Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos

En este libro se abordan las bases teóricas sobre las imágenes hiperespectrales, cómo utilizar las cámaras Hyspex Baldur, el procesamiento de imágenes y el desarrollo de modelos de aprendizaje de máquina, para predecir componentes edáficos. Además, encontrará ejemplos ilustrados de cómo ejecutar el...

Full description

Autores:
Medina-Sierra, Marisol
Cerón-Muñoz, Mario Fernando
Vargas-Zapata, Mateo
Naranjo-Diaz, Andrea
Galeano-Vasco, Luis Fernando
Tipo de recurso:
Book
Fecha de publicación:
2023
Institución:
Universidad Tecnológica de Pereira
Repositorio:
Repositorio Institucional UTP
Idioma:
spa
OAI Identifier:
oai:repositorio.utp.edu.co:11059/14891
Acceso en línea:
https://hdl.handle.net/11059/14891
https://repositorio.utp.edu.co/home
Palabra clave:
630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materiales
Espectroscopia
Utilización de la tierra
Tipos de suelo cultivable
Espectroscopia hiperespectral
Espectroscópico del suelo
Análisis químico del suelo
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
id UTP2_e0d9d928cff68e9bcc0fd125e6c14181
oai_identifier_str oai:repositorio.utp.edu.co:11059/14891
network_acronym_str UTP2
network_name_str Repositorio Institucional UTP
repository_id_str
dc.title.spa.fl_str_mv Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
title Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
spellingShingle Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materiales
Espectroscopia
Utilización de la tierra
Tipos de suelo cultivable
Espectroscopia hiperespectral
Espectroscópico del suelo
Análisis químico del suelo
title_short Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
title_full Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
title_fullStr Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
title_full_unstemmed Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
title_sort Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos
dc.creator.fl_str_mv Medina-Sierra, Marisol
Cerón-Muñoz, Mario Fernando
Vargas-Zapata, Mateo
Naranjo-Diaz, Andrea
Galeano-Vasco, Luis Fernando
dc.contributor.author.none.fl_str_mv Medina-Sierra, Marisol
Cerón-Muñoz, Mario Fernando
Vargas-Zapata, Mateo
Naranjo-Diaz, Andrea
Galeano-Vasco, Luis Fernando
dc.subject.ddc.none.fl_str_mv 630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materiales
topic 630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materiales
Espectroscopia
Utilización de la tierra
Tipos de suelo cultivable
Espectroscopia hiperespectral
Espectroscópico del suelo
Análisis químico del suelo
dc.subject.lemb.none.fl_str_mv Espectroscopia
Utilización de la tierra
Tipos de suelo cultivable
dc.subject.proposal.spa.fl_str_mv Espectroscopia hiperespectral
Espectroscópico del suelo
Análisis químico del suelo
description En este libro se abordan las bases teóricas sobre las imágenes hiperespectrales, cómo utilizar las cámaras Hyspex Baldur, el procesamiento de imágenes y el desarrollo de modelos de aprendizaje de máquina, para predecir componentes edáficos. Además, encontrará ejemplos ilustrados de cómo ejecutar el código necesario, usando lenguajes de programación libres como Python y R-project
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-12-12T15:47:52Z
dc.date.available.none.fl_str_mv 2023-12-12T15:47:52Z
dc.date.issued.none.fl_str_mv 2023
dc.type.spa.fl_str_mv Libro
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_2f33
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/book
format http://purl.org/coar/resource_type/c_2f33
status_str acceptedVersion
dc.identifier.isbn.none.fl_str_mv 978-92-95055-02-5
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/11059/14891
dc.identifier.instname.none.fl_str_mv Universidad Tecnológica de Pereira
dc.identifier.reponame.none.fl_str_mv Repositorio Institucional Universidad Tecnológica de Pereira
dc.identifier.repourl.none.fl_str_mv https://repositorio.utp.edu.co/home
identifier_str_mv 978-92-95055-02-5
Universidad Tecnológica de Pereira
Repositorio Institucional Universidad Tecnológica de Pereira
url https://hdl.handle.net/11059/14891
https://repositorio.utp.edu.co/home
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Adam, M., Ibrahim, I., Sulieman, M., Zeraatpisheh, M., Mishra, G. y Brevik, E. C. (2021). Predicting Soil Cation Exchange Capacity in Entisols with Divergent Textural Classes: The Case of Northern Sudan Soils. Air, Soil and Water Research. https://doi. org/10.1177/11786221211042381.
Alomar, D y Fuchslocher, R. (1997). Fundamentos de la espectroscopía de reflectancia en el infrarrojo cercano (NIRS), como método de análisis de forrajes. Agro Sur. 26, 88-104. https://doi.org/10.4206/agrosur.1998.v26n1-11.
Angelopoulou, T., Tziolas, N., Balafoutis, A., Zalidis, G. y Bochtis, D. (2019). Remote Sensing Techniques for Soil Organic Carbon Estimation: A Review. Remote Sensing. 11(6), 676. https://doi.org/10.3390/rs11060676.
Annala, L., Eskelinen, M., Hämäläinen, J., Riihinen, A. y Pölönen, I. (2018). Practical Approach for Hyperspectral Image Processing in Python. ISPRS TC III Midterm Symposium Developments, Technologies, and Applications in Remote Sensing. Vol XLII-3, 45- 52. https://doi.org/10.5194/isprs-archives-XLII-3-45-2018.
Araneda, P. (2021). Tidyverse para análisis de datos. Blog RPubs by RStudio. https://rpubs. com/paraneda/tidyverse.
Barbero, J. F. (2015). Einstein, la luz, el espacio-tiempo y los cuantos. Arbor. 191, 1-24. http:// dx.doi.org/10.3989/arbor.2015.775n5005.
Barnes, R. J., Dhanoa, M. S y Lister, S. J. (1989). Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra. Applied spectroscopy. 43(5), 772-777. https://doi.org/10.1366/0003702894202201.
Beléndez, A. (2008). La unificación de luz, electricidad y magnetismo: la “síntesis electromagnética” de Maxwell. Revista Brasileira de Ensino de Física. 30(2), 1-20. https://www.scielo.br/pdf/rbef/v30n2/a12v30n2.pdf.
Blanco, D. (2015). Luz y ondas. Huygens: La luz como propagación ondulatoria. Arbor Ciencia, Pensamiento y Cultura. 191, 1-11. 10.3989/arbor.2015.775n5002
Boggs, T. (2014). Bienvenido a Python Espectral (Spy). Documentación en Python espectral 0.21. https://www.spectralpython.net/.
Brogowski, Z. y Kwasowski, W. (2012). Distribution of organic matter in the particle size fractions of lateritic soil (plinthosol). Soil science annual. Vol 63, No 4. 10.2478/v10230- 012-0036-x.
Camacho, J. H., Rubiano, Y. y Hurtado, M. P. (2014). Near-infrared (NIR) diffuse reflectance spectroscopy for the prediction of carbon and nitrogen in an Oxisol. Agronomía Colombiana. 32(1), 86 94. https://doi.org/10.15446/agron.colomb.v32n1.38967
Camacho, A., Vargas, C., Rojas, F., Castillo, S. y Arguello, H. (2015). Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Revista Facultad de Ingeniería. 24(40), 17-29
Cardona, D. F., González, J. L., Rivera, M. y Cárdenas, E. (2013). Inferencia estadística. Módulo de regresión lineal simple. Documentos de investigación, Facultad de Administración. Universidad del Rosario. Bogotá, Colombia. 57 pág.
Castaldi, F., Palombo, A., Santini, F., Pascucci, S., Pignatti, S. y Casa, R. (2016). Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon. Remote Sensing. Environment. 179, 54–65. https://doi.org/10.1016/j.rse.2016.03.025
Chagas, C. da S., Carvalho Júnior, W. de, Pinheiro, H.S.K., Xavier, P. A. M., Bhering, S. B., Pereira, N. R. y Calderano Filho, B. (2018). Mapping Soil Cation Exchange Capacity in a Semiarid Region through Predictive Models and Covariates from Remote Sensing Data. Revista Brasileira de Ciência Do Solo, 42 (0) . https://doi.org/10.1590/18069657rbcs20170183.
Chai, T. y Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? –Arguments against avoiding RMSE in the literature. Geoscientific. Model Development. 7, 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014.
Chuvieco, E. (1995). Fundamentos de la teledetección. Madrid: Alcalá. Editorial: RIALP S.A.
Contento, M. R. (2019). Estadística con aplicaciones en R. Bogotá: Universidad de Bogotá Jorge Tadeo Lozano, Editorial UTadeo, 412 pág. https://www.utadeo.edu.co/es/ publicacion/libro/editorial/235/estadistica-con-aplicaciones-en-r
Delwiche, S., Baek, I. y Kim, M. (2021). Does spatial region of interest (ROI) matter in multispectral and hyperspectral imaging of segmented wheat kernels? Biosystems Engineering. Vol 212, 106-114. https://doi.org/10.1016/j.biosystemseng.2021.10.003
Demattê, J. A. M., Alves, M. R., Gallo, B. C., Fongaro, C. T., Souza, A. B., Romero, D. J. y Sato, M. V. (2015). Hyperspectral remote sensing as an alternative to estimate soil attributes. Revista Ciência Agronômica. Vol 46 (2). https://doi.org/10.5935/1806-6690.20150001.
Díaz, N.A., Bárcena, J. A., Fernández, E., Galván, A., Jorrín, J., Peinado, J., Meléndez, F. T y Túnez. I. (2010). Espectrofometría: Espectros de absorción y cuantificación colorimétrica de biomoléculas. Universidad Católica de Oriente. Córdoba. https://www.uco.es/dptos/ bioquimica-biol-mol/pdfs/08_ESPECTROFOTOMETRIA.pdf.
Díaz, F. A., Vuelvas, J., Correa, C. A., Vallejo, V. E y Patiño, D. (2022). Machine learning and remote sensing techniques applied to estimate soil indicators-Review. Ecological Indicators. Vol 135, 108517. https://doi.org/10.1016/j.ecolind.2021.108517
Elarabi, H. y Ali, K. (2008). Soil classification modeling using artificial neural networks. The International Conference on Intelligent Systems (ICIS2009), Kingdom of Bahrain.
ElMasry, G. y Sun, D. W. (2010). Principles of Hyperspectral Imaging Technology. Chapter 1. In: Sun, D. W. (Ed.). Hyperspectral Imaging for Food Quality Analysis and Control. Pp. 3- 43.
ElMasry, G., Kamruzzaman, M., Sun, D. W. y Allen, P. (2012). Principles and applications of hyperspectral images in the evaluation of the quality of agri-food products: a review. Critical Reviews in Food Science and Nutrition. Vol 52(11), 999–1023. https:// doi.org/10.1080/10408398.2010.543495
Fernández, A. (2012). Python 3 al descubierto. Editorial libros RC. Madrid, España, ISBN: 9786077077183
Figueras, M. (2011). Óptica y Fotónica, La Ciencia de la Luz. Editorial UOC, Primera edición. España. 108 p.
Fordellone, M., Bellincontro, A. y Mencarelli F. (2018). Partial least squares discriminant analysis: a dimensionality reduction method to classify hyperspectral data. Universidad de Roma. https://doi.org/10.48550/arXiv.1806.09347
Gao, J., Meng, B. Liang, T., Feng, Q., Ge, J., Yin, G., Wu, C., Cui, X., Hou, M., Liu y JXie, H. (2019). Principles and applications of hyperspectral images in the evaluation of the quality of agri-food products: a review. Critical Reviews in Food Science and Nutrition.Photogramm. Remote Sens. Vol 147, pp. 104–117. https://doi.org/10.1016/j.isprsjprs.2018.11.015.
García, J. A. y Uribe, I. A. (2013). Técnicas para detección de outliers multivariantes. Revista en Telecomunicaciones e Informática. Vol 3, No. 5. 11-25.
Gates, J. R. (2018). A Comparison of VNIR and MIR Spectroscopy for Predicting Various Soil Properties, United States: University of Nebraska-Lincon. http://digitalcommons.unl. edu/natresdiss/264
Gaviria, C. (2016). Regresión por mínimos cuadrados parciales PLS aplicada a datos variedad valuados. Universidad Nacional de Colombia, Bogotá. Tesis. https://repositorio.unal. edu.co/bitstream/handle/unal/57110/8105560.2016.pdf?sequence=1&isAllowed=y.
Geladi, P., Macdougall, D. y Martens, H. (1985) Corrección de linealización y dispersión para espectros de reflectancia de carne en el infrarrojo cercano. Espectroscopia aplicada. Vol 39, 491-500. http://dx.doi.org/10.1366/0003702854248656.
González, M. A. y Montaño, L. M. (2015). La espectroscopia y su tecnología: Un repaso histórico y su importancia para el siglo XXI. Lat. Am. J. Phys. Educ. 9, 1-14.
Guo, L., Zhang, H. T., Shi, T. Z., Chen, Y. Y., Jiang, Q. H. y Linderman, M. (2019). Prediction of soil organic carbon stock by laboratory spectral data and airborne hyperspectral images. Geoderma. Vol 337, 32–41. https:// doi.org/10.1016/j.geoderma.2018.09.00
Gurrala, K. R. (2021). Hyperspectral Imaging for Food Quality Assessment. International Research Journal of Engineering Science, Technology and Innovation. Vol 7(1), 1- 14. https://www.interesjournals.org/engineering-science-technologyinnovation.html.
Khan, A., Vibhute, A. D., Mali, S. y Patil, C. H. (2022). A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecological Informatics. Vol 69, 101678. https://doi.org/10.1016/j. ecoinf.2022.101678
Li, H., Jia, S. y Le, Z. (2019). Quantitative Analysis of Soil Total Nitrogen Using Hyperspectral Imaging Technology with Extreme Learning Machine. Sensors. Vol 19(20), 4355. https:// doi.org/10.3390/s19204355
Liu, L., Ji. M. y Buchroithner, M. (2017). Combining Partial Least Squares and the Gradient Boosting Method for Soil Property Retrieval Using Visible Near-Infrared Shortwave Infrared Spectra. Remote sensing. Vol 9, 1299. https://doi.org/10.3390/rs9121299.
Liu, Z., Lu, Y., Peng, Y., Zhao, L., Wang, G. y Hu, Y. (2019). Estimation of Soil Heavy Metal Content Using Hyperspectral Data. Remote Sensing. Vol 11(12), 1464. https://doi.org/10.3390/ rs11121464
Lu, B., Dao, P., Liu, J., He, Y. y Shang, J. (2020). Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture. Remote Sensing. Vol 12(16), 2659. https:// doi.org/10.3390/rs12162659.
Luque, J. (2012). Espectro electromagnético y espectro radioeléctrico. Revista Digital ACTA, MF062. 17-31. Recuperado de: https://www.acta.es/medios/articulos/ciencias_y_ tecnologia/062017.pdf.
Malmir, M., Tahmasbian, I., Xu, Z., Farrar, M. B. y Bai, S. H. (2019). Prediction of soil macro and micro-elements in sieved and ground air-dried soils using laboratory-based hyperspectral imaging technique. Geoderma. Vol 340, 70–80. https://doi.org/10.1016/j. geoderma.2018.12.04
Martínez, E. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario jurídico y económico Escurialense. No 38, 315-331. ISSN 1133-3677.
Mateen, M., Wen, J. y Nasrullah, M. A. A. (2018). The Role of Hyperspectral Imaging: A Literature Review. International Journal of Advanced Computer Science and Applications. Vol 9(8), 51-62. https://doi.org/10.14569/ijacsa.2018.090808.
Meireles, J., Schweiger, A. y Cavender-Bares, J. (2017). Spectrolab: clase y métodos para datos espectrales en R, versión del paquete R 0.0.16. https://CRAN.R-project.org/ package=spectrolab
Mendoza, J. B. (2018). Árboles de decisión con R- Clasificación. Blog RPubs by RStudio. https://rpubs.com/jboscomendoza/arboles_decision_clasificacion.
Moreno, J. G. (2012). Método de detección temprana de outilers. Trabajo de grado, Pontificia Universidad Javeriana, Colombia. https://repository.javeriana.edu.co/bitstream/ handle/10554/10347/MorenoCastellanosJuanGabriel2012.pdf.
Mosavi, A., Ozturk, P., y Chau, K. (2018). Flood Prediction Using Machine Learning Models: Literature Review. Water. Vol 10(11), 1536. https://doi.org/10.3390/w10111536.
Norsk Elektro Optikk (NEO). (2019). HySpex Ground. Quick Reference Guide. Vol 4.9.
NumPyUser Guide. (2022). NumPyUser Guide Release 1.22.0, Written by the NumPy community. https://numpy.org
Ocaña, F. M. (2019). Técnicas estadísticas en nutrición y salud. Análisis descriptivo y exploratorio de datos. https://www.ugr.es/~fmocan/MATERIALES%20DOCTORADO/ DESCRIPTIVA%20Y%20EXPLORATORIO.pdf.
O’Rourke, S. M., Argentati, I. y Holden, N. M. (2011). El efecto del tamaño de la región de interés en la calibración del modelo para la predicción del carbono orgánico del suelo a partir de imágenes hiperespectrales de suelos preparados. Revista de espectroscopia de infrarrojo cercano. Vol 19(3), 161–170. https://doi.org/10.1255/jnirs.930
Ouerghemmi, W., Gomez, C., Naceur, S. y Lagacherie, P. (2016). Semi-blind source separation for the estimation of the clay content over semi-vegetated areas using VNIR/SWIR hyperspectral airborne data. Remote Sensing of Environment. 181, 251–263. https:// doi.org/10.1016/j.rse.2016.04.013.
Ozdemir, A. y Polat, K. (2020). Deep Learning Applications for Hyperspectral Imaging: A Systematic Review. Journal of the Institute of Electronics and Computer. Vol 2(1), 39– 56. https://doi.org/10.33969/jiec.2020.21004.
Pandas. (2022). About Pandas. https://pandas.pydata.org/about/.
Pandey, C., Sethy, P.,Santi, K., Vishwakarma, J y Tande, V. (2022). Smart agriculture: Technological advancements on agriculture- A systematical review. https://doi. org/10.1016/B978-0-323-85214-2.00002-1.
Peon, J., Fernandez, S., Recondo, C. y Calleja, J. F. (2017). Evaluation of the spectral characteristics of five hyperspectral and multispectral sensors for soil organic carbon estimation in burned areas. Int. J. Wildland Fire. Vol 26 (3), 230–239. https://doi. org/10.1071/wf16122.
Pérez, B. A. (2017). Tratamiento matemático de señales espectrofotométricas infrarrojas para la cuantificación de azúcares. Trabajo para optar por el título de magister. Universidad del Azuay. Ecuador. https://dspace.uazuay.edu.ec/bitstream/datos/6854/1/12825.pdf.
Pieters, O., De Swaef, T., Lootens, P., Stock, M., Roldán-Ruiz, I. y Wyffels, F. (2020). Limitations of instantaneous hyperspectral cameras to monitor plant response dynamics under stress free conditions. Informatics and Electronics in Agriculture. Vol 179, 105825. https://doi. org/10.1016/j.compag.2020.105825.
Polson, N., Sokolov, V. y Xu, J. (2021). Deep Learning Partial Least Squares. https://doi. org/10.48550/arXiv.2106.14085
Pudełko, A., Chodak, M., Roemer, J. y Uhl, T. (2020). Application of FT-NIR spectroscopy and NIR hyperspectral imaging to predict nitrogen and organic carbon contents in mine soils. Measurement, 108117. https://doi.org/10.1016/j.measurement.2020.10.
Qin, L., Abdallah, F y Snoussi, H. (2014). Online learning Partial Least Squares regression model for univariate response data. https://www.researchgate.net/publication/266851860_Online_ Learning_Partial_Least_Squares_Regression_Model_for_Univariate_Response_Data.
Real Academia Española. (2020). Diccionario de la lengua española. [Dictionary of the Spanish Language] (23.ª ed.). Consultado en https://dle.rae.es/espectroscopia
Rehman, H. U., Knadel, M., de Jonge, L. W., Moldrup, P., Greve, M. H. y Arthur, E. (2019). Comparison of Cation Exchange Capacity Estimated from Vis–NIR Spectral Reflectance Data and a Pedotransfer Function. Vadose Zone Journal. Vol 18 (1). https://doi.org/10.2136/ vzj2018.10.0192.
Reis, A. S., Rodrigues, M., Alemparte Abrantes dos Santos, G. L., Mayara de Oliveira, K., Furlanetto, R. H., Teixeira Crusiol, L. G., … Nanni, M. R. (2021). Detection of soil organic matter using hyperspectral imaging sensor combined with multivariate regression modeling procedures. Remote Sensing Applications: Society and Environment, 22, 100492. https://doi.org/10.1016/j.rsase.2021.100492.
Saeys, W., Mouazen, A. M. y Ramon H. (2005). Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy. Biosyst. Eng. Vol 91(4), 393-402. https://doi.org/10.1016/j.biosystemseng.2005.05.001.
Sáric, R., Nguyen, V. D., Burge, T., Berkowitz, O., Trtílek, M., Whelan, J., Lewsey, M. G. y Custovic, E. (2022). Applications of hyperspectral imaging in plant phenotyping. Trends in plant science. Vol 27, Issue 3, 301-315.
Silva, S. (2020). Newton, el Alquimista. Breve revisión de un largo camino de más de tres décadas. Scripta Philosophiæ Naturalis 18. ISSN 2258 ─ 3335.
Stevens, A. y Ramírez, L. (2021). Una introducción al paquete prospectr. Paquete R Vignette Paquete R version 0.2.2. Tomado de: https://www.rdocumentation.org/packages/ prospectr/versions/0.2.2.
Tan, K., Ma, W., Chen, L., Wang, H., Du, Q., Du, P. y Li, H. (2020). Estimating the Distribution Trend of Soil Heavy Metals in Mining Area from HyMap Airborne Hyperspectral Imagery Based on Ensemble Learning. Journal of Hazardous Materials, 123288. https://doi. org/10.1016/j.jhazmat.2020.123288.
Tian, S., Wang S. y Bai, X. (2020). Hyperspectral estimation model of soil Pb content and its applicability in different soil types. Acta Geochim. 39:423–433. https://doi.org/10.1007/ s11631-019-00388-0.
Wang, Z., Zhang, Y. y Fan, S. (2020). Determination of moisture content of single maize seed by using long-wave near-infrared hyperspectral imaging (LWNIR) Coupled with UVE SPA combination variable selection method. IEEE Access 8:195229–195239. https:// doi.org/10.1109/ACCESS. 2020.3033582
Zhang, S., Shen, Q., Nie, C., Huang, Y., Wang, J., Hu, Q. y Chen, Y. (2019). Hyperspectral inversion of heavy metal content in reclaimed soil from a mining wasteland based on different spectral transformation and modeling methods. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. Vol 211, 393–400. https://doi.org/10.1016/j. saa.2018.12.032.
Zhao, Z., Meng, F. R., Yang, Q. y Zhu, H. (2018). Using Artificial Neural Networks to Produce High-Resolution Soil Property Maps. Advanced Applications for Artificial Neural Networks. https://doi.org/10.5772/intechopen.70705.
dc.rights.license.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
https://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 81 Páginas
dc.format.mimetype.none.fl_str_mv application/pdf
institution Universidad Tecnológica de Pereira
bitstream.url.fl_str_mv https://dspace7-utp.metabuscador.org/bitstreams/a7b5ddf4-5b57-45a6-9d49-be325b010602/download
https://dspace7-utp.metabuscador.org/bitstreams/4c39924b-1e94-49aa-9311-c7c8151abee6/download
https://dspace7-utp.metabuscador.org/bitstreams/212ccf25-17b9-496d-bb3a-5d74d33d0e4a/download
https://dspace7-utp.metabuscador.org/bitstreams/d835d541-01fe-4c9a-b9ba-78882ea7a031/download
bitstream.checksum.fl_str_mv 097f94a16e44ba1411f75483f11926e4
2f9959eaf5b71fae44bbf9ec84150c7a
4a41257eeed47d03f2ac853bbfae201c
f15b418472f21c2b53be88d78218ee89
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio de la Universidad Tecnológica de Pereira
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1815732438382411776
spelling Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 dehttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessMedina-Sierra, MarisolCerón-Muñoz, Mario FernandoVargas-Zapata, MateoNaranjo-Diaz, AndreaGaleano-Vasco, Luis Fernando2023-12-12T15:47:52Z2023-12-12T15:47:52Z2023978-92-95055-02-5https://hdl.handle.net/11059/14891Universidad Tecnológica de PereiraRepositorio Institucional Universidad Tecnológica de Pereirahttps://repositorio.utp.edu.co/homeEn este libro se abordan las bases teóricas sobre las imágenes hiperespectrales, cómo utilizar las cámaras Hyspex Baldur, el procesamiento de imágenes y el desarrollo de modelos de aprendizaje de máquina, para predecir componentes edáficos. Además, encontrará ejemplos ilustrados de cómo ejecutar el código necesario, usando lenguajes de programación libres como Python y R-projectTabla de contenido Prólogo 1. Bases teóricas sobre imágenes hiperespectrales 1.1 Generalidades 1.2 Principios de la técnica de imagen hiperespectral 2. Cámaras hiperespectrales 2.1 Equipo de las cámaras hiperespectrales 2.1.1 Cámaras 2.1.2 Lámparas 2.1.3 Panel de reflectancia 2.1.4 Banda de desplazamiento 2.2 Ventajas y desventajas del uso de imágenes hiperespectrales para el análisis de suelos 2.3 Experiencias del uso de cámaras en el sector agropecuario 2.4 Operación de las cámaras y toma de imágenes 2.4.1 Manejo general de las cámaras hiperespectrales 2.4.2 Preparación de la muestra 2.4.3 Procedimiento para la toma de imágenes 3. Procesamiento de imágenes 3.1 Uso de Python para el tratamiento de datos e imágenes hiperespectrales 3.1.1 Librerías 3.2 Extracción de los espectros 3.2.1 Región de interés (ROI) T ............................................................................................................................................ ................................................................... ....................................................................................................................... ............................................................. ......................................................................................................... ............................................................................. .......................................................................................................................... ........................................................................................................................ ...................................................................................................... .............................................................................................. esve ........................................................................................................................ ............................................. ................................................................. ........................................................ ............................................................................................. ..................................................................... ..................................................................................................... ...................... ........................................................................................................................... ................................................................................................. ................................................................................................... T 13 14 15 19 20 21 21 22 23 24 25 25 27 27 28 29 40 42 42 43 46 Captura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelos. 8 3.3 Preprocesamiento de los datos 3.3.1 Datos atípicos o Outliers en la base de datos 3.3.2 Transformaciones 3.3.3 Métricas de evaluación 3.3.4 Gráficos 3.3.5 Librerías de R-project 4. Desarrollo de modelos de aprendizaje de máquina 4.1 Regresión por componentes principales (PCR) 4.2 Regresión por mínimos cuadrados parciales (PLSR). 4.3 Árboles de clasificación o regresión (CART) 4.4 Redes neuronales artificiales (ANN) 5. Ejercicio de aplicación en R-project 6. Consideraciones finales 7. Agradecimientos 8. Referencias Bibliográficas 51 51 52 54 54 56 58 59 59 59 60 62 69 71 7281 Páginasapplication/pdfspa630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materialesEspectroscopiaUtilización de la tierraTipos de suelo cultivableEspectroscopia hiperespectralEspectroscópico del sueloAnálisis químico del sueloCaptura, gestión, extracción de imágenes hiperespectrales y desarrollo de modelos para la predicción de parámetros fisicoquímicos de suelosLibroinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_2f33Textinfo:eu-repo/semantics/bookAdam, M., Ibrahim, I., Sulieman, M., Zeraatpisheh, M., Mishra, G. y Brevik, E. C. (2021). Predicting Soil Cation Exchange Capacity in Entisols with Divergent Textural Classes: The Case of Northern Sudan Soils. Air, Soil and Water Research. https://doi. org/10.1177/11786221211042381.Alomar, D y Fuchslocher, R. (1997). Fundamentos de la espectroscopía de reflectancia en el infrarrojo cercano (NIRS), como método de análisis de forrajes. Agro Sur. 26, 88-104. https://doi.org/10.4206/agrosur.1998.v26n1-11.Angelopoulou, T., Tziolas, N., Balafoutis, A., Zalidis, G. y Bochtis, D. (2019). Remote Sensing Techniques for Soil Organic Carbon Estimation: A Review. Remote Sensing. 11(6), 676. https://doi.org/10.3390/rs11060676.Annala, L., Eskelinen, M., Hämäläinen, J., Riihinen, A. y Pölönen, I. (2018). Practical Approach for Hyperspectral Image Processing in Python. ISPRS TC III Midterm Symposium Developments, Technologies, and Applications in Remote Sensing. Vol XLII-3, 45- 52. https://doi.org/10.5194/isprs-archives-XLII-3-45-2018.Araneda, P. (2021). Tidyverse para análisis de datos. Blog RPubs by RStudio. https://rpubs. com/paraneda/tidyverse.Barbero, J. F. (2015). Einstein, la luz, el espacio-tiempo y los cuantos. Arbor. 191, 1-24. http:// dx.doi.org/10.3989/arbor.2015.775n5005.Barnes, R. J., Dhanoa, M. S y Lister, S. J. (1989). Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra. Applied spectroscopy. 43(5), 772-777. https://doi.org/10.1366/0003702894202201.Beléndez, A. (2008). La unificación de luz, electricidad y magnetismo: la “síntesis electromagnética” de Maxwell. Revista Brasileira de Ensino de Física. 30(2), 1-20. https://www.scielo.br/pdf/rbef/v30n2/a12v30n2.pdf.Blanco, D. (2015). Luz y ondas. Huygens: La luz como propagación ondulatoria. Arbor Ciencia, Pensamiento y Cultura. 191, 1-11. 10.3989/arbor.2015.775n5002Boggs, T. (2014). Bienvenido a Python Espectral (Spy). Documentación en Python espectral 0.21. https://www.spectralpython.net/.Brogowski, Z. y Kwasowski, W. (2012). Distribution of organic matter in the particle size fractions of lateritic soil (plinthosol). Soil science annual. Vol 63, No 4. 10.2478/v10230- 012-0036-x.Camacho, J. H., Rubiano, Y. y Hurtado, M. P. (2014). Near-infrared (NIR) diffuse reflectance spectroscopy for the prediction of carbon and nitrogen in an Oxisol. Agronomía Colombiana. 32(1), 86 94. https://doi.org/10.15446/agron.colomb.v32n1.38967Camacho, A., Vargas, C., Rojas, F., Castillo, S. y Arguello, H. (2015). Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Revista Facultad de Ingeniería. 24(40), 17-29Cardona, D. F., González, J. L., Rivera, M. y Cárdenas, E. (2013). Inferencia estadística. Módulo de regresión lineal simple. Documentos de investigación, Facultad de Administración. Universidad del Rosario. Bogotá, Colombia. 57 pág.Castaldi, F., Palombo, A., Santini, F., Pascucci, S., Pignatti, S. y Casa, R. (2016). Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon. Remote Sensing. Environment. 179, 54–65. https://doi.org/10.1016/j.rse.2016.03.025Chagas, C. da S., Carvalho Júnior, W. de, Pinheiro, H.S.K., Xavier, P. A. M., Bhering, S. B., Pereira, N. R. y Calderano Filho, B. (2018). Mapping Soil Cation Exchange Capacity in a Semiarid Region through Predictive Models and Covariates from Remote Sensing Data. Revista Brasileira de Ciência Do Solo, 42 (0) . https://doi.org/10.1590/18069657rbcs20170183.Chai, T. y Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? –Arguments against avoiding RMSE in the literature. Geoscientific. Model Development. 7, 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014.Chuvieco, E. (1995). Fundamentos de la teledetección. Madrid: Alcalá. Editorial: RIALP S.A.Contento, M. R. (2019). Estadística con aplicaciones en R. Bogotá: Universidad de Bogotá Jorge Tadeo Lozano, Editorial UTadeo, 412 pág. https://www.utadeo.edu.co/es/ publicacion/libro/editorial/235/estadistica-con-aplicaciones-en-rDelwiche, S., Baek, I. y Kim, M. (2021). Does spatial region of interest (ROI) matter in multispectral and hyperspectral imaging of segmented wheat kernels? Biosystems Engineering. Vol 212, 106-114. https://doi.org/10.1016/j.biosystemseng.2021.10.003Demattê, J. A. M., Alves, M. R., Gallo, B. C., Fongaro, C. T., Souza, A. B., Romero, D. J. y Sato, M. V. (2015). Hyperspectral remote sensing as an alternative to estimate soil attributes. Revista Ciência Agronômica. Vol 46 (2). https://doi.org/10.5935/1806-6690.20150001.Díaz, N.A., Bárcena, J. A., Fernández, E., Galván, A., Jorrín, J., Peinado, J., Meléndez, F. T y Túnez. I. (2010). Espectrofometría: Espectros de absorción y cuantificación colorimétrica de biomoléculas. Universidad Católica de Oriente. Córdoba. https://www.uco.es/dptos/ bioquimica-biol-mol/pdfs/08_ESPECTROFOTOMETRIA.pdf.Díaz, F. A., Vuelvas, J., Correa, C. A., Vallejo, V. E y Patiño, D. (2022). Machine learning and remote sensing techniques applied to estimate soil indicators-Review. Ecological Indicators. Vol 135, 108517. https://doi.org/10.1016/j.ecolind.2021.108517Elarabi, H. y Ali, K. (2008). Soil classification modeling using artificial neural networks. The International Conference on Intelligent Systems (ICIS2009), Kingdom of Bahrain.ElMasry, G. y Sun, D. W. (2010). Principles of Hyperspectral Imaging Technology. Chapter 1. In: Sun, D. W. (Ed.). Hyperspectral Imaging for Food Quality Analysis and Control. Pp. 3- 43.ElMasry, G., Kamruzzaman, M., Sun, D. W. y Allen, P. (2012). Principles and applications of hyperspectral images in the evaluation of the quality of agri-food products: a review. Critical Reviews in Food Science and Nutrition. Vol 52(11), 999–1023. https:// doi.org/10.1080/10408398.2010.543495Fernández, A. (2012). Python 3 al descubierto. Editorial libros RC. Madrid, España, ISBN: 9786077077183Figueras, M. (2011). Óptica y Fotónica, La Ciencia de la Luz. Editorial UOC, Primera edición. España. 108 p.Fordellone, M., Bellincontro, A. y Mencarelli F. (2018). Partial least squares discriminant analysis: a dimensionality reduction method to classify hyperspectral data. Universidad de Roma. https://doi.org/10.48550/arXiv.1806.09347Gao, J., Meng, B. Liang, T., Feng, Q., Ge, J., Yin, G., Wu, C., Cui, X., Hou, M., Liu y JXie, H. (2019). Principles and applications of hyperspectral images in the evaluation of the quality of agri-food products: a review. Critical Reviews in Food Science and Nutrition.Photogramm. Remote Sens. Vol 147, pp. 104–117. https://doi.org/10.1016/j.isprsjprs.2018.11.015.García, J. A. y Uribe, I. A. (2013). Técnicas para detección de outliers multivariantes. Revista en Telecomunicaciones e Informática. Vol 3, No. 5. 11-25.Gates, J. R. (2018). A Comparison of VNIR and MIR Spectroscopy for Predicting Various Soil Properties, United States: University of Nebraska-Lincon. http://digitalcommons.unl. edu/natresdiss/264Gaviria, C. (2016). Regresión por mínimos cuadrados parciales PLS aplicada a datos variedad valuados. Universidad Nacional de Colombia, Bogotá. Tesis. https://repositorio.unal. edu.co/bitstream/handle/unal/57110/8105560.2016.pdf?sequence=1&isAllowed=y.Geladi, P., Macdougall, D. y Martens, H. (1985) Corrección de linealización y dispersión para espectros de reflectancia de carne en el infrarrojo cercano. Espectroscopia aplicada. Vol 39, 491-500. http://dx.doi.org/10.1366/0003702854248656.González, M. A. y Montaño, L. M. (2015). La espectroscopia y su tecnología: Un repaso histórico y su importancia para el siglo XXI. Lat. Am. J. Phys. Educ. 9, 1-14.Guo, L., Zhang, H. T., Shi, T. Z., Chen, Y. Y., Jiang, Q. H. y Linderman, M. (2019). Prediction of soil organic carbon stock by laboratory spectral data and airborne hyperspectral images. Geoderma. Vol 337, 32–41. https:// doi.org/10.1016/j.geoderma.2018.09.00Gurrala, K. R. (2021). Hyperspectral Imaging for Food Quality Assessment. International Research Journal of Engineering Science, Technology and Innovation. Vol 7(1), 1- 14. https://www.interesjournals.org/engineering-science-technologyinnovation.html.Khan, A., Vibhute, A. D., Mali, S. y Patil, C. H. (2022). A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecological Informatics. Vol 69, 101678. https://doi.org/10.1016/j. ecoinf.2022.101678Li, H., Jia, S. y Le, Z. (2019). Quantitative Analysis of Soil Total Nitrogen Using Hyperspectral Imaging Technology with Extreme Learning Machine. Sensors. Vol 19(20), 4355. https:// doi.org/10.3390/s19204355Liu, L., Ji. M. y Buchroithner, M. (2017). Combining Partial Least Squares and the Gradient Boosting Method for Soil Property Retrieval Using Visible Near-Infrared Shortwave Infrared Spectra. Remote sensing. Vol 9, 1299. https://doi.org/10.3390/rs9121299.Liu, Z., Lu, Y., Peng, Y., Zhao, L., Wang, G. y Hu, Y. (2019). Estimation of Soil Heavy Metal Content Using Hyperspectral Data. Remote Sensing. Vol 11(12), 1464. https://doi.org/10.3390/ rs11121464Lu, B., Dao, P., Liu, J., He, Y. y Shang, J. (2020). Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture. Remote Sensing. Vol 12(16), 2659. https:// doi.org/10.3390/rs12162659.Luque, J. (2012). Espectro electromagnético y espectro radioeléctrico. Revista Digital ACTA, MF062. 17-31. Recuperado de: https://www.acta.es/medios/articulos/ciencias_y_ tecnologia/062017.pdf.Malmir, M., Tahmasbian, I., Xu, Z., Farrar, M. B. y Bai, S. H. (2019). Prediction of soil macro and micro-elements in sieved and ground air-dried soils using laboratory-based hyperspectral imaging technique. Geoderma. Vol 340, 70–80. https://doi.org/10.1016/j. geoderma.2018.12.04Martínez, E. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario jurídico y económico Escurialense. No 38, 315-331. ISSN 1133-3677.Mateen, M., Wen, J. y Nasrullah, M. A. A. (2018). The Role of Hyperspectral Imaging: A Literature Review. International Journal of Advanced Computer Science and Applications. Vol 9(8), 51-62. https://doi.org/10.14569/ijacsa.2018.090808.Meireles, J., Schweiger, A. y Cavender-Bares, J. (2017). Spectrolab: clase y métodos para datos espectrales en R, versión del paquete R 0.0.16. https://CRAN.R-project.org/ package=spectrolabMendoza, J. B. (2018). Árboles de decisión con R- Clasificación. Blog RPubs by RStudio. https://rpubs.com/jboscomendoza/arboles_decision_clasificacion.Moreno, J. G. (2012). Método de detección temprana de outilers. Trabajo de grado, Pontificia Universidad Javeriana, Colombia. https://repository.javeriana.edu.co/bitstream/ handle/10554/10347/MorenoCastellanosJuanGabriel2012.pdf.Mosavi, A., Ozturk, P., y Chau, K. (2018). Flood Prediction Using Machine Learning Models: Literature Review. Water. Vol 10(11), 1536. https://doi.org/10.3390/w10111536.Norsk Elektro Optikk (NEO). (2019). HySpex Ground. Quick Reference Guide. Vol 4.9.NumPyUser Guide. (2022). NumPyUser Guide Release 1.22.0, Written by the NumPy community. https://numpy.orgOcaña, F. M. (2019). Técnicas estadísticas en nutrición y salud. Análisis descriptivo y exploratorio de datos. https://www.ugr.es/~fmocan/MATERIALES%20DOCTORADO/ DESCRIPTIVA%20Y%20EXPLORATORIO.pdf.O’Rourke, S. M., Argentati, I. y Holden, N. M. (2011). El efecto del tamaño de la región de interés en la calibración del modelo para la predicción del carbono orgánico del suelo a partir de imágenes hiperespectrales de suelos preparados. Revista de espectroscopia de infrarrojo cercano. Vol 19(3), 161–170. https://doi.org/10.1255/jnirs.930Ouerghemmi, W., Gomez, C., Naceur, S. y Lagacherie, P. (2016). Semi-blind source separation for the estimation of the clay content over semi-vegetated areas using VNIR/SWIR hyperspectral airborne data. Remote Sensing of Environment. 181, 251–263. https:// doi.org/10.1016/j.rse.2016.04.013.Ozdemir, A. y Polat, K. (2020). Deep Learning Applications for Hyperspectral Imaging: A Systematic Review. Journal of the Institute of Electronics and Computer. Vol 2(1), 39– 56. https://doi.org/10.33969/jiec.2020.21004.Pandas. (2022). About Pandas. https://pandas.pydata.org/about/.Pandey, C., Sethy, P.,Santi, K., Vishwakarma, J y Tande, V. (2022). Smart agriculture: Technological advancements on agriculture- A systematical review. https://doi. org/10.1016/B978-0-323-85214-2.00002-1.Peon, J., Fernandez, S., Recondo, C. y Calleja, J. F. (2017). Evaluation of the spectral characteristics of five hyperspectral and multispectral sensors for soil organic carbon estimation in burned areas. Int. J. Wildland Fire. Vol 26 (3), 230–239. https://doi. org/10.1071/wf16122.Pérez, B. A. (2017). Tratamiento matemático de señales espectrofotométricas infrarrojas para la cuantificación de azúcares. Trabajo para optar por el título de magister. Universidad del Azuay. Ecuador. https://dspace.uazuay.edu.ec/bitstream/datos/6854/1/12825.pdf.Pieters, O., De Swaef, T., Lootens, P., Stock, M., Roldán-Ruiz, I. y Wyffels, F. (2020). Limitations of instantaneous hyperspectral cameras to monitor plant response dynamics under stress free conditions. Informatics and Electronics in Agriculture. Vol 179, 105825. https://doi. org/10.1016/j.compag.2020.105825.Polson, N., Sokolov, V. y Xu, J. (2021). Deep Learning Partial Least Squares. https://doi. org/10.48550/arXiv.2106.14085Pudełko, A., Chodak, M., Roemer, J. y Uhl, T. (2020). Application of FT-NIR spectroscopy and NIR hyperspectral imaging to predict nitrogen and organic carbon contents in mine soils. Measurement, 108117. https://doi.org/10.1016/j.measurement.2020.10.Qin, L., Abdallah, F y Snoussi, H. (2014). Online learning Partial Least Squares regression model for univariate response data. https://www.researchgate.net/publication/266851860_Online_ Learning_Partial_Least_Squares_Regression_Model_for_Univariate_Response_Data.Real Academia Española. (2020). Diccionario de la lengua española. [Dictionary of the Spanish Language] (23.ª ed.). Consultado en https://dle.rae.es/espectroscopiaRehman, H. U., Knadel, M., de Jonge, L. W., Moldrup, P., Greve, M. H. y Arthur, E. (2019). Comparison of Cation Exchange Capacity Estimated from Vis–NIR Spectral Reflectance Data and a Pedotransfer Function. Vadose Zone Journal. Vol 18 (1). https://doi.org/10.2136/ vzj2018.10.0192.Reis, A. S., Rodrigues, M., Alemparte Abrantes dos Santos, G. L., Mayara de Oliveira, K., Furlanetto, R. H., Teixeira Crusiol, L. G., … Nanni, M. R. (2021). Detection of soil organic matter using hyperspectral imaging sensor combined with multivariate regression modeling procedures. Remote Sensing Applications: Society and Environment, 22, 100492. https://doi.org/10.1016/j.rsase.2021.100492.Saeys, W., Mouazen, A. M. y Ramon H. (2005). Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy. Biosyst. Eng. Vol 91(4), 393-402. https://doi.org/10.1016/j.biosystemseng.2005.05.001.Sáric, R., Nguyen, V. D., Burge, T., Berkowitz, O., Trtílek, M., Whelan, J., Lewsey, M. G. y Custovic, E. (2022). Applications of hyperspectral imaging in plant phenotyping. Trends in plant science. Vol 27, Issue 3, 301-315.Silva, S. (2020). Newton, el Alquimista. Breve revisión de un largo camino de más de tres décadas. Scripta Philosophiæ Naturalis 18. ISSN 2258 ─ 3335.Stevens, A. y Ramírez, L. (2021). Una introducción al paquete prospectr. Paquete R Vignette Paquete R version 0.2.2. Tomado de: https://www.rdocumentation.org/packages/ prospectr/versions/0.2.2.Tan, K., Ma, W., Chen, L., Wang, H., Du, Q., Du, P. y Li, H. (2020). Estimating the Distribution Trend of Soil Heavy Metals in Mining Area from HyMap Airborne Hyperspectral Imagery Based on Ensemble Learning. Journal of Hazardous Materials, 123288. https://doi. org/10.1016/j.jhazmat.2020.123288.Tian, S., Wang S. y Bai, X. (2020). Hyperspectral estimation model of soil Pb content and its applicability in different soil types. Acta Geochim. 39:423–433. https://doi.org/10.1007/ s11631-019-00388-0.Wang, Z., Zhang, Y. y Fan, S. (2020). Determination of moisture content of single maize seed by using long-wave near-infrared hyperspectral imaging (LWNIR) Coupled with UVE SPA combination variable selection method. IEEE Access 8:195229–195239. https:// doi.org/10.1109/ACCESS. 2020.3033582Zhang, S., Shen, Q., Nie, C., Huang, Y., Wang, J., Hu, Q. y Chen, Y. (2019). Hyperspectral inversion of heavy metal content in reclaimed soil from a mining wasteland based on different spectral transformation and modeling methods. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. Vol 211, 393–400. https://doi.org/10.1016/j. saa.2018.12.032.Zhao, Z., Meng, F. R., Yang, Q. y Zhu, H. (2018). Using Artificial Neural Networks to Produce High-Resolution Soil Property Maps. Advanced Applications for Artificial Neural Networks. https://doi.org/10.5772/intechopen.70705.PublicationORIGINALLibro CEDAIT.pdfLibro CEDAIT.pdfapplication/pdf10942147https://dspace7-utp.metabuscador.org/bitstreams/a7b5ddf4-5b57-45a6-9d49-be325b010602/download097f94a16e44ba1411f75483f11926e4MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://dspace7-utp.metabuscador.org/bitstreams/4c39924b-1e94-49aa-9311-c7c8151abee6/download2f9959eaf5b71fae44bbf9ec84150c7aMD52TEXTLibro CEDAIT.pdf.txtLibro CEDAIT.pdf.txtExtracted texttext/plain115313https://dspace7-utp.metabuscador.org/bitstreams/212ccf25-17b9-496d-bb3a-5d74d33d0e4a/download4a41257eeed47d03f2ac853bbfae201cMD53THUMBNAILLibro CEDAIT.pdf.jpgLibro CEDAIT.pdf.jpgGenerated Thumbnailimage/jpeg13725https://dspace7-utp.metabuscador.org/bitstreams/d835d541-01fe-4c9a-b9ba-78882ea7a031/downloadf15b418472f21c2b53be88d78218ee89MD5411059/14891oai:dspace7-utp.metabuscador.org:11059/148912024-09-05 16:51:17.797https://creativecommons.org/licenses/by-nc-nd/4.0/Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 deopen.accesshttps://dspace7-utp.metabuscador.orgRepositorio de la Universidad Tecnológica de Pereirabdigital@metabiblioteca.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

Publicaciones similares