El concepto mundial de producción sustentable se basa en las buenas prácticas agrícolas (BPA) que incluyen un conjunto de medidas como; dosis de riego, insecticidas, fertilizantes, fungicidas, fechas de siembra, etc y su correcta aplicación en las fases de desarrollo del cultivo. Este conjunto de medidas abarcan un manejo eficiente y eficaz comprometido directamente con objetivos ambientales, sociales y económicos como seguridad laboral, inocuidad alimentaria y cuidado del medio ambiente que hoy son objetivos fundamentales para la producción agrícola en Argentina. Actualmente, a nivel mundial la utilización de drones en agricultura de presición otorga grandes posibilidades de aplicación de BPA sin embargo es necesario mayores esfuerzos en la calibración y asociación, de los grandes volúmenes de datos obtenidos de las imágenes y su relación con la diferentes fases del desarrollo de un cultivo. Las fases del desarrollo de un cultivo es un proceso complejo en el que diferentes órganos crecen, se desarrollan y mueren. Considerando el desarrollo como una serie de fases tal como en la escala Zadoks los agrónomos y biólogos detectan en que fase se encuentra el cultivo. Esta escala tiene 10 fases numeradas de 0 a 9 que describen el cultivo. Sin embargo, también se necesita observar el cultivo en detalle y dar un valor decimal de sub-fase que describe el grado de evolución de la fase principal. Por ejemplo, los estados Z1.1 a Z1.9 ocurren cuando las hojas del tallo principal (TP) de 1 a 9 son visibles. Del mismo modo, Z2.1 a Z2.9 describen la aparición de 1 a 9 macollos en la planta y Z3.1 a Z3.6 la presencia de 1 a 6 nudos en el tallo principal.
Gracias a las cámaras multiespectrales que llevan a bordo los Drones, estos dispositivos se han convertido en una herramienta sumamente útil. Estas cámaras, que también son conocidas como sensores multiespectrales recolectan información, que se almacena digitalmente como tablas y mapas. En nuestro caso se obtuvieron 5 bandas espectrales de imágenes con resolución de 8cm x 8cm que deberíamos poder relacionar con las fases de desarrollo del cultivo medidas exaustivamente a campo.
El dataset se compone de 40.000 entradas con datos de 30 características en las que se incluyen datos de las imágenes del dron, datos sobre diseño experimental (21 genotipos anonimizados), datos ecofisiológicos obtenidos a campo, datos fitopatológicos, y datos de rendimientos de los distintos genotipos. El ensayo se dispuso bajo diseños experimentales con el fin de ajustar y determinar la utilización de drones para el manejo de cultivos surge de este modo, la necesidad de echar luz, a como se relacionan las bandas expectrales con las fases de desarrollo, cuál de las bandas y cuáles de las relaciones formados por las bandas (índices de vegetación) explican mejor las etapas del crecimiento, cuál de las variedades de cultivos se explican mejor con las bandas, que relaciones posibles entre bandas pueden considerarse, existe alguna relación entre las bandas con las variables de rendimiento, cuáles de las bandas y relaciones entre bandas predicen con mayor exactitud a los genotipos, que algoritmos son más eficientes para la determinación de las etapas de crecimiento del cultivo.
Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/caropilardiaz/Mentora-Drones-agricultura.git
22/6 Práctico de análisis y visualización
El práctico consistirá en poder realizar un análisis descriptivo, exploratorio y diagnóstico de la base presentada. Identificando el tipo de variables presentes y las herramientas adecuadas.Consistirá en comprender los datos, que tipos de variables tenemos. Plantear la pregunta que debemos responder y encontrar la manera adecuada de graficar los datos, observar los patrones de comportamientos. Obtener las estadísticas descriptivas y cruzamiento adecuado de la información con el uso de encoding visuales simples. Aproximaciones de las probabilidades y frecuencias de las variables del dataset. Distribuciones de las variables aleatorias. Encodings visuales avanzados para finalmente encontrar el patrón del dataset.
Método: Se verán medidas descriptivas como media, mediana, varianza y correlación entre variables/características, así como todos los gráficos según el tipo de datos.
Estructura del informe: Presentar en un archivo jupyter notebook
16/8 Práctico de introducción al aprendizaje automático: Consistirá en aplicar conocimientos y técnicas básicas de aprendizaje automático discriminando por variable a predecir o clasificar. Obtener recomendaciones para el dataset acerca de la aumentación de datos polinomiales y cambios de modelo. El objetivo es desarrollar un esquema de tareas de aprendizaje automático, seleccionar el modelo, ajustes de hiperparámetros y evaluación aplicando las métricas y validaciones que correspondan para el dataset.
Método: Regresión lineal y polinomial, clasificación Regulación.
Estructura del informe: Presentar en un archivo jupyter notebook
13/9 Práctico de aprendizaje supervisado: El siguiente práctico intenta profundizar en la aplicación de las técnicas aprendidas. Entre las tareas que deberán realizarse se encuentra la utilización de cross validations para la definición de los grupos de entrenamiento y test, implementar clasificación binaria Perceptrón, además de todas las técnicas aprendidas de clasificación y regresión, obtener una visión más clara de que modelo utilizarán para responder las preguntas inciales del proyecto.
Método: Modelos de clasificación y regresión aprendidos.
Estructura del informe: Presentar en un archivo jupyter notebook
27/9 práctico de aprendizaje no supervisado: Aplicar técnicas de Clustering, y poder evaluar con las medidas disponibles la selección final de los clusters.
Método: Técnicas de clustering, tabla de contingencia, medida inercia, silouette y medida de pureza para evaluación
Estructura del informe: Presentar en un archivo jupyter notebook
6/11/2020 – 7/11/2020 presentación de mentorías