Una estimación comparativa del contenido de agua en las hojas de maíz utilizando técnicas de aprendizaje automático y datos cercanos y remotos basados en vehículos aéreos no tripulados (UAV)

Determinar la variabilidad del contenido de agua en el maíz es necesario para el monitoreo de cultivos y en el desarrollo de sistemas de alerta temprana para optimizar la producción agrícola en pequeñas fincas. Sin embargo, la información espacialmente explícita sobre el contenido de agua en el maíz, particularmente en el sur de África, sigue siendo elemental debido a la escasez de fuentes primarias de datos espaciales adecuados a escala local que sean eficientes y asequibles. Los vehículos aéreos no tripulados (UAV), equipados con sensores multiespectrales ligeros, proporcionan información espacialmente explícita y casi en tiempo real para determinar el estado hídrico del cultivo de maíz a escala de finca. Por lo tanto, este estudio evaluó la utilidad de las imágenes multiespectrales derivadas de UAV y técnicas de aprendizaje automático en la estimación de indicadores de agua en hojas de maíz: grosor de agua equivalente (EWT), contenido de humedad en combustible (FMC) y área foliar específica (SLA). Los resultados ilustraron que tanto las variables espectrales derivadas del NIR como del borde rojo fueron críticas para caracterizar los indicadores de agua en el maíz en pequeñas fincas. Además, los mejores modelos para estimar EWT, FMC y SLA se derivaron del algoritmo de regresión de bosque aleatorio (RFR) con un rRMSE de 3.13%, 1% y 3.48%, respectivamente. Adicionalmente, EWT y FMC mostraron el mejor desempeño predictivo y fueron los indicadores más óptimos del contenido de agua en las hojas de maíz. Los hallazgos son críticos para desarrollar un marco de monitoreo robusto y espacialmente explícito del estado hídrico del maíz y sirven como un indicador proxy de la salud del cultivo y la productividad general de las pequeñas fincas de maíz.