INTRODUCTION

Brown rust (Puccinia melanocephala) of sugarcane (Saccharum spp.) is a foliar disease of economic importance because of the costs it causes to both producers and society due to the losses it causes. It is reported in 57 countries (Aday-Díaz et al., 2020ADAY-DÍAZ, O. de la C.; MONTALVÁN DELGADO, J.; DELGADO PADRÓN, J.; PUCHADES IZAGUIRRE, Y.; RODRÍGUEZ LEMA, E.L.; ALFONSO-TERRY, I.: “Orange rust disease progress in different plantation cycles of sugarcane in Cuba”, Sugar Tech, 22(6): 1057-1062, 2020, ISSN: 0972-1525, DOI: 10.1007/s12355-020-00843-w.; Grisham et al., 2020GRISHAM, M.P.; WARNKE, K.Z.; MAGGIO, J.R.; TODD, J.R.; DAVIDSON, W.; HAUDENSHIELD, J.S.; HARTMAN, G.L.; HERNANDEZ, E.; SCOTT, A.; COMSTOCK, J.K.: “First Report of Puccinia kuehnii Causing Orange Rust of Sugarcane in Texas, USA”, Plant disease, 104(10): 2731, 2020, ISSN: 0191-2917, DOI: 10.1094/pdis-10-19-2117-pdn.). All this is exacerbated at a time when many countries are facing a complex economic situation, aggravated by various factors due to the COVID-19 epidemic and armed conflicts in various regions. Spectrometry, either by means of geospatial technologies (satellites), aerial (UAV) or at the laboratory level under controlled conditions, provides an approach for dealing with brown rust infection in sugarcane plantations.

Spectrometry, whether multispectral (MSI) or hyperspectral (HSI), is considered an alternative to traditional field sampling methods and is becoming increasingly popular thanks to the development of new instruments and software. An example of this has been the application of spectrometry in the study of brown rust and orange rust infection in sugarcane Soca-Muñoz et al. (2020)SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042., in which, in addition, a vegetation index (VI) sensitive to brown rust (Puccinia melanocephala) and orange rust (Puccinia kuehnii) was determined among those commonly used, being this the basis of this work. The study on multispectral aerial image processing in precision agriculture Kharuf-Gutierrez et al. (2018a)KHARUF-GUTIERREZ, S.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.; ADAY-DÍAZ, O. de la C.; DELGADO MORA, I.: “Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados”, Ingeniería electrónica, automática y comunicaciones, 39(2): 79-91, 2018a, ISSN: 1815-5928, DOI: 10.18046/syt.v16i47.3221., as well as the analysis of MSI acquired with UAVs also constitute bases of this work (Kharuf-Gutierrez et al., 2018bKHARUF-GUTIERREZ, S.; OROZCO-MORALES, R.; ADAY-DÍAZ, O. de la C.; PINEDA-RUIZ, E.: “Multispectral aerial image processing system for precision agriculture”, Sistemas y Telemática, 16(47), 2018b, ISSN: 1692-5238.). All these works have been developed by the Grupo de Automatización, Robótica y Percepción (GARP), from the Universidad Central “Marta Abreu” de Las Vilas (UCLV) and the Instituto de Investigaciones de la Caña de Azúcar (INICA Villa Clara).

The use of UAVs for MSI analysis of sugarcane crops is widely reported, since they can be used to obtain low altitude images with high spatial resolution (Som-Ard et al., 2021SOM-ARD, J.; ATZBERGER, C.; IZQUIERDO-VERDIGUIER, E.; VUOLO, F.; AL-ZAHRANI, M.: “Remote sensing applications in sugarcane cultivation: A review”, Remote sensing, 13(20): 4040, 2021, ISSN: 2072-4292, DOI: 10.3390/rs13204040.). According to a paper recently published in Remote Sensing Applications: Society and Environment Amarasingam et al. (2022)AMARASINGAM, N.; SALGADOE, A.A.; POWELL, K.; GONZALEZ, L.F.; NATARAJAN, S.: “A review of UAV platforms, sensors, and applications for monitoring of sugarcane crops”, Remote Sensing Applications: Society and Environment, 26: 100712, 2022, ISSN: 2352-9385, DOI: 10.1016/j.rsase.2022.100712., it is recognized that, in Cuba, specifically in the province of Villa Clara, has been one of the places in the world where UAVs have been used in sugarcane agriculture. The use of UAVs has been critical for crop management and improvement given their flexibility and adaptability to local requirements, flying below the clouds, which frees them from the shadows they produce, as well as not being restricted to a specific flight schedule. However, the use of cameras for HSI in UAVs is expensive, being common to equip them with cameras for MSI. On the other hand, it is costly to transport UAVs to crop sites, considering that UAV flights only cover relatively small areas, acquiring tens or thousands of images that must then be processed by specialized software. In addition, government regulations limit the intensive and extensive use of UAVs in many places.

Given the tropical nature of sugarcane (Saccharum spp.), some of its varieties are very susceptible to brown rust infection, mainly in countries with little development due to the limitations they suffer to acquire the resources and technologies suitable for its early detection. Traditionally, estimating the severity of brown rust infection has been done by visual inspection and the application of graded symptom severity scales. The traditional method requires specialized personnel to cover large areas performing sporadic or scattered samplings whose results are conditioned by the subjectivity characteristic of human estimation and lack reproducibility. Thus, the result depends on the expertise and sharpness of the estimation made by the personnel available at each site, which may vary between large distant areas. In addition, surveying large areas is a process that consumes a great deal of time and effort. Coincidentally, the introduction of new technologies by local farmers, such as UAVs, is hampered by limitations of resources and adequate knowledge for their use, ranging from flight planning to image processing, the high initial investment cost, including the usual reluctance to use new technologies.

In contrast to UAVs, satellites provide images that can cover large areas on a regular basis with a stable temporal resolution and with a spectral resolution that allows imaging in multiple bands. Some satellite image databases are freely available from the internet. However, due to the altitude at which satellites fly, their spatial resolution can be much lower than that obtained by a UAV flying at low altitude. In addition, satellite images are affected by the scattering of electromagnetic radiation caused by refraction through the atmosphere, as well as its absorption by particles such as dust or smoke. All this makes satellite analysis to be recognized as one of the remaining challenges in plague detection, making it difficult to extrapolate the methods used at laboratory scale or at very low altitude, to the processing of images taken at high altitude (Müllerová et al., 2017MÜLLEROVÁ, J.; BRŮNA, J.; BARTALOŠ, T.; DVOŘÁK, P.; VÍTKOVÁ, M.; PYŠEK, P.: “Timing is important: Unmanned aircraft vs. satellite imagery in plant invasion monitoring”, Frontiers in Plant Science, 8: 887, 2017, ISSN: 1664-462X, DOI: 10.3389/fpls.2017.00887.; Caasi et al., 2020CAASI, O.; HONGO, C.; WIYONO, S.; GIAMERTI, Y.; SAITO, D.; HOMMA, K.; SHISHIDO, M.: “The potential of using Sentinel-2 satellite imagery in assessing bacterial leaf blight on rice in West Java, Indonesia”, Journal of International Society for Southeast Asian Agricultural Sciences, 26(1): 1-16, 2020.; Lu et al., 2020LU, B.; DAO, P.D.; LIU, J.; HE, Y.; SHANG, J.: “Recent advances of hyperspectral imaging technology and applications in agriculture”, Remote Sensing, 12(16): 2659, 2020, ISSN: 2072-4292, DOI: 10.3390/rs12162659.). That is why the purpose of this work is to show the feasibility of using MSI from the Sentinel-2 satellite constellation in the estimation of sugarcane plantations infected with brown rust, about which we are not aware of another previous publication. Likewise, to discuss its benefits and limitations and to propose a solution implemented by processing satellite MSI of 10 m spatial resolution, which offers comparable results to those obtained by UAV and which has been validated by field work in the crop area analyzed. The result of this work is already introduced in the SDI (Spatial Data Infrastructure) of the AZCUBA sugar group.

MATERIALS AND METHODS

RESULTS

In Soca-Muñoz et al. (2020)SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042. it is concluded that in order to better recognize the spectral signature of brown rust (Puccinia melanocephala) in its different stages of the percentage of affected leaf area (ALA), spectral bands with wavelengths in the range between 700 nm and 1500 nm should be used. However, the small number of spectral bands in the Sentinel-2 images, as well as the limitation of the MicaSense camera to only five spectral bands, means that in neither case are the ideal bands available for estimating the severity of brown rust infection. Therefore, based on the results of the aforementioned work, the VI is determined using the images of the RE (735 nm) and NIR (790 nm) bands of the MicaSense camera attached to the UAV. Based on this, the best correspondence between the results obtained with the UAV and the satellite images was obtained using Sentinel-2 bands 4 (665 nm) and 8 (842 nm), both with 10 m spatial resolution.

Figure 2 a) and b) shows an example of the orthomosaics constructed with the images of the NIR and RE bands of the MicaSense camera respectively in the study area shown in Figure 1. Figure 2 c) shows the result of the processing using the images of both bands. The orange color (pseudo color) highlights the areas identified as having the highest infection, while the green color highlights the uninfected areas. The red color is related to other types of vegetation.

Figure 3 shows the images obtained by Sentinel-2 in the same study area flown by the UAV. Compared to the RGB image shown in Figure 1, these have been cropped in order to show, with the highest possible resolution, the analyzed area. Part a) corresponds to the true color image (RGB), while parts b) and c) correspond to bands 4 and 8 respectively as explained in section 2.2. Figure 3 d) shows in pseudo color the result obtained after processing using both spectral bands, to which a red box has been superimposed indicating the approximate area flown by the UAV that was shown in Figure 2. The yellow-orange color indicates the areas with the highest brown rust infection, while green and blue indicate the non-infected areas. The intense orange color is not associated with the presence of this infection.

Since Sentinel-2 MSIs are digitized with 4'096 levels of radiometric resolution (12 bits/pixel) between zero and one, the calculated index can take the same amount of values, but in the interval ±2.5, although for the area shown it does so between 0.271 and 1.898, which depends on the content of vegetation, soil and other elements within the image. However, the VI in the areas affected with brown rust takes values between 1.3 and 1.44, as can be seen in Figure 3 e), where the calculated VI is shown, but without using pseudo color.

From the calculated VI (Figure 3 e), the histogram of the values obtained for the region shown in this figure is plotted, which is shown in Figure 4. In part a) for the range of VI values between 0.27 and 1.898. Between red lines are the VI values corresponding to the pixels where brown rust is present. In part b) of Figure 4 the histogram area between 0.9 and 1.58 is enlarged. The multimodal character of the distribution of values shown by the calculated VI is due to the diversity of elements that make up the region shown, in which there is the presence of uninfected sugarcane with varying degrees of infestation, other vegetation, soils, etc. The histogram also shows a large dispersion of the distributions of each of the elements that compose the region shown. This is a consequence of the low spatial resolution of the Sentinel-2 images, in which each pixel covers an area of 10x10m.

The values of the index calculated within a region depend on the degree of leaf area affected, the susceptibility of the sugarcane variety to brown rust infection, the phenological stage of the crop, as well as other abiotic factors (humidity, temperature, etc.) Aday-Díaz et al. (2020)ADAY-DÍAZ, O. de la C.; MONTALVÁN DELGADO, J.; DELGADO PADRÓN, J.; PUCHADES IZAGUIRRE, Y.; RODRÍGUEZ LEMA, E.L.; ALFONSO-TERRY, I.: “Orange rust disease progress in different plantation cycles of sugarcane in Cuba”, Sugar Tech, 22(6): 1057-1062, 2020, ISSN: 0972-1525, DOI: 10.1007/s12355-020-00843-w.; Soca-Muñoz et al. (2020)SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042., so the final decision on the presence of rust must take into account all these aspects.

It should be noted in Figures 3 d) and e) that the calculated VI is not affected by the presence of the cloud shadow, as observed in the original images of Figures 3 a), b) and c), corresponding to true color and bands 4 and 8 respectively.

The validation of the results obtained from remotely sensed images, such as UAV and satellite images, which are based on electromagnetic radiation, is a source of information about the effectiveness of the methods used to obtain and process such images. Several authors Gruber et al. (2020)GRUBER, A.; DE LANNOY, G.; ALBERGEL, C.; AL-YAARI, A.; BROCCA, L.; CALVET, J.-C.; COLLIANDER, A.; COSH, M.; DAVIDSON, W.; DORIGO, W.: “Validation practices for satellite soil moisture retrievals: What are (the) errors?”, Remote sensing of environment, 244: 111806, 2020, ISSN: 0034-4257, DOI: 10.1016/j.rse.2020.111806. recommend the need for locally measured reference data using traditional methods. The correlation between results from remote observations and reference data is an invaluable source of estimation errors. Obviously, the stochastic nature of all measurements, especially those obtained remotely, should not be ignored, with the consequent uncertainty in the results. To this end, coinciding with the date of the UAV flights, an INICA specialist sampled the fields overflown, which made it possible to estimate the severity of the brown rust infection in each of them. As a result, by comparing the images obtained after digital processing, both from the UAV and Sentinel-2, it was possible to verify that in both cases there is coincidence between the estimated areas and what was observed on the field. For this purpose, it is not possible to determine a numerical correlation value between the areas with and without the presence of brown rust due to the difference in resolution between the images obtained by the UAV and the satellite, as well as between these and the field observation, for which only the infested region of each field and the severity of the infection were determined. The coincidence between the observation and the infested areas of each type of image was determined from the georeferenced coordinates.

The processing time using the scripts created, either from the orthomosaics built from the images acquired by the UAV or from the images acquired by the Sentienel-2, was less than one minute on the platform mentioned above. Obviously, when processing large extensions of sugarcane crops, the analysis should concentrate only on those plantations with sugarcane varieties susceptible to brown rust, thus reducing the computational load.

The result of this work is already part of the Spatial Data Infrastructure (SDI) in the sugarcane growing areas of northern Villa Clara, Cuba, which can be accessed at https://azcuba.geocuba.cu/visor. An example can be seen in Figure 5.

CONCLUSIONS

INTRODUCCIÓN

La roya parda (Puccinia melanocephala) de la caña de azúcar (Saccharum spp.), es una enfermedad foliar de importancia económica por los costos que causa tanto a productores como a la sociedad debido a las pérdidas que causa. Se informa su presencia en 57 países (Aday et al., 2020ADAY-DÍAZ, O. de la C.; MONTALVÁN DELGADO, J.; DELGADO PADRÓN, J.; PUCHADES IZAGUIRRE, Y.; RODRÍGUEZ LEMA, E.L.; ALFONSO-TERRY, I.: “Orange rust disease progress in different plantation cycles of sugarcane in Cuba”, Sugar Tech, 22(6): 1057-1062, 2020, ISSN: 0972-1525, DOI: 10.1007/s12355-020-00843-w.; Grisham et al., 2020GRISHAM, M.P.; WARNKE, K.Z.; MAGGIO, J.R.; TODD, J.R.; DAVIDSON, W.; HAUDENSHIELD, J.S.; HARTMAN, G.L.; HERNANDEZ, E.; SCOTT, A.; COMSTOCK, J.K.: “First Report of Puccinia kuehnii Causing Orange Rust of Sugarcane in Texas, USA”, Plant disease, 104(10): 2731, 2020, ISSN: 0191-2917, DOI: 10.1094/pdis-10-19-2117-pdn.). Todo ello se agudiza en momentos en que muchos países se enfrentan a una compleja situación económica, recrudecida por diversos factores a partir de la epidemia de COVID-19 y conflictos bélicos en diversas regiones. Un punto de vista para enfrentar la infección por roya parda en plantaciones cañeras la aporta la espectrometría, ya sea mediante tecnologías geoespaciales (satélites), aéreas (UAV) o a nivel de laboratorio en condiciones controladas. La espectrometría, ya sea multiespectral (MSI) o hiperespectral (HSI) es considerada una alternativa a los métodos tradicionales de muestreo de campo, imponiéndose cada día más gracias al desarrollo de nuevos instrumentos y software. Ejemplo de ello ha sido la aplicación de la espectrometría en el estudio de la infección por roya parda y roya naranja en caña de azúcar (Soca et al., 2020SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042.), en el que, además, se determinó un índice de vegetación (VI) sensible a roya parda (Puccinia melanocephala) y roya naranja (Puccinia kuehnii) entre los comúnmente utilizados, siendo este la base de este trabajo. También constituyen bases de este trabajo el estudio sobre el procesamiento de imágenes aéreas multiespectrales en la agricultura de precisión Kharuf et al. (2018a)KHARUF-GUTIERREZ, S.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.; ADAY-DÍAZ, O. de la C.; DELGADO MORA, I.: “Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados”, Ingeniería electrónica, automática y comunicaciones, 39(2): 79-91, 2018a, ISSN: 1815-5928, DOI: 10.18046/syt.v16i47.3221., así como el análisis de MSI adquiridas con UAV (Kharuf et al., 2018bKHARUF-GUTIERREZ, S.; OROZCO-MORALES, R.; ADAY-DÍAZ, O. de la C.; PINEDA-RUIZ, E.: “Multispectral aerial image processing system for precision agriculture”, Sistemas y Telemática, 16(47), 2018b, ISSN: 1692-5238.). Todos estos trabajos han sido desarrollados por el Grupo de Automatización, Robótica y Percepción (GARP), de la Universidad Central “Marta Abreu” de Las Villas (UCLV) y el Instituto de Investigaciones de la Caña de Azúcar (INICA Villa Clara).

Está ampliamente reportada la utilización de UAV para el análisis de MSI de cultivos de caña de azúcar, ya que con ellos pueden obtenerse imágenes a baja altura con elevada resolución espacial (Som et al., 2021SOM-ARD, J.; ATZBERGER, C.; IZQUIERDO-VERDIGUIER, E.; VUOLO, F.; AL-ZAHRANI, M.: “Remote sensing applications in sugarcane cultivation: A review”, Remote sensing, 13(20): 4040, 2021, ISSN: 2072-4292, DOI: 10.3390/rs13204040.). Según un trabajo recientemente publicado en Remote Sensing Applications: Society and Environment (Amarasingam et al., 2022AMARASINGAM, N.; SALGADOE, A.A.; POWELL, K.; GONZALEZ, L.F.; NATARAJAN, S.: “A review of UAV platforms, sensors, and applications for monitoring of sugarcane crops”, Remote Sensing Applications: Society and Environment, 26: 100712, 2022, ISSN: 2352-9385, DOI: 10.1016/j.rsase.2022.100712.), se reconoce que, en Cuba, específicamente en la provincia de Villa Clara, ha sido uno de los lugares del mundo en que se han utilizado los UAV en la agricultura azucarera. El uso de los UAV ha sido crítico para el manejo y mejoramiento de los cultivos dada su flexibilidad y adaptabilidad a las exigencias locales, volar por debajo de las nubes, lo cual los libera de las sombras que estas producen, así como no estar restringidos a un horario de vuelo específico. No obstante, el uso de cámaras para HSI en UAV es costoso, siendo lo común equiparlos con cámaras para MSI. Por otra parte, resulta costoso trasladar los UAV hasta los lugares donde se encuentran los cultivos, teniendo en cuenta que los vuelos con ellos solo cubren áreas relativamente pequeñas, adquiriendo decenas o miles de imágenes que luego deben ser procesadas por software especializado. Además, existen regulaciones gubernamentales que limitan el uso intensivo y extensivo de los UAV en muchos lugares.

Dado el carácter de cultivo tropical de la caña de azúcar (Saccharum spp.), algunas de sus variedades son muy susceptibles a la infección por roya parda, principalmente en países con poco desarrollo dadas las limitaciones que sufren para adquirir los recursos y las tecnologías idóneas para su detección temprana. Tradicionalmente, la estimación de la severidad de la infección por roya parda se ha realizado mediante inspección visual y la aplicación de escalas graduales de severidad de los síntomas. El método tradicional requiere que personal especializado recorra extensas áreas realizando muestreos esporádicos o esparcidos cuyos resultados están condicionados por la subjetividad característica de la estimación humana y carecen de reproductibilidad. De esta forma, el resultado depende de la experticia y la agudeza de la estimación realizada por el personal disponible en cada lugar, lo cual puede variar entre amplias zonas distantes entre sí. Además, el escrutinio de grandes áreas es un proceso que consume un gran fondo de tiempo y esfuerzo. Coincidentemente, la introducción de nuevas tecnologías por parte de agricultores locales, como los UAV, se obstaculiza por limitaciones de recursos y adecuados conocimientos para su utilización, lo que abarca desde la planificación del vuelo hasta el procesamiento de las imágenes, el elevado costo inicial de la inversión, incluyendo la usual reluctancia al uso de nuevas tecnologías.

En contraposición con los UAV, los satélites brindan imágenes que pueden cubrir grandes áreas de manera regular con una resolución temporal estable y con una resolución espectral que permite obtener imágenes en múltiples bandas. Algunas bases de datos de imágenes satelitales se pueden obtener libremente de internet. No obstante, debido a la altura que vuelan los satélites, su resolución espacial puede ser muy inferior a la obtenida por un UAV volando a baja altura. A ello se suma la afectación que sufren las imágenes satelitales debido a la dispersión de la radiación electromagnética causada por la refracción a través de la atmósfera, así como su absorción por parte de partículas como el polvo o el humo. Todo ello hace que se reconozca el análisis satelital como uno de los retos remantes en la detección de plagas, haciendo difícil extrapolar los métodos utilizados a escala de laboratorio o a muy baja altura, al procesamiento de imágenes tomadas a gran altura (Müllerová et al., 2017MÜLLEROVÁ, J.; BRŮNA, J.; BARTALOŠ, T.; DVOŘÁK, P.; VÍTKOVÁ, M.; PYŠEK, P.: “Timing is important: Unmanned aircraft vs. satellite imagery in plant invasion monitoring”, Frontiers in Plant Science, 8: 887, 2017, ISSN: 1664-462X, DOI: 10.3389/fpls.2017.00887.; Caasi et al., 2020CAASI, O.; HONGO, C.; WIYONO, S.; GIAMERTI, Y.; SAITO, D.; HOMMA, K.; SHISHIDO, M.: “The potential of using Sentinel-2 satellite imagery in assessing bacterial leaf blight on rice in West Java, Indonesia”, Journal of International Society for Southeast Asian Agricultural Sciences, 26(1): 1-16, 2020.; Lu et al., 2020LU, B.; DAO, P.D.; LIU, J.; HE, Y.; SHANG, J.: “Recent advances of hyperspectral imaging technology and applications in agriculture”, Remote Sensing, 12(16): 2659, 2020, ISSN: 2072-4292, DOI: 10.3390/rs12162659.). Es por ello que el propósito de este trabajo es mostrar la viabilidad del uso de MSI de la constelación satelital Sentinel-2 en la estimación de plantaciones cañeras infectadas con roya parda, sobre lo cual no conocemos de otra publicación previa. Así mismo, discutir sus beneficios y limitaciones y proponer una solución implementada procesando MSI satelitales de 10 m de resolución espacial, la que ofrece resultados comparables a los obtenidos mediante UAV y que ha sido validada mediante trabajo de campo en el área de cultivo analizada. El resultado de este trabajo ya se encuentra introducido en la IDE (Spatial Data Infrastructure) del grupo azucarero AZCUBA.

MATERIALES Y MÉTODOS

RESULTADOS Y DISCUSIÓN

En (Soca et al., 2020SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042.) se concluye que para reconocer mejor la firma espectral de la roya parda (Puccinia melanocephala) en sus diferentes estados el porcentaje del área foliar afectada (ALA: affected leaf area), debe utilizarse bandas espectrales con longitudes de onda en el intervalo entre 700 nm y 1500 nm. No obstante, la poca cantidad de bandas espectrales que presentan las imágenes de Sentinel-2, así como la limitación a solo cinco bandas espectrales de la cámara MicaSense, hace que en ninguno de los dos casos se disponga de las bandas idóneas para estimar la severidad de la infección con roya parda. Es por ello que, atendiendo a los resultados del trabajo mencionado, el VI se determina utilizando las imágenes de las bandas RE (735 nm) y NIR (790 nm) de la cámara MicaSense adosada al UAV. A partir de ello, la mayor correspondencia entre los resultados obtenidos mediante el UAV y las imágenes satelitales se obtuvieron utilizando las bandas 4 (665 nm) y 8 (842 nm) de Sentinel-2, ambas con 10 m de resolución espacial.

Las Figuras 2 a) y b) muestran un ejemplo de los ortomosaicos construidos con las imágenes de las bandas NIR y RE de la cámara MicaSense respectivamente en la zona de estudio mostrada en la Figura 1. En la Figura 2 c) se muestra el resultado del procesamiento utilizando las imágenes de ambas bandas. El color naranja (pseudo color) resalta las zonas identificadas como de mayor infección, mientras que el verde las no infectadas. Por su parte, el color rojo está relacionado con otro tipo de vegetación.

La Figura 3 muestran las imágenes obtenidas por Sentinel-2 en la misma zona de estudio volada por el UAV. En comparación con la imagen RGB mostrada en la Figura 1, estas se han recortado con el propósito de mostrar, con la mayor resolución posible, la zona analizada. La parte a) corresponde a la imagen de color verdadero (RGB), mientras que las partes b) y c) a las bandas 4 y 8 respectivamente atendiendo a lo explicado en la sección 2.2. En la Figura 3 d) se muestra en pseudo color el resultado obtenido tras el procesamiento utilizando ambas bandas espectrales, al que se le ha superpuesto un recuadro en rojo indicando el área aproximada volada por el UAV que fue mostrada en la Figura 2. El color amarillo-naranja indica las zonas de mayor infección por roya parda, mientras que el verde y azul las no infectadas. El color naranja intenso no está asociado a la presencia de esta infección.

Dado que las MSI de Sentinel-2 están digitalizadas con 4 096 niveles de resolución radiométrica (12 bits/pixel) entre cero y uno, el índice calculado puede tomar la misma cantidad de valores, pero en el intervalo ±2,5, aunque para la zona mostrada lo hace entre 0,271 y 1,898, lo cual depende del contenido de vegetación, suelo y otros elementos dentro de la imagen. No obstante, el VI en las zonas afectadas con roya parda toma valores entre 1,3 y 1,44, como puede verse en la Figura3 e), donde se muestra el VI calculado, pero sin utilizar pseudo color.

A partir del VI calculado (Figura 3 e), se traza el histograma de los valores obtenidos para la región mostrada en esta figura, el cual se muestra en la Figura 4. En la parte a) para el intervalo de valores del VI entre 0.27 y 1.898. Entre líneas rojas están los valores del VI que se corresponden con los píxeles en los que hay presencia de roya parda. En la parte b) de la Figura 4 se amplía la zona del histograma entre 0.9 y 1.58. El carácter multimodal de la distribución de valores que muestra el VI calculado se debe a la diversidad de elementos que componen la región mostrada, en la cual hay presencia de caña de azúcar no infestada y con diversos grados de infestación, otras vegetaciones, suelos, etc. En el histograma se aprecia también una gran dispersión de las distribuciones de cada uno de los elementos que componen la región mostrada, lo cual es consecuencia de la baja resolución espacial de las imágenes de Sentinel-2, donde cada pixel abarca un área de 10x10 m.

Los valores del índice calculado dentro de una región dependen del grado del área foliar afectada, la susceptibilidad de la variedad de caña a la infección de la roya parda, la fase fenológica del cultivo, así como a otros factores abióticos (humedad, temperatura, etc.) (Aday et al., 2020ADAY-DÍAZ, O. de la C.; MONTALVÁN DELGADO, J.; DELGADO PADRÓN, J.; PUCHADES IZAGUIRRE, Y.; RODRÍGUEZ LEMA, E.L.; ALFONSO-TERRY, I.: “Orange rust disease progress in different plantation cycles of sugarcane in Cuba”, Sugar Tech, 22(6): 1057-1062, 2020, ISSN: 0972-1525, DOI: 10.1007/s12355-020-00843-w.; Soca et al., 2020SOCA-MUÑOZ, J.L.; RODRÍGUEZ-MACHADO, E.; ADAY-DÍAZ, O. de la C.; HERNÁNDEZ-SANTANA, L.; OROZCO-MORALES, R.: “Spectral signature of brown rust and orange rust in sugarcane”, Revista Facultad de Ingeniería Universidad de Antioquia, (96): 9-20, 2020, ISSN: 0120-6230, DOI: 10.17533/udea.redin.20191042.), por lo que la decisión final sobre la presencia de roya debe tener en cuenta todos estos aspectos.

Debe notarse en las Figuras 3 d) y e) que el VI calculado no se afecta por la presencia de la sombra de la nube, como sí se observa en las imágenes originales de las Figuras 3 a), b) y c), correspondientes a color verdadero y bandas 4 y 8 respectivamente.

La validación de los resultados alcanzados a partir de imágenes obtenidas de forma remota, como lo es para el caso de los UAV y las satelitales, las cuales se basan en la radiación electromagnética, es una fuente de información acerca de la eficacia de los métodos empleados para la obtención y procesamiento de tales imágenes. Diversos autores (Gruber et al., 2020GRUBER, A.; DE LANNOY, G.; ALBERGEL, C.; AL-YAARI, A.; BROCCA, L.; CALVET, J.-C.; COLLIANDER, A.; COSH, M.; DAVIDSON, W.; DORIGO, W.: “Validation practices for satellite soil moisture retrievals: What are (the) errors?”, Remote sensing of environment, 244: 111806, 2020, ISSN: 0034-4257, DOI: 10.1016/j.rse.2020.111806.) recomiendan la necesidad de la existencia de datos de referencia medidos localmente utilizando métodos tradicionales. La correlación entre los resultados a partir de observaciones remotas con los datos de referencia es una invaluable fuente de errores de estimación. Evidentemente, no debe obviarse la naturaleza estocástica de toda medición, principalmente la obtenida de forma remota, con la consiguiente incertidumbre en los resultados. A tales efectos, coincidiendo con la fecha de realización de los vuelos con el UAV, un especialista del INICA realizó un recorrido muestreando los campos sobrevolados, con lo cual se pudo estimar la severidad de la infección por roya parda en cada uno de ellos. Como resultado, mediante la comparación entre las imágenes obtenidas tras el procesamiento digital, tanto a partir de las del UAV como de las de Sentinel-2, se pudo verificar que en ambos casos hay coincidencia entre las zonas estimadas con lo observado en el terreno. A tales efectos, no es posible determinar un valor numérico de correlación entre las zonas con y sin presencia de roya parda debido a la diferencia de resolución entre las imágenes obtenidas por el UAV y por el satélite, así como entre estas y la observación en el terreno, para lo cual solo se determinó la región infestada de cada campo y la severidad de la infección. La coincidencia entre la observación y las zonas infestadas de cada tipo de imagen se determinó a partir de las coordenadas georreferenciadas.

El tiempo de procesamiento utilizando los scripts creados, ya sea de los ortomosaicos construidos a partir de las imágenes adquiridas por el UAV, como de las imágenes adquiridas por el Sentienel-2, fue inferior a un minuto en la plataforma mencionada. Evidentemente, cuando se procesen grandes extensiones de cultivo de caña de azúcar, el análisis debe concentrarse solo en aquellas plantaciones que tengan variedades de caña susceptible a la roya parda, con lo cual se reduce la carga computacional.

El resultado de este trabajo ya se encuentra formando parte de la infraestructura de datos espaciales (IDE) (Spatial Data Infrastructure) en las áreas cañeras del norte de Villa Clara, Cuba, la cual puede ser accedida en https://azcuba.geocuba.cu/visor. Un ejemplo puede verse en la Figura 5.

CONCLUSIONES