Clasificación automatizada de superficies citrícolas mediante SVM y patrones temporales de NDVI: aplicaciones para agricultura de precisión y gestión logística

• Sánchez-Galván, Fabiola ^[1] ; García-Rodríguez, Rogelio ^[1] ; Salas Martínez, Paulino ^[1] ; Altamirano Herrera, María Xóchitl ^[2] ; Bautista-Santos, Horacio ^[1]
  1. [1] Tecnológico Nacional de México, campus Instituto Tecnológico Superior de Tantoyuca
  2. [2] Tecnológico Nacional de México, campus Instituto Tecnológico Superior de Tantoyucaa
• Localización: Interfases, ISSN-e 1993-4912, Nº. 21, 2025, págs. 59-80
• Idioma: español
• Títulos paralelos:
  • Automated classification of citrus areas using SVM and NDVI temporal patterns: applications for precision agriculture and logistics management
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio desarrolló un modelo basado en máquinas de vectores de soporte (support vector machines, SVM) y series temporales del índice de vegetación de diferencia normalizada (normalized difference vegetation index, NDVI) para clasificar superficies citrícolas en Álamo, Veracruz, México. Se utilizaron imágenes MODIS (MOD13Q1, 250 m de resolución) de 2003 a 2022, procesadas mediante corrección radiométrica, filtrado de ruido y armonización temporal. Las zonas de entrenamiento se clasificaron en cuatro categorías (cítricos, vegetación natural, pastizales y áreas urbanas) y se utilizaron 3759 series temporales (50 % positivas para cítricos). El modelo SVM (kernel RBF: γ = 0,1, C = 10) alcanzó una precisión del 91,4 % mediante validación cruzada (cinco pliegues), con un 88 % de acierto en cítricos y 93,9 % en no cítricos. Los resultados mostraron un NDVI promedio de 0,74 para cítricos, diferenciable de la maleza (0,87), aunque con desafíos en parcelas pequeñas debido a la resolución espacial. Las estimaciones coincidieron con datos oficiales (SIACON) en 2021 (diferencia de 548 ha), aunque presentaron discrepancias en años con sequías (2007 y 2015) o cambios de manejo (2019 y 2020). Se identificó que factores climáticos y antropogénicos afectan la dinámica del NDVI, lo que evidencia la utilidad del modelo para monitoreo agrícola. Las limitaciones incluyen mezcla de píxeles en áreas heterogéneas. Este trabajo demuestra que el enfoque SVM-NDVI es robusto para la clasificación de superficies citrícolas a escala regional con aplicaciones potenciales en gestión logística, como la optimización de rutas de transporte y la planificación de cosechas mediante patrones espaciotemporales de NDVI. Estos hallazgos abren oportunidades para integrar teledetección y aprendizaje automático en cadenas de suministro agrícola sostenibles.

     

  • English

    This study developed a model based on Support Vector Machines (SVM) and Normalized Difference Vegetation Index (NDVI) time series to classify citrus areas in Álamo, Veracruz, Mexico. MODIS images (MOD13Q1, 250 m resolution) from 2003 to 2022 were used, processed using radiometric correction, noise filtering, and temporal harmonization. Training areas were classified into four categories: citrus, natural vegetation, grasslands, and urban areas, using 3,759 time series, 50 % of which were positive for citrus. The SVM model (RBF kernel: γ = 0.1, C = 10) achieved an accuracy of 91.4 % using 5-fold cross-validation, with 88% success in citrus and 93.9 % in non-citrus samples. The results showed an average NDVI of 0.74 for citrus, distinguishable from weeds (0.87), although with challenges in small plots due to spatial resolution. The estimates coincided with official data (SIACON) in 2021 (548 ha difference), although they presented discrepancies in years with droughts (2007, 2015) or management changes (2019-2020). Climatic and anthropogenic factors were identified as affecting NDVI dynamics, demonstrating the model’s usefulness for agricultural monitoring limitations include pixel mixing in heterogeneous areas. This work demonstrates that the SVM-NDVI approach is robust for classifying citrus areas at a regional scale, with potential applications in logistics management, such as transport route optimization and crop planning using spatiotemporal NDVI patterns. These findings open up opportunities to integrate remote sensing and machine learning into sustainable agricultural supply chains.