Se desea representar la relación que existe entre la producción y varios IVs multiespectrales como primer paso para determinar métodos de predicción tem- prana de rendimiento basados en imágenes de dron. Para comprobar cómo de lineal es la relación entre los IVs multiespectrales y la producción para cada fecha de vuelo, se analizaron una serie de estadísticos descriptivos. Se utilizaron relaciones lineales porque se han venido utilizando tradicionalmente para esta- blecer relaciones entre los productos obtenidos de la teledetección y distintos parámetros de la planta (Ballesteros et al., 2015). De los resultados de los descriptivos estadísticos obtenidos para cada fecha de vuelo, no existe nin- gún modelo significativo, pues los coeficientes de determinación de todos los modelos y para todas las fechas no alcanzan el valor de 0,5. Si bien, en la fecha del último vuelo los coeficientes de determi- nación de todos los modelos son mayores que en el resto de las fechas de muestreo, superando valores de 0,4 en algunos casos (Tabla 2), conviene destacar como mejor modelo el TCARI/OSAVI con R2=0,461, RMSE=0,842 kg/cepa y ER=9,896%, seguido del NDVI con R2=0,455, RMSE=0,846 kg/cepa y ER=9,947%, si bien descartamos el TCARI/OSAVI ya que este IV considera el suelo en su cálculo, por lo que no sería significativo, pues de acuerdo a la metodología seguida se segmentó únicamente la vegetación elimi- nando el resto de elementos del medio. Para resolver los problemas altamente no lineales se emplearon modelos de redes neuronales artificia- les (RNA). Los resultados obtenidos con el empleo de RNAs con IVs multiespectrales como predic- tores, muestran ajustes robustos con R2=0,813, RMSE=0,338 kg/cepa y ER=3,794%. Cabe destacar la superioridad de estos modelos basados en máqui- nas de aprendizaje frente a los resultados obtenidos mediante la aplicación de relaciones lineales, lo que indica que estas relaciones responden a modelos altamente no lineales. Si bien, no existen modelos generalizados para todas las parcelas de viñedo, pues el funcionamiento de estas máquinas de aprendizaje se basa en la toma de datos puntuales de cada par- cela para la calibración de la RNA y la extrapolación al resto de la parcela en particular. Figura 5. Línea de regresión del rendimiento medido y simulado con una RNA. 33 PREVENDIMIA Índices de vegetación 19/09/2018 R2 RMSE (Kg/cepa) ER (%) NDVI 0.455 0.846 9.947 GI 0.202 1.024 12.034 GNDVI 0.421 0.872 10.249 MCARI 0.287 0.968 11.380 MCARI 1 0.218 1.014 11.917 MCARI 2 0.359 0.918 10.788 MSAVI 0.274 0.977 11.482 MSR 0.441 0.858 10.078 MTVI3 0.218 1.014 11.917 TCARI/OSAVI 0.461 0.842 9.896 SRI 0.414 0.878 10.317 RDVI 0.307 0.955 11.220 Tabla 2. Estadísticos descriptivos de las relaciones lineales entre los IVs multiespectrales y la producción para el 19/09/2018.