Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10662/5624
Registro completo de Metadatos
Campo DCValoridioma
dc.contributor.authorFortes Gallego, Rafael-
dc.contributor.authorPrieto Losada, María del Henar-
dc.contributor.authorGarcía Martín, Abelardo-
dc.contributor.authorCórdoba Pérez, Antón-
dc.contributor.authorMartínez, Laura-
dc.contributor.authorCampillo Torres, Carlos-
dc.date.accessioned2017-05-02T11:21:36Z-
dc.date.available2017-05-02T11:21:36Z-
dc.date.issued2015-
dc.identifier.issn1695-971X-
dc.identifier.urihttp://hdl.handle.net/10662/5624-
dc.description.abstractEl uso de mapas de predicción de rendimiento es una herramienta importante para la delimitación de zonas dentro de la gestión del campo. Sobre la base de índices de vegetación de reflectancia de cultivo son de uso potencial en la consecución de este objetivo. Hay diferentes tipos de índices de vegetación basado en la cosecha de reflectancia, el más comúnmente utilizado es el de NDVI (Normalized Difference Vegetation Index). Los valores de NDVI se informa que tienen buena correlación con varios parámetros de vegetación incluyendo la habilidad para predecir el rendimiento. La investigación de campo se realizó en dos granjas comerciales de procesamiento de cultivos de tomate, Cantillana y enviciados. Un desarrollado Mapa NDVI de predicción se utilizó a través de kriging la técnica guiada de muestreo para procesar el rendimiento del tomate. El rendimiento fue estudiado y relacionado con el NDVI y, finalmente, un mapa de predicción del rendimiento de los cultivos por toda la parcela fue generada usando dos métodos geoestadísticos y regresión ordinaria (kriging). Por último, se hizo una comparación entre el rendimiento obtenido en los puntos de validación y los valores de rendimiento según los mapas de predicción. Los mapas de rendimiento más precisos fueron obtenidos con la metodología de regresión RRMSE kriging con valores de 14% y 17% en Cantillana y enviciados, respectivamente, utilizando el NDVI como predictor. El coeficiente de correlación entre el NDVI y el rendimiento se correlacionan en el punto de las muestras tomadas en las dos ubicaciones, con valores de 0,71 y 0,67 en Cantillana y enviciados, respectivamente. Los resultados sugieren que el uso de un parámetro de muestreo masivo como IVN es un buen indicador de la distribución dentro del campo de variación de rendimiento.es_ES
dc.description.abstractThe use of yield prediction maps is an important tool for the delineation of within-field management zones. Vegetation indices based on crop reflectance are of potential use in the attainment of this objective. There are different types of vegetation indices based on crop reflectance, the most commonly used of which is the NDVI (normalized difference vegetation index). NDVI values are reported to have good correlation with several vegetation parameters including the ability to predict yield. The field research was conducted in two commercial farms of processing tomato crop, Cantillana and Enviciados. An NDVI prediction map developed through ordinary kriging technique was used for guided sampling of processing tomato yield. Yield was studied and related with NDVI, and finally a prediction map of crop yield for the entire plot was generated using two geostatistical methodologies (ordinary and regression kriging). Finally, a comparison was made between the yield obtained at validation points and the yield values according to the prediction maps. The most precise yield maps were obtained with the regression kriging methodology with RRMSE values of 14% and 17% in Cantillana and Enviciados, respectively, using the NDVI as predictor. The coefficient of correlation between NDVI and yield was correlated in the point samples taken in the two locations, with values of 0.71 and 0.67 in Cantillana and Enviciados, respectively. The results suggest that the use of a massive sampling parameter such as NDVI is a good indicator of the distribution of within-field yield variation.es_ES
dc.description.sponsorshipTrabajo patrocinado por: Gobierno de Extremadura. Proyecto GRU 10130 y Proyecto A-E-11-0255-4, cofinanciado por ROMA SL y Fondos FEDER (Fundación Europea para el Desarrollo Regional)es_ES
dc.format.extent9 p.es_ES
dc.language.isoenges_ES
dc.publisherINIAes_ES
dc.rightsAtribución-NoComercial-CompartirIgual 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/*
dc.subjectSolanum lycopersicumes_ES
dc.subjectKriginges_ES
dc.subjectRegresión de kriginges_ES
dc.subjectÍndice de vegetaciónes_ES
dc.subjectAgricultura de precisiónes_ES
dc.subjectOrdinary kriginges_ES
dc.subjectRegression kriginges_ES
dc.subjectVegetation indexes_ES
dc.subjectPrecision agriculturees_ES
dc.titleUsing NDVI and guided sampling to develop yield prediction maps of processing tomato cropes_ES
dc.typearticlees_ES
dc.description.versionpeerReviewedes_ES
dc.rights.accessRightsopenAccesses_ES
dc.subject.unesco5102.01 Agriculturaes_ES
dc.identifier.bibliographicCitationFortes Gallego, R.; Prieto Losada, M. H.; García Martín, A.; Córdoba Pérez, A.; Martínez, L. y Campillo Torres, C. (2015). Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop. Spanish journal of agricultural research, 13, 1, e02-004. ESSN 2171-9292es_ES
dc.type.versionpublishedVersiones_ES
dc.contributor.affiliationCentro de Investigaciones Científicas y Tecnológicas de Extremadura (CICYTEX)es_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Ingeniería del Medio Agronómico y Forestales_ES
dc.relation.publisherversionhttp://revistas.inia.es/index.php/sjar/article/view/6532es_ES
dc.identifier.doi10.5424/sjar/2015131-6532-
dc.identifier.publicationtitleSpanish journal of agricultural researches_ES
dc.identifier.publicationissue1es_ES
dc.identifier.publicationfirstpagee02-004, 1es_ES
dc.identifier.publicationlastpagee02-004, 9es_ES
dc.identifier.publicationvolume13es_ES
Colección:DIAYF - Artículos

Archivos
Archivo Descripción TamañoFormato 
sjar_2015131_6532.pdf3,27 MBAdobe PDFDescargar


Este elemento está sujeto a una licencia Licencia Creative Commons Creative Commons