-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathindex.qmd
37 lines (25 loc) · 4.07 KB
/
index.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
---
title: "Modelos estadísticos basados en aprendizaje automático para predecir enfermedades en cultivos agrícolas usando variables climáticas de productos satelitales"
date: 'Octubre 2023'
date-format: "MMMM, YYYY"
author:
- Franco Suarez
- Juan Manuel Fiore
- Cecilia Bruno
toc: true
toc-title: 'Contenidos'
---

# Introducción
En la era de la información, el acceso a datos satelitales de alta resolución espacial y temporal ha revolucionado la forma en que comprendemos y gestionamos nuestro entorno. La constante evolución de la tecnología espacial ha permitido que una gran cantidad de información sea capturada desde el espacio, ofreciendo una perspectiva sin precedentes de nuestro planeta. La disponibilidad de datos satelitales de alta calidad se ha convertido en una herramienta fundamental para una amplia gama de aplicaciones, desde la monitorización ambiental y la gestión de desastres hasta la planificación urbana y la agricultura de precisión.
Además, la capacidad de cómputo disponible en la actualidad ha abierto nuevas posibilidades en el análisis de datos satelitales. Esta alta capacidad de computo nos permite procesar grandes volúmenes de información, podemos obtener información más detallada y actualizada. Esto ha impulsado avances significativos en la predicción de fenómenos naturales, la gestión y planificación de recursos naturales.
A lo largo de este análisis, exploraremos en detalle el acceso y la descarga de datos climáticos disponibles en la plataforma Google Earth Engine mediante su conexión con R. Abordaremos además algunas técnicas de selección de variables y el posterior ajuste de modelos predictivos.
La base de datos de ejemplo corresponde a un trabajo sobre relación entre la prevalencia de Groundnut ringspot virus en la zona núcleo sojera Argentina con variables bioclimáticas. Gentileza Dra. Paola Lopez Lambertini (INTA-IFRGV-IPAVE-CIAP).
Groundnut ringspot virus (GRSV) es un miembro del género Tospovirus que se transmite en la naturaleza a través de un insecto vector, que son los trips. Las larvas y adultos de trips se alimentan de tejidos vegetales en lugares protegidos de la radiación y con mayor humedad, el aparato bucal de estos posee unos estiletes que raspan la epidermis, succionan savia e inyectan la virosis, provocando así la muerte de los tejidos. Las plantas infectadas con GRSV manifiestan enanismo, disminución y deformación de los folíolos y clorosis severa, anillos cloróticos y diseños lineales en hojas. Un número reducido de especies de trips son transmisores de las virosis comprendidas en el género tospovirus. En nuestro país, el GRSV en soja se detecta por primera vez en 2007/08, en las provincias de Córdoba, Santa Fe, Buenos Aires y Entre Río (López Lambertini & Fiorona, 2008). El periodo más susceptible a enfermedades esta alrededor del estadio fenológico R1 que concuerda con el aumento poblacional del vector (Gamundi J. y., 2009).
Se llevó adelante un muestreo de plantas de soja asintomática durante los años 2008, 2009, 2010 y 2011 en las provincias de Santa Fe, Córdoba y Buenos Aires (zona núcleo sojera de la República Argentina). Luego de recolectar aquellas plantas que manifestaban síntomas característicos de infección viral, la confirmación se realizó en laboratorio mediante test DAS-ELISA (Agdia, Inc.).
Cada planta muestreada fue georreferenciada. a través de polígonos que delimitaban el perímetro de cada lote, se calculó el valor medio de NDVI de todos los píxeles dentro del polígono; para estimar el momento de R1, se identificó el valor más alto y cercano a 1 de NDVI. Se descargaron variables climáticas 30 días antes y 30 días después de la fecha en que el cultivo muestreado se encontraba en el periodo fenológico R1. Una vez identificada la fecha del estadio fenológico R1, para cada lote se descargaron las variables bioclimáticas.
# Contenidos
1\.Tutorial para instalar el paquete `rgee`.
2\. Descarga de variables climáticas.
3\. Métodos de selección de variables.
4\. Ajuste de Modelos Predictivos.