Para facilitar el uso de metodologías de teledetección en sistemas de cultivos mixtos de leguminosas, se ha desarrollado un índice basado en fotografías aéreas. Este índice debe cumplir con los siguientes requisitos: diferenciar entre garbanzo, yeros y lentejas; funcionar con imágenes RGB (sin necesidad de infrarrojo); y ser aplicable con drones de bajo costo volando a alturas relativamente bajas. Los resultados muestran que es posible distinguir entre los cultivos, especialmente entre garbanzos y las otras especies. Los valores del índice oscilan entre 0 (suelo) y 4.5. Los valores promedio son 3.5-3.6 para garbanzos, 3.2-3.5 para yeros, y 2.7-3.2 para lentejas. Se necesita mejorar el índice para reducir errores en la clasificación entre lentejas y yeros.

Este estudio desarrolla un índice de vegetación inicial para diferenciar entre garbanzo, lenteja y yeros en un sistema de cultivo mixto. Las imágenes se tomaron con un dron a alturas de 12 y 16 m, capturando los tres cultivos en la misma fotografía. El índice se basa en la combinación de las bandas azul y roja, complementado con técnicas de agregación para reducir errores de clasificación y eliminar el suelo mediante otro índice. Los resultados muestran que el índice permite diferenciar entre los tres cultivos, siendo la distinción más clara entre el garbanzo y las otras leguminosas. Los valores del índice oscilan entre 0 (suelo) y 4.5, con valores promedio de 3.5-3.6 para garbanzo, 3.2-3.5 para yeros y 2.7-3.2 para lentejas. Se requiere perfeccionar el índice para mejorar la diferenciación entre lentejas y yeros.

Este estudio presenta el uso de índices basados en imágenes RGB para la detección de malas hierbas en cultivos de garbanzo. Se evaluaron seis índices, tres previamente utilizados en la literatura y tres propuestos en este artículo, en imágenes tomadas a diferentes alturas (entre 0.5 y 1.5 m) y ángulos en un campo con alta presencia de Xanthium spinosum, una mala hierba que afecta la cosecha. Las imágenes se capturaron cuando las plantas de garbanzo estaban en un estado adulto pero antes de la formación de vainas. El índice 2, que combina las bandas azul, roja y verde, mostró los mejores resultados al diferenciar las hojas de cultivo de las malas hierbas. También se encontró que el índice 3 es eficaz para detectar tanto malas hierbas de hoja ancha como estrecha en diferentes fragmentos analizados. Los índices propuestos superaron a los previamente utilizados, que no lograron diferenciar entre cultivos y malas hierbas. Finalmente, se seleccionó el índice más sencillo de calcular entre los que presentaron buenos resultados.

Este estudio analiza el uso de imágenes RGB tomadas por un dron para detectar la presencia de la enfermedad fúngica "rabia" en cultivos de garbanzo. Las imágenes fueron capturadas sobre diversos tipos de suelo a alturas entre 8 y 10 metros. Se probaron distintas combinaciones de bandas para identificar la que mejor distingue entre cultivos sanos y afectados, obteniéndose los mejores resultados al combinar las tres bandas. La metodología propuesta incluye una combinación matemática de las bandas RGB seguida de técnicas de análisis de imágenes basadas en filtros, permitiendo identificar las áreas dañadas con valores distintos a los de las zonas sanas. Se empleó una imagen inicial para calibrar combinaciones, filtros y umbrales, y otras dos imágenes para validar la herramienta. Para evaluar su eficacia, se analizaron fragmentos de las imágenes validadas y se compararon con una clasificación realizada por expertos, verificando si la herramienta identificaba correctamente las áreas afectadas.

Este estudio investiga el uso de un dron de bajo costo con una cámara RGB para desarrollar un índice que permita detectar malezas de hojas estrechas en cultivos de garbanzo. Aunque los índices RGB existentes se enfocan en malezas de hojas anchas, esta investigación propone un nuevo índice que utiliza las tres bandas RGB. El índice se probó a tres alturas de vuelo (6–14 m) en un campo comercial con garbanzos sembrados en hileras, en la etapa adulta antes de la floración. La maleza más común identificada fue Lolium rigidum. A pesar de la presencia de suelo rojizo y rocas blancas, el índice identificó correctamente tanto malezas de hojas estrechas como anchas, con mayor precisión a menores alturas de vuelo. Los falsos positivos, mayormente relacionados con rocas blancas, se pueden evitar con un índice secundario. Los falsos negativos, principalmente causados por hojas de garbanzo, se redujeron al reclasificar las imágenes y aplicar filtros. Entre los filtros probados, Laplacian 5x5 tuvo mejor rendimiento a menores alturas, mientras que Blur fue más eficaz a mayores alturas.

Este estudio presenta una metodología que utiliza imágenes RGB obtenidas por drones para evaluar el éxito del establecimiento de legumbres. El enfoque se centra en usar nodos de bajo costo con capacidad computacional limitada para el procesamiento de imágenes in situ. El porcentaje de biomasa verde se estima utilizando un índice B1/B2. El estudio incluye tres zonas (con éxito de establecimiento alto, regular y bajo) y dos especies de legumbres (garbanzo y lentejas). Se aplican técnicas de agregación para reducir el tamaño de la imagen y mejorar el almacenamiento a largo plazo. La agregación óptima se determina según las alturas de vuelo de 4, 8 y 12 m, y los resultados indican que a 8 m con un tamaño de celda de 3 píxeles se minimiza el tamaño de los datos manteniendo su usabilidad. Se utilizó una red neuronal artificial (ANN) para clasificar los datos, con una tasa de éxito del 83%. Esta metodología se puede usar en el futuro para comparar el éxito del establecimiento de diferentes variedades o especies de legumbres.

Este estudio presenta una arquitectura y protocolo de comunicación heterogéneo para sistemas de agricultura de precisión (PA), utilizando tecnologías WiFi y LoRa, incluidas las comunicaciones LoRa con múltiples saltos. El diseño usa una topología de árbol desplegada en varias áreas de interés, como canales de riego, campos y áreas urbanas que generan aguas residuales. Las pruebas prácticas confirmaron que el protocolo propuesto funciona de manera eficiente con un consumo mínimo de ancho de banda, incluso bajo configuraciones restrictivas de LoRa. El estudio introduce una novedad con conexiones LoRa de múltiples saltos para mayor distancia y una combinación de WiFi y LoRa para soportar actividades de monitoreo y detección de anomalías. La arquitectura fue probada en entornos reales, mostrando una entrega exitosa de paquetes y bajo overhead.

Este estudio presenta un sistema de riego por inundación basado en IoT que utiliza una red de sensores con comunicación WiFi para monitorear y controlar el riego. Varios sensores miden condiciones atmosféricas (temperatura, humedad y lluvia), humedad del suelo y parámetros del agua (temperatura, salinidad y altura) para determinar cuándo activar las compuertas de riego. Se diseñó una aplicación para que los agricultores puedan visualizar los datos de los sensores y gestionar el riego de forma remota. El sistema se probó en un campo de hortalizas para evaluar el rendimiento de los sensores y la cobertura de la red en diferentes opciones de despliegue. El objetivo es optimizar el uso del agua en la agricultura, especialmente frente a los desafíos que plantea el cambio climático.

Este estudio investiga el uso de teledetección y redes de sensores inalámbricos para desarrollar índices de humedad del suelo en un campo de golf. Se recopilaron datos durante tres meses en tres tipos de suelos, y se crearon modelos matemáticos utilizando imágenes de Sentinel-2 y sensores de humedad del suelo. Los resultados mostraron una precisión aceptable solo para el suelo natural, con modelos de regresión que lograron valores de R2 de 0.46 para bandas de 10 m y 0.70 para bandas de 20 m, con un error absoluto medio inferior al 3%. Sin embargo, no se desarrollaron modelos confiables para suelos modificados como los greens o fairways debido a la uniformidad de la hierba y la variación limitada en la humedad del suelo. Los índices de humedad generados superaron a los modelos existentes, siendo la mejor precisión lograda utilizando la banda 4 y la banda 12. El estudio destaca la importancia de la calibración tanto de los sensores como de las imágenes satelitales para un monitoreo preciso de la humedad del suelo. Los resultados demuestran la viabilidad de mejorar la eficiencia del agua en los campos de golf, aunque existen limitaciones para ciertos tipos de suelos.

Este estudio presenta una metodología para diferenciar entre garbanzo, lenteja y yero en agroecosistemas de policultivo usando imágenes RGB capturadas por drones a alturas de 12 y 16 metros. Aplicando índices de vegetación y suelo combinados con técnicas de agregación, el método alcanza una precisión del 95% para la identificación de garbanzos, 86% para lentejas y 60% para yeros, con mejor distinción a 16 metros para el garbanzo en comparación con las otras legumbres. Este enfoque permite la clasificación utilizando una sola imagen y operaciones matemáticas simples, posibilitando su aplicación en nodos de campo para el reconocimiento automático de especies. Mientras estudios similares se enfocan en monocultivos, este método aborda la clasificación de especies en escenarios reales de policultivo y ofrece una alternativa sencilla frente a análisis complejos basados en series temporales.

Este artículo se centra en mejorar las tasas de entrega de paquetes y la fiabilidad de la red mediante la identificación y aislamiento de nodos maliciosos en redes dinámicas. El mecanismo propuesto, Trust Oriented Peered Customized Mechanism (TOPCM), calcula valores de confianza entre nodos en redes ad-hoc voladoras (FANETs) para detectar y aislar comportamientos maliciosos. Utiliza datos en paquetes RREQ para clasificar los nodos como confiables o maliciosos, asegurando que los nodos maliciosos se excluyan de los procesos de descubrimiento de rutas y transmisión de datos. Simulaciones en NS2 validan la efectividad de TOPCM, mostrando mejoras en las tasas de entrega de paquetes, credibilidad y fiabilidad de la red. Las contribuciones clave son la introducción de un mecanismo orientado a la confianza para redes ad-hoc dinámicas; identificación y aislamiento de nodos maliciosos para mejorar la seguridad y el rendimiento; validación mediante simulaciones que demuestran una mayor eficiencia de la red. El estudio destaca que los nodos maliciosos degradan el rendimiento y la credibilidad de la red al inyectar datos falsos, y que la seguridad en redes dinámicas es crítica, especialmente en entornos móviles y sin infraestructura.

Este artículo propone un marco que integra la computación en la niebla con la agricultura inteligente para mejorar la eficiencia de la red, la seguridad y la fiabilidad. El marco minimiza datos redundantes, optimiza el uso del ancho de banda de la red y reduce retransmisiones causadas por actividades maliciosas. Utiliza nodos de niebla para establecer cadenas de comunicación seguras entre sensores agrícolas, previniendo comunicaciones maliciosas y mejorando la confiabilidad. Las principales contribuciones incluyen la gestión efectiva de recursos IoT al identificar y eliminar nodos redundantes, extendiendo la vida útil del sistema; uso de aprendizaje automático distribuido para predecir decisiones óptimas de enrutamiento, mejorando la entrega de datos y el balanceo de carga; sistemas de niebla para asegurar la comunicación mediante la formación de grupos confiables de sensores y mitigando ataques de privacidad. El marco fue validado mediante simulaciones, mostrando una mayor eficiencia energética, conectividad de red y ratios de entrega en comparación con otros enfoques. Apoya la agricultura de precisión al proporcionar entrega oportuna de datos sobre plantas, suelo, presión de agua y clima, ayudando a los agricultores mientras reduce la latencia y las interferencias de datos.

Este artículo presenta un modelo de optimización inteligente que utiliza aprendizaje automático para mejorar la agricultura sostenible con fiabilidad y calidad. El modelo emplea dispositivos IoT para automatizar la recopilación y transmisión de datos, garantizando una toma de decisiones consistente mediante el análisis de variables de rendimiento. Integra principios de seguridad basados en blockchain para construir un sistema confiable, reduciendo la interferencia en las comunicaciones y protegiendo datos sensibles. Las contribuciones clave incluyen uso eficiente de los bordes de la red para minimizar los costos de transmisión de datos; optimización del rendimiento de las rutas mediante aprendizaje automático para transmisiones fiables y consistentes; un sistema IoT confiable para la autenticación y seguridad de los datos y validación a través de simulaciones extensas que demuestran un rendimiento superior a métodos existentes. Al incorporar sensores IoAT, el modelo facilita el procesamiento de datos en tiempo real y mejora la productividad agrícola. Aborda desafíos como la transferencia de grandes volúmenes de datos con baja latencia y alta calidad. Utilizando regresión multivariable y seguridad basada en confianza, el modelo reduce costos de comunicación, mejora las decisiones de enrutamiento y asegura la protección de datos.

Este estudio evalúa la cobertura de dispositivos LoRa de bajo costo midiendo el Indicador de Intensidad de Señal Recibida (RSSI) bajo diferentes configuraciones. Las pruebas se realizaron en condiciones de línea de visión utilizando las bandas de frecuencia de 433 MHz y 868 MHz, antenas con ganancias de 3 dBi y 5 dBi, y todas las configuraciones de Spreading Factor (SF). Los resultados indican que los dispositivos y antenas de bajo costo ofrecen una mala calidad de señal a distancias superiores a 1 km. Aunque la tecnología LoRa ha logrado transmisiones de larga distancia en condiciones óptimas, las configuraciones económicas no cumplen con estas expectativas. Por ello, para despliegues que requieran mayor cobertura, se recomiendan soluciones como redes LoRa de múltiples saltos.

El objetivo de este artículo es presentar NDSP (Protocolo de Descubrimiento y Selección de Vecinos), un enfoque aleatorizado para el descubrimiento y selección de vecinos en redes inalámbricas ad hoc estáticas. NDSP incorpora detección de colisiones y gestión de prioridades para identificar y seleccionar nodos favoritos de manera eficiente, sin necesidad de conocer previamente el tamaño de la red. En comparación con dos protocolos de referencia modificados (NS-PRR y NS-Hello), NDSP mostró un mejor desempeño en simulaciones realizadas con Castalia 3.2, superándolos en términos de tiempo, consumo de energía y paquetes enviados en entornos de uno y varios saltos. Las suposiciones realistas del protocolo y su bajo costo adicional lo convierten en una opción práctica para redes de sensores inalámbricos, especialmente cuando se requieren nodos favoritos para la disponibilidad externa de datos. Las principales contribuciones incluyen el diseño y modelado analítico de NDSP, así como su implementación para análisis comparativo.

El método propuesto utiliza imágenes RGB capturadas por Vehículos Aéreos No Tripulados (UAVs) para identificar áreas afectadas por la rabia del garbanzo y diferenciarlas de zonas con menor vigor debido al paso de maquinaria. La metodología, probada en diferentes tipos de suelo y alturas de vuelo, incluye índices de vegetación (estándares y específicos para garbanzos) y herramientas simples de procesamiento de imágenes para garantizar su aplicación en tiempo real. La evaluación de precisión mostró más del 85% de verdaderos positivos, confirmando la fiabilidad del método. Este enfoque está diseñado para un uso práctico en campos agrícolas, permitiendo que los UAV identifiquen áreas afectadas y apliquen tratamientos simultáneamente.

Este estudio presenta un diseño práctico de redes de sensores inalámbricos (WSNs) basadas en WiFi para el monitoreo de cultivos de cítricos. Un modelo matemático, desarrollado a partir de pruebas prácticas con nodos WiFi de bajo costo, analiza diferentes configuraciones de altura para los puntos de acceso (APs) y los sensores, determinando la cobertura máxima para cada configuración. Los resultados estiman la cantidad de sensores y APs necesarios para monitorear campos de diferentes tamaños bajo diversas condiciones, proporcionando una herramienta valiosa para la agricultura de precisión.