Reconocimiento 4.0 InternacionalBohorquez Castañeda, Martha PatriciaVelez Gruezo, Andres Felipe2026-02-242026-02-242025-01-21https://repositorio.unal.edu.co/handle/unal/89669Ilustraciones, fotografías a color, tablas.Agriculture is a major contributor to global methane (CH4) emissions, with rice cultivated under continuous flooding systems representing one of the most significant anthropogenic sources. Developing methodologies to quantify and predict these missions is crucial for mitigating climate change and informing agricultural management. The document proposes a temporal regression model framework to predict methane emissions in rice fields under continuous flooding conditions, integrating environmental and vegetation indices obtained from IoT sensors (e-kakashi) and multispectral drone imagery. Variable selection, ordinary least squares (OLS), generalized least squares (GLS), and autoregressive models were implemented to account for predictor significance and temporal dependence. The results showed that air temperature (AT), soil temperature (ST), solar radiation (SR), water temperature (WT), and vegetation indices (EVI, GRVI, NGBDI) influence CH4 emissions with crop cycle (Cycle1) conditions, which emerged as a significant predictor across all models. Water Temperature Growing Degree Days (WT GDD) demonstrated time-lagged relevance. The GLS model outperformed OLS by addressing autocorrelation and heteroscedasticity. This study provides a scalable and data-driven approach to monitoring CH4 emissions in rice systems under continuous flooding, highlighting the need for hybrid, temporally sensitive approaches that integrate statistical methods and high-frequency environmental data.La agricultura es un contribuyente importante a las emisiones globales de metano (CH4), siendo el arroz cultivado bajo sistemas de inundaci´on continua una de las fuentes antropog´enicas mas significativas. Desarrollar metodologıas para cuantificar y predecir estas emisiones es crucial para mitigar el cambio clim´atico e informar la gestion agrıcola. El documento propone un marco de modelo de regresi´on temporal para predecir las emisiones de metano en campos de arroz bajo condiciones de inundaci´on continua, integrando ´ındices ambientales y de vegetaci´on obtenidos a partir de sensores IoT (e-kakashi) e im´agenes multiespectrales de drones. La selecci´on de variables, los modelos de m´ınimos cuadrados ordinarios (OLS), mınimos cuadrados generalizados (GLS) y modelos autorregresivos fueron implementados para considerar la significancia de los predictores y la dependencia temporal. Los resultados mostraron que la temperatura del aire (AT), la temperatura del suelo (ST), la radiacion solar (SR), la temperatura del agua (WT) y los ´ındices de vegetaci´on (EVI, GRVI, NGBDI) influyen en las emisiones de CH4 junto con las condiciones del ciclo de cultivo (Cycle1), el cual emergi´o como un predictor significativo en todos los modelos. Los Grados D´ıa de Crecimiento de la Temperatura del Agua (WT GDD) demostraron relevancia con desfase temporal. El modelo GLS super´o al OLS al abordar la autocorrelaci´on y la heterocedasticidad. Este estudio proporciona un enfoque escalable y basado en datos para el monitoreo de emisiones de CH4 en sistemas arroceros bajo inundaci´on continua, destacando la necesidad de enfoques h´ıbridos y temporalmente sensibles que integren m´etodos estad´ısticos y datos ambientales de alta frecuencia (Texto tomado de la fuente).vi, 58 páginasapplication/pdfenghttp://creativecommons.org/licenses/by/4.0/630 - Agricultura y tecnologías relacionadas::631 - Técnicas específicas, aparatos, equipos, materialesTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessEmisión de gases de efecto invernaderoGreenhouse gas emissionsCambio climáticoClimate changeMitigación del cambio climáticoClimate change mitigationSimulaciónAnálisis espacialSpatial analysisSistema de información geográficaGeographic information systemAgricultura sostenibleSustainable agricultureAgricultura de precisiónPrecision agricultureMethane EmissionsRice PaddiesTemporal RegressionGeneralized Least SquaresVegetation IndicesRemote SensingEnvironmental MonitoringEmisiones de metanoArrozalesRegresion temporalMinimos cuadrados generalizadosIndices de vegetacionTeledeteccionMonitoreo ambiental