|
|
|
|
|
García Cruz, Edgar. |
En la presente investigación se analizaron imágenes digitales de hojas de frijol (Phaseolus vulgaris L.) para identificar con un clasificador, deficiencias de hierro (Fe) y manganeso (Mn). A los 24 días después de la siembra (dds) se les suministró la solución nutritiva de acuerdo a ocho tratamientos: dos deficiencias parciales, una de 50 % Fe y otra de 50 % Mn; dos deficiencias totales totales, 0 % Fe y una más de 0 % Mn además de una interacción (0 % Fe, 0 % Mn) y dos dosis excedentes (200 % Fe y 200 % Mn); finalmente un tratamiento testigo (100 % Fe, 100 % Mn) usando como referencia la solución Steiner. A partir de imágenes digitales de muestras de hojas de los tratamientos obtenidas a los 63 dds, se calcularon variables de color con los valores... |
|
Palavras-chave: RGB; Textura; Redes neuronales; Phaseolus vulgaris; Hierro; Manganeso; Texture; Neural networks; Iron; Manganese; Edafología; Maestría. |
Ano: 2013 |
URL: http://hdl.handle.net/10521/2076 |
| |
|
|
Ravelo,A.C; Sanz Ramos,R; Douriet Cárdenas,J.C. |
Las cuencas hidrológicas en la región del Organismo de Cuenca Pacífico Norte en México son afectadas por recurrentes sequías que impactan negativamente a la agricultura y a todas las actividades socio-económicas en general. Para el estudio de las sequías se consideró el período 1978-2012. Se utilizaron datos de precipitación, evapotranspiración potencial, satelitales de MODIS y capacidad edáfica de retención hídrica de 54 estaciones meteorológicas de la región. Se calcularon los siguientes índices: estandarizado de precipitación, de severidad de sequía de Palmer y de diferencia normalizada de vegetación . Estos índices permitieron la detección, la evaluación y el pronóstico de la intensidad de las deficiencias hídricas en períodos con sequías o sin éstas.... |
Tipo: Info:eu-repo/semantics/article |
Palavras-chave: Índices; Sequía; Redes neuronales; México. |
Ano: 2014 |
URL: http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1668-298X2014000100002 |
| |
|
|
Reyes Flores, Maciel. |
La detección oportuna de deficiencias nutrimentales en hojas de plantas cultivadas permite tomar medidas correctivas inmediatas asi como predecir rendimientos. Las características espectrales y de textura de las imágenes se pueden utilizar para obtener información y correlacionarlos con el estado nutrimental de elementos esenciales que generan sintomatología similar en hojas de las plantas. En la presente investigación se estableció un experimento para medir las propiedades espectrales y característica texturales del cultivo de frijol con diferentes concentraciones de nitrógeno y magnesio de imágenes obtenidas con escáner. A partir de los valores de reflectancia se generaron modelos de regresión para asociar la concentración de nitrógeno y magnesio en el... |
|
Palavras-chave: Reflectancia; Discriminación; Espacios de color; Textura; Redes neuronales; Reflectance; Discrimination; Color spaces; Texture; Neural networks; Edafología; Maestría. |
Ano: 2013 |
URL: http://hdl.handle.net/10521/2077 |
| |
|
|
Ovando,Gustavo; Bocco,Mónica; Sayago,Silvina. |
En este trabajo se desarrollaron modelos basados en redes neuronales del tipo "backpropagation", para predecir la ocurrencia de heladas, a partir de datos meteorológicos de temperatura, humedad relativa, nubosidad, dirección y velocidad del viento. El entrenamiento y la validación de las redes se realizaron utilizando 24 años de datos meteorológicos correspondientes a la estación de Río Cuarto, Córdoba, Argentina, separados en 10 años como conjunto de datos de entrenamiento y 14 como conjunto de datos de validación. Se construyeron diferentes modelos para evaluar el comportamiento de las redes cuando se usan distintos números de variables de entrada y/o neuronas en la capa oculta y las probabilidades de aciertos en los resultados de predicción para los... |
Tipo: Journal article |
Palavras-chave: Redes neuronales; Predicción de heladas; Modelos; Backpropagation. |
Ano: 2005 |
URL: http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0365-28072005000100007 |
| |
|
|
|