{"id":792,"date":"2020-06-09T00:00:00","date_gmt":"2020-06-09T05:00:00","guid":{"rendered":"https:\/\/www.datazucar.cu\/?p=792"},"modified":"2020-06-09T23:03:44","modified_gmt":"2020-06-10T04:03:44","slug":"agricultura-de-precision-y-la-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.datazucar.cu\/?p=792","title":{"rendered":"Agricultura de precisi\u00f3n y la inteligencia artificial"},"content":{"rendered":"\n

Resumen<\/p>\n\n\n\n

La inteligencia artificial tiene alto potencial junto a la agricultura de precisi\u00f3n pues pueden mejorar la competitividad y aumentar la sostenibilidad en comparaci\u00f3n con los m\u00e9todos tradicionales de producci\u00f3n de cultivos, y se ha convertido en un \u00e1rea cada vez m\u00e1s activa de investigaci\u00f3n durante las \u00faltimas d\u00e9cadas. La gu\u00eda del tractor utilizando los sistemas de sensores basados en el Sistema Global de Navegaci\u00f3n por Sat\u00e9lite (GNSS) para el seguimiento de rutas y los sistemas de sensores locales para una navegaci\u00f3n precisa en fila, en cultivos, en hileras y huertos ya han llegado para dar soluci\u00f3n a muchas problem\u00e1ticas existentes.<\/p>\n\n\n\n

Estado del arte<\/p>\n\n\n\n

Muchas decisiones de manejo de producci\u00f3n de cultivos pueden ser
informadas usando datos de im\u00e1genes a\u00e9reas de alta resoluci\u00f3n que proporcionan informaci\u00f3n sobre la salud de los cultivos, influenciada por la fertilidad del suelo y la humedad. La humedad superficial del suelo es un componente clave del balance h\u00eddrico del suelo, que se ocupa de los intercambios de agua y energ\u00eda en la interface superficie \/ atm\u00f3sfera;<\/p>\n\n\n\n

Sin embargo, raramente se utilizan datos de alta sensibilidad remota para adquirir valores de humedad del suelo. <\/p>\n\n\n\n

Seg\u00fan el estudio realizado por (Leila HassanEsfahani *, 2016) , se desarroll\u00f3 un modelo de red neuronal artificial (RNA) para cuantificar la efectividad del uso de im\u00e1genes espectrales para estimar la humedad superficial del suelo. El modelo produce estimaciones aceptables de la humedad superficial del suelo (RMSE) = 2,0, promedio de error absoluto (MAE) = 1,8, coeficiente de correlaci\u00f3n (r) = 0,88, coeficiente de rendimiento (e) = 0,75 y
coeficiente de determinaci\u00f3n (R2) = 0,77) combinando mediciones de campo con entradas de detecci\u00f3n remota de bajo costo y f\u00e1cilmente disponibles. Los datos espaciales (espectro visual, infrarrojo cercano, infrarrojo \/ t\u00e9rmico) son producidos por la plataforma AggieAir \u2122, que incluye un veh\u00edculo a\u00e9reo no tripulado (UAV) que permite a los usuarios recopilar im\u00e1genes a\u00e9reas a bajo precio y altas resoluciones espaciales y temporales. Este estudio reporta el desarrollo de un modelo de ANN que traduce las im\u00e1genes de AggieAir \u2122 en estimaciones de la humedad superficial del suelo para un gran campo irrigado por un sistema de rociadores de pivote central.
El objetivo de esta investigaci\u00f3n es generar estimaciones de la humedad superficial del suelo (SSM) utilizando datos de alta resoluci\u00f3n y de detecci\u00f3n remota, recogidos a una resoluci\u00f3n de 15 cm de p\u00edxel, como insumos para un algoritmo de m\u00e1quina de aprendizaje (RNAs) desarrollado bajo aprendizaje supervisado <\/p>\n\n\n\n

Procedimientos.
Las RNAs se usan para construir el modelo de estimaci\u00f3n SSM. Hasta donde se conoce, este es el primer estudio que documenta la estimaci\u00f3n de la humedad superficial del suelo usando datos de detecci\u00f3n remota a una resoluci\u00f3n espacial tan fina y f\u00e1cilmente disponible en el sentido de resoluci\u00f3n temporal. Los resultados no s\u00f3lo contribuir\u00e1n a la validaci\u00f3n eficiente y fiable de la teledetecci\u00f3n multiespectral de alta resoluci\u00f3n, sino tambi\u00e9n a una mejor utilizaci\u00f3n de los productos de humedad del suelo de detecci\u00f3n remota para mejorar el modelado y la programaci\u00f3n del riego.
Luego de un estudio de distintos enfoques los investigadores han tenido que buscar herramientas de modelado basadas en datos, tales como redes neuronales artificiales (RNAs), m\u00e1quinas vectoriales de apoyo (SVMs) y m\u00e1quinas de vector de relevancia (RVMs), para estimar la h\u00famedad del suelo [3,23,24,25,26,27].
Se desarroll\u00f3 un modelo de red neuronal de alimentaci\u00f3n en tres capas (FFNN) que incluye neuronas de entrada \u00abI\u00bb, \u00abh\u00bb neuronas ocultas y \u00abo\u00bb neuronas de salida, que se pueden representar simb\u00f3licamente como RNAs (i, h, o) [28]. Los pesos de conexi\u00f3n y el sesgo conectan estas neuronas. La entrada se multiplica por los pesos de conexi\u00f3n. Estos productos se suman simplemente, se alimentan a trav\u00e9s de una funci\u00f3n de transferencia para generar un resultado y, a continuaci\u00f3n, la salida. Las neuronas de capas ocultas suelen utilizar una funci\u00f3n de activaci\u00f3n sigmoidal, mientras que las neuronas de capa de salida utilizan una funci\u00f3n de activaci\u00f3n lineal. Las funciones de activaci\u00f3n se utilizan para transformar entradas a salidas espec\u00edficas con un procedimiento de regresi\u00f3n no lineal. Cada modelo de ANN requiere operaciones de entrenamiento y pruebas. En la operaci\u00f3n de entrenamiento, al minimizar la funci\u00f3n de costo (Mean Squared Error (MSE) en este estudio), se optimizan los pesos de conexi\u00f3n y los valores de polarizaci\u00f3n. Una vez entrenado, un conjunto independiente de datos que no se utiliz\u00f3 para la formaci\u00f3n se aplica para probar el modelo de red neuronal [26]. El tema que amenaza la aplicaci\u00f3n de los modelos basados en ANN es la aleatoriedad de la producci\u00f3n prevista, que se fija en este estudio [29]. Esto se llev\u00f3 a cabo mediante la aplicaci\u00f3n de la funci\u00f3n de generaci\u00f3n de semillas.
Dado que los pesos se inicializan al azar, la funci\u00f3n de generaci\u00f3n de semillas se restableci\u00f3 para superar la aleatoriedad de los resultados mediante la fijaci\u00f3n de la inicializaci\u00f3n de pesos y hacer los resultados reproducibles. Tambi\u00e9n se ejecutaron los modelos para una amplia gama de valores de semilla. La operaci\u00f3n de entrenamiento de las RNA se realiz\u00f3 mediante un algoritmo de retropropagaci\u00f3n, que es el algoritmo de entrenamiento supervisado m\u00e1s com\u00fanmente utilizado en las redes de avance m\u00faltiple. Los pesos de la red son modificados simult\u00e1neamente por el algoritmo de retropropagaci\u00f3n que busca minimizar la diferencia entre los objetivos y las salidas calculadas. En este tipo de algoritmo, la operaci\u00f3n de procesamiento se realiza en una direcci\u00f3n hacia adelante, desde entradas hasta capas ocultas y, finalmente, hasta una capa de salida [30].<\/p>\n\n\n\n

Un m\u00e9todo de retropropagaci\u00f3n utiliza un m\u00e9todo de error cuadr\u00e1tico m\u00ednimo y una regla delta generalizada para optimizar los pesos de la red. La regla de la cadena derivada y el m\u00e9todo de pendientegradiente se utilizan para ajustar los pesos de la red [31]. El paso directo y el paso inverso son dos fases principales de la operaci\u00f3n de entrenamiento. En la primera fase, los datos de entrada se multiplican por los pesos iniciales, formando insumos ponderados que luego se a\u00f1aden para dar la red a cada neurona. Esta red genera la salida de la neurona despu\u00e9s de pasar por una funci\u00f3n de activaci\u00f3n o transferencia.
En las redes de retropropagaci\u00f3n, un derivado de la funci\u00f3n de activaci\u00f3n modifica los pesos de la red. Por lo tanto, las funciones de transferencia continua est\u00e1n dirigidas. La funci\u00f3n de transferencia Log-sigmoide y la funci\u00f3n de transferencia de la sigmoide tangencial hiperb\u00f3lica son las funciones de transferencia continua m\u00e1s comunes en las redes de retropropagaci\u00f3n [32]. La funci\u00f3n de transferencia Log-sigmoide se utiliz\u00f3 en este estudio. La salida de la neurona se transmite a la siguiente capa como una entrada, y este procedimiento se repite hasta que alcanza la capa de salida. El error entre las salidas de la red y las salidas de destino se calcula al final de cada paso de avance y se comprueba con un valor espec\u00edfico. Si el error pas\u00f3 este valor, el procedimiento contin\u00faa con un paso inverso; De lo contrario, el entrenamiento se detiene [33]. En el paso inverso, los pesos en la red se modifican usando el valor de error. La modificaci\u00f3n de pesos en la capa de salida es diferente de la modificaci\u00f3n de pesos en las capas ocultas. En la capa de salida, se proporcionan las salidas objetivo, mientras que en las capas intermedias, los valores objetivo no existen [31]. Por lo tanto, la propagaci\u00f3n posterior utiliza las derivadas de la funci\u00f3n objetivo con respecto a los pesos en toda la red para distribuir el error a las neuronas en cada capa en toda la red [33]. <\/p>\n\n\n\n

2.2. Selecci\u00f3n de posibles variables de entrada Uno de los problemas cr\u00edticos en el prendizaje de algoritmos de m\u00e1quina de aprendizaje como RNAs es seleccionar las variables de entrada apropiadas. La idea es elegir la combinaci\u00f3n de variables que est\u00e1n altamente correlacionadas con la humedad del suelo. Estudios anteriores han demostrado una buena correlaci\u00f3n entre el contenido de agua en el suelo y la temperatura de la piel infrarroja (IR) y el \u00edndice de vegetaci\u00f3n de diferencias normalizadas (NDVI), y entre la tasa de calentamiento IR y las im\u00e1genes t\u00e9rmicas [34, 35]. <\/p>\n\n\n\n

Optical y microondas de datos de detecci\u00f3n remota se han utilizado para la superficie del suelo balance de energ\u00eda de modelado [6, 11, 12, 36]. Despu\u00e9s de recolectar estas variables de conjuntos de datos independientes, la correlaci\u00f3n y la dependencia entre estas variables se evaluaron en el estudio presentado.
Algunos \u00edndices de vegetaci\u00f3n (VIs) se consideran como variables de entrada con algunas contribuciones en las estimaciones de la humedad del suelo [4, 37, 38, 39].
Este trabajo demuestra la aplicaci\u00f3n de una tecnolog\u00eda de teledetecci\u00f3n de alta resoluci\u00f3n (AggieAir) para estimar la humedad superficial del suelo como una pieza clave de informaci\u00f3n en el manejo del agua de riego. Las im\u00e1genes multiespectrales de alta resoluci\u00f3n, en combinaci\u00f3n con el muestreo en tierra, proporcionaron suficiente informaci\u00f3n para los enfoques de modelado para estimar con precisi\u00f3n la humedad superficial del suelo distribuida espacialmente. <\/p>\n\n\n\n

Este art\u00edculo presenta los resultados de un enfoque de modelado utilizando ANN en concierto con el tiempo y la informaci\u00f3n espec\u00edfica del sitio. Paralelamente a otros enfoques de modelado, como los algoritmos de miner\u00eda de datos o la regresi\u00f3n lineal, el modelo de RNA se calibra para este estudio dentro de las condiciones de la informaci\u00f3n recogida, incluyendo las mediciones de humedad del suelo, textura del suelo, tipo de cultivo e
im\u00e1genes multiespectrales de alta resoluci\u00f3n.
Por otra parte otro trabajo realizado por (Center, 2016) plantea que la \u00faltima generaci\u00f3n de redes neuronales convolucionales (CNNs) ha logrado resultados impresionantes en el campo de la clasificaci\u00f3n de im\u00e1genes. Este trabajo se refiere a un nuevo enfoque para el desarrollo del modelo de reconocimiento de enfermedades vegetales, basado en la clasificaci\u00f3n de im\u00e1genes foliares , mediante el uso de redes convolucionales profundas. La nueva forma de entrenamiento y la metodolog\u00eda utilizada facilitan una implementaci\u00f3n r\u00e1pida y sencilla del sistema en la pr\u00e1ctica. El modelo desarrollado es capaz de reconocer 13 tipos diferentes de enfermedades de las plantas de las hojas sanas, con la capacidad de distinguir las hojas de las plantas de sus alrededores.
Se nombra Caffe, un marco de aprendizaje profundo que se utiliz\u00f3 para realizar el entrenamiento de CNN. Los resultados experimentales en el modelo desarrollado alcanzaron una precisi\u00f3n entre 91% y 98%, para pruebas de clase separadas, en promedio 96,3%.
Dado el uso excesivo de plaguicidas puede causar el desarrollo de resistencia a largo plazo de los pat\u00f3genos, reduciendo dr\u00e1sticamente la capacidad de combatir. El diagn\u00f3stico oportuno y preciso de las enfermedades de las plantas es uno de los pilares de la agricultura de precisi\u00f3n [7]. Es fundamental prevenir el desperdicio innecesario de recursos financieros y de otro tipo, logrando as\u00ed una producci\u00f3n m\u00e1s sana, abordando el problema de desarrollo a largo plazo de la resistencia a los pat\u00f3genos y mitigando los efectos negativos del cambio clim\u00e1tico.
Los avances en la visi\u00f3n por computadora ofrecen una oportunidad para ampliar y mejorar la pr\u00e1ctica de la protecci\u00f3n fitosanitaria precisa y ampliar el mercado de las aplicaciones de visi\u00f3n por computadora en el campo de la agricultura de precisi\u00f3n.
La utilizaci\u00f3n de t\u00e9cnicas comunes de procesamiento de im\u00e1genes digitales, tales como el an\u00e1lisis de color y umbral [9] se utilizaron con el objetivo de la detecci\u00f3n y clasificaci\u00f3n de enfermedades de las plantas.
Varios enfoques diferentes se utilizan actualmente para la detecci\u00f3n de enfermedades de las plantas y m\u00e1s comunes son las redes neuronales artificiales (RNAs) [10] y Support Vector Machines (SVM) [11]. Se combinan con diferentes m\u00e9todos de preprocesamiento de im\u00e1genes a favor de una mejor. Existen algunos enfoques que aplican la propagaci\u00f3n posterior de las redes neuronales, que consiste en una entrada, una salida y una capa oculta para las necesidades de identificar las especies de hoja, plaga o enfermedad; Este modelo fue propuesto por los autores en [21]. Ellos
desarrollaron un modelo de software, para sugerir medidas correctivas para el manejo de plagas o enfermedades en cultivos agr\u00edcolas.
Otra t\u00e9cnica propuesta por los autores en [22] incorpora las caracter\u00edsticas extra\u00eddas por Optimizaci\u00f3n de enjambre de part\u00edculas (PSO) [23] y la red neural hacia adelante en la direcci\u00f3n de determinar la mancha de la hoja lesionada de algod\u00f3n y mejorar la precisi\u00f3n del sistema con la precisi\u00f3n global final Del 95%.
Adem\u00e1s, la detecci\u00f3n y diferenciaci\u00f3n de las enfermedades de las plantas puede lograrse utilizando algoritmos de Vector Vector. Esta t\u00e9cnica se aplic\u00f3 para las enfermedades de la remolacha azucarera y se present\u00f3 en [24], donde, dependiendo del tipo y etapa de la enfermedad, la precisi\u00f3n de clasificaci\u00f3n fue entre 65% y 90%. tracci\u00f3n de caracter\u00edsticas.
Del mismo modo, hay m\u00e9todos que combinan la extracci\u00f3n de caracter\u00edsticas y Neural Network Ensemble (NNE) para el reconocimiento de enfermedades de las plantas. Mediante la formaci\u00f3n de un n\u00famero definido de redes neuronales y la combinaci\u00f3n de sus resultados despu\u00e9s de
eso, NNE ofrece una mejor generalizaci\u00f3n de la capacidad de aprendizaje [25]. Este m\u00e9todo se implement\u00f3 s\u00f3lo para el reconocimiento de las enfermedades de hoja de t\u00e9 con una precisi\u00f3n final de pruebas del 91% [26]\n\n\n\n

Otro enfoque basado en las im\u00e1genes de las hojas y el uso de RNA como una t\u00e9cnica para la detecci\u00f3n autom\u00e1tica y clasificaci\u00f3n de enfermedades de las plantas se utiliz\u00f3 en conjunci\u00f3n con los medios como un procedimiento de agrupamiento propuesto por los autores en [27]. ANN consist\u00eda en 10 capas ocultas. El n\u00famero de resultados fue 6, que fue el n\u00famero de clases que
representan cinco enfermedades junto con el caso de una hoja sana. En promedio, la precisi\u00f3n de la clasificaci\u00f3n utilizando este enfoque fue del 94,67%.
Se propuso el entrenamiento de la red neuronal convolucional profunda para hacer un modelo de clasificaci\u00f3n de im\u00e1genes a partir de un conjunto de datos.
Existen algunas vanguardias de los marcos de aprendizaje profundo, como la biblioteca de Python Theano [37] y la biblioteca de aprendizaje de la m\u00e1quina que se extiende Lua, Torch7 [38]. Adem\u00e1s, existe Caffe, un marco de aprendizaje profundo de c\u00f3digo abierto desarrollado por la BVLC [39] que contiene el modelo preconcebido CaffeNet de referencia. Para el prop\u00f3sito de esta investigaci\u00f3n, este marco fue utilizado, junto con el conjunto de pesos aprendidos en un conjunto de datos muy grande, ImageNet [40].
Caffe marco es adecuado tanto para los experimentos de investigaci\u00f3n y el
despliegue de la industria. El n\u00facleo del framework se desarrolla en C ++ y
proporciona interfaces de l\u00ednea de comandos, Python y MATLAB. La
integraci\u00f3n de Caffe con la biblioteca cuDNN acelera los modelos Caffe [41, 42]. CaffeNet es una profunda CNN que tiene m\u00faltiples capas que progresivamente calcular las caracter\u00edsticas de las im\u00e1genes de entrada [43]. Espec\u00edficamente, la red contiene ocho capas de aprendizaje y cinco convolucional y tres capas totalmente conectadas [44].
La arquitectura de CaffeNet se considera un punto de partida, pero se modifica y se ajusta para soportar nuestras 15 categor\u00edas (clases). La \u00faltima capa se alter\u00f3 y la salida de la capa softmax se parametriz\u00f3 a los requerimientos del estudio presentado.
La capa convolucional es el elemento esencial de la red neuronal convolucional. Los par\u00e1metros de la capa se componen de un conjunto de n\u00facleos aprendibles que poseen un campo receptivo peque\u00f1o pero que se extienden a trav\u00e9s de toda la profundidad del volumen de entrada [45].
Lo antes explicado recae en la conclusi\u00f3n que esta aplicaci\u00f3n sirve como ayuda a los agricultores (independientemente del nivel de experiencia), permitiendo el reconocimiento r\u00e1pido y eficiente de las enfermedades de las plantas y facilitando el proceso de toma de decisiones cuando
se trata del uso de pesticidas qu\u00edmicos.<\/p>\n\n\n\n

Y para concluir una experiencia cubana citada por (Dr.C. Neeldes Matos Ram\u00edrez, (abril-mayo-junio), 2014) donde expresa que la producci\u00f3n de ca\u00f1a en Cuba de manera eficiente se ha vuelto una necesidad, m\u00e1s que un objetivo, por tal motivo en la segunda mitad del decenio del siglo XXI se han estado introduciendo nuevas tecnolog\u00edas y m\u00e1quinas que den respuesta a esta situaci\u00f3n. El trabajo del complejo cosecha \u2013 transporte \u2013 recepci\u00f3n
es decisivo en el prop\u00f3sito de disminuir los costos de producci\u00f3n de az\u00facar, en tal sentido la introducci\u00f3n de la ciencia y la t\u00e9cnica en este campo clasifican como la \u00fanica alternativa para alcanzar los objetivos de producir az\u00facar de calidad a bajos costos. La Inteligencia Artificial (IA) es una ciencia que estudia el pensamiento y el dise\u00f1o de m\u00e1quinas inteligentes, es decir el estudio y la simulaci\u00f3n de las actividades cognoscitivas del hombre. En
este trabajo se exponen las aplicaciones de los algoritmos de la IA en la obtenci\u00f3n de la composici\u00f3n \u00f3ptima, del proceso cosecha-transporte-recepci\u00f3n de la ca\u00f1a de az\u00facar.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Definici\u00f3n de los casos
Un caso estar\u00e1 compuesto por un vector de datos y una clasificaci\u00f3n. Cada uno constituir\u00e1 la informaci\u00f3n experimental del Proceso cosecha- transporte-recepci\u00f3n de cada Central. Con esos datos experimentales se confeccionar\u00eda la BC del proceso cosecha-transporte-recepci\u00f3n.
Ejemplo de la BC, (Tabla 2).<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

En el trabajo se muestran las posibilidades que pueden brindar las t\u00e9cnicas de Inteligencia artificial (IA) para la soluci\u00f3n de problemas reales relacionados con la toma de decisiones y la racionalizaci\u00f3n de los recursos de la econom\u00eda, en un importante rengl\u00f3n del pa\u00eds. Es posible utilizar este m\u00e9todo en la organizaci\u00f3n cient\u00edfica de las transportaciones de la ca\u00f1a de az\u00facar.<\/p>\n\n\n\n

Bibliograf\u00eda
Center, B. V. (29 de mayo de 2016). Inteligencia Computacional y Neurociencia. Obtenido de
http:\/\/dx.doi.org\/10.1155\/2016\/3289801
Dr.C. Neeldes Matos Ram\u00edrez, L. Y. ((abril-mayo-junio), 2014). La inteligencia artificial. Nuevo enfoque en la
evaluaci\u00f3n de las m\u00e1quinas en el complejo cosecha \u2013 transporte – recepci\u00f3n de la ca\u00f1a de az\u00facar.
INGENIER\u00cdA AGR\u00cdCOLA, ISSN-2326-1545, RNPS-0622, Vol. 4, No. 2, pp. 60-64.
Leila Hassan-Esfahani *, A. T.-R. (2016). Assessment of Surface Soil Moisture Using High-Resolution MultiSpectral Imagery and Artificial Neural Networks. Scorpus.<\/p>\n","protected":false},"excerpt":{"rendered":"

Resumen La inteligencia artificial tiene alto potencial junto a la agricultura de precisi\u00f3n pues pueden mejorar la competitividad y aumentar la sostenibilidad en comparaci\u00f3n con los m\u00e9todos tradicionales de producci\u00f3n de cultivos, y se ha convertido en un \u00e1rea cada vez m\u00e1s activa de investigaci\u00f3n durante las \u00faltimas d\u00e9cadas. La gu\u00eda del tractor utilizando los […]\n","protected":false},"author":16,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[100],"tags":[],"class_list":["post-792","post","type-post","status-publish","format-standard","hentry","category-ap"],"_links":{"self":[{"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/posts\/792","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/users\/16"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=792"}],"version-history":[{"count":6,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/posts\/792\/revisions"}],"predecessor-version":[{"id":801,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=\/wp\/v2\/posts\/792\/revisions\/801"}],"wp:attachment":[{"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=792"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=792"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datazucar.cu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=792"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}