Apéndice B — Antecedentes – Métodos basados en imágenes como alternativa para la evaluación de maleza en cultivo de trigo en el Sur de Sonora

La siguiente es una lista de la literatura consultada como soporte para el presente proyecto.

B.1 Notas sobre Ecología de Maleza

EcologiaMaleza: Aspectos ecológicos de las malezas en sistemas naturales y agrícolas.

Holt (1991): Holt explora las aplicaciones de la ecología fisiológica en la ciencia de malezas. El artículo destaca cómo la comprensión de los procesos fisiológicos y ecológicos de las malezas puede informar estrategias de manejo más efectivas y sostenibles (Holt, 1991).
Booth et al. (2003): Este libro proporciona una visión integral de la ecología de las malezas en sistemas naturales y agrícolas. Cubre aspectos clave como la biología de las malezas, las interacciones ecológicas y las implicaciones para el manejo de malezas, ofreciendo una base sólida para investigaciones y prácticas en el manejo ecológico de malezas (Booth et al., 2003).
Contreras de la Cruz (2006): El artículo proporciona descripciones detalladas de las principales malezas en el sur de Sonora. Incluye características morfológicas, ciclos de vida y estrategias de manejo para cada especie, sirviendo como una guía esencial para agricultores y técnicos en la región (Contreras de la Cruz, 2006).
Nkoa et al. (2015): Este artículo analiza la abundancia, distribución, diversidad y comunidades de malezas, proporcionando una comprensión integral de la ecología de las malezas y sus implicaciones para el manejo agrícola (Nkoa et al., 2015).
Espinosa-García et al. (2017): El artículo revisa la biodiversidad, distribución, ecología y manejo de malezas no nativas en México, proporcionando una visión integral sobre las especies invasoras y estrategias efectivas de control y manejo (Espinosa-García et al., 2017).
Storkey y Neve (2018): Este artículo discute los beneficios de la diversidad de malezas en los ecosistemas agrícolas. Se argumenta que la diversidad de malezas puede contribuir a la salud del suelo y la biodiversidad, ofreciendo ventajas ecológicas a largo plazo (Storkey y Neve, 2018).
Pala et al. (2020): Este estudio investigó la flora de malezas y el índice de valor de importancia de malezas en cultivos de trigo. Los resultados proporcionaron información valiosa para la gestión de malezas en cultivos de trigo (Pala et al., 2020)
Krähmer et al. (2020): Este artículo revisa el estado del arte y las futuras tareas en el mapeo y encuestas de malezas en Europa. Se discuten diversas metodologías y tecnologías, proporcionando una visión comprensiva de los desafíos y oportunidades en el manejo de malezas (Krähmer et al., 2020).

B.2 Notas sobre Métodos de Estudio

MétodosEstudio: Métodos para el estudio y análisis de comunidades vegetales.

Moore (1962): Moore ofrece una reevaluación del sistema Braun-Blanquet, destacando su relevancia y aplicaciones en la fitosociología moderna. Se discuten las fortalezas y limitaciones del sistema en el estudio de comunidades vegetales (Moore, 1962).
Braun-Blanquet (1979): La obra de Braun-Blanquet es fundamental en el estudio de las comunidades vegetales. Introduce métodos para clasificar y describir comunidades vegetales, destacando la importancia de la fitosociología en la comprensión de la estructura y dinámica de ecosistemas (Braun-Blanquet, 1979).
Lutman et al. (1987): El artículo proporciona descripciones estandarizadas de las etapas de crecimiento de malezas dicotiledóneas anuales. Estas descripciones son esenciales para la identificación precisa y el manejo efectivo de malezas en diferentes etapas de su ciclo de vida (Lutman et al., 1987).
Elzinga et al. (1998): Este documento proporciona guías detalladas para la medición y monitoreo de poblaciones de plantas. Incluye métodos y técnicas para evaluar la densidad y distribución de plantas, útiles para investigaciones y programas de manejo de recursos naturales (Elzinga et al., 1998).
Onofri et al. (2010b): Este estudio introduce un nuevo método para el análisis de datos de germinación y emergencia de especies de malezas. Se presenta una metodología estadística innovadora que mejora la interpretación y comparación de resultados en estudios de germinación (Onofri et al., 2010).
Ritz et al. (2015): El artículo revisa los métodos de investigación estadística en la ciencia de las malezas, proponiendo mejores prácticas para el análisis y la interpretación de datos en estudios de manejo de malezas (Ritz et al., 2015).
Patrignani y Ochsner (2015): El artículo presenta Canopeo, una herramienta innovadora para medir la cobertura de dosel verde fraccional, destacando su utilidad en la evaluación del crecimiento y la salud de los cultivos (Patrignani y Ochsner, 2015).
Barutcular et al. (2015): El estudio utiliza el índice SPAD para estimar la variación genotípica en la clorofila de la hoja bandera en trigo de primavera bajo condiciones mediterráneas, proporcionando una herramienta útil para la selección genotípica en programas de mejoramiento (Barutcular et al., 2015).
Walter et al. (2018): Se utilizó la fotogrametría para estimar la biomasa del trigo y el índice de cosecha. Los resultados mostraron que esta técnica es precisa y eficiente para evaluar estos parámetros, facilitando la gestión del cultivo y la toma de decisiones (Walter et al., 2018).
Christensen et al. (2021a): Monitoreo basado en cuadrantes de la vegetación del pastizal desértico en la Jornada Experimental Range, Nuevo México, desde 1915 hasta 2016 (Christensen et al., 2021).
Maucieri (2022): Presenta quadcleanR, un paquete de R para la limpieza y visualización de datos de cuadrantes, facilitando la comparación de datos de biodiversidad de diferentes programas de monitoreo.
Davis (2023): Aborda el futuro de los herbarios y su papel en la conservación de la biodiversidad y la investigación ecológica, destacando los desafíos y oportunidades de la digitalización y el uso de la tecnología.
Dengler y Dembicz (2023): Examina si es mejor estimar la cobertura de plantas en porcentajes o en escalas ordinales en parcelas de vegetación, concluyendo que la estimación directa en porcentajes es más precisa para análisis numéricos.
Rai et al. (2023): Presenta un dataset de imágenes de malezas comunes en Dakota del Norte capturadas por UAV y cámaras terrestres, diseñado para mejorar los algoritmos de visión computacional en la agricultura de precisión.
Ruigrok et al. (2023): Examina cómo la variabilidad en los datasets de entrenamiento afecta la generalización de los modelos de detección de plantas, utilizando incremental training para mejorar la precisión en nuevos campos agrícolas.
Venkataraju et al. (2023): Revisión de técnicas de ML para la identificación de malezas en maíz, destacando la importancia de aumentar el volumen de datos y aplicar el aprendizaje por transferencia para mejorar la precisión de los modelos.
Coleman y Salter (2023): Discute el impacto del código abierto en la ciencia de las plantas y la agricultura de precisión, destacando la necesidad de colaboración interdisciplinaria para avanzar en el control de malezas y el fenotipado.
Steininger et al. (2023): Introduce el dataset CropAndWeed, que contiene 8k imágenes de cultivos y malezas anotadas para facilitar la identificación y manipulación precisa en la agricultura de precisión.

B.3 Notas sobre Muestreo

Muestreo: Métodos y técnicas de muestreo para la evaluación y monitoreo de malezas.

Riepma y Weng (1963): El artículo compara diferentes métodos para registrar malezas herbáceas en experimentos de control de malezas. Se evalúan la precisión y practicidad de varios enfoques, proporcionando recomendaciones para seleccionar métodos adecuados en investigaciones experimentales (Riepma and Weng, 1963).
Cousens (1988): Cousens aborda las interpretaciones erróneas en la investigación sobre malezas debidas al uso inapropiado de estadísticas. El artículo destaca la importancia de la correcta aplicación de métodos estadísticos para obtener resultados válidos y confiables en estudios de malezas (Cousens, 1988).
McAuliffe (1990): McAuliffe propone un método rápido para estimar la densidad y cobertura en comunidades vegetales desérticas. El método es útil para evaluaciones rápidas y eficaces en investigaciones ecológicas y programas de manejo en áreas áridas (McAuliffe, 1990).
Berti et al. (1992): El artículo examina la distribución de frecuencias de conteos de malezas y la aplicabilidad de un método de muestreo secuencial en el manejo integrado de malezas. Se discute la viabilidad de usar estos métodos para mejorar la eficiencia y precisión en la evaluación y control de poblaciones de malezas (Berti et al., 1992).
Hess et al. (1997): Este artículo introduce la escala BBCH extendida para describir las etapas de crecimiento de especies de malezas monocotiledóneas y dicotiledóneas. La escala proporciona una terminología estandarizada para describir el desarrollo fenológico, facilitando la comunicación y comparación en investigaciones agrícolas (Hess et al., 1997).
Binns et al. (2001): Este artículo revisa diversas técnicas de muestreo y monitoreo en la protección de cultivos. Se analizan métodos para detectar y cuantificar plagas y enfermedades, con un enfoque en la implementación de estrategias de manejo integrado que optimicen la protección de los cultivos (Binns et al., 2001).
Ambrosio et al. (2004): Este estudio evalúa diferentes métodos de muestreo y determina el tamaño de muestra adecuado para estimar el banco de semillas de malezas en el suelo, considerando la variabilidad espacial. Se enfoca en optimizar el muestreo para obtener estimaciones precisas y confiables, cruciales para la planificación de estrategias de manejo de malezas (Ambrosio et al., 2004).
Onofri et al. (2010a): El artículo aborda cuestiones estadísticas actuales en la investigación sobre malezas. Se discuten problemas comunes y se proponen soluciones metodológicas para mejorar la precisión y validez de los estudios sobre manejo de malezas (Onofri et al., 2010).
Gandía et al. (2022): Compara la eficiencia de dos metodologías para evaluar el banco de semillas de malezas en condiciones mediterráneas, encontrando diferencias significativas según el método y el entorno.
Padonou et al. (2022): Revisión de los métodos de estimación del banco de semillas del suelo, proponiendo trabajos adicionales en África para mejorar la precisión y eficiencia de estos métodos en diferentes contextos.

B.4 Notas sobre Evaluación de Eficacia

EvaluaciónEficacia: Evaluación de la eficacia de herbicidas y métodos de control de malezas.

EPPO (1989): Las directrices de la EPPO ofrecen procedimientos para evaluar la eficacia de herbicidas. Se detallan criterios y metodologías para ensayos de campo y laboratorio, proporcionando un marco estandarizado para la evaluación comparativa de productos herbicidas (EPPO, 1989).
Turner et al. (1992): El artículo presenta un análisis logístico para monitorear y evaluar la eficacia de herbicidas. Se destacan técnicas estadísticas y su aplicación en la interpretación de datos de ensayos de herbicidas, proporcionando herramientas para mejorar la toma de decisiones en el manejo de malezas (Turner et al., 1992).
Vanhala et al. (2004): Este documento ofrece directrices para la investigación en control físico de malezas, incluyendo el deshierbe con llama, el escardado y la cultivación entre hileras. Se presentan metodologías y prácticas recomendadas para evaluar y mejorar estas técnicas de control no químico de malezas (Vanhala et al., 2004).
Jones y Medd (2005): El artículo propone una metodología para evaluar el riesgo y la eficacia de tecnologías de manejo de malezas. Se presentan criterios y procedimientos para la evaluación de diferentes tecnologías, con el objetivo de optimizar las decisiones de manejo basadas en el riesgo y la eficacia (Jones y Medd, 2005).
EPPO (2007): Este estándar describe la realización de ensayos para la evaluación de la eficacia de herbicidas en cereales de grano pequeño. La evaluación de la eficacia de un herbicida implica un programa de ensayos para la valoración del control de malezas y la selectividad en el cultivo. El documento proporciona instrucciones detalladas para la realización de ensayos individuales, así como recomendaciones generales para el programa completo de evaluación, excluyendo el control de malezas antes de la cosecha (EPPO, 2007).
EPPO (2012): Este documento de la EPPO proporciona directrices para el diseño y análisis de ensayos de evaluación de eficacia. Incluye metodologías y criterios para llevar a cabo ensayos comparativos de productos fitosanitarios, asegurando resultados confiables y reproducibles (EPPO, 2012).
Yue et al. (2020): Este estudio evaluó la lectura de SPAD y el índice de SPAD para estimar el estado de nitrógeno en el trigo de invierno. Los resultados mostraron que ambos métodos proporcionan estimaciones precisas, apoyando la gestión de nutrientes en el cultivo de trigo (Yue et al., 2020).
Rasmussen et al. (2021b): Introduce un método para cuantificar la supresión de malezas, la tolerancia del cultivo y el rendimiento en ausencia de malezas en ensayos de variedades de cereales sin parcelas libres de malezas.

B.5 Notas sobre Análisis de Imágenes

AnálisisImagen: Técnicas y herramientas de análisis de imágenes para la identificación y monitoreo de malezas.

Berge et al. (2008): Este estudio evalúa un algoritmo para la detección automática de malezas de hoja ancha en cereales de primavera. La investigación se centra en la precisión y efectividad del algoritmo en identificar malezas, proponiendo mejoras para su implementación en prácticas agrícolas (Berge et al., 2008).
Weis y Sökefeld (2010): El artículo discute técnicas de detección e identificación de malezas en el contexto de la protección de cultivos de precisión. Se revisan métodos basados en sensores y análisis de imágenes, y su aplicación para mejorar el manejo de malezas en la agricultura moderna (Weis y Sökefeld, 2010).
Lati et al. (2011): Este estudio desarrolla métodos robustos para la medición del área de cobertura foliar y biomasa a partir de datos de imágenes. Se discuten técnicas de procesamiento de imágenes y su aplicación en la cuantificación precisa de parámetros vegetativos, relevantes para el manejo de malezas (Lati et al., 2011).
Schneider et al. (2012): El artículo revisa la evolución de ImageJ, un software de análisis de imágenes ampliamente utilizado. Se discuten sus aplicaciones y mejoras a lo largo de 25 años, destacando su importancia en la investigación científica, incluyendo estudios de detección de malezas (Schneider et al., 2012).
Dittmann et al. (2012): Este trabajo presenta un enfoque de análisis de imágenes para detectar parches de malezas perennes en cereales en maduración. Se discuten las técnicas de procesamiento de imágenes y su efectividad en la identificación temprana de malezas, facilitando intervenciones de control más precisas (Dittmann et al., 2012).
Peña et al. (2015): El estudio cuantifica la eficacia y las limitaciones de la tecnología UAV para la detección de plántulas de malezas, analizando cómo la resolución del sensor afecta la precisión de la detección (Peña et al., 2015).
Wendel y Underwood (2016): Este estudio introduce un sistema de detección de malezas auto-supervisado utilizando imágenes hiperespectrales a nivel del suelo, enfocado en cultivos de vegetales para mejorar la precisión del manejo integrado de malezas (Wendel y Underwood, 2016).
Pérez-Ortiz et al. (2016): El artículo discute la selección de patrones y características para la cartografía de malezas entre y dentro de hileras de cultivos utilizando imágenes de UAV, mejorando la precisión en la detección y manejo de malezas (Pérez-Ortiz et al., 2016).
Gai (2016): Este estudio de maestría aborda la detección, localización y discriminación de plantas utilizando visión por computadora 3D para el control robótico de malezas entre hileras, proponiendo mejoras en la automatización agrícola (Gai, 2016).
Dyrmann (2017): La investigación se centra en la detección y clasificación automática de plántulas de malezas bajo condiciones de luz natural, utilizando técnicas avanzadas de visión por computadora para mejorar las prácticas de manejo de malezas (Dyrmann, 2017).
Zhang et al. (2018): Este estudio presentó un sistema de detección de malezas de hoja ancha en pastizales utilizando técnicas de visión por computadora. La metodología demostró ser eficaz en la identificación de malezas, permitiendo un manejo más efectivo de los pastizales (Zhang et al., 2018).
Smith et al. (2018): El estudio introdujo métodos innovadores de visión artificial 3D y 2D para el análisis de plantas y cultivos en campo. Estas técnicas mejoraron la precisión en la evaluación de la salud y crecimiento de los cultivos, apoyando la toma de decisiones en la agricultura de precisión (Smith et al., 2018).
Sandino y Gonzalez (2018): Se propone un nuevo enfoque para encuestas de malezas invasoras y vegetación utilizando UAS e inteligencia artificial. La metodología permitió una detección y monitoreo precisos de malezas invasoras, proporcionando datos valiosos para el manejo ambiental (Sandino y Gonzalez, 2018).
Kounalakis et al. (2018): Se desarrolló un marco de reconocimiento basado en imágenes para sistemas robóticos de control de malezas. La metodología demostró ser efectiva para la identificación y localización de malezas, mejorando la eficiencia de los sistemas de control robótico (Kounalakis et al., 2018).
Huang et al. (2018b): Se desarrolló un enfoque de etiquetado semántico para el mapeo preciso de malezas utilizando imágenes de alta resolución de UAV. Este método mejoró la precisión en la identificación y clasificación de malezas, apoyando la gestión específica de estas (Huang et al., 2018)
Farooq et al. (2018): Este estudio aplicó redes neuronales profundas para la clasificación de malezas en imágenes hiperespectrales. Los resultados mostraron una alta precisión en la identificación de especies de malezas, demostrando el potencial de estas técnicas para la agricultura de precisión (Farooq et al., 2018).
De Castro et al. (2018): Se desarrolló un algoritmo automático de Random Forest-OBIA para el mapeo temprano de malezas utilizando imágenes de UAV. La metodología permitió la detección precisa de malezas entre y dentro de las hileras de cultivos, facilitando intervenciones tempranas y efectivas (De Castro et al., 2018).
Andújar et al. (2018): El estudio utilizó fotogrametría de bajo costo para modelar tridimensionalmente plantas de malezas. Los modelos 3D obtenidos permitieron una evaluación precisa de la biomasa y la estructura de las malezas, mejorando el manejo específico de estas en los cultivos (Andújar et al., 2018).
van Helfteren (2019): Este trabajo comparó la resolución de imágenes basadas en UAV con el rendimiento de la detección de malezas utilizando aprendizaje profundo. Los resultados indicaron que la resolución de la imagen afecta significativamente la precisión de la detección, con implicaciones para el diseño de sistemas de UAV en la agricultura (Helfteren, 2019).
Rico-Fernández et al. (2019): Este trabajo propone un enfoque contextualizado para la segmentación del follaje en diferentes especies de cultivos. Utilizando técnicas de visión por computadora, se logró una segmentación precisa, mejorando el manejo específico de sitio y la toma de decisiones en la agricultura (Rico-Fernández et al., 2019).
Martinez-Guanter et al. (2019): El estudio desarrolló un sistema de modelado tridimensional de bajo costo para plantas de cultivo. Los modelos 3D obtenidos permitieron una evaluación precisa de la biomasa y la estructura de los cultivos, mejorando la gestión y el monitoreo en la agricultura de precisión (Martinez-Guanter et al., 2019).
Matias et al. (2020): Se presentó FIELDimageR, un paquete de R para analizar imágenes ortomosaico de ensayos de campo agrícola. La herramienta permitió un análisis detallado y preciso de las imágenes, facilitando la toma de decisiones en el manejo de cultivos (Matias et al., 2020).
Ahmad et al. (2021): Evaluación comparativa de modelos de aprendizaje profundo para la clasificación y detección de malezas comunes en sistemas de producción de maíz y soja (Ahmad et al., 2021).
Fawakherji et al. (2021): Síntesis de imágenes multiespectrales para la segmentación de cultivos/malezas en agricultura de precisión (Fawakherji et al., 2021).
Gromova (2021): Detección de malezas en imágenes UAV de cultivos de cereales utilizando segmentación de instancias (Gromova, 2021).
Nuijten et al. (2021): Evaluación del uso de fotogrametría aérea digital basada en drones para caracterizar la estructura de la vegetación en programas de restauración ecológica (Nuijten et al., 2021).
Osco et al. (2021): Propuesta de un método de CNN para contar plantas y detectar filas de plantación simultáneamente en imágenes UAV, mejorando la gestión agrícola (Osco et al., 2021).
Quan et al. (2021): Método de segmentación de instancias para obtener la edad de las hojas y el centro de las plantas de malezas en condiciones de campo complejo, usando BlendMask y ResNet101 (Quan et al., 2021).
Reedha et al. (2021): Adopta modelos Vision Transformer para la clasificación de cultivos y malezas en imágenes de UAV, mostrando una alta precisión del 99.8% en comparación con modelos CNN tradicionales.
Shorewala et al. (2021): Propone un enfoque semi-supervisado basado en aprendizaje profundo para estimar la densidad y distribución de malezas en campos de cultivo utilizando imágenes adquiridas por robots autónomos.
Singh y Singh (2021): Presenta un enfoque avanzado de procesamiento de imágenes para el análisis de color y textura en imágenes de UAV para la detección de malezas en cultivos de caña de azúcar.
Wu et al. (2021): Revisa métodos de detección de malezas basados en visión por computadora, analizando técnicas de procesamiento de imágenes tradicionales y basadas en deep learning para la identificación precisa de malezas.
David et al. (2021): Detección y conteo de plantas a partir de imágenes RGB de alta resolución adquiridas con UAVs. Comparación entre métodos de deep learning y métodos manuales para maíz, remolacha y girasol (David et al., 2021).
Lam et al. (2021): Propone un flujo de trabajo de código abierto para la cartografía de malezas en pastizales usando UAV, logrando una precisión del 92.1% en la detección de Rumex obtusifolius (Lam et al., 2021).
Gao et al. (2022): Desarrolla una red convolucional profunda que transfiere patrones aprendidos de imágenes de campo a imágenes aéreas de UAV para la segmentación de cultivos y malezas.
Hu et al. (2022): Propone un enfoque basado en gráficos 3D para modelar vegetación agrícola realista y mejorar el entrenamiento de sistemas de visión por computadora para la detección de malezas.
Pargieła (2022): Utiliza YOLO para la detección y enmascaramiento de vehículos en imágenes de UAV, mejorando la calidad de productos fotogramétricos como DEMs y ortofotomapas.
Picon et al. (2022): Segmentation basada en deep learning de múltiples especies de malezas y cultivos de maíz usando datasets sintéticos y reales, destacando la importancia de las herramientas digitales en la automatización del monitoreo de malezas.
Sapkota et al. (2022): Examina el uso de imágenes sintéticas para entrenar modelos de deep learning en la detección de malezas y estimación de biomasa en algodón, destacando el uso de Mask R-CNN en la segmentación precisa de malezas.
Weyler et al. (2022): Presenta un método para la segmentación conjunta de plantas y hojas en imágenes UAV de parcelas de cultivo, superando a los enfoques de vanguardia en la segmentación a nivel de instancia.
Mylonas et al. (2022): Introduce la biblioteca Eden, una base de datos a largo plazo para almacenar conjuntos de datos multisensoriales agrícolas de UAV y plataformas proximales, facilitando aplicaciones habilitadas por AI en el campo.
Veeragandham y Santhi (2022): Revisión sobre el papel de IoT, procesamiento de imágenes y técnicas de aprendizaje automático en la detección de malezas, destacando los avances recientes y desafíos en el campo.
Ariouat et al. (2023): Utiliza técnicas de detección de objetos y segmentación de imágenes para extraer máscaras de imágenes de especímenes de herbario, facilitando el análisis de grandes colecciones de datos.
Carraro et al. (2023): Evalúa el modelo Segment Anything (SAM) para la segmentación semántica de objetos en la agricultura de precisión, destacando su capacidad de generalización sin entrenamiento adicional.
Pöttker et al. (2023): Desarrolla una red de segmentación semántica para evaluar la densidad de múltiples especies de malezas, alcanzando una precisión del 97% en entornos complejos y una correlación alta con evaluaciones manuales.
Priyanka et al. (2023): Propone un método de umbralización basado en la entropía relativa para la segmentación de cultivos en imágenes de UAV, superando a métodos tradicionales como Otsu y Kapur.
Sahin et al. (2023): Propone una red U-Net mejorada con CRF para la segmentación de malezas y cultivos en imágenes multiespectrales de girasol, alcanzando un IoU medio de 0.883.
Tseng et al. (2023): Desarrolla un método de detección de objetos semi-supervisado para imágenes agrícolas, mejorando el rendimiento en un nuevo dataset agrícola comparado con los métodos tradicionales.
Yu et al. (2023): Proponen una red LSTM-PSPNet mejorada para la segmentación de acame en trigo usando imágenes UAV, logrando una precisión del 95.2% y optimizando la extracción de información temporal en distintas etapas de crecimiento.
Zou et al. (2023): Desarrolla una red de segmentación semántica para evaluar la densidad de múltiples especies de malezas, alcanzando una precisión del 97% en entornos complejos y una correlación alta con evaluaciones manuales.
Kitzler et al. (2023): Introduce WE3DS, el primer conjunto de datos RGB-D para la segmentación semántica de especies de plantas en la agricultura, mostrando que la información adicional de distancia mejora la calidad de la segmentación.
Corceiro et al. (2023): Revisión de métodos de detección y clasificación de malezas usando IA para mejorar la sostenibilidad de los cultivos agrícolas, destacando los avances recientes y desafíos tecnológicos.
Luo et al. (2023): Revisa los avances recientes en la segmentación semántica de imágenes agrícolas, destacando la necesidad de mejorar la robustez y la capacidad de generalización de los métodos actuales, así como la importancia de la información multimodal.
Xiang et al. (2023): Presenta CTFuseNet, una red que combina CNN y Transformer para mejorar la segmentación de tipos de cultivos en imágenes UAV, superando a los modelos de vanguardia como U-Net y SegFormer.
Wolff et al. (2023): Compara la eficacia de imágenes RGB y multiespectrales en la cartografía de comunidades vegetales en turberas, utilizando métodos de clasificación no supervisada y Random Forest.

B.6 Notas sobre Evaluación Remota

EvaluaciónRemota: Uso de tecnologías de detección remota para la identificación y monitoreo de malezas.

P. K. Goel et al. (2002): Este estudio investiga el uso de imágenes multiespectrales aéreas para la detección de malezas en cultivos de campo. Se analizan técnicas de teledetección y su efectividad en la identificación y monitoreo de poblaciones de malezas, mejorando las prácticas de manejo integrado de malezas (P. K. Goel et al., 2002).
Thorp y Tian (2004): Esta revisión analiza el estado actual y las perspectivas futuras de la teledetección de malezas en la agricultura. Se discuten tecnologías y metodologías, así como su aplicabilidad y limitaciones, en el contexto del manejo de malezas de precisión (Thorp y Tian, 2004).
Madden (2004): El artículo describe el uso de teledetección y sistemas de información geográfica (SIG) para la cartografía de vegetación exótica invasora. Se presentan metodologías y casos de estudio que demuestran la efectividad de estas tecnologías en la identificación y monitoreo de especies invasoras (Madden, 2004).
Noonan y Chafer (2007): Este estudio presenta un método para mapear la distribución de sauces a escala de cuenca utilizando imágenes SPOT5 bisezonales. Se discuten las técnicas de análisis de imágenes y su aplicabilidad en la gestión de especies invasoras en ecosistemas acuáticos (Noonan y Chafer, 2007).
Wang (2008): Este estudio investiga la cartografía de la dispersión de especies invasoras utilizando datos de teledetección de múltiples resoluciones. Se presentan técnicas y resultados que demuestran la efectividad de estas herramientas para monitorear y gestionar la propagación de especies invasoras (Wang, 2008).
Grenzdörffer et al. (2008): Este estudio evalúa el potencial fotogramétrico de UAVs de bajo costo en la silvicultura y la agricultura. Se presentan casos de uso y resultados que demuestran la viabilidad de estos UAVs para aplicaciones de cartografía y monitoreo en entornos agrícolas y forestales (Grenzdörffer et al., 2008).
Zhu et al. (2012): El estudio compara los valores de SPAD y atLEAF para la evaluación de clorofila en especies de cultivos. Se discuten las diferencias y similitudes entre ambos métodos, proporcionando recomendaciones para su uso en la monitorización del estado nutricional de los cultivos (Zhu et al., 2012).
de Castro et al. (2012): Este estudio investiga el uso de imágenes multiespectrales aéreas para mapear malezas crucíferas en cultivos de cereales y leguminosas. Se evalúan técnicas de teledetección y su aplicabilidad en la identificación precisa de malezas, mejorando las estrategias de manejo de cultivos (Castro et al., 2012).
Herrmann et al. (2013): Este trabajo investiga el uso de imágenes hiperespectrales a nivel del suelo para la detección de malezas en campos de trigo. Se discuten las técnicas de adquisición y análisis de imágenes, así como su precisión en la identificación de diferentes especies de malezas (Herrmann et al., 2013).
Lehoczky et al. (2014): La investigación aborda la cartografía de malezas basada en métodos integrados de teledetección, ofreciendo soluciones para mejorar la precisión y eficiencia en el manejo de malezas a través de tecnologías avanzadas (Lehoczky et al., 2014).
Koot (2014): El artículo explora el uso de vehículos aéreos no tripulados (UAV) para la detección de malezas en sistemas agrícolas, presentando avances en tecnologías de detección y sus aplicaciones prácticas (Koot, 2014).
Gómez-Candón et al. (2014): Este estudio evalúa la precisión de los mosaicos generados a partir de imágenes de UAV para fines de agricultura de precisión en trigo, destacando la importancia de la teledetección en la gestión específica de cultivos (Gómez-Candón et al., 2014).
Eddy et al. (2014): El artículo investiga la discriminación entre malezas y cultivos utilizando datos de imágenes hiperespectrales y conjuntos de bandas reducidas, proporcionando una metodología para mejorar la precisión del manejo de malezas (Eddy et al., 2014).
Bryson et al. (2014): El artículo describe el uso de vehículos aéreos no tripulados (UAV) para la cartografía económica en aplicaciones de monitoreo ecológico. Se presentan metodologías y casos de estudio que demuestran la eficiencia y precisión de los UAV en la detección y monitoreo de malezas y otras características ecológicas (Bryson et al., 2014).
Rabatel y Labbé (2015): El artículo presenta una cadena de procesamiento totalmente automatizada para la adquisición de imágenes multiespectrales de alta resolución de parcelas de cultivos mediante UAV, destacando su aplicación en la agricultura de precisión (Rabatel y Labbé, 2015).
Mesas-Carrascosa et al. (2015): El estudio evalúa los parámetros de vuelo óptimos para generar ortomosaicos multiespectrales precisos mediante UAV, apoyando la gestión específica del sitio en cultivos agrícolas (Mesas-Carrascosa et al., 2015).
Dvořák et al. (2015): Este artículo investiga el uso de vehículos aéreos no tripulados (UAV) para la detección y monitoreo de especies de plantas invasoras, demostrando su efectividad en la gestión y control de estas especies (Dvořák et al., 2015).
Yano et al. (2016): La investigación utiliza imágenes capturadas por UAV y un clasificador Random Forest para identificar malezas en campos de caña de azúcar, demostrando la efectividad de estas tecnologías en la gestión precisa de cultivos (Yano et al., 2016).
López-Granados et al. (2016): Este estudio investiga la cartografía temprana de malezas en girasol utilizando tecnología UAV, evaluando la variabilidad de los mapas de tratamiento herbicida en relación con los umbrales de malezas (López-Granados et al., 2016).
Delgado-Vera et al. (2017): El estudio presenta un software de fotogrametría como herramienta para la agricultura de precisión, destacando su aplicación práctica en la mejora del monitoreo y gestión de cultivos mediante análisis detallados y precisos de imágenes (Delgado-Vera et al., 2017).
Barrows y Bulanon (2017): Se desarrolló una cámara multispectral de bajo costo para el monitoreo aéreo de cultivos. La cámara mostró ser efectiva para detectar diferencias en la salud de los cultivos y la presencia de malezas, ofreciendo una solución económica para la agricultura de precisión (Barrows y Bulanon, 2017).
Agüera-Vega et al. (2017): Este estudio evaluó la precisión del mapeo fotogramétrico utilizando vehículos aéreos no tripulados (UAV) en función de la variación del número de puntos de control en tierra (GCP). Los resultados mostraron que un mayor número de GCP mejora la precisión del mapeo, siendo esencial para aplicaciones de precisión en agricultura (Agüera-Vega et al., 2017).
Zisi et al. (2018): Se incorporó información de elevación de la superficie en imágenes multiespectrales de UAV para el mapeo de parches de malezas. Este enfoque mejoró la precisión en la detección de malezas, proporcionando datos más detallados para el manejo de estas en los cultivos (Zisi et al., 2018)
Weber et al. (2018): Este trabajo presenta un sistema de bajo costo para optimizar la aplicación de pesticidas basado en tecnologías móviles y visión por computadora. El sistema permitió una aplicación precisa y dirigida de pesticidas, reduciendo el uso de químicos y mejorando la eficiencia en el control de malezas (Weber et al., 2018).
Stroppiana et al. (2018): Este estudio utilizó datos multiespectrales de UAV para el mapeo temprano de malezas en cultivos de arroz. Los resultados indicaron que la detección temprana permite intervenciones más efectivas, mejorando el control de malezas y la productividad del cultivo (Stroppiana et al., 2018)
Huang et al. (2018a): Este estudio implementó redes completamente convolucionales para el mapeo preciso de malezas y la generación de mapas de prescripción utilizando imágenes de UAV. Los resultados mostraron una alta precisión en la identificación y mapeo de malezas, apoyando la gestión específica de estas (Huang et al., 2018)
Huang et al. (2018c): El estudio exploró el uso de UAV para la teledetección a baja altitud en el manejo de malezas. Los resultados indicaron que esta tecnología es eficaz para la detección precisa de malezas, facilitando aplicaciones de herbicidas más eficientes y dirigidas (Huang et al., 2018).
Hassanein y El-Sheimy (2018): Se desarrolló un procedimiento eficiente de detección de malezas utilizando un sistema de imágenes UAV de bajo costo para aplicaciones en agricultura de precisión. La metodología permitió una detección precisa de malezas, optimizando el manejo de cultivos (Hassanein y El-Sheimy, 2018).
Congress (2018): Este trabajo se centró en el monitoreo de infraestructuras utilizando sistemas UAV multifacéticos y análisis de datos de fotogrametría a corta distancia. Aunque no específicamente centrado en la detección de malezas, las metodologías desarrolladas tienen aplicaciones potenciales en la agricultura de precisión (Congress, 2018)
Barrero y Perdomo (2018): El estudio investigó la fusión de imágenes RGB y multiespectrales obtenidas por UAV para la detección de malezas de la familia Gramineae en campos de arroz. Los resultados mostraron una mejora significativa en la detección de malezas utilizando la fusión de ambas fuentes de imágenes (Barrero y Perdomo, 2018)
Tsouros et al. (2019): El trabajo revisa métodos de adquisición y análisis de datos en aplicaciones basadas en UAV para la agricultura de precisión. Se discuten diferentes técnicas y sus aplicaciones, proporcionando una visión comprensiva de las tecnologías emergentes en este campo (Tsouros et al., 2019).
Rasmussen et al. (2019): Este estudio utilizó UAV comerciales para mapear malezas de Cirsium arvense en trigo y cebada antes de la cosecha. Los resultados demostraron la viabilidad de esta tecnología para mejorar la gestión de malezas en cultivos de granos (Rasmussen et al., 2019).
Ponce-Corona et al. (2019): Esta revisión sistemática analiza la detección de vegetación utilizando imágenes de UAV. Se discuten diferentes metodologías y tecnologías, proporcionando una visión general de los avances y desafíos en la detección de malezas (Ponce-Corona et al., 2019).
Mudereri et al. (2019): Se compararon sensores espaciales Planetscope y Sentinel-2 para mapear la maleza Striga utilizando un conjunto de clasificación de bosque aleatorio regularizado guiado. Los resultados mostraron diferencias en la precisión de la detección, destacando la importancia de la selección del sensor (Mudereri et al., 2019).
Lam et al. (2019): Este trabajo utilizó UAV para mapear la invasión de Rumex obtusifolius en pastizales. La metodología permitió la detección precisa de esta maleza invasora, apoyando la gestión y control en áreas de pastizales (Lam et al., 2019).
Hu et al. (2019): Este estudio analizó cómo el tamaño del píxel de las imágenes aéreas limita las aplicaciones de UAV en la mejora de cultivos. Los hallazgos sugieren que la resolución de la imagen es crucial para la precisión y aplicabilidad en la selección de cultivos (Hu et al., 2019).
Hassanein et al. (2019): Se desarrolló un procedimiento para la detección de hileras de cultivos utilizando un sistema de imágenes UAV de bajo costo. La metodología permitió una identificación precisa de las hileras, facilitando la gestión de los cultivos y la aplicación de técnicas de agricultura de precisión (Hassanein et al., 2019).
Tsouros et al. (2020): Este trabajo propone un sistema completamente de código abierto para la monitorización de cultivos con UAVs en la agricultura de precisión. La implementación mostró ser efectiva y accesible, facilitando la adopción de tecnologías de precisión en la agricultura (Tsouros et al., 2020).
Sapkota et al. (2020): Este estudio utilizó sistemas de imágenes a bordo de UAV para mapear y estimar malezas en cultivos de algodón. Los resultados demostraron una alta precisión en la detección de malezas, mejorando la toma de decisiones en el manejo de cultivos de algodón (Sapkota et al., 2020).
McCarthy et al. (2020): Se desarrolló un imager multiespectral de bajo costo para aplicaciones agrícolas. La tecnología permitió la adquisición de datos precisos a un costo reducido, mejorando la accesibilidad y adopción en la agricultura de precisión (McCarthy et al., 2020).
Librán-Embid et al. (2020): Esta revisión sistemática analiza el uso de UAVs para crear paisajes agrícolas amigables con la biodiversidad. Se discuten diversas aplicaciones y beneficios, destacando el potencial de los UAVs en la conservación de la biodiversidad (Librán-Embid et al., 2020).
Kavhiza Nyasha et al. (2020): Este artículo revisa las tecnologías de mapeo de malezas para discernir y gestionar los niveles de infestación de malezas en los sistemas agrícolas. Se discuten diferentes enfoques y tecnologías, proporcionando una visión general de los avances en el manejo de malezas (Kavhiza Nyasha et al., 2020).
Huang et al. (2020): Este estudio comparó el aprendizaje profundo con el análisis de imágenes basado en objetos (OBIA) para el mapeo de malezas en imágenes de UAV. Los hallazgos mostraron que el aprendizaje profundo supera a OBIA en términos de precisión y eficiencia (Huang et al., 2020).
Hassanein (2020): Este trabajo se centró en el desarrollo de sistemas de imágenes UAV para el manejo específico de sitio de malezas. Los resultados demostraron la viabilidad y eficiencia de estos sistemas en la gestión precisa de malezas (Hassanein, 2020).
Gée y Denimal (2020): Se utilizaron indicadores derivados de imágenes RGB para evaluar espacialmente el impacto de malezas de hoja ancha en la biomasa del trigo. Los resultados permitieron una evaluación detallada del impacto de las malezas en la producción de trigo (Gée y Denimal, 2020).
Gašparović et al. (2020): Se desarrolló un método automático para el mapeo de malezas en campos de avena utilizando imágenes de UAV. La metodología permitió una detección precisa de malezas, mejorando la gestión y control en campos de avena (Gašparović et al., 2020).
Abioye (2020): Se desarrolló una plataforma robótica aérea basada en sensores RGB para la agricultura de precisión sostenible. La plataforma permitió la monitorización precisa de cultivos y malezas, apoyando prácticas agrícolas sostenibles (Abioye, 2020).
Vacca (2020): Presentación de WebODM, un software de código abierto para procesos fotogramétricos utilizando drones. Este software permite una mayor accesibilidad y precisión en la fotogrametría (Vacca, 2020).
Agüera-Vega et al. (2021): Este estudio desarrolla un método de co-registro de imágenes de múltiples sensores montados en UAVs o vehículos terrestres, evaluando su precisión. Las imágenes corregidas permiten calcular nuevos índices radiométricos y geométricos útiles en la agricultura (Agüera-Vega et al., 2021).
de Camargo et al. (2021): Optimización de un modelo de aprendizaje profundo para la clasificación de especies de malezas en imágenes de UAV en cultivos de trigo de invierno (Camargo et al., 2021).
Hahn et al. (2021): Detección y cuantificación de malezas de hoja ancha en céspedes utilizando imágenes multiespectrales de corto alcance con clasificación basada en píxeles y objetos (Hahn et al., 2021).
Hobba et al. (2021): Se utilizó segmentación semántica en imágenes UAV para detectar y clasificar malezas en una granja de NSW, optimizando la aplicación de herbicidas (Hobba et al., 2021).
Kutugata et al. (2021): El estudio evalúa la viabilidad de usar imágenes UAV para estimar la producción de semillas en escapes de malezas tardías en cultivos de soja y algodón (Kutugata et al., 2021).
Liu (2021): Revisión de la detección de vegetación en parches a partir de datos de teledetección, enfocándose en tecnologías y aplicaciones recientes en la identificación de malezas (Liu, 2021).
Marin et al. (2021): Compara el rendimiento en la detección de malezas con imágenes RGB y térmicas obtenidas a diferentes alturas con drones en un campo de golf infestado de Daucus carota (Marin et al., 2021).
Mattivi et al. (2021): Estudio de la viabilidad de drones de bajo costo y software GIS de código abierto para la cartografía semi-automática de malezas en pequeños y medianos campos agrícolas (Mattivi et al., 2021).
Minch et al. (2021): Uso de UAVs y fotogrametría para crear modelos tridimensionales de la estructura del dosel de alfalfa, optimizando la gestión del rendimiento del cultivo (Minch et al., 2021).
Mohidem et al. (2021): Revisión de la aplicación de UAVs para la detección de malezas en campos agrícolas, destacando su uso para la gestión eficiente y sostenible de malezas (Mohidem et al., 2021).
Rasmussen et al. (2021a): Evaluación de imágenes satelitales de Sentinel-2 y UAV para mapear malezas como Cirsium arvense antes de la cosecha, proponiendo una gestión más precisa de herbicidas (Rasmussen et al., 2021).
Rozenberg et al. (2021): Utiliza UAVs de grado de consumidor para detectar y analizar patrones espaciales de malezas en campos de cebolla, contribuyendo a una gestión precisa de malezas en campos comerciales.
Tang et al. (2021): Valida la predictibilidad de la biomasa de la alfalfa usando fotogrametría de UAV con segmentación automática de parcelas, mejorando la eficiencia del fenotipado de alto rendimiento.
Zhang et al. (2021): Resumen de la aplicación del monitoreo agrícola con UAV a baja altitud en China, discutiendo sus ventajas técnicas y limitaciones en la agricultura de precisión.
de Castro et al. (2021): Revisión sobre el uso de UAVs para el monitoreo de vegetación y las contribuciones científicas recientes en esta área (Castro et al., 2021).
Rosle et al. (2021): Revisa técnicas de detección de malezas en campos de arroz utilizando técnicas de detección remota, destacando la eficacia de la tecnología en la gestión de malezas en agricultura.
Andujar y Martinez-Guanter (2022): Ofrece una visión general del mapeo de malezas de precisión y la gestión basada en la detección remota, abordando desafíos y soluciones en la agricultura de precisión.
Dobbs et al. (2022): Explora el uso de la tecnología de imagen 3D para mejorar la comprensión de las respuestas de las malezas a las tácticas de manejo, facilitando el control preciso de malezas en tiempo real.
Fraccaro et al. (2022): Aplicación de deep learning para mapear la extensión espacial de malezas a partir de imágenes de UAV, mostrando alta precisión en la detección de black-grass en campos de trigo.
Gerhards et al. (2022): Revisión de los avances en la gestión de malezas específica del sitio, incluyendo tecnologías de IA y sensores para tratamientos precisos de control de malezas.
Khan (2022): Compara el análisis de imágenes aéreas y el monitoreo a nivel del suelo de estrategias de control de malezas en los ríos Rakaia y Clarence.
Mattilio (2022): Aborda la cartografía remota y el modelado espacial para la gestión de malezas nocivas en el oeste intermontañoso, utilizando métodos de detección remota avanzados.
Rosle et al. (2022): Utiliza imágenes aéreas multispectrales de UAV para la detección de malezas en campos de arroz, evaluando la eficacia de las técnicas de detección remota en el control de malezas.
Valente et al. (2022): Mapea Rumex obtusifolius en áreas de conservación natural utilizando imágenes de UAV y aprendizaje profundo, destacando la efectividad de MobileNet a baja altura de vuelo.
Vélez et al. (2022): Proporciona un conjunto de imágenes RGB de UAV de alta resolución y reconstrucción fotogramétrica 3D en un huerto de pistacho, útil para la agricultura de precisión y estudios fotogramétricos.
Coleman et al. (2022b): Presenta OWL, un dispositivo de detección de malezas de bajo costo y código abierto para mejorar la accesibilidad de la tecnología de control de malezas específica del sitio.
Hafeez et al. (2022): Analiza la implementación de drones para el monitoreo agrícola y la pulverización de pesticidas, destacando el uso de AI y aprendizaje profundo para mejorar la eficiencia de la agricultura de precisión.
Amarasingam et al. (2023): Explora el uso de drones y aprendizaje automático para la detección autónoma de hawkweed, logrando una alta precisión en la identificación de flores y hojas con modelos RF y XGB.
Anderegg et al. (2023): Evaluación de imágenes aéreas de UAV para el monitoreo de malezas en trigo bajo diferentes condiciones de manejo y clima, resaltando la importancia de la alta resolución para la detección precisa.
Correa Martins et al. (2023): Identifica especies de plantas en agujeros de caldera usando imágenes de UAV y técnicas de aprendizaje profundo, logrando una alta precisión en la segmentación de la vegetación.
Corti et al. (2023): Mejora la estimación de la biomasa aérea de cultivos herbáceos combinando altura de cultivo derivada de UAV e índices de vegetación, logrando mejores modelos de regresión para cinco especies diferentes.
Fragassa et al. (2023): Desarrolla un método que combina imágenes de UAV y aprendizaje automático para la identificación de parches de vegetación en campos de remolacha azucarera, mejorando la gestión de agua, nutrientes y herbicidas.
Jiang et al. (2023a): Utiliza modelos Transformer como Swin y SegFormer para la segmentación de malezas en la gestión de céspedes, logrando una mAcc del 75.18% y mIoU del 65.74%, siendo el SegFormer el más eficiente computacionalmente.
Kümmerer et al. (2023): Utiliza imágenes de alta resolución de UAV para medir la altura del dosel de cultivos de cobertura diversos y predecir la biomasa, destacando la precisión superior de este método comparado con mediciones manuales.
Li et al. (2023b): Propone un método de conteo automático de racimos de flores de colza basado en imágenes UAV y aprendizaje profundo, abordando el problema como una estimación de densidad para mejorar la predicción de rendimiento.
Martín et al. (2023): Utiliza imágenes hiperespectrales aéreas para la detección temprana de malezas como johnsongrass y velvetleaf en campos de maíz, aplicando técnicas de clasificación supervisada para obtener mapas precisos de distribución de malezas.
Nduku et al. (2023): Analiza las tendencias globales de investigación sobre el uso de UAV en el monitoreo de cultivos de trigo, destacando un aumento significativo en la investigación y el dominio de China y EE.UU. en publicaciones sobre este tema.
Stache et al. (2023): Propone un algoritmo de planificación de rutas para UAVs que ajusta las trayectorias de vuelo en tiempo real para optimizar la segmentación semántica de alta resolución en áreas de interés.
Felipetto et al. (2023): Realiza un análisis bibliométrico del uso de UAVs en el cultivo de trigo, destacando la tendencia creciente de publicaciones y la predominancia de investigaciones en China, EE. UU. y Reino Unido.
Zualkernan et al. (2023): Realiza una encuesta sobre el uso de UAV y técnicas de aprendizaje automático en la agricultura de precisión, comparando el rendimiento de diferentes enfoques de clasificación y segmentación de cultivos y malezas.
Raptis et al. (2023): Desarrolla CoFly, una plataforma de código abierto basada en IA para aplicaciones de agricultura de precisión con UAV, ofreciendo una alternativa económica y eficiente a las plataformas comerciales.

B.7 Notas sobre Detección Automatica

DetecciónAutomática: Algoritmos y técnicas automáticas para la identificación de malezas.

Lottes et al. (2017): El estudio presenta un sistema basado en UAV para la clasificación de cultivos y malezas en la agricultura inteligente. Utilizando algoritmos de visión por computadora, se logró una alta precisión en la identificación de malezas, facilitando el manejo específico de sitio (Lottes et al., 2017).
Sa et al. (2018): Se desarrolló WeedMap, un marco de mapeo semántico a gran escala de malezas utilizando imágenes aéreas multiespectrales y redes neuronales profundas. El sistema permitió la detección y clasificación precisa de malezas, mejorando la eficiencia del manejo específico de sitio (Sa et al., 2018).
Milioto et al. (2018): Este estudio implementó la segmentación semántica en tiempo real de cultivos y malezas para robots de agricultura de precisión utilizando redes neuronales convolucionales (CNN). Se logró una alta precisión en la clasificación, mejorando la capacidad de los robots para distinguir entre cultivos y malezas (Milioto et al., 2018).
Bah et al. (2018): Este trabajo presenta un sistema de detección de malezas utilizando aprendizaje profundo con etiquetado de datos no supervisado en imágenes de UAV. El enfoque mejoró la precisión en la identificación de malezas, demostrando el potencial de los métodos de aprendizaje profundo en la agricultura de precisión (Bah et al., 2018).
Valente et al. (2019): Se desarrolló un sistema basado en aprendizaje profundo para detectar plantas de Rumex obtusifolius en pastizales utilizando imágenes RGB de UAV. Los resultados demostraron una alta precisión en la detección, mejorando la gestión y control de malezas en pastizales (Valente et al., 2019).
T. et al. (2019): Este estudio comparó el rendimiento de diferentes algoritmos de detección de malezas. Los resultados destacaron las fortalezas y debilidades de cada enfoque, proporcionando información valiosa para la selección de algoritmos en aplicaciones de agricultura de precisión (T. et al., 2019).
Saha (2019): El estudio desarrolló un sistema mejorado de detección de malezas utilizando umbralización adaptativa, K-means y máquinas de vectores de soporte. Los resultados mostraron una alta precisión en la detección de malezas, optimizando las prácticas de manejo en la agricultura (Saha, 2019).
Raja et al. (2019): Se presentó una técnica novedosa de reconocimiento de cultivos para el control robótico de malezas basada en señales de cultivos. Esta metodología permitió una detección y eliminación precisa de malezas, mejorando la eficiencia del manejo agrícola (Raja et al., 2019).
Olsen et al. (2019): Se presentó DeepWeeds, un conjunto de datos de imágenes de especies de malezas para el aprendizaje profundo. Este recurso permite entrenar y evaluar modelos de aprendizaje profundo para la clasificación de malezas, facilitando el desarrollo de sistemas avanzados de detección de malezas (Olsen et al., 2019).
Bah et al. (2019a): El estudio desarrolló un sistema de clasificación basado en aprendizaje profundo para identificar malezas utilizando imágenes de alta resolución de UAV. Los resultados demostraron una alta precisión en la identificación de malezas, destacando el potencial de estas técnicas para la agricultura de precisión (Bah et al., 2019).
Bah et al. (2019b): Este trabajo presenta un enfoque para la detección de malezas basado en características profundas y clasificación de una clase con datos no supervisados en imágenes de UAV. La metodología mostró una alta precisión en la identificación de malezas, mejorando el manejo de cultivos (Bah et al., 2019).
Wu et al. (2020): Se desarrolló un sistema robótico de control de malezas utilizando clasificación automatizada de malezas y cultivos. La metodología mostró una alta precisión en la clasificación y eliminación de malezas, mejorando la eficiencia en el manejo de cultivos (Wu et al., 2020).
Veeranampalayam Sivakumar et al. (2020): Este estudio comparó modelos de detección de objetos y clasificación basada en parches utilizando aprendizaje profundo para la detección de malezas de media a final de temporada en imágenes de UAV. Los hallazgos destacaron las fortalezas y debilidades de cada enfoque, proporcionando información para mejorar las prácticas de manejo (Veeranampalayam Sivakumar et al., 2020).
Valente et al. (2020): Se desarrolló un método automatizado para el conteo de plantas de cultivo utilizando imágenes aéreas de muy alta resolución. La metodología permitió una contabilidad precisa de plantas, mejorando la gestión y planificación agrícola (Valente et al., 2020).
Shanmugam et al. (2020): Esta revisión analiza los sistemas automatizados de detección de malezas. Se discuten diferentes enfoques y tecnologías, proporcionando una visión general de los avances en la detección automatizada de malezas (Shanmugam et al., 2020).
Ruigrok et al. (2020): Se evaluó un algoritmo de detección de malezas específico para la aplicación de pulverización específica de plantas. Los resultados mostraron una alta precisión en la detección, mejorando la eficiencia en la aplicación de herbicidas (Ruigrok et al., 2020).
Muppala y Guruviah (2020): Esta revisión analiza la detección de plagas, enfermedades y malezas utilizando visión por máquina. Se discuten diversas tecnologías y metodologías, proporcionando una visión comprensiva de los avances y desafíos en la detección automatizada (Muppala y Guruviah, 2020).
Mini et al. (2020): Este trabajo utilizó Mask R-CNN para la segmentación de malezas en cultivos de caña de azúcar a través de imágenes aéreas. La metodología mostró alta precisión en la detección de malezas, facilitando el manejo y control en cultivos de caña de azúcar (Mini et al., 2020).
Lottes et al. (2020): Se desarrolló un sistema robusto de detección conjunta de tallos y clasificación de cultivos-malezas utilizando secuencias de imágenes para tratamientos específicos de plantas en la agricultura de precisión. La metodología mostró alta precisión, mejorando el manejo específico de sitio (Lottes et al., 2020).
Fawakherji (2020): Este estudio implementó segmentación por píxeles para la clasificación de cultivos y malezas en imágenes terrestres y aéreas. Los resultados demostraron una alta precisión en la clasificación, facilitando el manejo específico de sitio en la agricultura (Fawakherji, 2020).
Deng et al. (2020): Se desarrolló una red de segmentación semántica ligera para el mapeo en tiempo real de malezas utilizando UAVs. La metodología mostró una alta precisión y eficiencia en la identificación de malezas, mejorando la toma de decisiones en el manejo agrícola (Deng et al., 2020).
Czymmek et al. (2020): Este artículo presenta un método basado en visión para la detección de hileras de cultivos utilizando imágenes de UAV de bajo costo en la agricultura orgánica. El enfoque demostró ser efectivo y económico para la gestión de cultivos en entornos orgánicos (Czymmek et al., 2020).
Chicchón Apaza y Bedón Monzón (2020): Este estudio implementó redes neuronales convolucionales basadas en U-Net para la segmentación semántica de malezas y cultivos en imágenes multiespectrales. Los resultados demostraron una alta precisión en la segmentación, facilitando el manejo específico de sitio (Chicchón Apaza y Bedón Monzón, 2020)
Adams et al. (2020): Este trabajo utilizó métodos de aprendizaje supervisado para la segmentación de plantas. Los resultados mostraron una alta precisión en la segmentación, mejorando el análisis y manejo de cultivos (Adams et al., 2020).
Christensen et al. (2021b): Este capítulo revisa diferentes enfoques de detección de malezas utilizando tecnologías de sensado. Se discuten diversos métodos y tecnologías, proporcionando una visión comprensiva de los avances en la detección de malezas para la agricultura de precisión (Christensen et al., 2021).
Hasan et al. (2021): Este artículo revisa técnicas de Deep Learning (DL) para la detección y clasificación de malezas a partir de imágenes, enfatizando la alta precisión alcanzada con grandes conjuntos de datos etiquetados (Hasan et al., 2021).
Khan et al. (2021): Un sistema de DL identifica malezas y cultivos en campos de fresa y guisante, logrando una precisión del 95.3% para la gestión específica de herbicidas (Khan et al., 2021).
Maggioli (2021): Evalúa un algoritmo de detección de malezas para múltiples especies de plantas, mejorando la preservación de la biodiversidad en sistemas agrícolas (Maggioli, 2021).
Mishra et al. (2021): Estima el crecimiento de malezas en diferentes tipos de suelos y cultivos utilizando técnicas de Deep Learning, logrando una precisión del 97% con la arquitectura EfficientNet-B7 (Mishra et al., 2021).
Su et al. (2021): Desarrolla una red neuronal profunda para la segmentación en tiempo real de malezas inter-fila en campos de trigo, optimizando la precisión de la detección y el control de malezas.
Ukaegbu (2021): Desarrolla un detector de malezas inteligente y un rociador selectivo de herbicidas como parte de la revolución tecnológica en la agricultura de precisión.
Veeragandham y Santhi (2021): Revisión de los desafíos y las imperativas de varios algoritmos CNN en la detección de malezas, comparando enfoques de aprendizaje supervisado y no supervisado en sistemas de identificación de malezas.
Zou et al. (2021b): Se desarrolló un método de evaluación de densidad de malezas en campo basado en imágenes UAV y una red U-Net modificada. Los resultados demostraron una alta precisión en la evaluación de densidad de malezas, facilitando la gestión específica de sitio en la agricultura (Zou et al., 2021).
Zou et al. (2021a): Propone un método de evaluación de densidad de malezas en campo basado en imágenes UAV y una red U-Net modificada, logrando una alta precisión en la segmentación de cultivos y malezas.
Rakhmatulin (2021): Revisión sistemática de redes neuronales profundas para la detección de malezas en entornos agrícolas en tiempo real, destacando las técnicas modernas en IA y DL (Rakhmatulin, 2021).
Mishra y Gautam (2021): Revisión sobre la identificación de especies de malezas en diferentes cultivos utilizando técnicas de manejo de malezas de precisión basadas en aprendizaje profundo (Mishra y Gautam, 2021).
Menshchikov et al. (2021): Desarrollo de un sistema basado en UAV y redes neuronales para la detección en tiempo real de la maleza invasora Hogweed, logrando una AUC de 0.96 (Menshchikov et al., 2021).
Barnhart et al. (2022): Investiga el uso de algoritmos de detección de objetos de código abierto para detectar Palmer amaranth en campos de soja, destacando el potencial de YOLOv5 en sistemas de cultivo específicos.
Farooq et al. (2022): Propone un modelo de deep learning ligero para la detección de malezas en dispositivos IoT, optimizando la relación costo-rendimiento para la identificación de malezas en la agricultura de precisión.
Garibaldi-Márquez et al. (2022): Clasificación de cultivos de maíz y malezas mediante aprendizaje profundo y superficial en imágenes de campo natural, destacando la alta precisión del enfoque basado en CNN.
Hennessy et al. (2022): Evalúa la detección de malezas en arándano azul silvestre utilizando CNN basadas en YOLOv3-Tiny y diferentes cámaras, optimizando la precisión según la altura de la imagen.
Kamath et al. (2022): Investiga la segmentación semántica para clasificar dos tipos de malezas en campos de arroz, mostrando resultados prometedores con modelos de SegNet, PSPNet y UNet.
Mishra et al. (2022): Desarrolla un modelo de segmentación de hojas de malezas y cultivos superpuestas bajo condiciones de luz complejas, utilizando PSPNet-USegNet y logrando alta precisión en la clasificación.
Reedha et al. (2022): Investiga el uso de transformers visuales (ViT) para la clasificación de cultivos y malezas en imágenes de alta resolución de UAV, mostrando mejoras significativas en el rendimiento en comparación con modelos CNN tradicionales.
Singh et al. (2022): Este artículo propone una arquitectura de red neuronal profunda para la detección de malezas en cultivos de soja, enfocándose en la clasificación precisa con bajo costo computacional.
Su et al. (2022): Desarrolla una técnica de localización de plantas en 3D para diferenciar automáticamente la soja de las malezas intra-fila, utilizando señalización fluorescente de cultivos.
Coleman et al. (2022a): Revisa 50 años de investigación en reconocimiento de malezas, destacando las oportunidades y desafíos para los sistemas de cultivo a gran escala, y el impacto del aprendizaje profundo en el control de malezas.
Abdulsalam et al. (2023): Propuesta de un enfoque basado en visión monocular para drones que detecta y estima la posición de malezas utilizando la arquitectura fused-YOLO y filtros de Kalman.
Ajayi et al. (2023): Evalúa la robustez del modelo YOLOv5 para la clasificación automática de cultivos y malezas en imágenes de UAV, identificando 600 épocas de entrenamiento como óptimas para el rendimiento.
Arsa et al. (2023): Propone una red neuronal convolucional eficiente para detectar puntos de crecimiento de malezas para el deshierbe ecológico mediante tecnología de eliminación por láser.
Fathipoor et al. (2023): Este estudio compara el rendimiento de U-Net++ con U-Net en la segmentación semántica de imágenes de malezas. U-Net++ mostró mejor precisión y es más efectivo en detectar malezas pequeñas en las primeras etapas de crecimiento.
Fatima et al. (2023): Desarrolla un sistema ligero de detección de malezas para un robot de deshierbe con láser, usando YOLOv5 para identificar y clasificar malezas en campos agrícolas de Pakistán, logrando una mAP de 0.88.
Guo et al. (2023): Introduce un modelo basado en UNet y ViT para la identificación de plántulas de maíz y trigo y malezas en el campo, logrando una precisión del 99.3%, superando a modelos como AlexNet y VGG16.
Janneh et al. (2023): Propone una mejora en la segmentación semántica de cultivos y malezas mediante una fusión reponderada de características multi-nivel en redes neuronales convolucionales, optimizando la identificación de cultivos y malezas.
Jiang et al. (2023b): Combina imágenes multiespectrales de UAV y Sentinel-2 para diagnosticar el crecimiento y el estado de nitrógeno en trigo de invierno a escala de condado, mejorando la precisión del modelo con técnicas de aprendizaje automático.
Li et al. (2023a): Desarrolla un sistema de detección y localización en tiempo real de plantas de tomate y pak choi para control de malezas, utilizando sensores de color y un algoritmo de visión por computadora altamente preciso.
Meena et al. (2023): Examina el uso de técnicas de aprendizaje profundo para la detección de malezas, enfermedades y plagas en cultivos, evaluando múltiples arquitecturas de redes neuronales y destacando la efectividad del modelo DenseNet.
Moazzam et al. (2023): Propone una segmentación semántica en dos etapas para mejorar la clasificación de píxeles de cultivos y malezas en imágenes aéreas de tabaco, logrando mejoras significativas en la precisión del IoU para malezas y tabaco.
Ong et al. (2023): Utiliza CNN para detectar malezas en cultivos de col china mediante imágenes UAV, alcanzando una precisión del 92.41% y superando el rendimiento del algoritmo Random Forest en un 6.23%.
Pérez-Porras et al. (2023): Propone una optimización del algoritmo Faster R-CNN con la estructura VGG19-CBAM para identificar soja y malezas en campo, logrando una precisión del 99.16% en comparación con otros métodos.
Qureshi et al. (2023): Compara la eficacia de Mask R-CNN y Vision Transformer (ViT) en la detección temprana de malezas, encontrando que ViT supera a Mask R-CNN en datasets pequeños y complejos.
Rahman et al. (2023): Evalúa 13 modelos de detección de objetos DL para la identificación de malezas en campos de algodón, destacando a RetinaNet y YOLOv5 por su alta precisión y eficiencia computacional.
Schneider et al. (2023): Utiliza una CNN para la detección de Rumex obtusifolius en áreas de pasto y campos agrícolas, logrando una alta precisión en la identificación de plantas completas y partes de plantas.
Wang et al. (2023): Propone un modelo YOLOv5 mejorado para la detección precisa y la pulverización de malezas en campos de maíz, incrementando la precisión y la velocidad del modelo en dispositivos de borde.
Yan et al. (2023): Desarrolla un modelo YOLOv5 optimizado para la detección de daylily en entornos de campo complejos, aumentando la precisión de la detección en un 7.7% respecto al YOLOv5 original.
Zhang et al. (2023): Propone una optimización del algoritmo Faster R-CNN con la estructura VGG19-CBAM para identificar soja y malezas en campo, logrando una precisión del 99.16% en comparación con otros métodos.
Gallo et al. (2023): Evalúa el rendimiento de YOLOv7 en la detección de malezas en cultivos a partir de imágenes UAV, mostrando mejoras en mAP y precisión en comparación con versiones anteriores de YOLO.
Dang et al. (2023): Presenta un nuevo conjunto de datos para la detección de malezas en sistemas de producción de algodón, evaluando el rendimiento de 25 detectores de objetos YOLO de última generación.
Murad et al. (2023): Realiza una revisión sistemática de la literatura sobre el uso de aprendizaje profundo para la detección de malezas, analizando 52 artículos de aplicación y 8 encuestas sobre diversas técnicas de CNN y su desempeño.
Badgujar et al. (2024): Revisión bibliométrica y sistemática del uso del algoritmo YOLO en la agricultura, destacando su rendimiento en detección y localización de objetos agrícolas y su adopción rápida en diversas tareas agrícolas.
Rai y Sun (2024): Desarrolla WeedVision, una arquitectura de DL de una sola etapa que combina la detección de malezas y la segmentación de instancias en imágenes adquiridas por drones, optimizando la precisión en dispositivos de borde.

B.8 Lista de notas de ModelosPredictivos

ModelosPredictivos: Modelos predictivos para la dinámica de poblaciones de malezas.

Freckleton y Stephens (2009): El artículo explora modelos predictivos de la dinámica de poblaciones de malezas. Se discuten diversas aproximaciones matemáticas y estadísticas para modelar el crecimiento y dispersión de malezas, con el fin de mejorar las estrategias de manejo a largo plazo (Freckleton y Stephens, 2009).
van Evert et al. (2017): Este artículo analiza cómo el Big Data puede mejorar el control de malezas y la protección de cultivos. Se destacan las técnicas de análisis de datos y su aplicación en la agricultura de precisión, mejorando la toma de decisiones y la eficiencia en el manejo de malezas (Evert et al., 2017).
Monteiro et al. (2021): Uso de redes neuronales para estimar el momento ideal para el control de malezas en cultivos, mejorando la precisión y eficacia del manejo de la competencia entre cultivos y malezas (Monteiro et al., 2021).
Fei et al. (2023): Implementa algoritmos de aprendizaje automático para la predicción de rendimiento en trigo usando datos de múltiples sensores de UAV, mostrando que la fusión de datos multiesensor mejora significativamente la precisión de la predicción.