+--------------------------------------------------------------+
| Predicción del Rendimiento del Arroz (Deep Learning) |
| (Usando Imágenes Satelitales de Parcelas) |
+--------------------------------------------------------------+
|
v
+--------------------------------------------------------------+
| 1. Adquisición de Datos (Imágenes Satelitales) |
| - Recolección de imágenes satelitales de parcelas de arroz |
+--------------------------------------------------------------+
|
v
+--------------------------------------------------------------+
| 2. Preprocesamiento de Imágenes |
| - Corrección de color y reducción de ruido |
| - Normalización de píxeles (escala 0-1) |
| - Data Augmentation: rotación, escalado, volteo, etc. |
| - División en conjuntos de entrenamiento y prueba |
+--------------------------------------------------------------+
|
v
+--------------------------------------------------------------+
| 3. Diseño de la Arquitectura del Modelo |
+--------------------------------------------------------------+
|
v
+----------------------------+ +-------------------------------+
| 3.1. Capa de Entrada | | 3.2. Capas Convolucionales |
| - Imagen de tamaño | | - Aplicación de filtros para |
| (Altura x Ancho x Canales)| | extracción de características|
+----------------------------+ | - Funciones de activación (ReLU)|
| | - Capas de Pooling (Max/Average)|
v +-------------------------------+
+----------------------------+ |
| 3.3. Capa de Flattening | v
| - Conversión de mapas | +-------------------------------+
| de características a | | 3.4. Capas Densas |
| vector unidimensional | | - Capas totalmente conectadas |
| | | - Funciones de activación (ReLU) |
+----------------------------+ | - Regularización (Dropout, etc.)|
| +-------------------------------+
v |
+----------------------------+ v
| 3.5. Capa de Salida | +------------------------------+
| - Predicción numérica | | 4. Entrenamiento |
| (Rendimiento del arroz) | | - Tipo de aprendizaje: |
| - Activación lineal | | Supervisado |
+----------------------------+ | - Función de pérdida: MSE |
| - Optimizador: Adam |
| - Épocas y tamaño de batch |
+------------------------------+
|
v
+--------------------------------------------------------------+
| 5. Evaluación y Ajuste del Modelo |
| - Métricas: RMSE, MAE, R² |
| - Validación Cruzada y Tuning de Hiperparámetros |
+--------------------------------------------------------------+
|
v
+--------------------------------------------------------------+
| 6. Implementación en Python |
| - Frameworks: TensorFlow/Keras para la CNN y modelado |
| - OpenCV u otras librerías para procesamiento de imágenes |
| - Desarrollo, despliegue y monitoreo del modelo en producción |