Optimización del riego en paltos y cítricos

interna de cada grupo y la mayor diferencia entre los grupos. Esto lo realiza de forma automática y considerando la propia esencia de los datos suministrados (no supervisado), ordenándolos de forma iterativa en grupos homogéneos (conglomerados o cluster ) que no son conocidos de antemano, pero que se forman a partir de las similitudes y diferencias entre los valores de los píxeles y su distancia a las medias de los clusters (Borra et al., 2019). En la práctica, dichos conglomerados de píxeles son sectores que poseen características y comportamiento espectral-temporal similare y, por ende, una respuesta agronómica similar, es decir, sirven como un mapa de sectorización de cada predio que puede ser utilizado para dirigir de mejor forma el manejo de este. Finalmente, a cada producto generado en esta última etapa, se les da una representación cartográfica (mapa) acotada a una escala predial, y se dejan disponibles para ser utilizadas por parte de la plataforma web (figuras 8 y 9). En el Anexo de este capítulo se entrega un resumen, descripción e interpretación de los productos satelitales generados. Conclusiones y recomendaciones La teledetección se ha vuelto un actor clave en la agricultura del siglo XXI, al proveer de cuantiosa información de libre acceso para todo el mundo y con una periodicidad que permite realizar evaluaciones objetivas de diversas propiedades de los cultivos. La inclusión de esta información en plataformas geoespaciales de uso amigable, para agricultores y asesores agrícolas, resulta fundamental para garantizar una correcta asimilación de la información disponible. La implementación de estas tecnologías está sujeta a la interpretación de los conceptos fundamentales que rigen los principios de la teledetección, por lo que se debe tener precaución de los alcances que permite la tecnología. El trabajo conjunto entre diferentes actores, del mundo académico, agricultores, empresas y organismos públicos, resulta esencial para adoptar esta tecnología en todos los sectores de la agricultura. Referencias CANADA CENTRE FOR REMOTE SENSING. 2007. Fundamentals of Remote Sensing. En: https://www.nrcan.gc.ca/sites/www.nrcan.gc.ca/files/earthsciences/pdf/resource/tutor/fu ndam/pdf/fundamentals_e.pdf. Visitado el: 30 de octubre de 2019. BORRA, S.; R. THANKI AND N. DEY. 2019. Satellite image analysis: clustering and classification. Springer Briefs in Computational Intelligence. 97p.