Land cover data represent environmental information for a variety of scientific and policy applications, so its classification from satellite images is important. Since neural networks (NN) do not require a hypothesis about data distribution, they are valuable tools to classify satellite images. The objectives of this work were to develop NN models to classify land cover data from information from satellite images and to evaluate them when different input variables are used. MODIS-MYD13Q1 satellite images and data of 85 plots in Córdoba, Argentina, were used. Five NN models of multi-layer feed-forward perceptron were designed. Four of these received NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), red (RED) and near infrared (NIR) reflectance values as input patterns, respectively. The fifth NN had RED and NIR reflectances as input values. By comparing the information taken in the field and the classification made during the validation phase, it can be concluded that all models presented good performance in the classification. The model that shows better behavior is the one that jointly considers RED and NIR reflectance as input; this model shows an overall classification accuracy of 93% and an excellent Kappa statistic. The networks constructed with NDVI and EVI values have a similar behavior (86 and 83% accuracy, respectively). The Kappa statistics correspond to the categories of very good and good, respectively. The networks including only RED or NIR reflectance values get the lowest accuracy results (76 and 81%, respectively) and Kappa values within fair and good ranks, respectively.

Los datos de cobertura de suelo representan información ambiental clave para aplicaciones científicas y políticas, por esto su clasificación a partir de imágenes satelitales es importante. Las redes neuronales (NN) constituyen una herramienta valiosa para clasificar imágenes satelitales pues no requieren hipótesis sobre la distribución de los datos. Los objetivos de este trabajo fueron desarrollar modelos de NN para clasificar datos de cobertura de suelo a partir de información proveniente de imágenes satelitales y evaluarlos cuando se utilizan diferentes variables de entrada. Se utilizaron imágenes satelitales MODIS-MYD13Q1 y datos de 85 parcelas en Córdoba (Argentina). Se diseñaron cinco NN del tipo perceptrón multicapa feed-forward. Cuatro de ellas recibieron como patrones de entrada valores de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), de reflectancias en la bandas roja (RED) y en infrarroja cercana (NIR), respectivamente. La quinta NN tuvo como valores de entrada las reflectancias RED y NIR. La validación, permitió concluir que todos los modelos presentan un buen desempeño. El modelo que muestra mejor comportamiento es aquel que considera conjuntamente valores de reflectancias RED y NIR, cuya precisión en la clasificación es del 93% con un estadístico Kappa excelente. Las redes construidas individualmente a partir de valores de NDVI y EVI tienen un comportamiento similar (86 y 83% de exactitud, respectivamente), con estadísticos Kappa muy bueno y bueno, respectivamente. Las NN que incluyen sólo valores de RED o NIR presentaron los menores porcentajes de exactitud (76 y 81%, respectivamente) con índices Kappa regular y bueno, respectivamente.

O objetivo deste trabalho foi desenvolver modelos de redes neuronais, do tipo retropropagação, para a estimação da irradiação solar, a partir de dados de irradiação solar extraterrestre, amplitude térmica, precipitação, nebulosidade e razão de insolação. O treinamento e a validação foram realizados com dados correspondentes a Córdoba, Argentina. O comportamento e ajuste entre os valores observados e os estimados pelas redes foram avaliados para diferentes combinações das variáveis de entrada, que apresentaram valores do erro quadrático médio entre 3,15 e 3,88 MJ m-2 d-1 . Este último valor corresponde ao modelo que calcula a irradiação somente utilizando precipitação e amplitude térmica diária. Os resultados exibem em todos os modelos um ajuste apropriado ao comportamento sazonal da irradiação solar e permitem concluir a pertinência e o adequado desempenho desse método para estimar fenômenos complexos como a irradiação solar.

The objective of this work was to develop neural network models of backpropagation type to estimate solar radiation based on extraterrestrial radiation data, daily temperature range, precipitation, cloudiness and relative sunshine duration. Data from Córdoba, Argentina, were used for development and validation. The behaviour and adjustment between values observed and estimates obtained by neural networks for different combinations of input were assessed. These estimations showed root mean square error between 3.15 and 3.88 MJ m-2 d-1 . The latter corresponds to the model that calculates radiation using only precipitation and daily temperature range. In all models, results show good adjustment to seasonal solar radiation. These results allow inferring the adequate performance and pertinence of this methodology to estimate complex phenomena, such as solar radiation.

In this work models based on neural networks of the backpropagation type were developed in order to predict the occurrence of frosts from meteorological data such as temperature, relative humidity, cloudiness and wind direction and speed. The training and the validation of the networks were made on the basis of 24 years of meteorological data corresponding to the Río Cuarto station, Córdoba, Argentina. These data were grouped as follows: 10 years for the training data set and 14 years for the validation data set. Different models were built to evaluate the performance of the networks when different numbers of input variables and/or neurons in the hidden layer are used, and the probabilities of success in the prediction results on considering different input variables. In the models used, the percentage of days with prediction error was 2%, approximately, for the 14 years of application; when effective frosts days are considered the percentage varies between 10 and 23%, for the same period. The simulation results demonstrated the good performance and the relevance of this methodology for the estimation of the behavior of non-linear phenomena like frosts.

En este trabajo se desarrollaron modelos basados en redes neuronales del tipo "backpropagation", para predecir la ocurrencia de heladas, a partir de datos meteorológicos de temperatura, humedad relativa, nubosidad, dirección y velocidad del viento. El entrenamiento y la validación de las redes se realizaron utilizando 24 años de datos meteorológicos correspondientes a la estación de Río Cuarto, Córdoba, Argentina, separados en 10 años como conjunto de datos de entrenamiento y 14 como conjunto de datos de validación. Se construyeron diferentes modelos para evaluar el comportamiento de las redes cuando se usan distintos números de variables de entrada y/o neuronas en la capa oculta y las probabilidades de aciertos en los resultados de predicción para los mismos, al considerar distintas variables de entrada. En los modelos realizados, el porcentaje de días con error de pronóstico fue de 2%, aproximadamente, para 14 años de aplicación; cuando se consideran días de heladas efectivas no pronosticadas los porcentajes oscilan entre un 10% y un 23%, para el mismo período. Los resultados de la simulación muestran el buen desempeño y la pertinencia general de esta metodología en la estimación de fenómenos de comportamiento no lineal como las heladas

In this work models are developed based on multicriteria programming: multiobjective programming is used complemented with the compromise programming and goal programming with the purpose of evaluating the optimization of more than one economic objective. The purpose of these models is to predict ex-ante the economic results, maximization of the gross margin and minimization of the enterprise risk, which will be observed in horticultural systems when new production alternatives are adopted, contemplating different agronomic and economic restrictions. These models were applied to small horticultural operations of the green belt in Córdoba, Argentina, in order to explain the changes in the economic situation of the farm when selecting and adopting new production plans, represented by the incorporation of alternative horticultural products for production. Comparing each model with the present situation of the producers, considering the variables involved, allows the conclusion that adopting any one of the modeled proposals, will mean an important diminution in the relation risk/gross-margin with values up to 50% in the summer season and 66% in the winter season. The choice of solutions that, although not optimal are efficient, will result in a greater diversification of productive alternatives.

En este trabajo se desarrollan modelos basados en los métodos de programación multicriterio: se utiliza la programación multiobjetivo, complementada con la programación compromiso y por metas, con el fin de evaluar la optimización de más de un objetivo económico. Estos modelos tienen como propósito predecir ex-ante los resultados económicos, maximización del margen bruto y minimización del riesgo empresarial, que se observarán en los sistemas hortícolas al adoptar nuevas alternativas de producción, contemplando distintas restricciones agroeconómicas. Se realizó su aplicación a las pequeñas explotaciones hortícolas del Cinturón Verde de Córdoba, Argentina, para explicar el cambio de la situación económica de la empresa al seleccionar y adoptar nuevos planes de producción, representados por la incorporación de productos hortícolas alternativos para su producción. La comparación de cada modelo con la situación actual de las empresas, en cuanto a las variables involucradas, permite concluir que la adopción de cualquiera de las propuestas modeladas significará una disminución importante de la relación riesgo/margen bruto en valores de hasta un 50% para la estación estival, y un 66% para la estación fría. La elección de las soluciones que, sin ser óptimas serán eficientes, corresponden a una mayor diversificación de los cultivos a realizar.