Modelamiento del comportamiento productivo de pasturas rye grass – trébol utilizando imágenes multiespectrales, Cajamarca

• Autor: Gutiérrez Arce, Felipe Baltazar
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Cajamarca
• Repositorio: UNC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unc.edu.pe:20.500.14074/7937
• Enlace del recurso: http://hdl.handle.net/20.500.14074/7937
• Nivel de acceso: acceso abierto
• Materia: random forest; forraje; xgboost; rpas; cart; imagen multiespectral; http://purl.org/pe-repo/ocde/ford#4.03.01

El desconocimiento de tecnologías como las IME y de modelos Machine Learning, aplicables a la actividad pecuaria, ha permitido el deterioro paulatino de los recursos involucrados en esta actividad, especialmente del recurso forrajero y del recurso suelo. Por ello, esta investigación titulada Modelamiento del comportamiento productivo de pasturas rye grass – trébol utilizando imágenes multiespectrales, en Cajamarca, tuvo como objetivo modelar el comportamiento productivo del forraje, probando los modelos matemáticos CART, XGBoost y RF a través de la aplicación de la tecnología de imágenes multiespectrales (IME) utilizando drones. Se realizó en el fundo Huayrapongo, de la UNC, en potreros divididos de una hectárea, para tomar registro de la biomasa de la pastura, tanto en suelo como por aire, a través del uso del dron y de una cámara multiespectral. Se utilizaron 13 bandas espectrales y las precisiones se calcularon a partir de 100 modelos. Antes de cada repetición, el conjunto de datos se barajó aleatoriamente y se generaron nuevos pliegues para aumentar la robustez de los modelos. Para evaluar la precisión del ajuste de los modelos, se utilizaron el coeficiente de determinación (R2), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). Se encontraron correlaciones positivas entre la Biomasa seca con la banda espectral roja y el índice de vegetación ajustado al suelo (SRI) (r = 0.16 – 0.39); y de la Biomasa fresca con la banda espectral del infrarrojo cercano (NIR), el NDVI y los índices espectrales ExG (r = 0.10 – 0.33). El modelo Random Forest (RF) superó a los demás (CART y XGBoost) y brindan predicciones espacialmente más consistentes (R2 = 0.95, para Base Fresca; R2 = 0.98, para Base Seca). Estos resultados sugieren que el procesamiento de datos de UAV con algoritmos de aprendizaje automático en la nube, ofrece una alternativa accesible para predecir la biomasa forrajera a un nivel detallado con resultados satisfactorios, bajo las condiciones de nuestra región (Cajamarca).