1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
  2. Tesis de Licenciatura
  3. Sinaloa
  4. Instituto Tecnológico de Culiacán (Licenciatura)
  5. INGENIERIA EN SISTEMAS COMPUTACIONALES

Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/13759
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorRANGEL PERAZA, JESUS GABRIEL-
dc.contributor.authorACOSTA CHANG, LUIS XAVIER-
dc.creatorACOSTA CHANG, LUIS XAVIER-
dc.date.accessioned2026-08-19T17:31:58Z-
dc.date.available2026-08-19T17:31:58Z-
dc.date.issued2026-03-17-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/13759-
dc.descriptionLa población de estudio comprendió diversas parcelas agrícolas ubicadas en la región productiva de Sinaloa. De manera particular, la muestra se conformó por series temporales de imágenes de alta resolución obtenidas de campos de cultivo de chile durante la temporada agrícola de 2023 a 2024. Las técnicas empleadas consistieron en la teledetección satelital, utilizando como instrumento principal los sensores de la constelación PlanetScope, capaces de capturar 8 bandas espectrales con una resolución espacial de 3 metros por píxel, apoyados por scripts de umbralización de Otsu para la creación de las etiquetas de referencia. El procesamiento masivo de datos se orquestó de forma asíncrona mediante microservicios en Python gestionados a través de Celery y Redis. En esta etapa, las imágenes satelitales fueron normalizadas y segmentadas en parches espaciales de 128x128 píxeles para alimentar y entrenar arquitecturas de redes neuronales, específicamente el modelo supervisado U-Net. Los resultados del demuestran cuantitativamente la capacidad predictiva del modelo U-Net sobre los enfoques de umbralización tradicionales, logrando clasificar las áreas de estrés con una Exactitud (Accuracy) global superior al 93% y un índice de Intersección sobre Unión (IoU) de entre 0.6753 y 0.7213, todo ello operando con una alta eficiencia de latencia promedio cercana a 1.2 segundos por inferencia.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.otherAGRICULTURA DE PRECISIÓN (AP)es_MX
dc.subject.otherAGRICULTURA SOSTENIBLEes_MX
dc.subject.otherGESTIÓN HÍDRICA SOSTENIBLEes_MX
dc.subject.otherESTRÉS HÍDRICOes_MX
dc.subject.otherCULTIVO DE TOMATE / CHILEes_MX
dc.subject.otherTELEDETECCIÓN SATELITALes_MX
dc.subject.otherSISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)es_MX
dc.subject.otherGPS (GLOBAL POSITIONING SYSTEM)es_MX
dc.subject.otherIMÁGENES MULTIESPECTRALESes_MX
dc.subject.otherSENTINEL-2es_MX
dc.subject.otherPLANETSCOPE / PLANETSCOPE SUPERDOVEes_MX
dc.subject.otherGOOGLE EARTH ENGINE (GEE)es_MX
dc.titleMÓDULO DE IA PARA DETECCIÓN DE ESTRÉS HÍDRICO EN PLATAFORMA DE GESTIÓN DE IMÁGENES MULTIESPECTRALES PARA AGRICULTURA DE PRECISIÓNes_MX
dc.typeinfo:eu-repo/semantics/bachelorThesises_MX
dc.contributor.directorMORA FELIX, ZURIEL DATHAN-
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmInstituto Tecnológico de Culiacánes_MX
Appears in Collections:INGENIERIA EN SISTEMAS COMPUTACIONALES

Files in This Item:
File Description SizeFormat 
Módulo De IA para Detección De Estrés Hídrico En Plataforma De Gestión De Imágenes Multiespectrales Para Agricultura De Precisión..pdf2.21 MBAdobe PDFView/Open
LICENCIA DE USO LUIS XAVIER ACOSTA CHANG.pdf
  Until 9999-01-01		402.34 kBAdobe PDFView/Open Request a copy


This item is protected by original copyright

View License
Show simple item record


This item is licensed under a Creative Commons License Creative Commons