Comparación de técnicas de estimación del grado de salinidad en suelos de escasa vegetación mediante el procesamiento de imágenes multiespectrales

Abstract

En el año 2005, El Ministerio de Agricultura (MINAG) realizó un estudio de las zonas agrícolas en el Perú, donde estimó que el 0.24% de 128 521 500 hectáreas de producción agrícola, estaban afectadas por problemas de salinización, y la totalidad de estas se ubican en la Costa del Perú. Asimismo, el plan estratégico del 2009 al 2015 del sector agrario de la región Lambayeque, reportó que el sector agrario de la región aportó 0.8% al Producto Bruto Interno (PBI) nacional, y 16,2% a la formación del PBI regional, además los causantes del bajo desarrollo agrario de la región son: el deterioro de suelos por efecto de la salinidad, la escasez de agua y la débil organización de productores. La noticia publicada por el portal del Gobierno Regional de Agricultura Lambayeque el 15 agosto del 2018, en relación con el distrito de Mórrope, detalla que Mórrope sufre de una baja productividad agrícola debido al cultivo del arroz, puesto que dicho cultivo emplea demasiada agua, y sumado a la falta de agua, ocasionó que los terrenos tengan altos niveles de salinidad, y la solución que proponen es el cultivo de algodón en reemplazo al cultivo de arroz. Basado en estos datos se propuso el trabajo de investigación “Comparación de técnicas de estimación del grado de salinidad en suelos de escasa vegetación, mediante el procesamiento de imágenes multiespectrales” para que mediante el procesamiento de imágenes multiespectrales podamos estimar la salinidad de los terrenos de escasa vegetación, y así aprovecharlos mediante la agricultura. Basado en investigaciones relacionadas a estimación a esta se propuso utilizar las técnicas de estimación SVM y PLSR, y utilizar imágenes multiespectrales como medio de extracción de características a partir de indicadores de salinidad y vegetación, y utilizando como validación las pruebas de conductividad eléctrica para el grado de salinidad, la evaluación de estas técnicas demostró que SVM tiene un 98% de precisión y un error promedio de 0.22 dS/m, y PLSR 97% y 0.51 dS/m respectivamente.