Sistema de visión hiperespectral para el estudio de especies arbóreas tropicales
Barra lateral del artículo
Contenido principal del artículo
Resumen
La reducida cantidad de estudios que consideran los aspectos ecofisiológicos de las especies de plantas tropicales se debe en parte al costo elevado de la instrumentación. Sin embargo, la revolución tecnológica de la última década ha permitido desarrollar dispositivos electrónicos de bajo costo y que, aunado a los recursos de la inteligencia artificial, permiten obtener mediciones muy precisas. Todo lo anterior con el objetivo de promover una producción sostenible y de asegurar la conservación de ecosistemas. Este trabajo consiste en el desarrollo de un sistema electrónico capaz de adquirir datos espectrales a partir de imágenes del espectro visible de las hojas y procesar su reflectancia y longitud de onda, con la finalidad de analizar variables fisiológicas (tales como concentraciones de clorofila y nitrógeno) de las especies arbóreas tropicales en peligro de extinción.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
Arad and O. Ben-Shahar, “Sparse recovery of hyperspectral signal from natural RGB images,” in Computer Vision – ECCV 2016, Cham: Springer International Publishing, 2016, pp. 19–34.
G. Hughes, “On the mean accuracy of statistical pattern recognizers,” IEEE Trans. Inf. Theory, vol. 14, no. 1, pp. 55–63, 1968.
G. Piovesan et al., “Tree growth patterns associated with extreme longevity: Implications for the ecology and conservation of primeval trees in Mediterranean mountains,” Anthropocene, vol. 26, no. 100199, p. 100199, 2019.
Gowen, C. Odonnell, P. Cullen, G. Downey, and J. Frias, “Hyperspectral imaging – an emerging process analytical tool for food quality and safety control,” Trends Food Sci. Technol., vol. 18, no. 12, pp. 590–598, 2007.
Gowen, Y. Feng, E. Gaston, and V. Valdramidis, “Recent applications of hyperspectral imaging in microbiology,” Talanta, vol. 137, pp. 43–54, 2015.
H. Z. M. Shafri, A. Suhaili, and S. Mansor, “The performance of maximum likelihood, spectral angle mapper, neural network and decision tree classifiers in hyperspectral image analysis,” J. Comput. Sci., vol. 3, no. 6, pp. 419–423, 2015.
Hendrik and C. Maxime, “Assessing drought-driven mortality trees with physiological process-based models,” Agric. For. Meteorol., vol. 232, pp. 279–290, 2017.
Hillnhütter, A.-K. Mahlein, R. A. Sikora, and E.-C. Oerke, “Use of imaging spectroscopy to discriminate symptoms caused by Heterodera schachtii and Rhizoctonia solani on sugar beet,” Precis. Agric., vol. 13, no. 1, pp. 17–32, 2012.
J. Stam, “Diffraction shaders,” in Proceedings of the 26th annual conference on Computer graphics and interactive techniques - SIGGRAPH ’99, 1999.
Lowe, N. Harrison, and A. P. French, “Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress,” Plant Methods, vol. 13, p. 80, 2017.
N. Akhtar and A. Mian, “Hyperspectral Recovery from RGB Images using Gaussian Processes,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, no. 1, pp. 100–113, 2020.
N. Hernández-Sánchez, G. P. Moreda, A. Herre-ro-Langreo, and Á. Melado-Herreros, “Assessment of internal and external quality of fruits and vegetables,” in Food Engineering Series, Cham: Springer International Publishing, 2016, pp. 269–309.
S. C. Baker, S. Kasel, L. G. van Galen, G. J. Jordan, C. R. Nitschke, and E. C. Pryde, “Identifying regrowth forests with advanced mature forest values,” For. Ecol. Manage., vol. 433, pp. 73–84, 2019.
X. Hadoux, N. Gorretta, and G. Rabatel, “Weeds-wheat discrimination using hyperspectral imagery,” in CIGRAgeng 2012, International Conference on Agricultural Engineering, 2012, p. 6 p.
Y. Zhong, L. Zhang, B. Huang, and P. Li, “An unsupervised artificial immune classifier for multi/hyperspectral remote sensing imagery,” IEEE Trans. Geosci. Remote Sens., vol. 44, no. 2, pp. 420–431, 2006.