La clorofila es un pigmento fundamental para los procesos fotosintéticos de las especies vegetales, y constituye una limitante en la producción agrícola. La estimación del contenido de clorofila foliar (LCC) se realiza generalmente mediante técnicas invasivas de espectrofotometría. Las imágenes multiespectrales y los Índices de Vegetación (IV), constituyen una alternativa importante debido a que permiten la estimación in situ del pigmento. En este trabajo se pretende encontrar la variabilidad y relaciones entre el contenido localizado de clorofila, de la especie Coffea arabica, e IV tomados de imágenes multiespectrales. Se realizó un muestreo de hojas al azar, y se seleccionaron hojas sanas y enfermas. Se estimó el LCC de 60 muestras mediante espectrofotometría y se encontró el coeficiente de correlación con IV. Los mejores indicadores del pigmento fueron los índices GARI, GNDVI y NDVI, entre 14 índices estudiados. Se encontró que la variabilidad de los datos de IV en diferentes zonas de hojas enfermas, concuerda con la distribución de clorofila no homogénea en esas hojas, ya que la degradación de clorofila en esta variedad no se comporta de forma isotrópica. Este resultado alienta la posibilidad de usar esta técnica para inferir el estado de salud de esta planta.

No abstract

This paper analyzes the influence of a virtual classroom with a lightboard on the pedagogical impact generated in students of two synchronous engineering courses taught during the Covid 19 pandemic. A technology acceptance model analyzed the influence of the virtual classroom with lightboard, the central core of analysis being the students' learning satisfaction. The results show that the ease of receiving the lectures for students, the teacher's chosen methodology, and the support material positively influence the student's learning process. The lightboard supports all these influence factors, being a helpful tool for teachers. Also, in virtual lectures, it is relevant that the student has a good Internet connection, stable power supply, and other elements that allow him/her to participate in all synchronous lectures and develop asynchronous activities.

An important limitation in agricultural production is stress resulting from water deficit. Flower production and postharvest life both decrease in Heliconia psittacorum affected by water stress. Remote sensing provides tools for estimating the water status of plant species using spectral information in the visible and infrared range. This paper presents a study of reflectance in the 350-800 nm range and the response in the thermal infrared of leaf tissue under different irrigation regimes. For the measurement of reflectance, an OceanOptics® Micro-Spectrometer was used, while for the thermal infrared measurements, a FLIRE40® camera was used. Three irrigation regimes were established: T1: 100% field capacity (FC), T2: 50% FC, and T3: 10% FC. Significant differences were found between treatment T1 and treatments T2-T3 in the water stress index (CWSI) and stomatal conductance index (GI). The reflectance around 800 nm decreased for T2 and T3. Significant differences were obtained between T1 and T2-T3 in the maximum of the first derivative of the reflectance between 700 and 750 nm. It was found that, in the range 350-800 nm, the thermal indices were better indicators of the water status of the Heliconia species than the spectral indices.

La neumonía es una enfermedad que ha causado gran cantidad de muertes a nivel mundial. Los métodos de detección de neumonía: pruebas de sangre, prueba de esputo, tomografía computarizada y las radiografías (RX) de tórax en general requieren de un médico especialista y tiempo para su análisis. El objetivo de esta investigación fue generar un modelo basado en instancias semánticas y aprendizaje profundo (Mask-RCNN) que permita el apoyo en el diagnóstico de opacidades pulmonares y neumonía. Usando 12 024 imágenes de radiografías de rayos X de tórax se realizaron 3 experimentos, en los que se variaron las condiciones de las imágenes del dataset (exp1: imágenes RX pacientes con neumonía, exp2: imágenes RX pacientes sanos y con neumonía, exp3: imágenes RX pacientes sanos y con neumonía, más data augmentation). Para los 3 experimentos se realizó un preprocesamiento de ecualización de histograma. Para evaluar el desempeño de los modelos de identificación de opacidades y clasificación de pacientes con neumonía, se utilizaron los parámetros intersección sobre la unión, precisión, recall, F1score y accuracy. Se encontró que la métrica de mejor desempeño fue recall para el experimento 1 tanto para la detección de opacidades como de neumonía.