ISBN
Formato digital
979-13-88142-86-4
Fecha de publicación
15-04-2026
Licencia
D. R. © copyright 2026
Todos los contenidos de esta obra se comparten bajo la licencia Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esto implica que no está autorizado el uso comercial de la obra original ni de las eventuales obras derivadas, las cuales deberán distribuirse bajo la misma licencia que rige la obra original. No obstante, se permite a terceros compartir el contenido siempre y cuando se reconozca debidamente la autoría y la publicación original en esta editorial.
Samuel Uriel Samaniego Gamez
Instituto de Ciencias Agrícolas, Universidad Autónoma de Baja California
0000-0002-6438-6462
Moisés Gilberto Yáñez Juárez
Universidad Autónoma de Sinaloa
Fidel Núñez Ramírez
Instituto de Ciencias Agrícolas, Universidad Autónoma de Baja California
0000-0002-5405-3875
María Alejandra Payán Arzapalo
Universidad Autónoma de Sinaloa
0009-0005-3818-9093
Raúl Enrique Valle Gough
Instituto de Ciencias Agrícolas, Universidad Autónoma de Baja California
0000-0002-0376-946X
Blancka Yesenia Samaniego Gámez
Instituto de Ciencias Agrícolas, Universidad Autónoma de Baja California
0000-0003-4126-6561
Acerca de
A nivel mundial, la creciente demanda de productos agropecuarios responde a las necesidades alimentarias y nutricionales de una población cada vez mayor. En este contexto, mantener inventarios actualizados del número de plantas en los sistemas de producción agrícola, es una práctica habitual que coadyuva a la mejor toma de decisiones. La cuantificación de plantas mediante imágenes aéreas e inteligencia artificial se ha convertido en una herramienta que permite el seguimiento exhaustivo de las plantaciones. Es por ello que el objetivo de la presente investigación fue evaluar la confiabilidad de la cuantificación de plantas mediante el uso de imágenes aéreas e inteligencia artificial, a través de un estudio de caso enfocado en la detección multitemporal de plantas cultivadas de brócoli (Brassica oleracea L. var. Italica). La detección de plantas se evaluó bajo un diseño de bloques completamente al azar con cinco tratamientos y cuatro repeticiones.
Los tratamientos consistieron en camas de cultivo sin acolchado (suelo desnudo) y con acolchado plástico de color gris, transparente, blanco y negro. Se realizaron misiones de vuelo para la detección de plantas en ortomosaicos a los 12, 20, 32 y 47 días después del trasplante (DDT). En las cuatro fechas de monitoreo se obtuvo relación positiva entre el conteo manual y la detección automatizada, presentando el máximo valor de coeficiente de determinación (R2=0.978) en la detección realizada a los 32 DDT. La detección en suelo desnudo presentó la mejor precisión de estimación (Ps=1.02), indicando interferencia causada por los acolchados plásticos durante el proceso de detección de plantas. Se concluye que el momento y color del acolchado del suelo influyen en la confiabilidad de la detección automatizada de plantas a partir de fotografías aéreas.
Referencias
Agremo. (2024). Agremo Analyses – Plant Count & Health Monitoring. https://www.agremo.com/documentation/agremo-analyses/
Agremo. (s.f.). Agremo Analyses – Plant Count & Health Monitoring. https://www.agremo.com/documentation/agremo-analyses/
Ahmad, A., Liew, A. X. W., Venturini, F., Kalogeras, A., Candiani, A., Di Benedetto, G., Ajibola, S., Cartujo, P., Romero, P., Lykoudi, A., De Grandis, M. M., Xouris, C., Lo Bianco, R., Doddy, I., Elegbede, I., D’Urso Labate, G. F., García del Moral, L. F., & Martos, V. (2024). AI can empower agriculture for global food security: challenges and prospects in developing nations. Frontiers in Artificial Intelligence, (7). https://doi.org/10.3389/frai.2024.1328530
Chamara, N., Bai, G., & Ge, Y. (2023). AICropCAM: Deploying classification, segmentation, detection, and counting deep-learning models for crop monitoring on the edge. Computers and Electronics in Agriculture, 215. https://doi.org/10.1016/j.compag.2023.108420
DJI. (2019). P4 Multispectral. https://www.dji.com/mx/p4-multispectral
Farjon, G., Huijun, L., & Edan, Y. (2023). Deep-learning-based counting methods, datasets, and applications in agriculture: a review. Precision Agriculture, 24(5), 1683-1711. https://doi.org/10.1007/s11119-023-10034-8
García, H., Flores, H., Khalil, A., Ascencio, R., Tijerina, L., Vázquez, M., & Mancilla, O. (2020). Estimación de la fracción de cobertura de la vegetación en maíz (Zea mays) mediante imágenes digitales tomadas por un vehículo aéreo no tripulado (UAV). Revista Fitotecnia Mexicana, 43(4), 399-409. https://doi.org/10.35196/rfm.2020.4.399
Gupta, A., Ruan, J., & Jaiswal, S. (2024). The potential of geographic information systems as a tool to achieve sustainable development goals. In sustainable development and geospatial technology: Foundations and innovations. https://doi.org/10.1007/978-3-031-65683-5_10
Khanal, S., Kushal, K., Fulton, J. P., Shearer, S., & Ozkan, E. (2020). Remote sensing in agriculture-accomplishments, limitations, and opportunities. Remote Sensing, 12. https://doi.org/10.3390/rs12223783
Lee, C. J., Yang, M. Der, Tseng, H. H., Hsu, Y. C., Sung, Y., & Chen, W. L. (2023). Single-plant broccoli growth monitoring using deep learning with UAV imagery. Computers and Electronics in Agriculture, 207. https://doi.org/10.1016/j.compag.2023.107739
Li, J., Li, Y., Qiao, J., Li, L., Wang, X., Yao, J., & Liao, G. (2023). Automatic counting of rapeseed inflorescences using deep learning method and UAV RGB imagery. Frontiers in Plant Science, 14. https://doi.org/10.3389/fpls.2023.1101143
Li, T., Wang, H., Song, J., Cui, J., Wang, W., Li, W., Jiang, M., Shi, X., Wang, J., Zhang, L., & Lu, X. (2024). Improving the accuracy of cotton seedling emergence rate estimation by fusing UAV-based multispectral vegetation indices. Frontiers in Plant Science, 15. https://doi.org/10.3389/fpls.2024.1333089
Lu, D., Ye, J., Wang, Y., & Yu, Z. (2023). Plant detection and counting: enhancing precision agriculture in UAV and general scenes. IEEE Access, 11, 116196–116205. https://doi.org/10.1109/access.2023.3325747
Maurya, D. K., Maurya, S. K., Kumar, M., Chaubey, C., Gupta, D., Patel, K. K., Mehta, A. K., & Yadav, R. (2024). A review on precision agriculture: An evolution and prospect for the future. International Journal of Plant & Soil Science, 36(5), 363–374. https://doi.org/10.9734/ijpss/2024/v36i54534
Pathak, H., Igathinathane, C., Zhang, Z., Archer, D., & Hendrickson, J. (2022). A review of unmanned aerial vehicle-based methods for plant stand count evaluation in row crops. Computers and Electronics in Agriculture (Vol. 198). Elsevier. https://doi.org/10.1016/j.compag.2022.107064
Pix4D. (2024). PIX4Dfields. https://www.pix4d.com/es/producto/pix4dfields/
Qgis. (2023). QGIS. https://download.qgis.org/downloads/
SOUTH. (2024). Galaxy G7. Guangzhou SOUTH Surveying & Mapping Technology Co., Ltd. https://www.southinstrument.com/product/details/pro_tid/3/id/210.html