Estimaciones de imágenes NIR a partir de imágenes RGB utilizando modelos de machine learning

La Agricultura de Precisión se ha consolidado como una estrategia fundamental para optimizar la producción agrícola mediante el uso de tecnologías avanzadas. Una de las herramientas clave en este enfoque es la Teledetección, que emplea sensores acoplados a drones para capturar imágenes en el infrarrojo cercano (NIR), esenciales para el cálculo de índices de vegetación que permiten evaluar la salud, la biomasa y la productividad de los cultivos. Sin embargo, el elevado costo de estos drones y, especialmente, de los sensores NIR, constituye una barrera significativa para los pequeños productores, limitando su capacidad para implementar estas tecnologías y, en consecuencia, afectando la equidad en el acceso a prácticas agrícolas más avanzadas. Este proyecto de investigación busca desarrollar y validar un método innovador para estimar imágenes NIR a partir de imágenes RGB capturadas por cámaras convencionales, eliminando así la necesidad de sensores especializados y reduciendo significativamente los costos. La metodología propuesta incluye la implementación de una arquitectura de Deep Learning basada en Pix2Pix, que transforma imágenes RGB en imágenes NIR sintéticas. La investigación se enfocará en varios aspectos clave: la precisión de las imágenes NIR generadas en comparación con imágenes NIR reales, la eficiencia computacional de los métodos propuestos, y la viabilidad económica de esta solución para su aplicación en pequeña escala. Además, se explorará la adaptabilidad del modelo a diferentes tipos de cultivos y condiciones ambientales, lo que podría ampliar su aplicabilidad en diversos contextos agrícolas. Los resultados esperados incluyen no solo la validación de estos métodos como alternativas viables para la estimación de imágenes NIR, sino también la creación de una solución práctica que permita a los pequeños productores acceder a tecnologías de Agricultura de Precisión sin incurrir en altos costos. De esta manera, este proyecto podría contribuir a la democratización de la tecnología en la agricultura, promoviendo una mayor sostenibilidad, productividad y equidad en el sector agrícola.