Generación de un modelo óptimo para evaluar la productividad y el rendimiento de viñedos. Caso de estudio: Bodegas Viña Arnaiz

Spain is one of the largest wine producers in the world, therefore, viticulture is key to its economy. The Spanish wine industry has incorporated remote sensing techniques in the different stages of production, mostly aimed at vegetation mapping, pest detection and disease control, however, there are few studies related to the determination of production and yield in vineyards. For this reason, based on various vegetation spectral indices NDVI, NDRE, LAI, MSAVI2, TCARI, OSAVI, among others, and values of Leaf Area Index, LAI, different non-parametric models were generated, using principal component analysis and neural networks, which have been widely studied and implemented in various fields. The products obtained showed an estimation error RMSE of 16.19 t and 5.53 t/ha, in relation to productivity and yield respectively, from the analysis of principal components, and, 10.32 t and 4.23 t/ha, respectively, in the case of neural networks, showing an improvement when using this last technique. This study was carried out in the vineyards of Viña Arnaiz, located in the municipality of Haza (Burgos).

Show more Show less

References:

Aguirre, C.A., Bodero, E.M. (2024). Implementación del método de análisis de componentes principales (PCA) para la reducción de la dimensionalidad en los datos inmobiliarios de la ciudad de riobamba. Dominio De Las Ciencias, 10(3), 2032-2051.

Aquino, A., Millan, B., Diago, M., Tardaguila, J. (2018). Automated early yield prediction in vineyards from on-the-go image acquisition. Computers and Electronics in Agriculture, 144, 26-36. https://doi.org/10.1016/j.compag.2017.11.026

Arnó Satorra, J., Martínez Casasnovas, J.A., Ribes Dasi, M., Rosell Polo, J.R. (2009). Precision viticulture. Research topics, challenges and opportunities in site-specific vineyard management. Spanish Journal of Agricultural Research, 7(4), 769-787. https://doi.org/10.5424/sjar/2009074-1092

Ballesteros, R., Intrigliolo, D.S., Ortega, J.F., Ramírez-Cuesta, J.M., Buesa, I., Moreno, M.A. (2020). Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques. Precision Agriculture, 21, 1242-1262. https://doi.org/10.1007/s11119-020-09717-3

Beltrán, P. (2007). Las técnicas de teledetección en viticultura de precisión. Agrónomos: Organo Profesional De Los Ingenieros Agrónomos (35), 160-165.

Briones-Encinia, F., Castro Nava, S., López Santillán, J.A., Trinidad Santos, A. (2009). Óptimos analíticos y económicos de modelos aplicados en experimentación agrícola. Agricultura Técnica en México, 35(1), 89-95.

Carvajal, C.A. (2024). Uso de técnicas como la regresión y redes neuronales para anticipar el rendimiento del maíz. RECIMUNDO, 8(4), 126-135. https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.126-135

Dagnino, J. (2014). La distribución normal. Revista Chilena de Anestesia, 43(2), 147. https://doi.org/10.25237/revchilanestv43n02.08

de la Fuente, M. (2021). Proyectos I+D+i 2021. Plataforma Tecnológica Del Vino. https://www.ptvino.com/wp-content/uploads/2022/03/Especial-proyectos-2021-.pdf

Díaz, S. (2021, 13 de abril). El sector del vino español, símbolo de tradición y referente mundial. CaixaBank Research. https://www.caixabankresearch.com/es/analisis-sectorial/agroalimentario/sector-del-vino-espanol-simbolo-tradicion-y-referente-mundial

Fang, H., Baret, F., Plummer, S., Schaepman-Strub, G. (2019). An overview of global leaf area index (LAI): Methods, products, validation, and applications. Reviews of Geophysics, 57(3), 739-799. https://doi.org/10.1029/2018RG000608

Flores-Rodríguez, A.G., Flores-Garnica, J.G., González-Eguiarte, D.R., Gallegos-Rodríguez, A., Zarazúa-Villaseñor, P., Mena-Munguía, S. (2021). Análisis comparativo de índices espectrales para ubicar y dimensionar niveles de severidad de incendios forestales. Investigaciones Geográficas (106), Article e60396. https://doi.org/10.14350/rig.60396

Flores-Tapia, C., Flores-Cevallos, K. (2021). Pruebas para comprobar la normalidad de datos en procesos productivos: Anderson-darling, ryan-joiner, shapiro-wilk y kolmogórov-smirnov. Societas, 23(2), 83-106.

Gholamy, A., Kreinovich, V., Kosheleva, O. (2018). Why 70/30 or 80/20 relation between training and testing sets: A pedagogical explanation. International Journal of Intelligent Technology and Applied Statistics, 11(2), 105-111.

Gilabert, M.A., Gonzalez-Piqueras, J., Martinez, B. (2011). Theory and application of vegetation indices. Remote Sensing Optical Observations of Vegetation Properties, Editors: Fabio Maselli, Massimo Menenti, Pietro Alessandro Brivio. 2010: 1-43.

Gómez, A., Arévalo, R., Torrijos, G. (2014). Clasificación y evaluación de una imagen satelital utilizando los métodos de redes neuronales artificiales y segmentación espacial. Azimut, 6, 59-71. http://revistas.udistrital.edu.co/ojs/index.php/azimut

Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep learning. MIT Press.

Guzmán-Álvarez, J.A., González-Zuñiga, M., Fernandez, J.A.S., Calvo-Alvarado, J.C. (2022). Uso de sensores remotos en la agricultura: Aplicaciones en el cultivo del banano. Agronomía Mesoamericana, 33(3), Article 48279. https://doi.org/10.15517/am.v33i3.48279

Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J., Dextraze, L. (2002). Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 81(2-3), 416-426. https://doi.org/10.1016/S0034-4257(02)00018-4

Huete, A.R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309. https://doi.org/10.1016/0034-4257(88)90106-X

Instituto Geográfico Nacional. (2024). Mapa de series para la vegetación. Ministerio para la Transición Ecológica y el Reto Demográfico. https://www.miteco.gob.es/es/biodiversidad/servicios/banco-datos-naturaleza/informacion-disponible/memoria_mapa_series_veg_descargas.html

Kaufman, Y.J., Tanre, D. (1992). Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30(2), 261-270. https://doi.org/10.1109/36.134076

Kinderknecht, L.E., Brizuela, A.B., Aguirre, C.A., Kemerer, A.C. (2017). Análisis de los índices NDVI, SAVI y MSAVI2 en función de la altura del terreno en Crespo, Entre Ríos. Scientia Interfluvius, 8(2), 42-52.

Lecun, Y., Bottou, L., Bengio, Y., Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791

López-García, P., Martínez-Moreno, A., Ramirez-Cuesta, J.M., Buesa, I., Intrigliolo, D.S., Ortega, J.F., Ballesteros, R. (2020). Utilización de drones para la predicción de cosecha en viña. Interempresas. https://www.interempresas.net/Vitivinicola/Articulos/305767-Utilizacion-de-drones-para-la-prediccion-de-cosecha-en-vina.html

Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P. (2020). UAV and machine learning based refinement of a satellite-driven vegetation index for precision agriculture. Sensors, 20(9), Article 2530. https://doi.org/10.3390/s20092530

Medina-Segovia, E. (2023). Análisis de series temporales para pronosticar los casos de dengue en el departamento de Córdoba. Tesis de grado. Universidad de Córdoba, Colombia. https://repositorio.unicordoba.edu.co/handle/ucordoba/7692

Micasense. (2024). What is the center wavelength and bandwidth of each filter for MicaSense sensors? Micasense Support. https://support.micasense.com/hc/en-us/articles/214878778-What-is-the-center-wavelength-and-bandwidth-of-each-filter-for-MicaSense-sensors

Nduku, L., Munghemezulu, C., Mashaba-Munghemezulu, Z., Kalumba, A.M., Chirima, G.J., Masiza, W., De Villiers, C. (2023). Global research trends for unmanned aerial vehicle remote sensing application in wheat crop monitoring. Geomatics, 3(1), 1–36. https://doi.org/10.3390/geomatics3010006

Ottoniel-de León, R., Villatoro, B.R. (2016). Análisis exploratorio de la dependencia entre los índices de vegetación NDWI y MSI obtenidos de imágenes de satélite Landsat 8, la humedad de la caña de azúcar y la humedad del suelo. En Memoria. Presentación de Resultados de Investigación. Zafra, 2017 (pp. 344-360). Centro Guatemalteco de Investigación y Capacitación de la Caña de Azúcar (Cengicaña).

Pascual-Ramírez, F., Paz-Pellat, F., Bolaños-González, M. (2012). Estimación de biomasa aérea en cultivos con sensores remotos. Terra Latinoamericana, 30(1), 17-28.

Payero, J.O., Neale, C.M.U., Wright, J.L. (2004). Comparison of eleven vegetation indices for estimating plant height of alfalfa and grass. Applied Engineering in Agriculture, 20(3), 385-393. https://doi.org/10.13031/2013.16057

Plataforma Tecnológica del Vino. (2021). Agenda estratégica de innovación del sector del vino 2021-2024. https://www.ptvino.com/wp-content/uploads/2021/06/Agenda-Estrat%C3%A9gica-del-Innovaci%C3%B3n-del-Sector-del-Vino.pdf

Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H., Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119-126. https://doi.org/10.1016/0034-4257(94)90134-1

Radočaj, D., Šiljeg, A., Marinović, R., Jurišić, M. (2023). State of major vegetation indices in precision agriculture studies indexed in Web of Science: A review. Agriculture, 13(3), Article 707. https://doi.org/10.3390/agriculture13030707

Richardson, A.D., Duigan, S.P., Berlyn, G.P. (2002). An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phytologist, 153(1), 185-194. https://doi.org/10.1046/j.0028-646X.2001.00289.x

Rigas, G., Tassopoulos, D., Kalivas, D., Lougkos, N., Priovolou, A. (2021). Remote sensing vegetation indices in viticulture: A critical review. Agriculture, 11(5), Article 457. https://doi.org/10.3390/agriculture11050457

Rodríguez-Moreno, V.M., Bullock, S.H. (2013). Comparación espacial y temporal de índices de la vegetación para verdor y humedad y aplicación para estimar LAI en el desierto sonorense. Revista Mexicana de Ciencias Agrícolas, 4(4), 611-623. https://doi.org/10.29312/remexca.v4i4.1193

Rodríguez-Rey Martín, C. (2009). Viticultura de precisión y teledetección: Relación entre índices de reflectancia espectral y parámetros de vigor en parcelas de viñedo de la variedad chardonnay. Trabajo Final de Carrera. Escuela Superior de Agricultura de Barcelona. Ingeniería Técnica Agrícola. https://upcommons.upc.edu/bitstream/handle/2099.1/10234/memoria.pdf?sequence=1&isAllowed=y

Rouse, J.W., Jr., Haas, R.H., Schell, J.A., Deering, D.W. (1974a). Monitoring vegetation systems in the Great Plains with ERTS. En Third ERTS-1 Symposium. Volume I: Technical Presentations, Section A (NASA SP-351, pp. 309-317). NASA. https://ntrs.nasa.gov/citations/19740022614

Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. (1974b). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ., 351(1), 309.

Sánchez Méndez, A., Arguijo, P. (2018). Análisis de imágenes multiespectrales para la detección de cultivos y detección de plagas y enfermedades en la producción de café. Research in Computing Science, 147(7), 309-317. https://doi.org/10.13053/rcs-147-7-24

Shen, Y., Wei, Y., Zhang, H., Rui, X., Li, B., Wang, J. (2024). Unsupervised change detection in HR remote sensing imagery based on local histogram similarity and progressive Otsu. Remote Sensing, 16(8), Article 1357. https://doi.org/10.3390/rs16081357

Shi, Y., Huang, W., Luo, J., Huang, L., Zhou, X. (2017). Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis. Computers and Electronics in Agriculture, 141, 171-180. https://doi.org/10.1016/j.compag.2017.07.019

Sothe, C., de Almeida, C.M., Liesenberg, V., Schimalski, M.B. (2017). Evaluating Sentinel-2 and Landsat-8 data to map successional forest stages in a subtropical forest in southern Brazil. Remote Sensing, 9(8), Article 838. https://doi.org/10.3390/rs9080838

Steven, M.D. (1993). Satellite remote sensing for agricultural management: Opportunities and logistic constraints. ISPRS Journal of Photogrammetry and Remote Sensing, 48(4), 29-34. https://doi.org/10.1016/0924-2716(93)90029-M

Tecnovino. (2020, 1 de diciembre). Las cifras que respaldan la importancia del sector vitivinícola en España. Tecnovino. http://www.tecnovino.com/las-cifras-que-respaldan-la-importancia-del-sector-vitivinicola-en-espana-que-genera-casi-24-mil-millones-de-euros-anuales/

Thompson, C.N., Guo, W., Sharma, B., Ritchie, G.L. (2019). Using normalized difference red edge index to assess maturity in cotton. Crop Science, 59(5), 2167-2177. https://doi.org/10.2135/cropsci2019.04.0227

Treviño-Cantú, J.A. (2022). Alternativas de estandarización para índices compuestos espacio-temporales. El caso del rezago educativo en los estados de México, 2000 a 2020. Investigaciones Geográficas (109), e60615. https://doi.org/10.14350/rig.60615

Wang, Z., Wang, T., Darvishzadeh, R., Skidmore, A.K., Jones, S., Suarez, L., Woodgate, W., Heiden, U., Heurich, M., Hearne, J. (2016). Vegetation indices for mapping canopy foliar nitrogen in a mixed temperate forest. Remote Sensing, 8(6), Article 491. https://doi.org/10.3390/rs8060491

Wu, C., Niu, Z., Tang, Q., Huang, W. (2008). Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agricultural and Forest Meteorology, 148(8–9), 1230-1241. https://doi.org/10.1016/j.agrformet.2008.03.005

Show more Show less