Exportación Completada — 

Modelo del índice normalizado de vegetación (NDVI) empleando google earth engine (GEE) en zonas cafetaleras de Rodríguez de Mendoza.

Descripción del Articulo

El índice normalizado de vegetación (NDVI) es de vital importancia para la investigación en los procesos de los cambios climáticos. El café es uno de los cultivos que está sufriendo por estos efectos climáticos. Por lo tanto, la presente investigación tuvo por objetivos: a) determinar tendencias del...

Descripción completa

Detalles Bibliográficos
Autor: Olivares Reyna, Neiro
Formato: tesis de grado
Fecha de Publicación:2023
Institución:Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas
Repositorio:UNTRM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.untrm.edu.pe:20.500.14077/3502
Enlace del recurso:https://hdl.handle.net/20.500.14077/3502
Nivel de acceso:acceso abierto
Materia:NDVI
Café
Google Earth Engine
Modelo de Regresión Lineal
Rodríguez de Mendoza
https://purl.org/pe-repo/ocde/ford#4.00.00
https://purl.org/pe-repo/ocde/ford#4.01.00
https://purl.org/pe-repo/ocde/ford#4.01.01
https://purl.org/pe-repo/ocde/ford#4.01.06
Descripción
Sumario:El índice normalizado de vegetación (NDVI) es de vital importancia para la investigación en los procesos de los cambios climáticos. El café es uno de los cultivos que está sufriendo por estos efectos climáticos. Por lo tanto, la presente investigación tuvo por objetivos: a) determinar tendencias del NDVI en zonas cafetaleras de la Provincia de Rodríguez de Mendoza 2000-2022; b) Registrar Valores para la Precipitación, Temperatura Máxima y Mínima, Humedad Relativa y Altitud y c) Construir modelos lineales (ML) para las tres zonas cafetaleras de la provincia de Rodríguez de Mendoza. Para ello, se realizó la descarga de datos para las variables, desde Climate Engine de Google Earth Engine (GEE) para NDVI y Power Nasa (Variables climáticas). En ese Contexto, se usaron las medidas de tendencia central para los valores históricos de toda la data, para ver diferencias significativas entre pixeles y entre lugares, se realizaron pruebas de ANOVA para NDVI. Así mismo, para la construcción de los modelos fue a través del programa R Studio, en donde se validaron los coeficientes para determinar el mejor modelo en cada lugar. Resultó que, en los 12 pixeles evaluados las tendencias de NDVI son variadas según cada pixel y según cada lugar, mostrando diferencias significativas entre las mismas. En ese sentido, los modelos lineales generales se lograron construir de la siguiente manera: Sauce: 1.5037778 NDVI = 0.0144962TMAX + (-0.0103273TMIN) + 0.0043354H + ( -0.0008636ALT); Rumiaco: 0.3052925NDVI = 0.0156559TMAX + -0.0148322TMIN + 0.0035842H; Huambo: 1.0137NDVI = 1.037TMAX + -5.789TMIN + 4.013H + -6.291ALT.
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).