Teledetección del rendimiento del arroz mediante el índice SAVI obtenido con drones y modelos de aprendizaje automático supervisado en zonas bajas tropicales

• Autores: Ysuiza Perez, Alfredo, Perez Tello, Mónica, Goicochea Pinchi, Diego, Vega Herrera, Sergio Sebastián, Rios Rios, Raúl Martín, Dominguez Yap, Percy, García, Leonela, Barrera Torres, Cicerón, Oliva Cruz, Carlos Alberto, Santillán Gonzáles, Manuel, Arratea Pillco, David, Alejos Patiño, Italo W.
• Formato: artículo
• Fecha de Publicación: 2026
• Institución: Instituto Nacional de Innovación Agraria
• Repositorio: INIA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.inia.gob.pe:20.500.12955/3151
• Enlace del recurso: http://hdl.handle.net/20.500.12955/3151; https://doi.org/10.17268/sci.agropecu.2026.034
• Nivel de acceso: acceso abierto
• Materia: Precision agriculture; Agricultura de precisión; UAV multispectral imagery; Imágenes multiespectrales UAV; Rice yield estimation; Estimación de rendimiento de arroz; SAVI index; Índice SAVI; Supervised classification; Clasificación supervisada; Logistic regression; Regresión logística; Support vector machines; Máquinas de soporte vectorial; https://purl.org/pe-repo/ocde/ford#4.01.00; Arroz, Rice; Rendimiento de cultivos, Crop yield; Teledetección, Remote sensing; Aprendizaje automático, Machine learning; Vehículo aéreo no tripulado, Unmanned aerial vehicles.

La estimación de la productividad del arroz dentro de una misma parcela es un desafío en los agroecosistemas tropicales, por la alta variabilidad espacial y limitaciones en los métodos tradicionales de monitoreo. El objetivo del estudio fue evaluar la capacidad del índice de vegetación ajustado al suelo (SAVI, soil adjusted vegetation index) derivado de imágenes multiespectrales obtenidas mediante vehículos aéreos no tripulados (UAV, unmanned aerial vehicles) para diferenciar las zonas productivas de las que no lo son en parcelas arroceras de selva baja tropical, en la región San Martín, Perú. Se usó un diseño de bloques completos al azar en dos localidades, con tres variedades de arroz, y se tomaron imágenes multiespectrales usando plataformas UAV. El rendimiento real de campo se midió con muestreo destructivo georreferenciado, ajustando el peso del grano a una humedad estándar y expresándolo en toneladas por hectárea. Con esos datos, las parcelas se clasificaron en zonas productivas y no productivas según criterios de umbral obtenidos de las mediciones directas. Después se extrajo los valores de SAVI y se usaron como variable de entrada en varios modelos de clasificación supervisada: regresión logística, máquinas de soporte vectorial (SVM), k vecinos más cercanos (KNN), bosque aleatorio y árbol de decisión. Los resultados mostraron que los valores de SAVI entre 0,50 y 0,70 se relacionaban con las zonas productivas, mientras que los que estaban entre 0,30 y 0,50 correspondían a las no productivas. La regresiónlogística y el SVM fueron los que mejor rindieron, con una exactitud global del 88,9%, valores de F1 por encima del 92% y un balance adecuado entre sensibilidad y especificidad. Esto demuestra que el SAVI con aprendizaje automático supervisado es una estrategia para discriminar espacialmente la productividad del arroz, con potencial para apoyar en el monitoreo dentro de la parcela y en las decisiones agronómicas en sistemas arroceros tropicales.