Revista Ciencias Técnicas Agropecuarias Vol. 33, No. 1, January-March, 2024, ISSN: 2071-0054
Código QR
CU-ID: https://cu-id.com/2177/v33n1e08
REVIEW

Multispectral Image Processing to Assess Sugarcane Nitrogen Needs

 

iDCarlos Fresneda-QuintanaIUniversidad de Cienfuegos “Carlos Rafael-Rodríguez”, Cienfuegos, Cuba.*✉:cfresneda291@gmail.com

iDArturo Martínez-RodríguezIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

iDAlexander Laffita-LeyvaIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

iDOdalys Zamora-DíazIIIUniversidad de Ciencias Médicas de Cienfuegos “Raúl Dorticós-Torrado”, Cienfuegos, Cuba.


IUniversidad de Cienfuegos “Carlos Rafael-Rodríguez”, Cienfuegos, Cuba.

IIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

IIIUniversidad de Ciencias Médicas de Cienfuegos “Raúl Dorticós-Torrado”, Cienfuegos, Cuba.

 

*Author for correspondence: Carlos Fresneda-Quintana: e-mail: cfresneda291@gmail.com

ABSTRACT

Population growth has led to an exponential demand for agricultural products, to meet this demand it is necessary to improve management and achieve efficient use of resources without compromising the sustainability of ecosystems, particularly agricultural ones. One of the technologies that facilitate these tasks is precision agriculture (PA), which focuses on the optimization of resources and inputs based on the compilation of precise and timely geo-information of variables of agricultural interest with high spatio-temporal variability, obtained through remote sensors of three types: images captured by satellites or airplanes, images obtained from manned and unmanned aerial vehicles (UAVs) and specific information with sensors mounted on machinery or in the field. These limitations were overcome by using multispectral images, which has increased applications for agricultural purposes. Currently, multispectral images allow quantifying soil moisture, monitoring the presence of droughts and the degree of crop water stress, estimating the temporal and spatial variability of evapotranspiration, monitoring phenology, detecting nutritional deficiencies, estimating the degree of weed infestation. and insects, calculate organic carbon and soil salinity, and estimate yields and agricultural production. The use of geospatial technologies in the PA has changed the paradigm of agriculture and today constitutes a viable alternative to face the challenges that food production demands in a world with high climate variability.

Keywords: 
Agricultural Products, Demand, Variability, Spatiotemporal, Images, Multispectral

Received: 10/1/2023; Accepted: 09/12/2023

Carlos Fresneda-Quintana. Profesor Auxiliar. MSc., Universidad de Cienfuegos “Carlos Rafael-Rodríguez”. Cuba. Tel: +53 43595541-Móvil: 56 28 46 28, e-mail: cfresneda291@gmail.com

Arturo Martínez-Rodríguez. Dr.Cs., Profesor e Investigador Titular. Universidad Agraria de La Habana “Fructuoso Rodríguez Pérez” (UNAH), Tel: +53 59874467, Cuba. e-mail: armaro646@gmail.com

Alexander Laffita-Leyva. MSc., Profesor Asistente, Universidad Agraria de La Habana “Fructuoso Rodríguez Pérez” (UNAH). Cuba, Tel: +53 58762916, e-mail: alexl@unah.edu.cu

Odalys Zamora-Díaz. Dra., Profesora Instructora, Universidad de Ciencias Médicas “Raúl Dorticós-Torrado” Cienfuegos, Cuba. Tel: +53 43595541, e-mail: cfresneda291@gmail.com

The authors of this work declare no conflict of interests.

AUTHOR CONTRIBUTIONS: Conceptualization: C. Fresneda, A. Martínez. Data curation: C. Fresneda, A. Martínez. Formal analysis: C. Fresneda, A. Martínez, A. Laffita. Investigation: C. Fresneda, A. Martínez, A. Laffita, O. Zamora. Supervision: C. Fresneda, A. Martínez. Validation: A. Montesino, D. González. C. Fresneda, A. Martínez, A. Laffita, O. Zamora. Roles/Writing, original draft: C. Fresneda, A. Martínez. Writing, review & editing: C. Fresneda, A. Martínez, A. Laffita.

The mention of trademarks of specific equipment, instruments or materials is for identification purposes, there being no promotional commitment in relation to them, neither by the authors nor by the publisher.

CONTENT

INTRODUCTION

 

Precision Agriculture (AP). Variability and efficiency

 

Agricultural producers need to efficiently exploit their plots with the aim of obtaining the highest possible profitability by optimizing inputs. Thanks to technological evolution, the agricultural sector can benefit from useful systems to apply on different farms, although innumerable techniques are still available. in development depending on the geographical area where the exploitation is located.

These techniques that help producers manage their farm must be adapted to the possibilities of each plot, according to the characteristics of the crop, the available land, and the costs that can be addressed. To implement these new technologies, a change of mentality on the part of the producer is necessary, since, in general, producers refuse to abandon the traditional techniques to which they are accustomed to adopt new, more modern techniques; However, this adoption would have to be justified by obtaining higher operating performance with lower costs in a very clear way (Cetin et al., 2005CETIN, H.; PAFFORD, J.; MUELLER, T.: “Precision agriculture using hyperspectral remote sensing and GIS”, En: Proceedings of 2nd International Conference on Recent Advances in Space Technologies, 2005. RAST 2005., Ed. IEEE, pp. 70-77, 2005, ISBN: 0-7803-8977-8.).

The key factor why a different treatment from the traditional one is necessary lies in the existence of variability within the crop plot. Thanks to new technologies, it has been possible to verify through analysis (soil, plant, irrigation water...) that the plot is not uniform, it does not behave in the same way at all points of its extension and many have been the authors. that have tried to control this variability (Tardáguila et al., 2008TARDÁGUILA, J.; BARRAGÁN, F.; YANGUAS, R.; DIAGO, M.: “Estimación de la variabilidad del vigor del viñedo a través de un sensor óptico lateral terrestre. Aplicación en la viticultura de precisión”, En: VI Foro Mundial del Vino. Logroño, 23-25 abril 2008, World Wine Forum", Logroño. Spain, 2008.).

The treatment of this variability is what Precision Agriculture (PA) deals with, developed in the late 1980s in the United States, Australia and the United Kingdom due to the rise of global positioning systems (Hidalgo-Togores, 2006HIDALGO-TOGORES, J.: La calidad del vino desde el viñedo, Ed. Mundi-Prensa Libros, Madrid, España, 2006, ISBN: 84-8476-462-1.). In his doctoral thesis, Blackmore (2003)BLACKMORE, S.: The role of yield maps in precision farming, Cranfield University, Silsoe, England, Tesis doctoral, Silsoe, England, Publisher: Cranfield University Silsoe, UK p., 2003. remembers the beginnings of PA as the effort to understand and manage the variability of fields.

The purpose of the PA focuses on better management of intraplate variability (variability within the same plot), since crop fields are not uniform in their characteristics (water availability, incident solar radiation, topography, slope...) nor in their needs, but there is variability, and therefore it is not efficient to treat the entire plot equally. According to the PA philosophy, measures must be taken to effectively treat each part of the land.

The key to PA is to apply what is necessary, where it is needed and at the right time, so that there is the greatest possible efficiency to avoid wasting resources. This efficiency is seen in the use of GPS antennas in AP systems, with which the points where work is being done are always located in space, in addition to involving the obtaining of data in real time, so the availability of information is greater.

Other purposes of this philosophy involve making the producer's task as easy as possible and helping him improve the management of the farm, making it more profitable. In short, the use of PA involves minimizing inputs, improving efficiency and creating more sustainable agriculture.

In general, the sensors used in AP can be grouped into three classes:

  • control sensors,

  • location sensors

  • perception sensors

Artificial vision is a technique that, with the appearance of PA, has been incorporated into agriculture (Rees & Doyle, 2010REES, S.; DOYLE, R.: “Effect of soil properties on Pinot Noir vine vigour and root distribution in Tasmanian vineyards”, En: 19th World Congress of Soil Science, Soil Solutions for a Changing World, pp. 1-6, 2010.). This incorporation represents great improvements, since these systems provide important information related to crops and their environment; Furthermore, they allow us to investigate regions of the electromagnetic spectrum where the human eye is not capable of operating. Some of the advantages of artificial vision in the agricultural field are:

  • Reliability and objectivity, as the cameras are not affected by factors such as fatigue, acquired habits, etc., which do affect people and, therefore, human vision

  • Increased productivity (profitability) and possibility of automating repetitive operations

  • Elimination of invasive methods that destroy fruits and plants during their analysis

  • Development of new sensors for visible spectrums that allow the detection of anomalies or lesions in fruits that are not visible to the human eye.

Precisely because it is a new application, it also presents some drawbacks that have not yet been resolved today that it has to deal with, since the crops are outdoors and, therefore, in changing lighting conditions due to the variation in position. of the Sun throughout the day (and year). In addition, there is great variability in the fruits, with differences between species, varieties and even at an individual level by size, shape or color; The fragility of the product can also be a drawback in post-harvest processes (Sáiz-Rubio & Rovira-Más, 2012SÁIZ-RUBIO, V.; ROVIRA-MÁS, F.: “Dynamic segmentation to estimate vine vigor from ground images”, Spanish Journal of Agricultural Research, 10(3): 596-604, 2012, ISSN: 1695-971X, Publisher: Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA).).This article reviews one of the technologies that facilitate these tasks: precision agriculture (PA), which focuses on the optimization of resources and inputs based on the compilation of precise and timely geo-information on variables of agricultural interest. of high spatio-temporal variability, obtained through remote sensors of three types: images captured by satellites or airplanes, images obtained from manned and unmanned aerial vehicles and specific information with sensors mounted on machinery or in the field.

DEVELOPMENT OF THE TOPIC

 

Spectral composition

 

The various properties of the components of a scene are manifested through the spectral composition of the wavelengths that these components emit and are captured by special cameras. Some types of these cameras are the so-called hyperspectral, multispectral3 and spectrometers (Weekley, 2007WEEKLEY, J.G.: Multispectral imaging techniques for monitoring vegetative growth and health, Virginia Polytechnic Institute and State University, Thesis of Máster, Virginia, USA, Publisher: Virginia Tech p., publisher: Virginia Tech, 2007.).

In this way, various compounds in a scene can be characterized by what is called their spectral signature. Currently, characterizing scenes through their spectral signature has become a very useful alternative to identify the presence of objects that are difficult to identify using other traditional methods such as texture analysis, color segmentation, etc. An example of this is the identification of the presence of dangerous substances in an environment, the detection of pests in crops, among others.

Vegetation has a unique spectral signature that allows it to be easily distinguished from other land cover types in an optical/near-infrared image (Towers y von Martini, 2002TOWERS, P.; VON MARTINI, A.: Conceptos iniciales sobre teledetección y su aplicación al Agro, [en línea], Buenos Aires. Argentina, 2002, Disponible en:http://www.elsitioagricola.com/Soft/agrisat/libroTeledeteccion.asp.). The spectral characteristics of vegetation vary with wavelength

Spectral composition

 

The various properties of the components of a scene are manifested through the spectral composition of the wavelengths that these components emit and are captured by special cameras. Some types of these cameras are the so-called hyperspectral, multispectral3 and spectrometers (Weekley, 2007WEEKLEY, J.G.: Multispectral imaging techniques for monitoring vegetative growth and health, Virginia Polytechnic Institute and State University, Thesis of Máster, Virginia, USA, Publisher: Virginia Tech p., publisher: Virginia Tech, 2007.).

In this way, various compounds in a scene can be characterized by what is called their spectral signature. Currently, characterizing scenes through their spectral signature has become a very useful alternative to identify the presence of objects that are difficult to identify using other traditional methods such as texture analysis, color segmentation, etc. An example of this is the identification of the presence of dangerous substances in an environment, the detection of pests in crops, among others.

The plant pigment in the leaves, called chlorophyll, strongly absorbs radiation at red and blue wavelengths, but reflects the green wavelength (Towers & Von Martini, 2002TOWERS, P.; VON MARTINI, A.: Conceptos iniciales sobre teledetección y su aplicación al Agro, [en línea], Buenos Aires. Argentina, 2002, Disponible en:http://www.elsitioagricola.com/Soft/agrisat/libroTeledeteccion.asp.). Beyond visible wavelengths, plant spectra show a strong increase in reflectance (Varvel et al., 1997VARVEL, G.E.; SCHEPERS, J.S.; FRANCIS, D.D.: “Ability for in‐season correction of nitrogen deficiency in corn using chlorophyll meters”, Soil Science Society of America Journal, 61(4): 1233-1239, 1997, ISSN: 0361-5995, Publisher: Wiley Online Library.). The region of high plant reflectance at the near-infrared wavelength end is called the near-infrared plateau (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

Professional software such as QGIS, Agisoft Photoscan and Pix4Dmapper Ag are used to process these multispectral images, the latter expressly dedicated to precision agriculture (Virlet, 2016VIRLET, N.; COSTES, E.; MARTINEZ, S.; KELNER, J.J.; REGNARD, J.L.: “Multispectral airborne imagery in the field reveals genetic determinisms of morphological and transpiration traits of an apple tree hybrid population in response to water deficit”, Journal of Experimental Botany, 66(18): 5453-5465, 2015, ISSN: 1460-2431, Publisher: Oxford University Press UK.).

Using these software, vegetation indices can be calculated, maps created and images georeferenced to be used later in the detection of diseases, the optimization of the application of fertilizers, water and/or chemicals to crops, as well as for the estimation of the crop growth.

The objective of the multispectral image processing system is to evaluate Nitrogen needs in sugar cane plantations (Saccharum officinarum).

National Precision Agriculture Program (PNAgP) Cuba

 

On January 19, 2018, in the Annual Review of the Joint Meeting between the Biotechnology and Pharmaceutical Industries Group (BioCubaFarma) and the Ministry of Agriculture (Minag), the then First Vice President of the Councils of State and Ministers Miguel Díaz -Canel Bermúdez, tells the National Center for the Production of Laboratory Animals (CENPALAB), to “dust off” all the projects that were being carried out in Precision Agriculture (AP) in the country. (PNAgP)

On March 15 of this year, a new AP project, updated with the new IT and IT Technologies, is presented to the Multisector Board of the Fund for Science and Innovation (FONCI) of the Ministry of Science, Technology and Environment (CITMA). Communications (ICTs), taking protein plants as a model due to their novelty. For its part, the Grain Research Institute (IIGranos), together with the GEOCUBA Business Group, present another PA project in rice cultivation. Both projects were later approved on May 3.

On April 16, the general aspects of AP technology and its applications in Minag were presented to the Executive Committee of the Council of Ministers (CECM), taking as a sole agreement to update the National Precision Agriculture Program (PNAgP). ) until 2025, establishing the priorities for its application, making the Ministry of Agriculture responsible for this.

On May 3, 2018, a Working Group is convened and a meeting is held at Minag, to update the PNAgP. The Agricultural Engineering Research Institute (IAgric) is designated as coordinator of the Working Group and it is indicated to prepare a document that collects the experiences, specific results, as well as the impacts of its application. Likewise, the conditions in the country, the existing opportunities, as well as the needs, priorities and necessary alliances must be assessed. Priority is given to working on sugarcane, rice, potatoes, fruit trees and protein plants. The same companies that previously participated in this program are taken as scenarios and the areas of the UEB of Protein Plants, in San Pedro, under the administration of CENPALAB, are now included.

Although in our country there are various methods for calculating variables of agricultural interest, such as plant volume, calculating the cultivated area and calculating vegetative indices, these are still not sufficient to analyze large areas of crops and become extremely expensive and inaccurate due to the number of personnel involved and the type of measurements used. That is why the study will be carried out and it is intended to optimize these methods using a spectral resolution satellite imaging system that generates the results with greater accuracy, such as Global Positioning Systems (GPS), plant-climate-soil sensors and multispectral images obtained from satellites, airplanes or UAVs (García y Herrera, 2015GARCÍA, C.; HERRERA, F.: “Percepción remota en cultivos de caña de azúcar usando una cámara multiespectral en vehículos aéreos no tripulados”, En: Anais Simposio Brasileiro de sensoramiento remoto-SBSR (17, 2015, João Pessoa-PB, Brasil). Memoria. Brasil, João Pessoa-PB, Brasil, pp. 4450-4457, 2015.).

Precision agriculture bases its purpose on taking into account the spatial and temporal variability within the crop land to decide on the moment, location, the necessary quantity and the type of input that must be administered, minimizing costs, impact on the environment. and maximizing production. Through this practice, a solution is provided to certain problems that may affect the development of crops, such as efficient water management, localized treatment of herbicides and optimal use of fertilizers, plant counting, early detection of pests and diseases. in crops, among others (Bongiovanni et al., 2006BONGIOVANNI, R.; CHARTUNI, E.; BEST, S.; ROEL, Á.: Agricultura de precisión: Integrando conocimientos para una agricultura moderna y sustentable. Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y Agroindustrial del Cono Sur;, Inst. Instituto Interamericano de Cooperación para la Agricultura, Procisur/IICA, 2006.).

The countries of the USA, Canada and Australia are leading the way in the use of this technique. According to a survey conducted in the US in 2011, the adoption of satellite images and aerial photographs in the PA increased from 16.1% to 30.3% between 2008 and 2011. The increasing use of PA by producers in said country was reported in a survey carried out by the Center for Agrobusiness and Food in 2011

Farmers' knowledge of variation in their fields is also an important factor influencing both the perception and adoption of PA technologies. It was observed that those people who have more knowledge about the spatial variation in soil properties of leased lands were more likely to recognize and adopt PA technology (Basso, 2014BASSO, B.: Perspectivas y avances del uso de UAV en AP en USA, Curso Internacional de Agricultura de Precisión ed., vol. 13, Manfredi, Córdoba, Argentina, 9, 24-25, p., 2014.). Precision agriculture is relatively new and developing technologies make it possible to reduce its errors and costs to achieve ecologically and economically sustainable agriculture.

Image processing and calculation of Vegetative Indices

 

The information provided by multispectral images on plants and soils allows several parameters related to precision agriculture to be satisfactorily obtained. Various authors present specific applications of multispectral image processing.

According to Gago et al. (2015)GAGO, J.; DOUTHE, C.; COOPMAN, R.E.; GALLEGO, P.P.; RIBAS-CARBO, M.; FLEXAS, J.; ESCALONA, J.; MEDRANO, H.: “UAVs challenge to assess water stress for sustainable agriculture”, Agricultural Water Management, 153: 9-19, 2015, ISSN: 0378-3774, Publisher: Elsevier., the water status of plants is detected using high spatial resolution thermal images obtained using a UAV. Water stress in crops causes the closure of the stomata, reducing transpiration and increasing the temperature of the leaves, which can be monitored using thermal sensors. The volume of information obtained allows for better use of water.

According to Candiago et al. (2015)CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute., the nitrogen concentration of the leaf is obtained from the determination of the chlorophyll content of the plants, since they are closely related. In this way, the nutritional stress in the crops is determined, in order to make optimal use of fertilizers, using them only in the areas where they are necessary.

According to Tian (2002)TIAN, L.: “Development of a sensor-based precision herbicide application system”, Computers and electronics in agriculture, 36(2-3): 133-149, 2002, ISSN: 0168-1699, Publisher: Elsevier., the stress in the vegetation, produced by the presence of pests and diseases, is determined, generating diverse maps that allow the detection of processes in the crops in a focused manner, as well as sizing the problem and evaluating it in a timely manner. This will increase the economic benefits of farmers and avoid the unnecessary application of phytosanitary compounds.

To a large extent these applications are derived from vegetative indices, which are nothing more than algebraic combinations of several spectral bands, designed to highlight the vigor and properties of vegetation such as biomass, absorbed radiation and chlorophyll content (Gutierrez-Rodriguez et al., 2005GUTIERREZ-RODRIGUEZ, M.; ESCALANTE-ESTRADA, J.A.; RODRIGUEZ-GONZALEZ, M.T.: “Canopy reflectance, stomatal conductance, and yield of Phaseolus vulgaris L. and Phaseolus coccinues L. under saline field conditions”, International Journal of Agriculture and Biology, 7: 491-494, 2005.).

Among all the IVs that exist, the most used and derivable from a tri-band multispectral sensor are: NDVI, GNDVI and SAVI (Candiago et al., 2015CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute.). Other IVs are the CWSI and the PRInorm, used to measure drought stress in crops, a fundamental parameter in crops due to the cyclical droughts that have been occurring in recent years.

The best known and most used vegetation index is the Normalized Differential Vegetation Index (NDVI Normalized Difference Vegetation Index). This index is based on the peculiar radiometric behavior of the vegetation, related to the photosynthetic activity and leaf structure of the plants, allowing the vigor of the plant to be determined.

NDVI values ​​are a function of the energy absorbed or reflected by plants in various parts of the electromagnetic spectrum. The spectral response of healthy vegetation shows a clear contrast between the visible spectrum, especially the red band, and the Near Infrared (NIR). While in the visible the leaf pigments absorb most of the energy they receive, in the NIR, the cell walls of the leaves, which are full of water, reflect the greatest amount of energy.

In contrast, when the vegetation suffers some type of stress, whether due to the presence of pests or drought, the amount of water decreases in the cell walls, so the reflectivity decreases in the NIR and increases in parallel in the red as it has less chlorophyll absorption. This difference in the spectral response allows healthy vegetation to be identified with relative ease.

The first results suggest that the sensor is capable of detecting variations in chlorophyll in the leaf or the state of Nitrogen induced by varying its application levels, since the variations in the sensor readings (GNDVI) were highly correlated with the Nitrogen treatments performed and soil chlorophyll meter readings for both hybrids.

For more than 30 years, evidence has been accumulating on the potential and usefulness of measuring crop temperature to monitor its water status. Therefore, the measurement of roof temperature has been proposed as an alternative to measuring water potential. When water stress is induced, the leaf stomata close, the transpiration rate is reduced and its cooling effect decreases, which causes the leaf temperature to rise. It has been shown that the detection of the temperature of a plant cover using sensors or infrared images can be applied to calculate CWSI and thus estimate the water status of the crop to establish an adequate irrigation schedule in a multitude of crops (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

A procedure to estimate soil moisture depletion and root depletion fraction using remote sensing CWSI was implemented by the authors (Colaizzi et al., 2003COLAIZZI, P.D.; BARNES, E.M.; CLARKE, T.R.; CHOI, C.Y.; WALLER, P.M.: “Estimating soil moisture under low frequency surface irrigation using crop water stress index”, Journal of irrigation and drainage engineering, 129(1): 27-35, 2003, ISSN: 0733-9437, Publisher: American Society of Civil Engineers.). The procedure was tested on cotton with low-frequency surface irrigation in Maricopa, Arizona, and worked reasonably well. The CWSI was also related to in situ measurements of soil moisture through the water stress coefficient Ks and the correlation between the CWSI and the soil moisture reading. The use of the CWSI, to estimate FDEP (soil moisture depletion), that is, the time to irrigate, and the DR (root moisture depletion), that is, the amount of water to be irrigated, greatly improved management. of irrigation and provided greater for more than 30 years, evidence has been accumulating on the potential and usefulness of measuring crop temperature to monitor its water status. Therefore, the measurement of roof temperature has been proposed as an alternative to measuring water potential.

When water stress is induced, the leaf stomata close, the transpiration rate is reduced and its cooling effect decreases, which causes the leaf temperature to rise. It has been shown that the detection of the temperature of a plant cover using sensors or infrared images can be applied to calculate CWSI and thus estimate the water status of the crop to establish an adequate irrigation schedule in a multitude of crops (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

A procedure to estimate soil moisture depletion and root depletion fraction using remote sensing CWSI was implemented by the authors (Colaizzi et al., 2003COLAIZZI, P.D.; BARNES, E.M.; CLARKE, T.R.; CHOI, C.Y.; WALLER, P.M.: “Estimating soil moisture under low frequency surface irrigation using crop water stress index”, Journal of irrigation and drainage engineering, 129(1): 27-35, 2003, ISSN: 0733-9437, Publisher: American Society of Civil Engineers.). The procedure was tested on cotton with low-frequency surface irrigation in Maricopa, Arizona, and worked reasonably well. The CWSI was also related to in situ measurements of soil moisture through the water stress coefficient Ks and the correlation between the CWSI and the soil moisture reading. The use of the CWSI, to estimate FDEP (soil moisture depletion), that is, the time to irrigate, and the DR (root moisture depletion), that is, the amount of water to be irrigated, greatly improved management. of irrigation and provided greater efficiency of water use, this being an important goal as competition for water resources, land, and pressure to reduce environmental impacts tend to increase in the coming decades

Remote sensing

 

The term remote sensing is a translation of the English remote sensing, and refers not only to the capture of data from the air or space, but also to its subsequent processing. If a more formal definition were made, remote sensing would be described as the technique that allows acquiring and studying data on the Earth's surface from sensors installed on space platforms, by virtue of the electromagnetic interaction between the Earth and the sensor, and coming from the radiation source either from the sun (passive remote sensing) or from the sensor itself (active remote sensing) (Chuvieco, 2007CHUVIECO, E.: “Mirar desde el espacio o mirar hacia otro lado: tendencias en teledetección y su situación en la geografía española”, Documents d’anàlisi geogràfica, (50): 75-85, 2007, ISSN: 2014-4512.).

The senses only perceive an object when they manage to decipher the information that it sends them and when their own vision is, in itself, a remote sensing process, in which three main elements participate Chuvieco (2007)CHUVIECO, E.: “Mirar desde el espacio o mirar hacia otro lado: tendencias en teledetección y su situación en la geografía española”, Documents d’anàlisi geogràfica, (50): 75-85, 2007, ISSN: 2014-4512..

  1. Sensor: the eye.

  2. Photographic film: the observed object

  3. Energy flow, which allows the previous two to be put in relation.

This flow comes from the object either by reflection of sunlight (color of the objects), by its own emission or, also, it could be energy emitted by the sensor itself and reflected by the object, in which case, remote sensing receives the name of ACTIVE, as opposed to PASSIVE remote sensing, in which the energy source is the sun.

The possibility of acquiring information at a distance is based on the specificity of the interaction between electromagnetic radiation and matter, since all objects have their own spectral response, despite the fact that they present a spectral combination similar to that of other objects or surfaces that They have the same characteristics or homogeneity.

Remote sensing

 

A remote sensor is an instrument capable of detecting, characterizing and quantifying the energy coming from objects located at a distance, thereby obtaining relevant information on certain characteristics that said objects have. Remote sensing allows us to acquire information that is impossible to identify with the human eye, since it has photosensitive cells for the so-called visible spectrum, a small portion of the electromagnetic spectrum that ranges between 450 to 700 nanometers (nm), all other wavelengths are not can be perceived by the human eye. Given the above, remote sensors are designed to capture data that exceed the limits of the human eye both by default and excess. This allows information to be extracted from images that is impossible to appreciate in any other way, generating applications for many fields of research. The data captured by the remote sensing system is stored in matrices where each value in the matrix represents a small portion of the reflected energy. This data stored in the matrix is ​​subsequently represented with a color scale that is assigned according to the value stored in the cell. Once a graphic representation is assigned to the matrix, an image is obtained that is composed of pixels (values ​​of each cell), however the resolution of the image is considered according to its spatial resolution (number of pixels per image), resolution spectral (range of the electromagnetic spectrum that can be captured), radiometric resolution (all possible values ​​that a cell can take) and temporal resolution (time interval in which the image can be taken again for the same area).

Corine land cover (CLC)

 

For the identification of land cover there are several classification systems, however, the one used in Colombia is the Corine Land Cover (CLC) classification system. This system comes from a program of homogenization of concepts for the identification of land cover of the European Environment Agency for a scale of 1:100,000. This classification had to be appropriate to the reality of the Colombian terrain, since it differs from European geography. As a result of this adjustment, IDEAM has a classification based on CLC for the Colombian territory divided into five chapters

  1. Artificialized territories.

  2. Agricultural territories.

  3. Forests and semi-natural areas.

  4. Wet areas.

  5. Water surface.

Coverage predominantly composed of sugar cane crops (Saccharum officinarum L), a tropical grass plant of the Poaceae family from which sugar is extracted, shaped like a giant grass related to sorghum and corn. It is a predominantly industrial crop. It is cut every 12 months, and the plantation lasts approximately 5 years, it has a solid stem 2 to 5 meters high with 5 or 6 cm in diameter. It is generally grown on flat land and the optimal production area is between 800 and 1,200 meters above sea level.

Definition of GIS

 

There are many definitions of GIS (Geographic Information Systems) which is not simply a program. In general, GIS are systems that allow the use of geographic information (the data has spatial coordinates). In particular, GIS allows you to view, consult, calculate and perform spatial analysis of data, which are mainly Raster and Vector types. Vector data is made up of objects that can be points, lines and polygons; Each object can have one or more attributes with values. A raster is a grid (or image) in which each cell has an attribute with values (Fisher y Unwin, 2005FISHER, P.; UNWIN, D.: Re-presenting geographical information systems, Ed. Re-presenting GIS. London: Wiley, London, England, 1-17 p., 2005.). Many GIS applications use raster images that are obtained with remote sensors.

Supervised classification

 

A semi-automatic classification (also called a supervised classification) is an image processing technique that allows the identification of materials in an image from their spectral signatures. There are several types of classification algorithms, but the general purpose is to produce a thematic land cover map. Image processing and spatial analysis with GIS require specific software, such as the QGIS Semi-Automatic Classification Plugin.

FIGURE 1.  Multispectral image processed to produce a land cover classification (Landsat image provided by USGS)

Usually, supervised classification requires the user to select one or more Regions of Interest (rivers, or Training Areas) for each land cover class identified in the image. Rivers are polygons drawn over homogeneous areas of the image that overlap pixels belonging to the same land cover class.

Chlorophyll

 

Chlorophylls are a family of green pigments found in cyanobacteria and in all organisms that contain plastids in their cells, which includes plants and various groups of protists called algae. These molecules are responsible for capturing light energy in the first events of photosynthesis.

Nitrogen

 

Nitrogen is a chemical element, with atomic number 7, symbol N and which, under normal conditions, forms a diatomic gas (diatomic or molecular nitrogen) that constitutes 78% of atmospheric air. Sometimes called azoe - in ancient times, the symbol Az was used to represent nitrogen.

Floor

 

Soil is the unconsolidated part of the Earth's crust, biologically active, which tends to develop on the surface of rocks emerged under the influence of weather and living beings (weathering).

Soils are complex systems where a vast range of chemical, physical and biological processes occur, which are reflected in the variety of soils existing on Earth. Broadly speaking, it can be said that the components of soil are divided into solid, liquid and gaseous, and generally correspond to minerals and organic material such as water and air. More schematically, it is worth saying that the pedosphere, the set of all soils, encompasses parts of the lithosphere, the biosphere, the atmosphere and the hydrosphere.

Fertilizers

 

They are a type of chemical substance or mixture, natural or synthetic, used to enrich the soil and promote plant growth. Plants do not need complex compounds such as vitamins or amino acids, since they synthesize everything they need. However, they require a dozen chemical elements that must be presented in such a way that the plant can absorb them. Within this limitation, nitrogen, for example, can be administered with equal effectiveness in the form of urea, nitrate, ammonium compounds or pure ammonia.

Spectrometer

 

The spectrometer is a measuring instrument that analyzes the type of spectrum it emits.

a source or that is absorbed by a substance that is in the path of light produced by a source. These emission or absorption spectra are like a fingerprint of the substances that make up nature.

The operation of the spectrometer is based on the decomposition of light of the different wavelengths that compose it, based on the phenomena of refraction - which occurs in a prism - or diffraction - which occurs in a diffraction grating. This instrument measures the angles at which the maxima of the diffraction pattern occur. These angles are different and characterize the nature of the source that emits the light. The basic components of a spectrometer are a set of lenses, a collimator, a diffraction grating, and an eyepiece. Previously, detecting the spectrum was done with the naked eye, but today, it can be photographed and you can even use light sensors that mark the maximums and minimums.

Spectrophotometry

 

All substances can absorb radiant energy; Even glass that appears to be completely transparent absorbs radiation of wavelengths that do not belong to the visible spectrum. The absorption of ultraviolet, visible and infrared radiation depends, therefore, on the structure of the molecules and is characteristic of each chemical substance.

When light passes through a substance, some of the energy is absorbed (radiant energy cannot produce any effect without being absorbed). The color that the substances themselves acquire is due to the fact that they absorb certain wavelengths of the white light that falls on them and only allow those unabsorbed lengths to pass to our eyes.

Ultraviolet-visible spectrophotometry uses beams of radiation from the electromagnetic spectrum ranging from 80 to 400 nm in the UV range (mainly 200 to 400 nm, known as the near UV range) and from 400 to 800 nm in the of visible light, making it very useful for characterizing materials in the ultraviolet and visible regions of the spectrum. It is worth mentioning the fact that the absorption and transmittance of light depends on both the amount of concentration and the distance traveled.

Vegetation indices

The calculation of vegetation indices is a widely used technique within the field of remote sensing. Rahman (2004)RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004. mentions the improvement of discrimination between two covers that have very different refractive behavior in two or more bands, for example, in order to enhance soils and vegetation in the visible and near infrared, and to reduce the effect of relief (slope and orientation) on the spectral characterization of different roofs.

Spectral indices

 

When light passes through a substance, some of the energy is absorbed (radiant energy cannot produce any effect without being absorbed). The color that the substances themselves acquire is due to the fact that they absorb certain wavelengths of the white light that falls on them and only allow those unabsorbed lengths to pass to our eyes.

Ultraviolet-visible spectrophotometry uses beams of radiation from the electromagnetic spectrum ranging from 80 to 400 nm in the UV range (mainly 200 to 400 nm, known as the near UV range) and from 400 to 800 nm in the of visible light, making it very useful for characterizing materials in the ultraviolet and visible regions of the spectrum. It is worth mentioning the fact that the absorption and transmittance of light depends on both the amount of concentration and the distance traveled.

Vegetation indices

 

The calculation of vegetation indices is a widely used technique within the field of remote sensing. Rahman et al. (2004)RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004. mentions the improvement of discrimination between two covers that have very different refractive behavior in two or more bands, for example, in order to enhance soils and vegetation in the visible and near infrared, and to reduce the effect of relief (slope and orientation) on the spectral characterization of different roofs.

Spectral indices

 

Vegetation indices (VI) combine spectral information contained in two or more bands, usually in the VIS and NIR, or both. These indices aim to extract optimal information about the investigated objects. In this regard, Rahman et al. (2004)RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004. y Lopes & Reynolds, 2012LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press.) state that some of these indices are very useful in measuring crop parameters such as leaf area, percentage of green biomass, productivity and photosynthetic activity. Within these indices, the NDVI (Normalized Difference Vegetation Index) stands out, which is associated with the variability of the chlorophyll of the leaves, their nitrogen content and sugarcane production.

To cite some examples, there is the green vegetation index (VI Green) derived from the spectral reflectance of the green and red bands, and used by Torres-Sánchez et al. (2013)TORRES-SÁNCHEZ, J.; PEÑA-BARRAGÁN, J.; GÓMEZ-CANDÓN, D.; DE CASTRO, A.; LÓPEZ-GRANADOS, F.: “Imagery from unmanned aerial vehicles for early site specific weed management”, En: Precision agriculture’13, Ed. Springer, pp. 193-199, 2013. both to determine the protein content in wheat leaves that are in the anthesis state and to predict the protein content at the time of harvest. Best et al. (2011)BEST, S.; LEÓN, L.; FLORES, F.; AGUILERA, H.; QUINTANA, R.; CONCHA, V.: Handbook “Agricultura de Precisión”, [en línea], Ed. Progap - INIA (Programa de Agricultura de Precisión), Progap-INIA. ed., 2011, Disponible en:http://www.elsitioagricola.com/CultivosExtensivos/LibroIniaAP/lilib3.asp , for their part, evaluated the vegetation indices NDVI and SAVI (Soil Adjusted Vegetation Index) obtained through remote sensing as estimators of the growth of cotton and sugar beet, being related to soil cover, biomass and leaf area index.

Finally, Best et al. (2011)BEST, S.; LEÓN, L.; FLORES, F.; AGUILERA, H.; QUINTANA, R.; CONCHA, V.: Handbook “Agricultura de Precisión”, [en línea], Ed. Progap - INIA (Programa de Agricultura de Precisión), Progap-INIA. ed., 2011, Disponible en:http://www.elsitioagricola.com/CultivosExtensivos/LibroIniaAP/lilib3.asp , found that by carrying out flights with a hyperspectral sensor and using the vegetation index PRI (Photo chemical Reflectance Index), diurnal changes could be detected in water stress indicators such as the difference between air temperature and canopy temperature, stomatal conductance and stem water potential.

Spectral indices for chlorophyll estimation

 

In the bibliographic review carried out, it was found that the spectrum of the plant presented a plateau between 750-800 nm, determined by the structure and composition of the leaf, and not by the chlorophyll content since the influence of this substance induced a minimum in the surroundings corresponding to 670 nm. According to the above, it can be said that the greater the presence of chlorophyll, the greater the depth of the spectrum with respect to the upper plateau.

Within a leaf, in addition to chlorophyll, there are pigments that have an important spectral absorption in the blue region, such as carotenoids. Therefore, the best interval to study chlorophyll through remote sensing techniques is between 600 and 700 nm Lopes & Reynolds (2012) LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press..

According to Torres-Sánchez et al. (2013)TORRES-SÁNCHEZ, J.; PEÑA-BARRAGÁN, J.; GÓMEZ-CANDÓN, D.; DE CASTRO, A.; LÓPEZ-GRANADOS, F.: “Imagery from unmanned aerial vehicles for early site specific weed management”, En: Precision agriculture’13, Ed. Springer, pp. 193-199, 2013., the reflectance spectrum of adult and healthy plants is characterized by strong absorption (low reflectance) in the blue (400-500 nm), an increase in reflectance in the green (500-600 nm), a high absorption in the red (600-700 nm) and strong reflectance and transmittance in the infrared (NIR) (700 to 1500 nm). For its part, the reflectance response in the VIS region (400-700) is governed in plants by the effect and behavior of chlorophylls, carotenes and anthocyanins.

Normal reflectance is low in the region of 480 and 680 nm due to the absorption of chlorophyll and other pigments, and is high in the NIR due to the microcellular structure of the leaf and the canopy structure. Therefore, in this project, the use of vegetation indices that used the interval of the electromagnetic spectrum between 550 and 750 nm was implemented, since this range would be very useful for estimating chlorophyll (Table 1).

TABLE 1.  Implemented spectral indices
INDICE FORMULA
Modified Chlorophyll Absorption In Reflectance Index MCARI= [(R700-R670)- 0,2(R700-R550)] (R700/R670)
Vogelman Indices Vog1 = (R740)/(R720)
Vog2 = (R734 - R747)/(R715 + R726)
Vog3 = (R734 - R747)/(R715 + R720)
Gitelson & Merzlyak (1997)GITELSON, A.A.; MERZLYAK, M.N.: “Remote estimation of chlorophyll content in higher plant leaves”, International journal of remote sensing, 18(12): 2691-2697, 1997, ISSN: 0143-1161. GM1=R750/R550 GM2=R750/R700
Zarco-Tejada et al. (2001)ZARCO-TEJADA, P.J.; MILLER, R.J.; NOLAND, T.L.; MOHAMMED, H.G.; SAMPSON, H.P.: “Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data”, IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1491-1507, 2001, ISSN: 0196-2892. ZTM=(R750)/(R710)
Red - Edge Model (R-M) R-M = R750/R720 - 1
Normalized Difference Vegetation Index NDVI = (R800-R670) / (R800+R670)

Interaction of radiation and the plant

 

Reflectance and transmission are defined as the rates of reflected or transmitted radiation from incident radiation. Incident radiation that is not reflected or transmitted by the leaf is absorbed. The interaction between solar radiation and plant molecules controls visible and infrared reflectance. Biochemical and structural components influence the tendency of plants to absorb, transmit and reflect different wavelengths of solar radiation between 300 and 3000 nm.

The absorption of shortwave radiation by plants is controlled by molecular interactions that occur within plant tissue, where electrons absorb incoming solar radiation at wavelengths controlled by chemical and structural bonds (Gates et al., 1965GATES, D.M.; KEEGAN, H.J.; SCHLETER, J.C.; WEIDNER, V.R.: “Spectral properties of plants”, Applied optics, 4(1): 11-20, Publisher: Optica Publishing Group, 1965, ISSN: 2155-3165.). Therefore, changes in concentrations of adsorbent chemicals provide a basis for changes in plant absorption, transmission, and reflectance. The two visible and infrared absorption components that are mainly present in plant leaves are chlorophyll and water.

Chlorophyll absorption is affected by electron transitions between 430 and 460 nm, and 640 and 660 nm Basso (2014)BASSO, B.: Perspectivas y avances del uso de UAV en AP en USA, Curso Internacional de Agricultura de Precisión ed., vol. 13, Manfredi, Córdoba, Argentina, 9, 24-25, p., 2014., while the absorption bands of water are around 970 nm, 1200 nm, 1450 nm, and 1780 No. Other biochemical absorbent compounds that are important are proteins, lipids, starch, cellulose, nitrogen and oils. However, it is worth noting that, through infrared reflectance, the estimation of the concentrations of these compounds is difficult to establish given the overlaps of the absorption bands of several biochemical components.

Now, based on the principle that “every object in nature has a unique distribution of electromagnetic radiation that can be reflected, transmitted or absorbed” García-Cervigón, (2015)GARCÍA-CERVIGÓN, J.J.D.: Estudio de índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión., Inst. Universidad Complutense de Madrid, Madrid, España, 2015., the spectral signature curve is created, while each plant species It presents an exclusive reflectance influenced either by its morphological, physiological, nutritional characteristics or by the effect of a humidity deficit. In other words, the spectral signature is different depending on the wavelengths. By the way, Lopes y Reynolds, (2012)LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press.

They add that the signal received by the sensor corresponds to color, that is, the reflected electromagnetic energy.

The boom reached worldwide by multispectral image processing systems in precision agriculture has been evident. Demonstrating the importance of the use of spectral satellite images generated by these systems and their applications in sugarcane crops.

CONCLUSIONS

 
  • The application of Precision Agriculture is the safest way to increase production, saving agricultural inputs and caring for the environment.

  • The processing of multispectral resolution satellite images to evaluate Nitrogen needs in sugarcane plantations (Saccharum officinarum) should be the means to search for sugarcane yields.

  • The research centers that exist in the country carry out different actions that respond to various programs and projects, but the response still does not solve the problems that arise in the productive sector based on its requirements

REFERENCES

 

BASSO, B.: Perspectivas y avances del uso de UAV en AP en USA, Curso Internacional de Agricultura de Precisión ed., vol. 13, Manfredi, Córdoba, Argentina, 9, 24-25, p., 2014.

BEST, S.; LEÓN, L.; FLORES, F.; AGUILERA, H.; QUINTANA, R.; CONCHA, V.: Handbook “Agricultura de Precisión”, [en línea], Ed. Progap - INIA (Programa de Agricultura de Precisión), Progap-INIA. ed., 2011, Disponible en:http://www.elsitioagricola.com/CultivosExtensivos/LibroIniaAP/lilib3.asp

BLACKMORE, S.: The role of yield maps in precision farming, Cranfield University, Silsoe, England, Tesis doctoral, Silsoe, England, Publisher: Cranfield University Silsoe, UK p., 2003.

BONGIOVANNI, R.; CHARTUNI, E.; BEST, S.; ROEL, Á.: Agricultura de precisión: Integrando conocimientos para una agricultura moderna y sustentable. Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y Agroindustrial del Cono Sur;, Inst. Instituto Interamericano de Cooperación para la Agricultura, Procisur/IICA, 2006.

CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute.

CETIN, H.; PAFFORD, J.; MUELLER, T.: “Precision agriculture using hyperspectral remote sensing and GIS”, En: Proceedings of 2nd International Conference on Recent Advances in Space Technologies, 2005. RAST 2005., Ed. IEEE, pp. 70-77, 2005, ISBN: 0-7803-8977-8.

CHUVIECO, E.: “Mirar desde el espacio o mirar hacia otro lado: tendencias en teledetección y su situación en la geografía española”, Documents d’anàlisi geogràfica, (50): 75-85, 2007, ISSN: 2014-4512.

COLAIZZI, P.D.; BARNES, E.M.; CLARKE, T.R.; CHOI, C.Y.; WALLER, P.M.: “Estimating soil moisture under low frequency surface irrigation using crop water stress index”, Journal of irrigation and drainage engineering, 129(1): 27-35, 2003, ISSN: 0733-9437, Publisher: American Society of Civil Engineers.

FISHER, P.; UNWIN, D.: Re-presenting geographical information systems, Ed. Re-presenting GIS. London: Wiley, London, England, 1-17 p., 2005.

GAGO, J.; DOUTHE, C.; COOPMAN, R.E.; GALLEGO, P.P.; RIBAS-CARBO, M.; FLEXAS, J.; ESCALONA, J.; MEDRANO, H.: “UAVs challenge to assess water stress for sustainable agriculture”, Agricultural Water Management, 153: 9-19, 2015, ISSN: 0378-3774, Publisher: Elsevier.

GARCÍA, C.; HERRERA, F.: “Percepción remota en cultivos de caña de azúcar usando una cámara multiespectral en vehículos aéreos no tripulados”, En: Anais Simposio Brasileiro de sensoramiento remoto-SBSR (17, 2015, João Pessoa-PB, Brasil). Memoria. Brasil, João Pessoa-PB, Brasil, pp. 4450-4457, 2015.

GARCÍA-CERVIGÓN, J.J.D.: Estudio de índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión., Inst. Universidad Complutense de Madrid, Madrid, España, 2015.

GATES, D.M.; KEEGAN, H.J.; SCHLETER, J.C.; WEIDNER, V.R.: “Spectral properties of plants”, Applied optics, 4(1): 11-20, Publisher: Optica Publishing Group, 1965, ISSN: 2155-3165.

GITELSON, A.A.; MERZLYAK, M.N.: “Remote estimation of chlorophyll content in higher plant leaves”, International journal of remote sensing, 18(12): 2691-2697, 1997, ISSN: 0143-1161.

GUTIERREZ-RODRIGUEZ, M.; ESCALANTE-ESTRADA, J.A.; RODRIGUEZ-GONZALEZ, M.T.: “Canopy reflectance, stomatal conductance, and yield of Phaseolus vulgaris L. and Phaseolus coccinues L. under saline field conditions”, International Journal of Agriculture and Biology, 7: 491-494, 2005.

HIDALGO-TOGORES, J.: La calidad del vino desde el viñedo, Ed. Mundi-Prensa Libros, Madrid, España, 2006, ISBN: 84-8476-462-1.

LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press.

QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.

RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004.

REES, S.; DOYLE, R.: “Effect of soil properties on Pinot Noir vine vigour and root distribution in Tasmanian vineyards”, En: 19th World Congress of Soil Science, Soil Solutions for a Changing World, pp. 1-6, 2010.

SÁIZ-RUBIO, V.; ROVIRA-MÁS, F.: “Dynamic segmentation to estimate vine vigor from ground images”, Spanish Journal of Agricultural Research, 10(3): 596-604, 2012, ISSN: 1695-971X, Publisher: Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA).

TARDÁGUILA, J.; BARRAGÁN, F.; YANGUAS, R.; DIAGO, M.: “Estimación de la variabilidad del vigor del viñedo a través de un sensor óptico lateral terrestre. Aplicación en la viticultura de precisión”, En: VI Foro Mundial del Vino. Logroño, 23-25 abril 2008, World Wine Forum", Logroño. Spain, 2008.

TIAN, L.: “Development of a sensor-based precision herbicide application system”, Computers and electronics in agriculture, 36(2-3): 133-149, 2002, ISSN: 0168-1699, Publisher: Elsevier.

TORRES-SÁNCHEZ, J.; PEÑA-BARRAGÁN, J.; GÓMEZ-CANDÓN, D.; DE CASTRO, A.; LÓPEZ-GRANADOS, F.: “Imagery from unmanned aerial vehicles for early site specific weed management”, En: Precision agriculture’13, Ed. Springer, pp. 193-199, 2013.

TOWERS, P.; VON MARTINI, A.: Conceptos iniciales sobre teledetección y su aplicación al Agro, [en línea], Buenos Aires. Argentina, 2002, Disponible en:http://www.elsitioagricola.com/Soft/agrisat/libroTeledeteccion.asp.

VARVEL, G.E.; SCHEPERS, J.S.; FRANCIS, D.D.: “Ability for in‐season correction of nitrogen deficiency in corn using chlorophyll meters”, Soil Science Society of America Journal, 61(4): 1233-1239, 1997, ISSN: 0361-5995, Publisher: Wiley Online Library.

VIRLET, N.; COSTES, E.; MARTINEZ, S.; KELNER, J.J.; REGNARD, J.L.: “Multispectral airborne imagery in the field reveals genetic determinisms of morphological and transpiration traits of an apple tree hybrid population in response to water deficit”, Journal of Experimental Botany, 66(18): 5453-5465, 2015, ISSN: 1460-2431, Publisher: Oxford University Press UK.

WEEKLEY, J.G.: Multispectral imaging techniques for monitoring vegetative growth and health, Virginia Polytechnic Institute and State University, Thesis of Máster, Virginia, USA, Publisher: Virginia Tech p., publisher: Virginia Tech, 2007.

ZARCO-TEJADA, P.J.; MILLER, R.J.; NOLAND, T.L.; MOHAMMED, H.G.; SAMPSON, H.P.: “Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data”, IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1491-1507, 2001, ISSN: 0196-2892.

Revista Ciencias Técnicas Agropecuarias Vol. 33, No. 1, January-March, 2024, ISSN: 2071-0054
 
REVISIÓN

Procesamiento de imágenes multiespectrales para evaluar necesidades de Nitrógeno de caña de azúcar

 

iDCarlos Fresneda-QuintanaIUniversidad de Cienfuegos “Carlos Rafael-Rodríguez”, Cienfuegos, Cuba.*✉:cfresneda291@gmail.com

iDArturo Martínez-RodríguezIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

iDAlexander Laffita-LeyvaIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

iDOdalys Zamora-DíazIIIUniversidad de Ciencias Médicas de Cienfuegos “Raúl Dorticós-Torrado”, Cienfuegos, Cuba.


IUniversidad de Cienfuegos “Carlos Rafael-Rodríguez”, Cienfuegos, Cuba.

IIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Laja, Mayabeque, Cuba.

IIIUniversidad de Ciencias Médicas de Cienfuegos “Raúl Dorticós-Torrado”, Cienfuegos, Cuba.

 

*Author for correspondence: Carlos Fresneda-Quintana: e-mail: cfresneda291@gmail.com

RESUMEN

El crecimiento poblacional ha derivado en una demanda exponencial de productos agrícolas, para cubrir esta demanda se requiere mejorar la gestión y lograr un uso eficiente de recursos sin comprometer la sustentabilidad de los ecosistemas, en particular los agrícolas. Una de las tecnologías que facilitan estas tareas es la agricultura de precisión (AP), que se enfoca en la optimización de recursos e insumos basado en la compilación de geo información precisa y oportuna de variables de interés agrícola de alta variabilidad espacio-temporal, obtenida mediante sensores remotos de tres tipos: imágenes capturadas por satélites o aviones, imágenes obtenidas desde vehículos aéreos tripulados y no tripulados (VANT’s) e información puntual con sensores montados en maquinaria o en campo. Estas limitantes se superaron al usar imágenes multiespectrales, lo que ha incrementado las aplicaciones con fines agrícolas. Actualmente, las mágenes multiespectrales permiten cuantificar la humedad del suelo, monitorear la presencia de sequías y el grado de estrés hídrico de cultivos, estimar la variabilidad temporal y espacial de la evapotranspiración, dar seguimiento fenológico, detectar deficiencias nutricionales, estimar grado de infestación de malezas e insectos, calcular carbono orgánico y salinidad del suelo y estimar rendimientos y producción agrícola. El uso de tecnologías geoespaciales en la AP ha cambiado el paradigma de la agricultura y hoy en día constituye una alternativa viable para afrontar los retos que demanda la producción de alimentos en un mundo con alta variabilidad climática.

Palabras clave: 
productos agrícolas, demanda, variabilidad, espacio-temporal, imágenes, multiespectral

INTRODUCCIÓN

 

La Agricultura de Precisión (AP). Variabilidad y eficiencia

 

Los productores agrícolas necesitan explotar de forma eficiente sus parcelas con el objetivo de obtener la mayor rentabilidad posible optimizando los insumos, gracias a la evolución tecnológica, el sector agrario puede beneficiarse de sistemas útiles para aplicarlos en las distintas explotaciones, si bien innumerables técnicas están aún en desarrollo dependiendo de la zona geográfica donde se encuentre la explotación.

Estas técnicas que ayudan a los productores en el manejo de su explotación han de adecuarse a las posibilidades de cada parcela, según las características del cultivo, el terreno disponible, y los costos que puedan abordarse. Para implementar estas nuevas tecnologías, es necesario un cambio de mentalidad por parte del productor, ya que, por lo general, los productores se niegan a abandonar las técnicas tradicionales a las que están acostumbrados para adoptar unas nuevas técnicas más modernas; sin embargo, esta adopción habría de venir justificada por una obtención de mayor rendimiento de la explotación con menores costes de manera muy clara (Cetin et al., 2005CETIN, H.; PAFFORD, J.; MUELLER, T.: “Precision agriculture using hyperspectral remote sensing and GIS”, En: Proceedings of 2nd International Conference on Recent Advances in Space Technologies, 2005. RAST 2005., Ed. IEEE, pp. 70-77, 2005, ISBN: 0-7803-8977-8.).

El factor clave por el que es necesario un tratamiento distinto del tradicional estriba en la existencia de variabilidad dentro de la parcela de cultivo. Gracias a las nuevas tecnologías, se ha podido comprobar mediante análisis (de suelo, planta, agua de riego…) que la parcela no es uniforme, no se comporta de la misma forma en todos los puntos de su extensión y muchos han sido los autores que han tratado de controlar esa variabilidad (Tardáguila et al., 2008TARDÁGUILA, J.; BARRAGÁN, F.; YANGUAS, R.; DIAGO, M.: “Estimación de la variabilidad del vigor del viñedo a través de un sensor óptico lateral terrestre. Aplicación en la viticultura de precisión”, En: VI Foro Mundial del Vino. Logroño, 23-25 abril 2008, World Wine Forum", Logroño. Spain, 2008.).

El tratamiento de esa variabilidad es de lo que se ocupa la Agricultura de Precisión (AP), desarrollada a finales de los años 80 en Estados Unidos, Australia y Reino Unido debido al auge de los sistemas de posicionamiento global (Hidalgo-Togores, 2006HIDALGO-TOGORES, J.: La calidad del vino desde el viñedo, Ed. Mundi-Prensa Libros, Madrid, España, 2006, ISBN: 84-8476-462-1.). En su tesis doctoral, Blackmore (2003)BLACKMORE, S.: The role of yield maps in precision farming, Cranfield University, Silsoe, England, Tesis doctoral, Silsoe, England, Publisher: Cranfield University Silsoe, UK p., 2003. recuerda los inicios de la AP como el esfuerzo de entender y gestionar la variabilidad de los campos.

El propósito de la AP se centra en una mejor gestión de la variabilidad intraparcelaria (variabilidad dentro de una misma parcela), ya que los campos de cultivo no son uniformes en sus características (disponibilidad de agua, radiación solar incidente, topografía, pendiente…) ni en sus necesidades, sino que existe una variabilidad, y por tanto no es eficiente tratar toda la parcela por igual. Según la filosofía de la AP se deben tomar medidas para tratar de forma eficaz cada parte del terreno.

La clave de la AP es aplicar lo que es necesario, donde se necesite y en el momento oportuno, de forma que exista la mayor eficiencia posible para no malgastar recursos. Esta eficiencia se ve presente en la utilización de antenas GPS en los sistemas de AP, con los que se tienen siempre localizados en el espacio los puntos donde se esté trabajando, además de que implican la obtención de datos en tiempo real, por lo que la disponibilidad de información es mayor.

Otros propósitos de esta filosofía inciden en facilitar la tarea al productor lo máximo posible y ayudarle a mejorar la gestión de la explotación haciéndola más rentable. En resumen, el uso de la AP implica minimizar los insumos, mejorar la eficiencia y crear una agricultura más sostenible.

En general, los sensores utilizados en AP se pueden agrupar en tres clases:

  • sensores de control,

  • sensores de localización

  • sensores de percepción

La visión artificial es una técnica que, con la aparición de la AP, se ha incorporado a la agricultura (Rees & Doyle, 2010REES, S.; DOYLE, R.: “Effect of soil properties on Pinot Noir vine vigour and root distribution in Tasmanian vineyards”, En: 19th World Congress of Soil Science, Soil Solutions for a Changing World, pp. 1-6, 2010.). Esta incorporación supone grandes mejoras, ya que estos sistemas proporcionan información importante relacionada con los cultivos y su entorno; además, permiten indagar en regiones del espectro electromagnético donde el ojo humano no es capaz de operar. Algunas de las ventajas de la visión artificial en el ámbito agrícola son:

  • Fiabilidad y objetividad, al no verse afectadas las cámaras por factores como fatiga, hábitos adquiridos, etc., que sí afectan a las personas y, por tanto, a la visión humana

  • Aumento de la productividad (rentabilidad) y posibilidad de automatizar operaciones repetitivas

  • Eliminación de los métodos invasivos que destruyen los frutos y plantas durante su análisis

  • Desarrollo de nuevos sensores para espectros visibles que permiten la detección de anomalías o lesiones en los frutos que no son visibles por el ojo humano.

Precisamente por ser una aplicación nueva, también presenta algunos inconvenientes todavía no resueltos hoy en día con los que tiene que lidiar, ya que los cultivos se encuentran al aire libre y, por tanto, en condiciones cambiantes de iluminación debido a la variación de la posición del Sol a lo largo del día (y del año). Además, existe gran variabilidad de los frutos, con diferencias entre especies, variedades e incluso a nivel individual por tamaño, forma o color; la fragilidad del producto también puede ser un inconveniente en procesos post-cosecha (Sáiz-Rubio & Rovira-Más, 2012SÁIZ-RUBIO, V.; ROVIRA-MÁS, F.: “Dynamic segmentation to estimate vine vigor from ground images”, Spanish Journal of Agricultural Research, 10(3): 596-604, 2012, ISSN: 1695-971X, Publisher: Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA).). En este artículo se hace una revision de una de las tecnologías que facilitan estas tareas es la agricultura de precisión (AP), que se enfoca en la optimización de recursos e insumos basado en la compilación de geo información precisa y oportuna de variables de interés agrícola de alta variabilidad espacio-temporal, obtenida mediante sensores remotos de tres tipos: imágenes capturadas por satélites o aviones, imágenes obtenidas desde vehículos aéreos tripulados y no tripulados e información puntual con sensores montados en maquinaria o en campo

DESARROLLO DEL TEMA

 

Composición espectral

 

Las diversas propiedades de los componentes de una escena se manifiestan a través de la composición espectral de las longitudes de onda que esos componentes emiten y son captados por cámaras fotográficas especiales. Algunos tipos de esas cámaras fotográficas son las denominadas hiperespectrales, multiespectral3 y los espectrómetros (Weekley, 2007WEEKLEY, J.G.: Multispectral imaging techniques for monitoring vegetative growth and health, Virginia Polytechnic Institute and State University, Thesis of Máster, Virginia, USA, Publisher: Virginia Tech p., publisher: Virginia Tech, 2007.).

De esta forma, diversos compuestos de una escena pueden caracterizarse mediante lo que se denomina su firma espectral (spectral signature). Actualmente, caracterizar escenas mediante su firma espectral se ha convertido en una alternativa muy socorrida para identificar la presencia de objetos difíciles de identificar mediante otros métodos tradicionales como lo son el análisis de texturas, la segmentación del color, etc. Ejemplo de ello lo es la identificación de la presencia de sustancias peligrosas en un ambiente, la detección de plagas en los cultivos, entre otros.

La vegetación tiene una firma espectral única que le permite distinguirse fácilmente de otros tipos de cobertura terrestre en una imagen óptica / infrarrojo cercano (Towers y von Martini, 2002TOWERS, P.; VON MARTINI, A.: Conceptos iniciales sobre teledetección y su aplicación al Agro, [en línea], Buenos Aires. Argentina, 2002, Disponible en:http://www.elsitioagricola.com/Soft/agrisat/libroTeledeteccion.asp.). Las características espectrales de la vegetación varían con la longitud de onda.

El pigmento de la planta en las hojas, llamado clorofila, absorbe fuertemente la radiación en las longitudes de onda del rojo y el azul, pero refleja la longitud de onda verde (Varvel et al., 1997VARVEL, G.E.; SCHEPERS, J.S.; FRANCIS, D.D.: “Ability for in‐season correction of nitrogen deficiency in corn using chlorophyll meters”, Soil Science Society of America Journal, 61(4): 1233-1239, 1997, ISSN: 0361-5995, Publisher: Wiley Online Library.). Más allá de las longitudes de onda visibles, los espectros de las plantas muestran un fuerte aumento de la reflectancia. La región de alta reflectancia de la planta en el extremo de longitud de onda del infrarrojo cercano se denomina meseta del infrarrojo cercano (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

Para el procesamiento de estas imágenes multiespectrales se utilizan softwares profesionales como QGIS, Agisoft Photoscan y Pix4Dmapper Ag, este último dedicado expresamente a la agricultura de precisión (Virlet et al., 2015VIRLET, N.; COSTES, E.; MARTINEZ, S.; KELNER, J.J.; REGNARD, J.L.: “Multispectral airborne imagery in the field reveals genetic determinisms of morphological and transpiration traits of an apple tree hybrid population in response to water deficit”, Journal of Experimental Botany, 66(18): 5453-5465, 2015, ISSN: 1460-2431, Publisher: Oxford University Press UK.).

Haciendo uso de estos softwares se pueden calcular índices de vegetación, crear mapas y georreferenciar imágenes para utilizarlos luego en la detección de enfermedades, la optimización de la aplicación de fertilizantes, agua y/o productos químicos a los cultivos, así como para la estimación del crecimiento de los cultivos.

El procesamiento sistema de Imágenes multiespectrales tiene como objetivo de evaluar necesidades de Nitrógeno en plantaciones de caña de azúcar (Saccharum officinarum).

Programa Nacional de Agricultura de Precisión (PNAgP) Cuba

 

El 19 de enero del 2018, en el Balance Anual de la Reunión conjunta entre el Grupo de las Industrias Biotecnológica y Farmacéutica (BioCubaFarma) y el Ministerio de Agricultura (Minag), el entonces Primer Vicepresidente de los Consejos de Estado y de Ministros Miguel Díaz-Canel Bermúdez, indica al Centro Nacional para la Producción de Animales de Laboratorio (CENPALAB), “desempolvar” todos los proyectos que se venían ejecutando en la Agricultura de Precisión (AP) en el país. (PNAgP)

El 15 de marzo del presente año se presenta a la Junta Multisectorial del Fondo para la Ciencia e Innovación (FONCI) del Ministerio de Ciencia, Tecnología y Medio Ambiente (CITMA), un nuevo proyecto de AP, actualizado con las nuevas Tecnologías de Informática y las Comunicaciones (TICs), tomando como modelo por su novedad a las plantas proteicas. Por su parte el Instituto de Investigaciones de Granos (IIGranos), de conjunto con el Grupo Empresarial GEOCUBA, presentan otro proyecto de AP en el cultivo del arroz. Ambos proyectos fueron aprobados posteriormente el 3 de mayo.

El 16 de abril se hace la presentación en el Comité Ejecutivo del Consejo de Ministros (CECM), de los aspectos generales de la tecnología de AP y sus aplicaciones en el Minag, tomándose como acuerdo único actualizar el Programa Nacional de Agricultura de Precisión (PNAgP) hasta el 2025, estableciendo las prioridades para su aplicación, responsabilizando para ello al Ministerio de Agricultura.

El 3 de mayo 2018 se convoca a un Grupo de Trabajo y se realiza una reunión en el Minag, para la actualización del PNAgP. Se designa al Instituto de Investigaciones de Ingeniería Agrícola (IAgric) como coordinador del Grupo de Trabajo y se indica elaborar un documento que recoja las experiencias, resultados concretos, así como los impactos de su aplicación. Igualmente debe valorarse las condiciones que hay en el país, las oportunidades existentes, así como las necesidades, prioridades y alianzas necesarias. Se prioriza trabajar en los cultivos de la caña, arroz, papa, frutales y plantas proteicas. Se toman como escenarios las mismas empresas que participaron con anterioridad en este programa y se incluye ahora las áreas de la UEB de Plantas Proteicas, en San Pedro, bajo administración de CENPALAB.

Aunque en nuestro país existen diversos métodos para el cálculo de variables de interés agrícola, como el volumen vegetal, el cálculo del área cultivada y el cálculo de índices vegetativos, estos no son todavía suficientes para analizar grandes extensiones de cultivos y se hacen extremadamente costosos e inexactos por la cantidad de personal que involucran y el tipo de mediciones que se emplean. Es por ello que el estudio se llevará a cabo y se pretende optimizar estos métodos mediante un sistema de imágenes satelitales de resolución espectral que genere los resultados con mayor exactitud.

O como los Sistemas de Posicionamiento Global (GPS), sensores planta-clima-suelo e imágenes multiespectrales obtenidas a partir de satélites, aviones o UAVs (García y Herrera, 2015GARCÍA, C.; HERRERA, F.: “Percepción remota en cultivos de caña de azúcar usando una cámara multiespectral en vehículos aéreos no tripulados”, En: Anais Simposio Brasileiro de sensoramiento remoto-SBSR (17, 2015, João Pessoa-PB, Brasil). Memoria. Brasil, João Pessoa-PB, Brasil, pp. 4450-4457, 2015.).

La agricultura de precisión basa su propósito en tener en cuenta la variabilidad espacial y temporal dentro del terreno de cultivo para decidir sobre el momento, la localización, la cantidad necesaria y el tipo de insumo que hay que administrar, minimizando costos, impacto al medio ambiente y maximizando la producción. A través de esta práctica se brinda solución a determinados problemas que puedan afectar el desarrollo de los cultivos como el manejo eficiente del agua, el tratamiento localizado de herbicidas y el uso óptimo de fertilizantes, el conteo de plantas, la detección temprana de plagas y enfermedades en cultivos, entre otros (Bongiovanni et al., 2006BONGIOVANNI, R.; CHARTUNI, E.; BEST, S.; ROEL, Á.: Agricultura de precisión: Integrando conocimientos para una agricultura moderna y sustentable. Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y Agroindustrial del Cono Sur;, Inst. Instituto Interamericano de Cooperación para la Agricultura, Procisur/IICA, 2006.).

Los países de EE. UU., Canadá y Australia marcan la avanzada en el uso de esta técnica. Según una encuesta realizada en los EE. UU. en el año 2011, la adopción de imágenes satelitales y fotografías aéreas en la AP aumentó de un 16,1 % a un 30,3 % entre el año 2008 y el 2011. El creciente uso de la AP por parte de los productores en dicho país se informó en una encuesta realizada por el Centro de Agro negocios y Alimentos en el año 2011.

El conocimiento de los productores sobre la variación en sus campos también es un factor importante que influye tanto en la percepción como en la adopción de las tecnologías de la AP. Se observó que aquellas personas que tienen más conocimiento sobre la variación espacial en las propiedades del suelo de las tierras arrendadas tenían más posibilidades de reconocer y adoptar la tecnología de AP (Basso, 2014BASSO, B.: Perspectivas y avances del uso de UAV en AP en USA, Curso Internacional de Agricultura de Precisión ed., vol. 13, Manfredi, Córdoba, Argentina, 9, 24-25, p., 2014.). La agricultura de precisión es relativamente nueva y las tecnologías en desarrollo hacen posible reducir sus errores y costos para lograr una agricultura ecológica y económicamente sostenible.

Procesamiento de imágenes y cálculo de Índices Vegetativos

 

La información que brindan las imágenes multiespectrales sobre las plantas y los suelos, permite obtener de manera satisfactoria varios parámetros relacionados con la agricultura de precisión. Diversos autores exponen aplicaciones concretas del procesamiento de imágenes multiespectrales.

Según Gago et al. (2015)GAGO, J.; DOUTHE, C.; COOPMAN, R.E.; GALLEGO, P.P.; RIBAS-CARBO, M.; FLEXAS, J.; ESCALONA, J.; MEDRANO, H.: “UAVs challenge to assess water stress for sustainable agriculture”, Agricultural Water Management, 153: 9-19, 2015, ISSN: 0378-3774, Publisher: Elsevier., se detecta el estado hídrico de las plantas, utilizando imágenes térmicas de elevada resolución espacial, obtenidas mediante un UAV. El estrés hídrico en los cultivos provoca el cierre de las estomas, reduciendo la transpiración y aumentando la temperatura de las hojas, pudiéndose monitorizar esto, a partir de sensores térmicos. El volumen de información obtenido permite un mejor aprovechamiento del agua.

Según Candiago et al. (2015)CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute., a partir de la determinación del contenido de clorofila de las plantas se obtiene la concentración de nitrógeno de la hoja, ya que guardan estrecha relación. De esta manera se determina el estrés nutricional en los cultivos, para así realizar un uso óptimo de fertilizantes, utilizando estos solo en las zonas en las que son necesarios.

Según Tian (2002)TIAN, L.: “Development of a sensor-based precision herbicide application system”, Computers and electronics in agriculture, 36(2-3): 133-149, 2002, ISSN: 0168-1699, Publisher: Elsevier., se determina el estrés en la vegetación, producido por la presencia de plagas y enfermedades, generándose mapas diversos, que permiten detectar procesos en los cultivos en forma focalizada, así como dimensionar el problema y evaluarlo en forma puntual. Esto permitirá aumentar los beneficios económicos de los agricultores y evitará la aplicación innecesaria de compuestos fitosanitarios.

En gran medida estas aplicaciones se derivan de los índices vegetativos, que no son más que combinaciones algebraicas de varias bandas espectrales, diseñadas para resaltar el vigor y las propiedades de la vegetación como biomasa, radiación absorbida y el contenido de clorofila (Gutierrez-Rodriguez et al., 2005GUTIERREZ-RODRIGUEZ, M.; ESCALANTE-ESTRADA, J.A.; RODRIGUEZ-GONZALEZ, M.T.: “Canopy reflectance, stomatal conductance, and yield of Phaseolus vulgaris L. and Phaseolus coccinues L. under saline field conditions”, International Journal of Agriculture and Biology, 7: 491-494, 2005.).

Entre todos los IV que existen, los más usados y derivables de un sensor multiespectral tribanda son: NDVI, GNDVI y SAVI (Candiago et al., 2015CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute.). Otros IV son el CWSI y el PRInorm, utilizados para medir el estrés por sequía en los cultivos, un parámetro fundamental en los cultivos debido a las sequías cíclicas que están ocurriendo en los últimos años.

El índice de vegetación más conocido y usado es el Índice Normalizado Diferencial de Vegetación (NDVI Normalized Difference Vegetation Index). Este índice se basa en el peculiar comportamiento radiométrico de la vegetación, relacionado con la actividad fotosintética y la estructura foliar de las plantas, permitiendo determinar la vigorosidad de la planta.

Entre todos los IV que existen, los más usados y derivables de un sensor multiespectral tribanda son: NDVI, GNDVI y SAVI (Candiago et al., 2015CANDIAGO, S.; REMONDINO, F.; DE GIGLIO, M.; DUBBINI, M.; GATTELLI, M.: “Evaluating multispectral images and vegetation indices for precision farming applications from UAV images”, Remote sensing, 7(4): 4026-4047, 2015, ISSN: 2072-4292, Publisher: Multidisciplinary Digital Publishing Institute.). Otros IV son el CWSI y el PRInorm, utilizados para medir el estrés por sequía en los cultivos, un parámetro fundamental en los cultivos debido a las sequías cíclicas que están ocurriendo en los últimos años.

Los valores del NDVI están en función de la energía absorbida o reflejada por las plantas en diversas partes del espectro electromagnético. La respuesta espectral que tiene la vegetación sana, muestra un claro contraste entre el espectro visible, especialmente la banda roja, y el Infrarrojo Cercano (NIR). Mientras que en el visible los pigmentos de la hoja absorben la mayor parte de la energía que reciben, en el NIR, las paredes de las células de las hojas, que se encuentran llenas de agua, reflejan la mayor cantidad de energía.

En contraste, cuando la vegetación sufre algún tipo de estrés, ya sea por presencia de plagas o por sequía, la cantidad de agua disminuye en las paredes celulares por lo que la reflectividad disminuye el NIR y aumenta paralelamente en el rojo al tener menor absorción clorofílica. Esta diferencia en la respuesta espectral permite identificar con relativa facilidad la vegetación sana.

Los primeros resultados sugieren que el sensor es capaz de detectar las variaciones de clorofila en la hoja o el estado del Nitrógeno inducido mediante la variación de sus niveles de aplicación, ya que las variaciones en las lecturas del sensor (GNDVI) estuvieron altamente correlacionadas con los tratamientos de Nitrógeno realizados y las lecturas del medidor de clorofila en tierra para ambos híbridos.

Desde hace más de 30 años se acumulan las evidencias sobre el potencial y utilidad que presenta la medida de la temperatura del cultivo para monitorizar el estado hídrico del mismo. Por ello, la medición de la temperatura de la cubierta ha sido propuesta como una alternativa a la medida del potencial hídrico. Cuando se induce el estrés hídrico, las estomas de la hoja se cierran, la tasa de transpiración se reduce y su efecto refrigerativo disminuye, lo cual hace que la temperatura de la hoja se eleve. Se ha demostrado que la detección de la temperatura de una cubierta vegetal usando sensores o imágenes infrarrojas puede ser aplicada para el cálculo de CWSI y estimar así el estado hídrico del cultivo para establecer una adecuada programación del riego en multitud de cultivos (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

Un procedimiento para estimar el agotamiento de la humedad del suelo y la fracción de agotamiento en la raíz utilizando CWSI por teledetección fue implementado por los autores (Colaizzi et al., 2003COLAIZZI, P.D.; BARNES, E.M.; CLARKE, T.R.; CHOI, C.Y.; WALLER, P.M.: “Estimating soil moisture under low frequency surface irrigation using crop water stress index”, Journal of irrigation and drainage engineering, 129(1): 27-35, 2003, ISSN: 0733-9437, Publisher: American Society of Civil Engineers.). El procedimiento fue probado en algodón con un regadío de superficie de baja frecuencia en Maricopa, en el estado de Arizona y funcionó razonablemente bien. También fue relacionado el CWSI con mediciones in situ de la humedad del suelo a través del coeficiente de estrés hídrico Ks y la correlación entre el CWSI y la lectura de la humedad del suelo. El uso del CWSI, para estimar FDEP (agotamiento de la humedad del suelo) o sea el momento de realizar el regadío y el DR (agotamiento de la humedad en la raíz) o sea la cantidad de agua a regar mejoró en gran medida la gestión del riego y brindó una mayor Desde hace más de 30 años se acumulan las evidencias sobre el potencial y utilidad que presenta la medida de la temperatura del cultivo para monitorizar el estado hídrico del mismo. Por ello, la medición de la temperatura de la cubierta ha sido propuesta como una alternativa a la medida del potencial hídrico.

Cuando se induce el estrés hídrico, las estomas de la hoja se cierran, la tasa de transpiración se reduce y su efecto refrigerativo disminuye, lo cual hace que la temperatura de la hoja se eleve. Se ha demostrado que la detección de la temperatura de una cubierta vegetal usando sensores o imágenes infrarrojas puede ser aplicada para el cálculo de CWSI y estimar así el estado hídrico del cultivo para establecer una adecuada programación del riego en multitud de cultivos (Quebrajo-Moya et al., 2016QUEBRAJO-MOYA, L.; EGEA-CEGARRA, G.; PÉREZ-RUIZ, M.; PÉREZ-URRESTARAZU, L.: “Uso de imágenes térmicas aéreas en remolacha azucarera (Beta vulgaris) para propuesta de riego de precisión”, En: XXXIV Congreso Nacional de Riegos, Sevilla 2016, Ed. Escuela Universitaria de Ingeniería Técnica Agrícola, Sevilla, España, 2016.).

Un procedimiento para estimar el agotamiento de la humedad del suelo y la fracción de agotamiento en la raíz utilizando CWSI por teledetección fue implementado por los autores (Colaizzi et al., 2003COLAIZZI, P.D.; BARNES, E.M.; CLARKE, T.R.; CHOI, C.Y.; WALLER, P.M.: “Estimating soil moisture under low frequency surface irrigation using crop water stress index”, Journal of irrigation and drainage engineering, 129(1): 27-35, 2003, ISSN: 0733-9437, Publisher: American Society of Civil Engineers.). El procedimiento fue probado en algodón con un regadío de superficie de baja frecuencia en Maricopa, en el estado de Arizona y funcionó razonablemente bien. También fue relacionado el CWSI con mediciones in situ de la humedad del suelo a través del coeficiente de estrés hídrico Ks y la correlación entre el CWSI y la lectura de la humedad del suelo. El uso del CWSI, para estimar FDEP (agotamiento de la humedad del suelo) o sea el momento de realizar el regadío y el DR (agotamiento de la humedad en la raíz) o sea la cantidad de agua a regar mejoró en gran medida la gestión del riego y brindó una mayor eficiencia del uso del agua, siendo esta una meta importante mientras la competencia por los recursos hídricos, la tierra, y la presión para disminuir los impactos ambientales tienden a aumentar en las próximas décadas

Teledetección

 

El término teledetección es una traducción del inglés remote sensing, y se refiere no solo a la captación de datos desde el aire o el espacio, sino también a su posterior tratamiento. Si se hiciera una definición más formal, la teledetección se describiría como la técnica que permite adquirir y estudiar los datos de la superficie terrestre desde sensores instalados en plataformas espaciales, en virtud de la interacción electromagnética existente entre la tierra y el sensor, y proviniendo la fuente de radiación ya sea del sol (teledetección pasiva) o del propio sensor (teledetección activa) (Chuvieco, 2007CHUVIECO, E.: “Mirar desde el espacio o mirar hacia otro lado: tendencias en teledetección y su situación en la geografía española”, Documents d’anàlisi geogràfica, (50): 75-85, 2007, ISSN: 2014-4512.).

Los sentidos solo perciben un objeto cuando logran descifrar la información que éste les envía y cuando su propia visión es, en sí, un proceso de teledetección, en el que participan principalmente tres elementos según Chuvieco (2007)CHUVIECO, E.: “Mirar desde el espacio o mirar hacia otro lado: tendencias en teledetección y su situación en la geografía española”, Documents d’anàlisi geogràfica, (50): 75-85, 2007, ISSN: 2014-4512.:

  1. Sensor: el ojo.

  2. La película fotográfica: el objeto observado

  3. Flujo energético, que permite poner a los dos anteriores en relación.

Este flujo procede del objeto ya sea por reflexión de la luz solar (color de los objetos), por emisión propia o, también, podría tratarse de energía emitida por el propio sensor y reflejada por el objeto, en cuyo caso, la teledetección recibe el nombre de ACTIVA, por oposición a la teledetección PASIVA, en la que la fuente energética es el sol.

La posibilidad de adquirir información a distancia se basa en la especificidad de la interacción entre la radiación electromagnética y la materia, pues todos los objetos tienen una respuesta espectral propia, a pesar de que presenten una combinación espectral similar a la de otros objetos o superficies que cuentan con las mismas características u homogeneidad.

Sensores remotos

 

Un sensor remoto es un instrumento capaz de detectar, caracterizar y cuantificar la energía proveniente de los objetos situados a distancia, con lo que se logra obtener información relevante de ciertas características que poseen dichos objetos

La teledetección permite adquirir información que es imposible identificar con el ojo humano, ya que posee células fotosensibles para el llamado espectro visible, una pequeña porción del espectro electromagnético que oscila entre 450 hasta los 700 nanómetros (nm), todas las demás longitudes de onda no pueden ser percibidas por el ojo humano. Dado lo anterior los sensores remotos están diseñados para capturar datos que superan los límites del ojo humano tanto por defecto como por exceso.

Esto permite extraer información de las imágenes que es imposible apreciar de otra manera, generando aplicaciones para muchos campos de investigación. Los datos capturados por el sistema de percepción remota, se almacenan en matrices donde cada valor de la matriz representa una pequeña porción de la energía reflejada.

Estos datos almacenados en la matriz posteriormente se representan con una escala de color que se asigna de acuerdo al valor almacenado en la celda. Una vez asignada una representación gráfica a la matriz, se obtiene una imagen que está compuesta por pixeles (valores de cada celda), sin embargo la resolución de la imagen es considerada de acuerdo a su resolución espacial (cantidad de pixeles por imagen), resolución espectral (rango del espectro electromagnético que puede capturar), resolución radiométrica (todos los posibles valores que puede tomar una celda) y resolución temporal (intervalo de tiempo en el que puede volver a ser tomada la imagen para la misma zona).

Corine land cover (CLC)

 

Para la identificación de la cobertura de la tierra existen varios sistemas de clasificación, sin embargo, el utilizado en Colombia es el sistema de clasificación Corine Land Cover (CLC). Este sistema proviene de un programa de homogenización de conceptos para la identificación de cobertura terrestre de la agencia europea del medio ambiente para escala 1:100.000, esta clasificación tuvo que ser adecuada a la realidad del terreno colombiano, ya que difiere de la geografía europea. Como resultado de este ajuste el IDEAM posee una clasificación basada en CLC para el territorio colombiano dividida en cinco capítulos:

  1. Territorios artificializados.

  2. Territorios agrícolas.

  3. Bosques y áreas seminaturales.

  4. Áreas húmedas.

  5. Superficie de agua.

Cobertura dominantemente compuesta por cultivo de caña de azúcar (Saccharum officinarum L), planta gramínea tropical de la familia Poaceae de donde se extrae el azúcar, con forma de pasto gigante emparentada con el sorgo y el maíz. Es un cultivo predominantemente industrial. Se corta cada 12 meses, y la plantación dura aproximadamente 5 años, tiene un tallo macizo de 2 a 5 metros de altura con 5 o 6 cm de diámetro. Se cultiva generalmente en terrenos planos y la zona de producción óptima se ubica entre los 800 y los 1.200 msnm.

Definición de SIG

 

Existen muchas definiciones de SIG (Sistemas de Información Geográfica) que no es simplemente un programa. En general los SIG son sistemas que permiten el uso de información geográfica (los datos tienen coordenadas espaciales). En particular, los SIG permiten ver, consultar, calcular y realizar análisis espaciales de los datos, que principalmente son de tipo Ráster y Vectorial. Los datos vectoriales están formados por objetos que pueden ser puntos, líneas y polígonos; cada objeto puede tener uno o más atributos con valores. Un ráster es una cuadrícula (o imagen) en la que cada celda tiene un atributo con valores (Fisher y Unwin, 2005FISHER, P.; UNWIN, D.: Re-presenting geographical information systems, Ed. Re-presenting GIS. London: Wiley, London, England, 1-17 p., 2005.). Muchas aplicaciones SIG utilizan imágenes ráster que son obtenidas con sensores remotos.

Clasificación supervisada

 

Una clasificación semi-automática (también llamada una clasificación supervisada) es una técnica de procesamiento de imágenes que permite la identificación de materiales en una imagen a partir de sus firmas espectrales. Existen varios tipos de algoritmos de clasificación, pero el propósito general es producir un mapa temático de la cobertura del suelo (Figura 1). El procesamiento de imágenes y el análisis espacial con SIG requieren de software específico, tal como el Semi-Automatic Classification Plugin de QGIS.

FIGURA 1.  Imagen multiespectral procesada para producir una clasificación de la cobertura del suelo (Imagen Landsat proporcionada por USGS).

Usualmente, la clasificación supervisada requiere que el usuario seleccione una o más Regiones de Interés (ríos, o Áreas de Entrenamiento) para cada clase de cobertura del suelo identificada en la imagen. Los ríos son polígonos dibujados sobre áreas homogéneas de la imagen que se superponen a píxeles pertenecientes a la misma clase de cobertura del suelo.

Clorofila

 

Las clorofilas son una familia de pigmentos de color verde que se encuentran en las cianobacterias y en todos aquellos organismos que contienen plastos en sus células, lo que incluye las plantas y los diversos grupos de protistas llamados algas. Estas moléculas son las responsables de captar la energía luminosa en los primeros eventos de la fotosíntesis.

Nitrógeno

 

El nitrógeno es un elemento químico, de número atómico 7, símbolo N y que, en condiciones normales, forma un gas diatómico (nitrógeno diatómico o molecular) que constituye el 78% del aire atmosférico. En ocasiones, es llamado ázoe-antiguamente, se usó el símbolo Az para representar el nitrógeno.

Suelo

 

Se denomina suelo a la parte no consolidada de la corteza terrestre, biológicamente activa, que tiende a desarrollarse en la superficie de las rocas emergidas por influencia de la intemperie y los seres vivos (meteorización).

Los suelos son sistemas complejos donde ocurre una vasta gama de procesos químicos, físicos y biológicos, los cuales se ven reflejados en la variedad de suelos existentes en la tierra. A grandes rasgos, puede decirse que los componentes del suelo se dividen en sólidos, líquidos y gaseosos, y generalmente corresponden a minerales y material orgánico como el agua y el aire. De manera más esquemática, vale decir que la pedosfera, el conjunto de todos los suelos, abarca partes de la litosfera, la biosfera, la atmósfera y la hidrosfera.

Fertilizantes

 

Son un tipo de sustancia o mezcla química, natural o sintética, usada para enriquecer el suelo y favorecer el crecimiento vegetal. Las plantas no necesitan compuestos complejos del tipo de las vitaminas o aminoácidos, pues ellas sintetizan todo lo que precisan. No obstante, exigen una docena de elementos químicos que deben presentarse de forma tal para que la planta los pueda absorber. Dentro de esta limitación, el nitrógeno, por ejemplo, puede administrarse con igual eficacia en forma de urea, nitrato, compuestos de amonio o amoníaco puro.

Espectrómetro

 

El espectrómetro es un instrumento de medición que analiza el tipo de espectro que emite

una fuente o que es absorbido por una sustancia que se encuentra en el camino de la luz producido por una fuente. Estos espectros de emisión o de absorción son como una huella digital de las sustancias que componen la naturaleza.

El funcionamiento del espectrómetro está basado en la descomposición de la luz de las diferentes longitudes de onda que la componen, a partir de los fenómenos de refracción -que sucede en un prisma- o difracción -que se produce en una red de difracción-. Este instrumento mide los ángulos en los cuales se presentan los máximos del patrón de difracción. Dichos ángulos son diferentes y caracterizan la naturaleza de la fuente que emite la luz. Las componentes básicas de un espectrómetro son un conjunto de lentes, un colimador, una rejilla de difracción y un ocular. Anteriormente, para detectar el espectro se hacía a simple vista, pero, hoy en día, puede fotografiarse e, incluso, se pueden usar sensores de luz que marcan los máximos y mínimos.

Espectrofotometría

 

Todas las sustancias pueden absorber energía radiante; aún el vidrio que parece ser completamente transparente absorbe radiación de longitudes de onda que no pertenecen al espectro visible. La absorción de las radiaciones ultravioletas, visibles e infrarrojas depende, pues, de la estructura de las moléculas y es característica de cada sustancia química.

Cuando la luz atraviesa una sustancia, parte de la energía es absorbida (la energía radiante no puede producir ningún efecto sin ser absorbida). El color que adquieren las sustancias mismas se debe a que absorben ciertas longitudes de onda de la luz blanca que incide sobre ellas y solo dejan pasar a nuestros ojos aquellas longitudes no absorbidas.

La espectrofotometría ultravioleta-visible usa haces de radiación del espectro electromagnético que van de 80 a 400 nm en el rango UV (principalmente, de 200 a 400 nm, lo que se conoce como rango UV cercano) y de 400 a 800 nm en el rango de luz visible, por lo que es de gran utilidad para caracterizar los materiales en la región ultravioleta y visible del espectro. No está de más mencionar el hecho de que la absorción y transmitancia de luz depende tanto de la cantidad de la concentración como de la distancia recorrida.

Índices de vegetación

 

El cálculo de índices de vegetación es una técnica muy utilizada dentro del campo de la teledetección. Rahman et al. (2004)RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004. menciona el mejoramiento de la discriminación entre dos cubiertas que presentan un comportamiento refractivo muy distinto en dos o más bandas, por ejemplo, con el fin de realzar los suelos y la vegetación en el visible e infrarrojo cercano, y para reducir el efecto del relieve (pendiente y orientación) en la caracterización espectral de distintas cubiertas.

Índices espectrales

 

Los índices de vegetación (VI por sus siglas en inglés) combinan información espectral contenida en dos o más bandas, usualmente en el VIS y NIR, o ambos. Estos índices tienen como objetivo la extracción de información óptima sobre los objetos investigados. Al respecto, Rahman et al. (2004)RAHMAN, M.; ISLAM, A.; RAHMAN M, A.: “NDVI derived sugarcane area identification and crop condition assessment [J]”, Plan Plus, 1(2): 1-12, 2004. y Lopes & Reynolds, 2012LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press.) afirman que algunos de estos índices son muy útiles en la medición de parámetros de los cultivos tales como el área foliar, el porcentaje de biomasa verde, la productividad y la actividad fotosintética. Dentro de dichos índices, se destaca el NDVI (Normalized Difference Vegetation Index) que está asociado a la variabilidad de la clorofila de las hojas, su contenido de nitrógeno y la producción de caña de azúcar.

Por citar algunos ejemplos, se encuentra el índice de vegetación verde (VI Green) derivado de la reflectancia espectral de las bandas verde y roja, y utilizado por Torres-Sánchez et al. (2013)TORRES-SÁNCHEZ, J.; PEÑA-BARRAGÁN, J.; GÓMEZ-CANDÓN, D.; DE CASTRO, A.; LÓPEZ-GRANADOS, F.: “Imagery from unmanned aerial vehicles for early site specific weed management”, En: Precision agriculture’13, Ed. Springer, pp. 193-199, 2013. tanto para determinar el contenido de proteína en hojas de trigo que están en el estado de antesis como para predecir el contenido de proteína en el momento de cosecha. Best et al. (2011)BEST, S.; LEÓN, L.; FLORES, F.; AGUILERA, H.; QUINTANA, R.; CONCHA, V.: Handbook “Agricultura de Precisión”, [en línea], Ed. Progap - INIA (Programa de Agricultura de Precisión), Progap-INIA. ed., 2011, Disponible en:http://www.elsitioagricola.com/CultivosExtensivos/LibroIniaAP/lilib3.asp , por su parte, evaluaron los índices de vegetación NDVI y SAVI (Soil Adjusted Vegetation Index) obtenidos a través de percepción remota como estimadores del crecimiento de algodón y remolacha azucarera, estando relacionados con la cobertura del suelo, la biomasa y el índice de área foliar.

Por último, Best et al. (2011)BEST, S.; LEÓN, L.; FLORES, F.; AGUILERA, H.; QUINTANA, R.; CONCHA, V.: Handbook “Agricultura de Precisión”, [en línea], Ed. Progap - INIA (Programa de Agricultura de Precisión), Progap-INIA. ed., 2011, Disponible en:http://www.elsitioagricola.com/CultivosExtensivos/LibroIniaAP/lilib3.asp , encontró que al realizar vuelos con un sensor hiperespectral y utilizar el índice de vegetación PRI (Photo chemical Reflectance Index), podían detectarse cambios diurnos en los indicadores del estrés hídrico tales como la diferencia entre la temperatura del aire y la temperatura del dosel, la conductancia estomática y el potencial hídrico en el tallo.

Índices espectrales para la estimación de clorofila

 

En la revisión bibliográfica realizada, se encontró que el espectro de la planta presentaba una meseta entre los 750-800 nm, determinada por la estructura y la composición de la hoja, y no por el contenido de clorofila pues la influencia de esta sustancia indujo un mínimo en los alrededores correspondiente a 670 nm. De acuerdo con lo anterior, se puede decir que, a mayor presencia de clorofila, mayor profundidad del espectro con respecto a la meseta superior.

Dentro de una hoja, además de la clorofila, se encuentran pigmentos que tienen una importante absorción espectral en la región del azul, como son los carotenoides. Por tanto, el mejor intervalo para estudiar la clorofila a través de técnicas de percepción remota es el comprendido entre los 600 y 700 nm según Lopes & Reynolds (2012)LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press..

Según Torres-Sánchez et al. (2013)TORRES-SÁNCHEZ, J.; PEÑA-BARRAGÁN, J.; GÓMEZ-CANDÓN, D.; DE CASTRO, A.; LÓPEZ-GRANADOS, F.: “Imagery from unmanned aerial vehicles for early site specific weed management”, En: Precision agriculture’13, Ed. Springer, pp. 193-199, 2013., el espectro de reflectancia de plantas adultas y sanas se caracteriza por una fuerte absorción (baja reflectancia) en el azul (400-500 nm), un incremento en la reflectancia en el verde (500-600 nm), una alta absorción en el rojo (600-700 nm) y una fuerte reflectancia y transmitancia en el infrarrojo (NIR) (700 a 1500 nm). Por su parte, la respuesta en reflectancia en la región VIS (400-700) está gobernada en las plantas por el efecto y comportamiento de las clorofilas, carotenos y antocianinas.

La reflectancia normal es baja en la región de 480 y 680 nm debido a la absorción de clorofila y otros pigmentos, y es alta en el NIR debido a la estructura micro celular de la hoja y la estructura del dosel. Por lo anterior, en este proyecto, se implementó el uso de índices de vegetación que utilizaran el intervalo del espectro electromagnético comprendido entre 550 y 750 nm, ya que este rango sería de gran utilidad para la estimación de clorofila (Tabla 1).

TABLA 1.  Índices espectrales implementados
Índice Fórmula
Modified Chlorophyll Absorption In Reflectance Index MCARI= [(R700-R670)- 0,2(R700-R550)] (R700/R670)
Vogelman Indices Vog1 = (R740)/(R720)
Vog2 = (R734 - R747)/(R715 + R726)
Vog3 = (R734 - R747)/(R715 + R720)
Gitelson & Merzlyak (1997)GITELSON, A.A.; MERZLYAK, M.N.: “Remote estimation of chlorophyll content in higher plant leaves”, International journal of remote sensing, 18(12): 2691-2697, 1997, ISSN: 0143-1161. GM1=R750/R550 GM2=R750/R700
Zarco-Tejada et al. (2001)ZARCO-TEJADA, P.J.; MILLER, R.J.; NOLAND, T.L.; MOHAMMED, H.G.; SAMPSON, H.P.: “Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data”, IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1491-1507, 2001, ISSN: 0196-2892. ZTM=(R750)/(R710)
Red-Edge Model (R-M) R-M = R750/R720 - 1
Normalized Difference Vegetation Index NDVI = (R800-R670) / (R800+R670)

Interacción de la radiación y la planta

 

La reflectancia y la transmisión son definidas como las tasas de radiación reflejada o transmitida de la radiación incidente. La radiación incidente que no es reflejada o transmitida por la hoja es absorbida. La interacción entre la radiación solar y las moléculas de las plantas controla la reflectancia visible e infrarroja. Los componentes bioquímicos y estructurales influencian la tendencia de las plantas a absorber, transmitir y reflejar distintas longitudes de onda de la radiación solar que esté entre los 300 y 3000 nm.

La absorción de radiación de onda corta por parte de las plantas es controlada por interacciones moleculares que ocurren dentro del tejido vegetal, en donde los electrones absorben la radiación solar entrante en longitudes de onda controladas por uniones químicas y estructurales (Gates et al., 1965GATES, D.M.; KEEGAN, H.J.; SCHLETER, J.C.; WEIDNER, V.R.: “Spectral properties of plants”, Applied optics, 4(1): 11-20, Publisher: Optica Publishing Group, 1965, ISSN: 2155-3165.). Por tanto, los cambios en las concentraciones de los químicos absorbentes proporcionan una base para los cambios en la absorción, transmisión y reflectancia vegetal. Los dos componentes de absorción visible e infrarroja que hay en las hojas de las plantas, principalmente, son la clorofila y el agua.

La absorción por clorofila es afectada por las transiciones de electrones entre 430 y 460 nm, y 640 y 660 nm según Basso (2014)BASSO, B.: Perspectivas y avances del uso de UAV en AP en USA, Curso Internacional de Agricultura de Precisión ed., vol. 13, Manfredi, Córdoba, Argentina, 9, 24-25, p., 2014., mientras que las bandas de absorción del agua están alrededor de 970 nm, 1200 nm, 1450 nm, y 1780 nm. Otros compuestos bioquímicos absorbentes que resultan importantes son las proteínas,loslípidos,elalmidón,lacelulosa,elnitrógenoylosaceites.No obstante, vale anotar que, a través de la reflectancia infrarroja, la estimación de las concentraciones de estos compuestos es difícil de establecer dados los traslapes de las bandas de absorción de varios de los componentes bioquímicos.

Ahora bien, basado en el principio de que “todo objeto en la naturaleza posee una distribución única de radiación electromagnética que puede ser reflejada, trasmitida o absorbida” según García-Cervigón, (2015)GARCÍA-CERVIGÓN, J.J.D.: Estudio de índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión., Inst. Universidad Complutense de Madrid, Madrid, España, 2015., se crea la curva de firma espectral, en tanto cada especie vegetal presenta una reflectancia exclusiva influenciada ya sea por sus características morfológicas, fisiológicas, nutrimentales o por efecto de un déficit de humedad. En otras palabras, la firma espectral es distinta según las longitudes de onda. A propósito, Lopes & Reynolds, (2012)LOPES, M.S.; REYNOLDS, M.P.: “Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology”, Journal of Experimental Botany, 63(10): 3789-3798, 2012, ISSN: 1460-2431, Publisher: Oxford University Press. añaden que la señal que recibe el sensor corresponde al color, es decir, la energía electromagnética reflejada.

Se ha evidenciado el auge alcanzado a nivel mundial por los sistemas de procesamientos de imágenes multiespectrales en la agricultura de precisión, demostrando la importancia del uso de las imágenes satelitales espectrales generados por estos sistemas y sus aplicaciones en los cultivos de la caña de azúcar.

CONCLUSIONES

 
  1. La aplicación de la Agricultura de Precisión es la vía más segura para aumentar las producciones, ahorrando insumos agrícolas y cuidando el medio ambiente.

  2. El procesamiento de las imágenes satelitales resolución multiespectrales para evaluar necesidades de Nitrógeno en plantaciones de caña de azúcar (Saccharum officinarum), debe ser las vías para buscar rendimientos cañeros.

  3. Los centros de investigación que existen en el país, realizan diferentes acciones que responden a diversos programas y proyectos, pero, la respuesta aún no llega a solucionar los problemas que se presentan en el sector productivo en función de sus requerimientos.