Apéndice G — Análisis de muestreos – Métodos basados en imágenes como alternativa para la evaluación de maleza en cultivo de trigo en el Sur de Sonora

G.1 Comparaciones entre el método tradicional y el método basado en imagenes (BI).

Los datos los conteos por el método tradicional y basado en imágenes de C. murale mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.703, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.86 (Figura G.1).

Mostrar el código.

NOPLANTAS0DDA = read_excel(path = "csv/previoManualvsBI.xlsx")


Cmurale.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(CmuraleBI, CmuraleManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("C. murale")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15, 20, 25, 30, 35)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15, 20, 25, 30, 35)) +
  coord_cartesian(xlim = c(0, 35), ylim = c(0, 35)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 33, output.type = "expression") + 
  stat_cor(method = "pearson", label.x = 3, label.y = 30, p.accuracy = 0.001, r.accuracy = 0.001) 



print(Cmurale.NOPLANTAS.0dda)


#ggsave("./Plots/Cmurale_NOPLANTAS_0dda.png", plot = Cmurale.NOPLANTAS.0dda, width=1920, height=1080, units = "px")

Figura G.1: Correlación entre el número de plantas de C. murale contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes de A. palmeri mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.833, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.88 (Figura G.2).

Mostrar el código.

Apalmeri.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(ApalmeriBI, ApalmeriManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("A. palmeri")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 65)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 65)) +
  coord_cartesian(xlim = c(0, 65), ylim = c(0, 65)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 60, output.type = "expression") + stat_cor(method = "pearson", label.x = 3, label.y = 55, p.accuracy = 0.001, r.accuracy = 0.001)

Apalmeri.NOPLANTAS.0dda

#ggsave("./Plots/Apalmeri_NOPLANTAS_0dda.png", plot = Apalmeri.NOPLANTAS.0dda, width=1920, height=1080, units = "px")

Figura G.2: Correlación entre el número de plantas de A. palmeri contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes de P. acutifolia mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.774, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.85 (Figura G.3).

Mostrar el código.

Pacutifolia.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(PacutifoliaBI, PacutifoliaManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("P. acutifolia")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15)) +
  coord_cartesian(xlim = c(0, 15), ylim = c(0, 15)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 1, label.y = 13, output.type = "expression") + stat_cor(method = "pearson", label.x = 1, label.y = 12, p.accuracy = 0.001, r.accuracy = 0.001)

Pacutifolia.NOPLANTAS.0dda

#ggsave("./Plots/Pacutifolia_NOPLANTAS_0dda.png", plot = Pacutifolia.NOPLANTAS.0dda, width=1920, height=1080, units = "px")

Figura G.3: Correlación entre el número de plantas de P. acutifolia contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes del complejo de maleza mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.823, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.94 (Figura G.4).

Mostrar el código.

Complejo.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(ComplejoBI, ComplejoManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("Complejo de maleza")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 70, 80, 85)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 70, 80, 85)) +
  coord_cartesian(xlim = c(0, 85), ylim = c(0, 85)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 78, output.type = "expression") + stat_cor(method = "pearson", label.x = 3, label.y = 73, p.accuracy = 0.001, r.accuracy = 0.001)

Complejo.NOPLANTAS.0dda

#ggsave("./Plots/Complejo_NOPLANTAS_0dda.png", plot = Complejo.NOPLANTAS.0dda, width=1920, height=1080, units = "px")

Figura G.4: Correlación entre el número de plantas del complejo de maleza contadas mediante el método tradicional y el método basado en imágenes.

# Cargar los datos
NOPLANTAS0DDA <- read_excel(path = "csv/previoManualvsBI2.xlsx")

# Convertir la columna 'Tratamiento' a factor
NOPLANTAS0DDA$Metodo <- as.factor(NOPLANTAS0DDA$Metodo)

# Análisis descriptivo
summary_stats_Cmurale <- NOPLANTAS0DDA %>% 
  group_by(Metodo) %>% 
  summarise(n = n(),
            media = round(mean(Cmurale, na.rm = TRUE),0),
            mediana = round(median(Cmurale, na.rm = TRUE),0),
            sd = round(sd(Cmurale, na.rm = TRUE),1),
            min = min(Cmurale, na.rm = TRUE),
            max = max(Cmurale, na.rm = TRUE))


print(summary_stats_Cmurale)

# A tibble: 2 × 7
  Metodo          n media mediana    sd   min   max
  <fct>       <int> <dbl>   <dbl> <dbl> <dbl> <dbl>
1 BI             72    12      12   5.8     2    29
2 Tradicional    72    11       9   6.8     0    34

# Análisis descriptivo
summary_stats_Apalmeri <- NOPLANTAS0DDA %>% 
  group_by(Metodo) %>% 
  summarise(n = n(),
            media = round(mean(Apalmeri, na.rm = TRUE),0),
            mediana = round(median(Apalmeri, na.rm = TRUE),0),
            sd = round(sd(Apalmeri, na.rm = TRUE),1),
            min = min(Apalmeri, na.rm = TRUE),
            max = max(Apalmeri, na.rm = TRUE))


print(summary_stats_Apalmeri)

# A tibble: 2 × 7
  Metodo          n media mediana    sd   min   max
  <fct>       <int> <dbl>   <dbl> <dbl> <dbl> <dbl>
1 BI             72    18      16  14.1     0    61
2 Tradicional    72    19      15  15       0    59

# Análisis descriptivo
summary_stats_Pacutifolia <- NOPLANTAS0DDA %>% 
  group_by(Metodo) %>% 
  summarise(n = n(),
            media = round(mean(Pacutifolia, na.rm = TRUE),0),
            mediana = round(median(Pacutifolia, na.rm = TRUE),0),
            sd = round(sd(Pacutifolia, na.rm = TRUE),1),
            min = min(Pacutifolia, na.rm = TRUE),
            max = max(Pacutifolia, na.rm = TRUE))


print(summary_stats_Pacutifolia)

# A tibble: 2 × 7
  Metodo          n media mediana    sd   min   max
  <fct>       <int> <dbl>   <dbl> <dbl> <dbl> <dbl>
1 BI             72     5       5   3.5     0    13
2 Tradicional    72     5       4   3.3     0    13

# Análisis descriptivo
summary_stats_Complejo <- NOPLANTAS0DDA %>% 
  group_by(Metodo) %>% 
  summarise(n = n(),
            media = round(mean(Complejo, na.rm = TRUE),0),
            mediana = round(median(Complejo, na.rm = TRUE),0),
            sd = round(sd(Complejo, na.rm = TRUE),1),
            min = min(Complejo, na.rm = TRUE),
            max = max(Complejo, na.rm = TRUE))


print(summary_stats_Complejo)

# A tibble: 2 × 7
  Metodo          n media mediana    sd   min   max
  <fct>       <int> <dbl>   <dbl> <dbl> <dbl> <dbl>
1 BI             72    36      34  15       8    80
2 Tradicional    72    35      32  16.6     3    74

# Unir todas las tablas en una sola
summary_all <- bind_rows(
  summary_stats_Cmurale %>% mutate(Especie = "C. murale"),
  summary_stats_Apalmeri %>% mutate(Especie = "A. palmeri"),
  summary_stats_Pacutifolia %>% mutate(Especie = "P. acutifolia"),
  summary_stats_Complejo %>% mutate(Especie = "Complejo de maleza")
)

summary_all$errorEstandar <- round(summary_all$sd/sqrt(summary_all$n),1)

summary_all2 <- summary_all[, c("Especie", "Metodo", "n", "media", "mediana", "errorEstandar", "min", "max")]

# Mostrar la tabla final
print(summary_all2)

# A tibble: 8 × 8
  Especie            Metodo          n media mediana errorEstandar   min   max
  <chr>              <fct>       <int> <dbl>   <dbl>         <dbl> <dbl> <dbl>
1 C. murale          BI             72    12      12           0.7     2    29
2 C. murale          Tradicional    72    11       9           0.8     0    34
3 A. palmeri         BI             72    18      16           1.7     0    61
4 A. palmeri         Tradicional    72    19      15           1.8     0    59
5 P. acutifolia      BI             72     5       5           0.4     0    13
6 P. acutifolia      Tradicional    72     5       4           0.4     0    13
7 Complejo de maleza BI             72    36      34           1.8     8    80
8 Complejo de maleza Tradicional    72    35      32           2       3    74