente en regiones semiáridas. Este estudio propone una red neuronal convolucional (CNN) para estimar la humedad gravimétrica del suelo utilizando datos multiespectrales adquiridos mediante vehículos aéreos no tripulados (UAV). La investigación se llevó a cabo en una parcela de suelo franco-arcilloso en Guasave, Sinaloa, México, durante diferentes fases de secado post-riego. Se empleó un dron DJI Mavic 3 Multispectral equipado con cámaras en las bandas Green (560 nm), Red (650 nm), Red-Edge (730 nm) y NIR (860 nm), obteniendo imágenes con resolución espacial aproximada de 4 cm/píxel. Se realizaron mediciones gravimétricas in situ para validar el desempeño del modelo CNN desarrollado. La arquitectura CNN propuesta constó de tres capas Conv1D con 32 filtros, una capa MaxPooling, una capa de aplanamiento y una capa densa, diseñada específicamente para explotar relaciones no lineales complejas entre las bandas espectrales y la humedad del suelo. Los resultados mostraron un desempeño excepcional del modelo con un error cuadrático medio (MSE) de 0.0058, un coeficiente de determinación (R²) de 0.91 y un error absoluto medio (MAE) de 0.046 en el conjunto de prueba. La correlación entre las predicciones y las mediciones reales fue alta (r = 0.92, p < 0.001). Los análisis estadísticos confirmaron la homocedasticidad y normalidad de los residuos, indicando robustez del modelo. Se destacó además la superioridad del enfoque CNN respecto a índices empíricos tradicionales, mostrando gran sensibilidad a microvariaciones intraparcelarias.
Accurate estimation of soil gravimetric moisture is essential for the efficient management of water resources in precision agriculture, particularly in semi-arid regions. This study proposes a convolutional neural network (CNN) to estimate soil gravimetric moisture using multispectral data acquired by unmanned aerial vehicles (UAVs). The research was conducted on a clay-loam soil plot in Guasave, Sinaloa, Mexico, during different post-irrigation drying phases. A DJI Mavic 3 Multispectral drone equipped with sensors in the Green (560 nm), Red (650 nm), Red-Edge (730 nm), and NIR (860 nm) bands was employed, capturing imagery with a spatial resolution of approximately 4 cm/pixel. In situ gravimetric measurements were collected to validate the performance of the developed CNN model. The proposed CNN architecture consisted of three Conv1D layers with 32 filters, one MaxPooling layer, a flattening layer, and a fully connected dense layer, specifically designed to capture complex nonlinear relationships between spectral bands and soil moisture. The model achieved outstanding performance, with a mean squared error (MSE) of 0.0058, a coefficient of determination (R²) of 0.91, and a mean absolute error (MAE) of 0.046 on the test dataset. Predictions were highly correlated with actual measurements (r = 0.92, p < 0.001). Statistical analyses confirmed homoscedasticity and residual normality, indicating model robustness. Furthermore, the CNN-based approach outperformed traditional empirical indices, demonstrating high sensitivity to within-field microvariability.
