Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital

Autores
Amieva, Juan Francisco
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Bocco, Mónica
Lanzarini, Laura Cristina
Descripción
La presente investigación se centra en el desarrollo de un enfoque metodológico para la estimación de rendimientos de soja a nivel de lote en Argentina mediante el uso de datos satelitales y técnicas de inteligencia artificial. Para ello, se utiliza información derivada de imágenes satelitales de la misión Sentinel-2, complementadas con datos de precipitación del conjunto de datos Climate Hazards Group InfraRed Precipitation with Stations. Estos datos fueron empleados para modelar rendimientos de soja, utilizando como referencia datos de rendimiento a nivel de lote. Se emplearon los algoritmos de aprendizaje automático Random Forest y XGBoost debido a su capacidad para manejar datos de alta dimensionalidad y modelar relaciones no lineales. Los resultados obtenidos a partir de cuatro conjuntos de datos distintos demuestran que la metodología propuesta es robusta y flexible, con una alta capacidad de adaptación a diferentes condiciones agroclimáticas y épocas de siembra en distintas regiones de Argentina. En todos los casos evaluados, el algoritmo XGBoost superó a Random Forest, mostrando un mejor desempeño predictivo. Los hallazgos de esta investigación tienen importantes implicancias para la agricultura de precisión, ya que la metodología desarrollada permite obtener estimaciones precisas de los rendimientos a nivel de lote, facilitando la toma de decisiones por parte de los productores y optimizando la gestión de los cultivos. Esto no solo favorece la eficiencia operativa, sino que también puede tener un impacto positivo en la cadena de suministro agrícola, al permitir una mejor planificación de la cosecha, el transporte y la distribución de los productos, optimizando las rutas y el uso de recursos logísticos. Además, la optimización en el uso de recursos importantes, como fertilizantes y productos fitosanitarios, puede reducir el impacto ambiental de las prácticas agrícolas, mientras que al mismo tiempo se mejora la rentabilidad de los cultivos, promoviendo prácticas más sostenibles y resilientes a largo plazo.
Asesor científico: Miguel Martín Nolasco
Magister en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
Materia
Ciencias Informáticas
estimación de rendimiento
soja
agricultura de precisión
Inteligencia artificial
aprendizaje automático
datos satelitales
Sentinel-2
CHIRPS
modelado predictivo
rendimiento a nivel de lote
gestión de cultivos
sostenibilidad agrícola
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/193427
Acceder
id SEDICI_50c4df9eba310c4d139fe31cb3b4fb87
oai_identifier_str oai:sedici.unlp.edu.ar:10915/193427
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelitalAmieva, Juan FranciscoCiencias Informáticasestimación de rendimientosojaagricultura de precisiónInteligencia artificialaprendizaje automáticodatos satelitalesSentinel-2CHIRPSmodelado predictivorendimiento a nivel de lotegestión de cultivossostenibilidad agrícolaLa presente investigación se centra en el desarrollo de un enfoque metodológico para la estimación de rendimientos de soja a nivel de lote en Argentina mediante el uso de datos satelitales y técnicas de inteligencia artificial. Para ello, se utiliza información derivada de imágenes satelitales de la misión Sentinel-2, complementadas con datos de precipitación del conjunto de datos Climate Hazards Group InfraRed Precipitation with Stations. Estos datos fueron empleados para modelar rendimientos de soja, utilizando como referencia datos de rendimiento a nivel de lote. Se emplearon los algoritmos de aprendizaje automático Random Forest y XGBoost debido a su capacidad para manejar datos de alta dimensionalidad y modelar relaciones no lineales. Los resultados obtenidos a partir de cuatro conjuntos de datos distintos demuestran que la metodología propuesta es robusta y flexible, con una alta capacidad de adaptación a diferentes condiciones agroclimáticas y épocas de siembra en distintas regiones de Argentina. En todos los casos evaluados, el algoritmo XGBoost superó a Random Forest, mostrando un mejor desempeño predictivo. Los hallazgos de esta investigación tienen importantes implicancias para la agricultura de precisión, ya que la metodología desarrollada permite obtener estimaciones precisas de los rendimientos a nivel de lote, facilitando la toma de decisiones por parte de los productores y optimizando la gestión de los cultivos. Esto no solo favorece la eficiencia operativa, sino que también puede tener un impacto positivo en la cadena de suministro agrícola, al permitir una mejor planificación de la cosecha, el transporte y la distribución de los productos, optimizando las rutas y el uso de recursos logísticos. Además, la optimización en el uso de recursos importantes, como fertilizantes y productos fitosanitarios, puede reducir el impacto ambiental de las prácticas agrícolas, mientras que al mismo tiempo se mejora la rentabilidad de los cultivos, promoviendo prácticas más sostenibles y resilientes a largo plazo.Asesor científico: Miguel Martín NolascoMagister en Inteligencia de Datos orientada a Big DataUniversidad Nacional de La PlataFacultad de InformáticaBocco, MónicaLanzarini, Laura Cristina2025-12-09info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTesis de maestriahttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/193427https://doi.org/10.35537/10915/193427spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:16:25Zoai:sedici.unlp.edu.ar:10915/193427Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:16:25.635SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
title Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
spellingShingle Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
Amieva, Juan Francisco
Ciencias Informáticas
estimación de rendimiento
soja
agricultura de precisión
Inteligencia artificial
aprendizaje automático
datos satelitales
Sentinel-2
CHIRPS
modelado predictivo
rendimiento a nivel de lote
gestión de cultivos
sostenibilidad agrícola
title_short Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
title_full Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
title_fullStr Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
title_full_unstemmed Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
title_sort Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital
dc.creator.none.fl_str_mv Amieva, Juan Francisco
author Amieva, Juan Francisco
author_facet Amieva, Juan Francisco
author_role author
dc.contributor.none.fl_str_mv Bocco, Mónica
Lanzarini, Laura Cristina
dc.subject.none.fl_str_mv Ciencias Informáticas
estimación de rendimiento
soja
agricultura de precisión
Inteligencia artificial
aprendizaje automático
datos satelitales
Sentinel-2
CHIRPS
modelado predictivo
rendimiento a nivel de lote
gestión de cultivos
sostenibilidad agrícola
topic Ciencias Informáticas
estimación de rendimiento
soja
agricultura de precisión
Inteligencia artificial
aprendizaje automático
datos satelitales
Sentinel-2
CHIRPS
modelado predictivo
rendimiento a nivel de lote
gestión de cultivos
sostenibilidad agrícola
dc.description.none.fl_txt_mv La presente investigación se centra en el desarrollo de un enfoque metodológico para la estimación de rendimientos de soja a nivel de lote en Argentina mediante el uso de datos satelitales y técnicas de inteligencia artificial. Para ello, se utiliza información derivada de imágenes satelitales de la misión Sentinel-2, complementadas con datos de precipitación del conjunto de datos Climate Hazards Group InfraRed Precipitation with Stations. Estos datos fueron empleados para modelar rendimientos de soja, utilizando como referencia datos de rendimiento a nivel de lote. Se emplearon los algoritmos de aprendizaje automático Random Forest y XGBoost debido a su capacidad para manejar datos de alta dimensionalidad y modelar relaciones no lineales. Los resultados obtenidos a partir de cuatro conjuntos de datos distintos demuestran que la metodología propuesta es robusta y flexible, con una alta capacidad de adaptación a diferentes condiciones agroclimáticas y épocas de siembra en distintas regiones de Argentina. En todos los casos evaluados, el algoritmo XGBoost superó a Random Forest, mostrando un mejor desempeño predictivo. Los hallazgos de esta investigación tienen importantes implicancias para la agricultura de precisión, ya que la metodología desarrollada permite obtener estimaciones precisas de los rendimientos a nivel de lote, facilitando la toma de decisiones por parte de los productores y optimizando la gestión de los cultivos. Esto no solo favorece la eficiencia operativa, sino que también puede tener un impacto positivo en la cadena de suministro agrícola, al permitir una mejor planificación de la cosecha, el transporte y la distribución de los productos, optimizando las rutas y el uso de recursos logísticos. Además, la optimización en el uso de recursos importantes, como fertilizantes y productos fitosanitarios, puede reducir el impacto ambiental de las prácticas agrícolas, mientras que al mismo tiempo se mejora la rentabilidad de los cultivos, promoviendo prácticas más sostenibles y resilientes a largo plazo.
Asesor científico: Miguel Martín Nolasco
Magister en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
description La presente investigación se centra en el desarrollo de un enfoque metodológico para la estimación de rendimientos de soja a nivel de lote en Argentina mediante el uso de datos satelitales y técnicas de inteligencia artificial. Para ello, se utiliza información derivada de imágenes satelitales de la misión Sentinel-2, complementadas con datos de precipitación del conjunto de datos Climate Hazards Group InfraRed Precipitation with Stations. Estos datos fueron empleados para modelar rendimientos de soja, utilizando como referencia datos de rendimiento a nivel de lote. Se emplearon los algoritmos de aprendizaje automático Random Forest y XGBoost debido a su capacidad para manejar datos de alta dimensionalidad y modelar relaciones no lineales. Los resultados obtenidos a partir de cuatro conjuntos de datos distintos demuestran que la metodología propuesta es robusta y flexible, con una alta capacidad de adaptación a diferentes condiciones agroclimáticas y épocas de siembra en distintas regiones de Argentina. En todos los casos evaluados, el algoritmo XGBoost superó a Random Forest, mostrando un mejor desempeño predictivo. Los hallazgos de esta investigación tienen importantes implicancias para la agricultura de precisión, ya que la metodología desarrollada permite obtener estimaciones precisas de los rendimientos a nivel de lote, facilitando la toma de decisiones por parte de los productores y optimizando la gestión de los cultivos. Esto no solo favorece la eficiencia operativa, sino que también puede tener un impacto positivo en la cadena de suministro agrícola, al permitir una mejor planificación de la cosecha, el transporte y la distribución de los productos, optimizando las rutas y el uso de recursos logísticos. Además, la optimización en el uso de recursos importantes, como fertilizantes y productos fitosanitarios, puede reducir el impacto ambiental de las prácticas agrícolas, mientras que al mismo tiempo se mejora la rentabilidad de los cultivos, promoviendo prácticas más sostenibles y resilientes a largo plazo.
publishDate 2025
dc.date.none.fl_str_mv 2025-12-09
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
Tesis de maestria
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/193427
https://doi.org/10.35537/10915/193427
url http://sedici.unlp.edu.ar/handle/10915/193427
https://doi.org/10.35537/10915/193427
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982600767373312
score 13.365483

Publicaciones similares