Estimation of water stress in maize cultivation utilizing thermal and multispectral imaging from UAVs with machine learning algorithms in Lambayeque, Peru

[ES] El maíz (Zea mays L.) es un cereal fundamental en la seguridad alimentaria global, pero su vulnerabilidad al estrés hídrico compromete su productividad y amenaza la disponibilidad de alimentos. Este estudio analizó la relación entre el índice de estrés hídrico de los cultivos (CWSI), obtenido a partir de imágenes térmicas captadas por la cámara Zenmuse H20T, y diversos índices de vegetación derivados de la MicaSense RedEdge-MX Dual. El análisis incluyó modelos de aprendizaje automático (ML) como random forest (RF), k-nearest neighbors (KNN) y gradient boosting regression (GBR). Los resultados mostraron que RF fue el modelo más preciso para predecir el CWSI en el maíz, con un coeficiente de determinación (R²) de 0,80, un error cuadrático medio (RMSE) de 0,13 y un error absoluto medio (MAE) de 0,09. KNN alcanzó un R² de 0,78, un RMSE de 0,13 y un MAE de 0,09, mientras que GBR obtuvo un R² de 0,79, un RMSE de 0,14 y un MAE de 0,10. La banda roja (668 nm) tuvo un papel crucial en RF (70,69 %) y GBR (50,92 %), mientras que en KNN el índice de proporción simple (SR) presentó la mayor importancia (36,40 %). Estos hallazgos confirman la superioridad de los modelos de ML sobre los enfoques de regresión tradicionales para estimar el CWSI en el maíz. A pesar de los resultados satisfactorios, los algoritmos subestimaron los valores del CWSI obtenidos a partir de imágenes térmicas, lo que resalta la necesidad de optimizar estos modelos para mejorar su precisión en futuras aplicaciones agrícolas

[EN] Maize (Zea mays L.) is a fundamental cereal in global food security, but its vulnerability to water stress compromises its productivity and threatens food availability. This study analyzed the relationship between the crop water stress index (CWSI), obtained from thermal images captured by the Zenmuse H20T camera, and various vegetation indices derived from the MicaSense RedEdge-MX Dual. The analysis included machine learning (ML) models such as random forest (RF), k-nearest neighbors (KNN), and gradient boosting regression (GBR). The results showed that RF was the most accurate model for predicting CWSI in maize, with a coefficient of determination (R²) of 0.80, a root mean square error (RMSE) of 0.13, and a mean absolute error (MAE) of 0.09. KNN achieved an R² of 0.78, an RMSE of 0.13, and an MAE of 0.09, while GBR reached an R² of 0.79, an RMSE of 0.14, and an MAE of 0.10. The red band (668 nm) played a crucial role in RF (70.69%) and GBR (50.92%), whereas in KNN, the simple ratio (SR) index showed the highest importance (36.40%). These findings confirm the superiority of ML models over traditional regression approaches for estimating CWSI in maize. Despite the satisfactory results, the algorithms underestimated CWSI values derived from thermal images, which highlights the need to refine these models to improve their accuracy in future agricultural applications.