| dc.description.abstract | El crecimiento de la población está haciendo necesario incrementar el área agrícola para la producción de alimentos, lo que se refleja en el aumento de las extracciones de agua, el nivel de degradación de suelos y la escasez de agua. A nivel mundial los países buscan alcanzar la seguridad alimentaria de sus naciones de manera sustentable, es por ello, que incrementar la superficie agrícola, la productividad agrícola y la intensidad del cultivo, haciendo un uso eficiente del agua y evitando al máximo la degradación de los suelos y la contaminación del agua, son objetivos claves para alcanzar la seguridad alimentaria. El monitoreo de cultivos mediante procesamiento de imágenes satelitales y la aplicación de modelos de clasificación supervisada son estrategias tecnológicas que puede emplearse en la generación de información básica para la estimación de parámetros biofísicos de los cultivos que permitan maximizar la producción de alimentos. El propósito de esta investigación fue determinar los indicadores y características principales que permitan clasificar las etapas fenológicas de los cultivos de maíz (Zea mays L.) y alfalfa (Medicago sativa) en imágenes satelitales Sentinel 2 mediante modelos de clasificación supervisada. Los datos de entrenamieto se obtuvienron mediante el monitoreo de parcelas cultivadas durante un ciclo agrícola. La extracción de indicadores y caracteristicas se realizó a 41 imágenes Sentinel 2 adquiridas durante las fechas de monitoreo. Con estas imágenes se calcularon indicadores de textura, vegetación y color para entrenar clasificadores supervisados: discriminante lineal (DL), máquina de soporte vectorial (SVM), K vecinos más cercanos (KNN) y red neuronal perceptrón multicapa (MLP). Para el cultivo de maíz, el modelo que mejor clasificó su fenología fue la red neuronal MLP con precisiones mayores al 82 % para las clases, 92 % general y coeficiente kappa de 85 %. En el cultivo de alfalfa, el mejor modelo de clasificación fue la red neuronal MLP con una precisión general de 87 % y coeficiente kappa del 80 %. _______________ DETERMINATION OF INTRINSIC CHARACTERISTICS OF CORN AND ALFALFA CROPS USING SUPERVISED CLASSIFICATION METHODS. ABSTRACT: Population growth is making it necessary to increase the agricultural area for food production, which is reflected in the increase in water withdrawals, the level of soil degradation and the scarcity of water. At the global level, countries seek to achieve the food security of their nations in a sustainable way, which is why, to increase the agricultural area, agricultural productivity and the crop intensity, making efficient use of water and avoiding as much as possible the pollution of Soils and water, are key objectives to achieve food security. The monitoring of crops through satellite image processing and the application of supervised classification models are technological strategies that can be used to generate basic information for estimate biophysical parameters of crops that allow maximizing food production. The purpose of this research was to determine the main indicators and characteristics that allow classifying the phenological stages of corn (Zea mays L.) and alfalfa (Medicago sativa) crops with Sentinel 2 satellite images using supervised classification models. The training data were obtained by monitoring cultivated plots during an agricultural cycle. The extraction of indicators and characteristics was carried out to 41 Sentinel 2 images acquired during the monitoring dates. With these images, indicators of texture, vegetation and color were calculated to train supervised classifiers: linear discriminant (DL), vector support machine (SVM), K nearest neighbors (KNN) and multilayer perceptron neural network (MLP). For the maize crop, the model that best classified its phenology was the MLP neural network with precisions greater than 82% for the classes, 92% overall and a kappa coefficient of 85%. In alfalfa crop, the best classification model was the MLP neural network with an overall precision of 87% and a kappa coefficient of 80%. | es_MX |
