Red neuronal convolucional para estimar humedad gravimétrica del suelo con bandas multiespectrales UAV

Resumen

La estimación precisa de la humedad gravimétrica del suelo es esencial para la gestión eficiente de recursos hídricos en agricultura de precisión, especialmente en regiones semiáridas. Este estudio propone una red neuronal convolucional (CNN) para estimar la humedad gravimétrica del suelo utilizando datos multiespectrales adquiridos mediante vehículos aéreos no tripulados (UAV). La investigación se llevó a cabo en una parcela de suelo franco-arcilloso en Guasave, Sinaloa, México, durante diferentes fases de secado post-riego. Se empleó un dron DJI Mavic 3 Multispectral equipado con cámaras en las bandas Green (560 nm), Red (650 nm), Red-Edge (730 nm) y NIR (860 nm), obteniendo imágenes con resolución espacial aproximada de 4 cm/píxel. Se realizaron mediciones gravimétricas in situ para validar el desempeño del modelo CNN desarrollado. La arquitectura CNN propuesta constó de tres capas Conv1D con 32 filtros, una capa MaxPooling, una capa de aplanamiento y una capa densa, diseñada específicamente para explotar relaciones no lineales complejas entre las bandas espectrales y la humedad del suelo. Los resultados mostraron un desempeño excepcional del modelo con un error cuadrático medio (MSE) de 0.0058, un coeficiente de determinación (R²) de 0.91 y un error absoluto medio (MAE) de 0.046 en el conjunto de prueba. La correlación entre las predicciones y las mediciones reales fue alta (r = 0.92, p < 0.001). Los análisis estadísticos confirmaron la homocedasticidad y normalidad de los residuos, indicando robustez del modelo. Se destacó además la superioridad del enfoque CNN respecto a índices empíricos tradicionales, mostrando gran sensibilidad a microvariaciones intraparcelarias.