ES2311322A1 - Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. - Google Patents
Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. Download PDFInfo
- Publication number
- ES2311322A1 ES2311322A1 ES200503103A ES200503103A ES2311322A1 ES 2311322 A1 ES2311322 A1 ES 2311322A1 ES 200503103 A ES200503103 A ES 200503103A ES 200503103 A ES200503103 A ES 200503103A ES 2311322 A1 ES2311322 A1 ES 2311322A1
- Authority
- ES
- Spain
- Prior art keywords
- procedure
- discrimination
- infested
- mapping
- weed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 235000013339 cereals Nutrition 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 title claims abstract description 20
- 235000008216 herbs Nutrition 0.000 title description 2
- 239000004009 herbicide Substances 0.000 claims abstract description 24
- 241001148683 Zostera marina Species 0.000 claims abstract description 19
- 238000003306 harvesting Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 60
- 206010061217 Infestation Diseases 0.000 claims description 14
- 241000209140 Triticum Species 0.000 claims description 10
- 235000021307 Triticum Nutrition 0.000 claims description 10
- 230000002363 herbicidal effect Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 235000007340 Hordeum vulgare Nutrition 0.000 claims description 4
- 240000003705 Senecio vulgaris Species 0.000 claims description 4
- 244000105017 Vicia sativa Species 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 235000005781 Avena Nutrition 0.000 claims description 3
- 244000075850 Avena orientalis Species 0.000 claims description 3
- 241000745991 Phalaris Species 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 241000033016 Lolium rigidum Species 0.000 claims description 2
- 241000209056 Secale Species 0.000 claims description 2
- 235000007238 Secale cereale Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 240000005979 Hordeum vulgare Species 0.000 claims 1
- 238000012804 iterative process Methods 0.000 claims 1
- 241000209504 Poaceae Species 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000012550 audit Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241000209761 Avena Species 0.000 description 4
- 235000007319 Avena orientalis Nutrition 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 4
- 241000209219 Hordeum Species 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000826508 Astragalus wootonii Species 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 241000197811 Hieracium fendleri Species 0.000 description 2
- 241000032989 Ipomoea lacunosa Species 0.000 description 2
- 241000209082 Lolium Species 0.000 description 2
- 244000234281 Tamarix gallica Species 0.000 description 2
- 235000014265 Tamarix gallica Nutrition 0.000 description 2
- 235000007264 Triticum durum Nutrition 0.000 description 2
- 241000209143 Triticum turgidum subsp. durum Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 241000293302 Astragalus mollissimus Species 0.000 description 1
- 235000004535 Avena sterilis Nutrition 0.000 description 1
- 241001647031 Avena sterilis Species 0.000 description 1
- 241001148727 Bromus tectorum Species 0.000 description 1
- 244000035851 Chrysanthemum leucanthemum Species 0.000 description 1
- 235000008495 Chrysanthemum leucanthemum Nutrition 0.000 description 1
- 241000748044 Haploesthes Species 0.000 description 1
- 244000020551 Helianthus annuus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 241000404133 Leucanthemum Species 0.000 description 1
- 241000207836 Olea <angiosperm> Species 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Procedimiento para la discriminación y mapeo de los rodales de malas hierbas gramíneas en cultivos de cereales mediante teledetección. Procedimiento para mapear zonas infestadas de malas hierbas gramíneas en cultivos de cereales de invierno mediante teledetección. Tiene aplicación en Agricultura, y más concretamente en Empresas de Asistencia Técnica Agraria o Medioambiental, o en Auditorias Agroambientales Públicas o Privadas. Principalmente consiste en la toma de imágenes aéreas 2 ó 3 semanas antes de la recolección del cultivo, procesándolas como sigue: a) transformación mediante alguno de los índices de vegetación seleccionados; b) conformación de zonas clasificadas como infestadas y no infestadas mediante la implementación de niveles digitales frontera predeterminados; c) mapeo de la parcela agrícola en micro-parcelas, de unos 20 x 20 m; d) estimación de la superficie infestada y la toma de decisiones sobre aplicaciones o no de herbicidas en cada micro-parcela. El presente procedimiento es una herramienta de precisión con tres objetivos: 1) aplicación de fitosanitarios herbicidas sólo en las zonas infestadas de gramíneas; 2) conseguir el beneficio económico y medioambiental inherente a dicha reducción de fitosanitarios; y 3) determinar el derecho o no a la percepción de subvenciones de las administraciones públicas relativas a determinadas medidas agro-medioambientales.
Description
Procedimiento para la discriminación y mapeo de
los rodales de malas hierbas gramíneas en cultivos de cereales
mediante teledetección.
Primer sector: AGRICULTURA. Segundo sector
EMPRESAS DE ASISTENCIA TÉCNICA AGRARIA O MEDIOAMBIENTAL, o bien
AUDITORÍAS AGROAMBIENTALES PÚBLICAS (ADMINISTRACIONES PÚBLICAS) O
PRIVADAS. El segundo sector se refiere al seguimiento de los
productores agrícolas que utilicen tecnologías de control de malas
hierbas mediante aplicaciones de herbicidas específicos y
selectivos en el cultivo de cereales de siembra otoñal, con objeto
de alcanzar los beneficios económicos y medioambientales propios de
la agricultura de precisión, tales como la aplicación de los
herbicidas no de forma extensiva y uniforme en toda la superficie
de parcela agrícola, sino solo sobre las zonas infestadas de malas
hierbas gramíneas, cuya delimitación y mapeo geográfico, objeto de
esta patente, se ha efectuado previamente. El procedimiento objeto
de la presente invención permitirá que determinadas empresas, como
por ejemplo las de asistencia técnica agraria o medioambiental o los
servicios de auditorias agroambientales de las Administraciones
Públicas o de entidades privadas, discriminen la existencia o no de
los rodales de malezas gramíneas en los cultivos de cereales de
años anteriores, así como la extensión relativa o porcentaje de los
mismos, estimando el ahorro económico potencial en el tratamiento
herbicida y pudiendo ser usado para certificar que el control
herbicida se ha llevado a cabo/se puede llevar a cabo de forma
selectiva y dirigida, lo que puede llegar a ser un
requisito necesario para obtener el derecho de recepción de determinadas ayudas/subvenciones agro-ambientales.
requisito necesario para obtener el derecho de recepción de determinadas ayudas/subvenciones agro-ambientales.
La teledetección es una tecnología que consiste
en captar información de los objetos o accidentes que ocurren en la
superficie terrestre o en la atmósfera sin entrar en contacto
físico con ellos. Comprende la medida y el registro de la energía
electromagnética reflejada o emitida por éstos, y conlleva la
interpretación y relación de esta información con la naturaleza y
propiedades de éstos. La captura de la energía reflejada se lleva a
cabo mediante sensores remotos instalados en plataformas
aeroespaciales (satélites y aviones) que registran la energía
reflejada correspondiente a diversas frecuencias del espectro
electromagnético que van desde las ondas de radio de baja frecuencia
pasando por el espectro visible (bandas azul, verde y roja) hasta
los rayos X, gamma e incluso cósmicos. Cada cuerpo o cubierta
terrestre presenta una forma peculiar de reflejar o emitir energía
que se conoce como signatura o firma espectral (Chuvieco, 2002).
En las investigaciones de teledetección es
esencial conocer el comportamiento o signatura espectral de cada
una de las diversas superficies o usos de suelo a las diferentes
longitudes de onda. La energía reflejada a las longitudes de onda
roja e infrarroja es sensible a las variaciones existentes en el
cultivo y suelo (Cloutis et al., 1996). Cultivos densos y
sanos se caracterizan por una elevada absorción de energía/radiación
roja y una alta reflectancia de la radiación infrarroja. Con
frecuencia es conveniente combinar estas medidas (y otras en otras
bandas) en un solo índice que resalte la sensibilidad a las
variaciones en el cultivo. Dichas combinaciones son conocidas como
índices de vegetación. Hay un gran número de ellos, tantos como
operaciones matemáticas se estime oportuno definir. Sus ventajas
son: 1) aumentar las diferencias relativas entre los valores
digitales que caracterizan cada uso del suelo, 2) reducir el número
de datos obtenidos a un solo valor característico, 3) obtener
valores adimensionales que permiten su comparación espacial y
temporal y, 4) en ocasiones, eliminar efectos indeseados de
iluminación, orografía, etc. (Jackson y Huete, 1991). Uno de los
más conocidos es el NDVI ("Normalised Difference Vegetation
Index"). Una actividad fotosintética alta, es decir una
vegetación sana y vigorosa, implica un alto valor de NDVI debido a
una alta reflectividad en la banda del infrarrojo cercano y una
alta absorción de energía en la banda roja. Por tanto, NVDI,
calculado con medidas en tierra (Kanemasu 1990), imágenes de
satélite (Anderson et al., 1993) o fotografías áreas
(Denison et al., 1996) presenta una alta correlación con la
producción final del cultivo.
Los trabajos sobre clasificación de los usos del
suelo mediante imágenes satélite de resolución espacial media/baja
o fotografías aéreas utilizando índices de vegetación se pueden
considerar como clásicos en teledetección y se han llevado a cabo en
áreas muy diversas: costeras, parques naturales, masas forestales,
zonas agrícolas, entre otras muchas. Citando trabajos recientes, se
han realizado estudios con objeto de detectar de forma sistemática
las anomalías en el desarrollo de los cultivos de regadío en Aragón
(López-Lozano y Casterad, 2003), con el fin de
monitorizar el crecimiento de cultivos con datos biofísicos como
altura de la planta, el área foliar (LAI) y biomasa (Calera et
al., 2001; 2002), o con el objetivo de estimar el efecto a
largo plazo de los cambios en los usos de suelo sobre la
evapotranspiración de los cultivos utilizando imágenes Landsat 5 TM
y Landsat 7 ETM+ de 1982 a 2000 (Lanjeri et al., 2001; 2002)
en la zona de Castilla-La Mancha. También se están
obteniendo resultados en la teledetección de otras especies de
malas hierbas en cultivos con sensores aerotransportados
multiespectrales (Goel et al., 2002; Schmidt & Skidmore,
2003; Koger et al. 2004; Smith & Blackshaw, 2003; Girma
et al. 2005; Felton et al. (2002), Radhakrishnan
et al. (2002) y Thorp y Tian (2004). Para llevar a cabo
dicha discriminación es necesario que existan diferencias en las
firmas espectrales entre el cultivo y las especies de malezas en
determinados momentos del ciclo fenológico (Everitt et al.
1994;; Everitt and Deloach 1990; Lass and Callihan 1997). Así
mismo, diversos autores afirman que la teledetección es la técnica
mas apropiada para el mapeo de las infestaciones de malezas (Rew
and Cousens 2000).
Los cultivos de cereales de invierno trigo
(Triticum durum y T. aestivum L) y cebada (Hordeum
vulgre L.) son muy importantes a nivel mundial y en España en
particular. Así, la superficie anual cultivada en España excede los
5 millones de hectáreas (Anónimo, 2004), esto es un 20%
aproximadamente de su superficie agrícola. Además, las especies de
malas hierbas gramíneas avena loca (Avena sterilis; Avena
spp), alpiste (Phalaris spp.) y cizaña/ballico o vallico
(Lolium spp L.) son muy frecuentes en los cultivos de
cereales del sur de España, habiéndose encontrado en el 65%, 34% y
32% de los campos cultivados, respectivamente (Saavedra et
al. 1989).
Por otro lado, de no controlarse las malas
hierbas, los cultivos decrecen considerablemente su desarrollo y
producción final. De ahí que la aplicación de fitosanitarios
herbicidas haya llegado a ser desde hace décadas una práctica
importante y muy frecuente en la agricultura moderna. Más aún,
determinadas especies de malas hierbas tales como las gramíneas en
cereales de invierno requieren para su control la aplicación de
herbicidas específicos, denominados graminicidas, cuyo coste suele
ser más elevado, alcanzando a veces los 40 ó 50 euros por hectárea,
que otros de amplio espectro.
La distribución geográfica espacial de las malas
hierbas en cualquier finca o parcela agrícola ocurre en rodales. Lo
anterior se observa visualmente en los campos de cultivo y está
bien documentado en la literatura científica (Wallinga et al.
1998; Zanin et al. 1998; Jurado-Expósito
et al. 2003). Además, las infestaciones de malas hierbas son
relativamente estables a lo largo de los años (Wilson and Brain
1991), por lo que los mapas de la distribución de malezas en una
parcela pueden ser utilizados para diseñar los tratamientos
herbicidas de precisión en años venideros. En particular, Barroso
et al. (2004) ha puesto de manifiesto la distribución en
rodales y estabilidad de las infestaciones de avena loca en
experimentos de campo de 5 años de duración.
Desde 1999, la Unión Europea ha desarrollado una
serie de disposiciones (Reglamentos Europeos 1257/1999, 1259/1999,
1782/2003, 796/2004, entre otros) que han sido incorporadas a la
normativa española (Real Decreto 4, 2001 de 13 de enero y Real
Decreto 2352 de 24 de diciembre de 2004, entre otros) para promover
y aplicar determinadas buenas practicas agrícolas en relación con
el medioambiente). Entre las muy diversas medidas agroambientales
ya en vigor, cabe destacar en relación con el desarrollo de esta
patente, las de reducción del uso de fitosanitarios, producción
integrada y agricultura extensiva.
En la agricultura convencional moderna los
fitosanitarios herbicidas se han aplicado y se aplican todavía
mayoritariamente de forma extensiva y uniforme, considerando que
cada parcela esta igualmente afectada de malas hierbas, lo que se ha
demostrado científicamente que no es así. Además, como
anteriormente también se ha reseñado, las referidas aplicaciones
extensivas no son recomendables desde el punto de vista económico y
ambiental. Por otro lado, determinar este porcentaje de cobertura de
infestaciones de malas hierbas directamente en campo ("in
situ") resulta prácticamente inviable desde un punto de
vista técnico y económico. Sin embargo, las técnicas de
teledetección son muy adecuadas por los siguientes motivos: 1) el
sensor utilizado (satélite o fotografía aérea) registra lo que hay
en campo (objetividad); 2) el procedimiento de análisis de la imagen
obtenida es rápido una vez se ha puesto el método a punto; 3)
permiten trabajar de forma secuencial; 4) evitan los muestreos en
campo (eluden problemas meteorológicos); y 5) posibilitan la
planificación de la toma de imágenes en el momento oportuno y el
retraso de su análisis el tiempo necesario, en caso de que fuese
necesario, sin perder por ello información. El objeto de esta
patente es el procedimiento mediante teledetección de mapear
infestaciones tardías de malas hierbas gramíneas en cereales de
invierno, especificando el momento en que deben de tomarse las
imágenes aéreas, los índices de vegetación a utilizar y su
procesamiento.
El objeto de la presente invención es un
procedimiento para la discriminación y mapeo de los rodales de las
infestaciones de malas hierbas gramíneas en cultivos de cereales
mediante teledetección, en el que la imagen aérea se toma entre 1 y
4 semanas antes de la desecación total del cultivo y/o del inicio
de su siega o recolección, y preferentemente entre 2 y 3 semanas
antes. Los cultivos de cereal en los que se aplica este
procedimiento son cultivos de cereal de invierno, preferentemente
cultivos de trigo, cebada y centeno, y las malas hierbas gramíneas
que se discriminan y mapean son Avena spp. (avena loca),
Phalaris spp. (alpiste) y Lolium rigidum (cizaña o
vallico). La imagen aérea se toma cuando el cultivo de cereal está
en estado avanzado de desecación que le confiere un color
amarillento, mientras que las malas hierbas se encuentran en estado
de fructificación avanzado, pero no desecadas, y conservan todavía
un color parcialmente verde. La imagen aérea puede ser una imagen de
satélite o foto aérea.
El procedimiento, objeto de la presente
invención, comprende las siguientes etapas:
- a)
- Toma de imagen aérea color e infrarrojo color analógicas o digitales, digitalización de las analógicas, y análisis de imagen.
- b)
- Georreferenciación para asignar las coordenadas geográficas en el caso de fotografías aéreas no georreferenciadas
- c)
- Separación de bandas del espectro visible (azul: B, verde: G, rojo: R) e infrarrojo cercano (NIR) a partir de los valores digitales asignados a cada pixel
- d)
- Cálculo de índices de vegetación basados en las cuatro bandas separadas en el punto c).
- e)
- Definición mediante un proceso iterativo de los niveles digitales frontera de cada índice de vegetación que caracterizan cada uso de suelo, basándose dicho proceso en sus valores medios y desviaciones estándar.
- f)
- Clasificación de la imagen por separación de clases basada en los niveles digitales frontera definidos en el punto e)
- g)
- Posterior selección de los índices de vegetación calculados en d) que proporcionan mayor precisión en la clasificación (porcentaje de pixeles correctamente clasificados), obtenida a partir de las matrices de confusión.
- h)
- Subdivisión de las parcelas en microparcelas, por ejemplo de unos 25 m cuadrados.
- i)
- Determinación de la superficie total y el porcentaje de cada uno de los usos del suelo a nivel global y por microparcela.
\vskip1.000000\baselineskip
El término "uso de suelo" tal como se
utiliza en la presente invención, se refiere a los cultivos de
cereal y a los rodales de malas hierbas que cubren la tierra.
Los índices de vegetación utilizados en este
procedimiento son los siguientes: bandas azul (B), verde (G), roja
(R) e infrarroja (NIR), y NDVI, RVI (RVI = NIR/R), RIB,
NIR-R y (R-G)/(R+G).
Otro objeto de la presente invención lo
constituye la utilización del procedimiento para discriminar los
rodales de las infestaciones de malas hierbas gramíneas, en cultivos
de cereales de invierno, del cultivo de cereales no infestado de
malas hierbas, así como para cuantificar el porcentaje de
superficie ocupada por los rodales de las infestaciones. El
procedimiento también puede utilizarse para diseñar e implementar un
programa de agricultura de precisión relativo a la aplicación de
fitosanitarios herbicidas, para programar la aplicación de
herbicidas sólo en los rodales infestados de gramíneas
(discriminados previamente), de manera selectiva, dirigida y
controlada y respetuosa con el medio ambiente, así como para
comprobar la realización de buenas prácticas agrícolas en relación
a la aplicación de herbicidas y el seguimiento de la utilización de
tecnologías de control de malas hierbas mediante la aplicación de
herbicidas específicos y selectivos en el cultivo de cereal.
Asimismo, el procedimiento objeto de la
invención puede utilizarse para determinar el derecho de percepción
de subvenciones de las administraciones públicas relativas a
determinadas medidas agro-ambientales (reducción en
el uso de herbicidas, producción integrada, etc).
\vskip1.000000\baselineskip
Figura 1. Vista parcial de la finca
Florida-Este (área 3.6 ha; cuadriculas de 20 x 20
m.) después de aplicarle la transformación NDVI con valores
digitales frontera de 0.33 a 0.55 para trigo y de 0.551 a 0.80 para
avena loca. Exactitud global del 96%; exactitud del área de avena
97%. Las zonas oscuras son trigo desecado no infestado de malas
hierbas gramíneas, las áreas claras son zonas del cultivo
infestadas de rodales de avena loca.
\newpage
El siguiente esquema presenta los pasos
necesarios para aplicar el procedimiento objeto de la presente
invención.
\vskip1.000000\baselineskip
\newpage
En los casos en los que se trabaja con
fotografía aérea, varios días antes de la realización de cada vuelo
para la obtención de las fotografías aéreas, se visitan las fincas
que serán objeto de estudio, a fin de: 1) determinar el estado de
desarrollo y grado de cobertura del cultivo y de las especies de
malas hierbas objeto de estudio; y 2) georreferenciar unos 30
puntos por finca, en distintas parcelas, mediante el uso de un GPS
diferencial (precisión centimétrica). Posteriormente, dicha
georreferenciación es utilizada como puntos de control para asignar
las coordenadas de las fotografías aéreas.
\vskip1.000000\baselineskip
La firma espectral puede tomarse utilizando un
espectroradiómetro portátil (ASD HandHeld FieldSpec
Spectroradiometer, Analytical Spectral Devices, Inc., 5335 Sterling
Drive, Boulder, CO 80301, USA) situado 60-80 cm
sobre la masa vegetal, a fin de determinar los niveles de
reflectancia a las horas centrales del día entre los 325 y 1075
nanómetros (nm), si bien luego solo se analizan para mayor
fiabilidad las medidas entre 400 y 900. Se estiman los niveles
medios de las bandas B, R, G y NIR y de los principales índices de
vegetación NDVI, RVI, RIB, NIR-R, y
(R-G)/(R+G), potencialmente utilizables para la
discriminación entre las especies objeto de estudio.
\vskip1.000000\baselineskip
Las fotografías se digitalizan utilizando un
escáner Hewlett Packard modelo ScanJet 4C, obteniéndose pixeles de
40 x 40 cm. (635 puntos por pulgada, ppi). Las fotografías
digitalizadas y las imágenes de satélite se importan al programa
informático de análisis de imagen. Posteriormente se asignan
coordenadas geográficas a los pixeles de la imagen para poder
superponerla con la cartografía existente. Dicha asignación de
coordenadas de los 30 puntos de control por fotograma, se puede
efectuar basándose en la georreferenciación in situ de las
visitas a las fincas antes descritas, o determinando puntos
singulares en un mapa digital.
Con los valores digitalizados asignados a cada
pixel (Niveles Digitales, de 0 a 255; a) se efectúan diversas
separaciones de las bandas del espectro visible: Azul (A), Verde
(V), Rojo (R) e Infra-Rojo color NIR) con objeto de
operar matemáticamente (obtención de índices de vegetación) con
tales niveles digitales y obtener nuevas imágenes que facilitan la
discriminación entre las superficies de cultivo con o sin
infestaciones de malas hierbas. Se estiman los valores digitales
medios de los índices de vegetación del cereal cultivado y de los
rodales de malas hierbas gramíneas conjuntamente considerados.
Posteriormente se procede a calcular de forma iterativa los valores
digitales frontera (VDF) de la masa vegetal de cereal y de los
rodales de malas hierbas. Los VDF seleccionados definen las
regiones clasificadas de ambos usos de suelo (cereal y malas
hierbas) con mayor significación estadística, de acuerdo con los
análisis estadísticos denominados matrices de confusión (Congalton,
1991; Andreasen et al., 1997). Así mismo, con este
procedimiento se eliminan los errores subjetivos que se cometerían
en un análisis por comparación visual de las imágenes (Oetter et
al., 2000). Normalmente se consideran aceptables las regiones
clasificadas con una exactitud global o precisión en la
clasificación próxima ó superior al 85%.
\vskip1.000000\baselineskip
El proceso o procesamiento de la imagen permite
la estimación global de la superficie de cada uno de los usos de
suelo clasificados, así como su parcelación o división en
subparcelas o microparcelas, y la estimación del área infestada de
cada una de las subparcelas. Dicha estimación global en el conjunto
de la parcela del área clasificada como infestada de malas hierbas
es un índice directo e indicativo del ahorro económico del
fitosanitario herbicida a emplear, y por consiguiente de la utilidad
de este procedimiento en comparación con la práctica
convencio-
nal.
nal.
En el proceso de imagen, el dimensionar las
parcelas en microparcelas, por ejemplo de unos 20 ó 25 m de lado,
es así mismo inmediato y un paso necesario para la toma de
decisiones referentes al uso de herbicidas/manejo de malas hierbas
de precisión. Para cada subparcela, se puede tomar la decisión de
aplicar herbicida si el área infestada excede a un determinado
porcentaje, por ejemplo el 10% de la misma. Después de verificar la
clasificación y extenderla a la totalidad de la finca, el programa
de tratamiento de imagen que haya elegido el usuario determinará
automáticamente la superficie total y el porcentaje de cada uso de
suelo en la finca en base a la georreferenciación efectuada.
\vskip1.000000\baselineskip
El procedimiento objeto de la presente invención
se ha aplicado en las parcelas de cereal Santa Cruz, término de
Santa Cruz, provincia de Córdoba, en 2003, y en las de Florida-
Oeste y Florida-Este, en el término de Utrera,
Sevilla, en 2004. La superficie de dichas parcelas era de 25.6
hectáreas (ha), 12.3 ha y 7.5 ha, respectivamente, todas ellas
cultivadas de trigo duro. Se utilizaron fotografías aéreas color e
infrarrojo-color tomados a mediados del mes de
Mayo, estando entonces el cultivo en fase avanzada de desecación y
las malas hierbas objeto de estudio en fase avanzada de
fructificación o llenado del fruto. En dicho cultivo de cereal se
ha discriminado i) las áreas o rodales infestados de las malas
hierbas gramíneas avena loca, y/o alpiste, y/o cizaña, todas ellas
consideradas conjuntamente, y ii) las áreas o rodales no infestados
de tales especies gramíneas.
Las estimaciones de los niveles medios de las
bandas e índices de vegetación de las especies vegetales
consideradas en dos de las parcelas estudiadas se muestran en la
Tabla 1.
Los valores digitales medios de los índices de
vegetación de trigo y de los rodales de malas hierbas gramíneas
conjuntamente considerados, así como los intervalos de los valores
digitales frontera se muestran en la Tabla 2, para las tres parcelas
analizadas. Mediante el procedimiento propuesto en la presente
invención se ha estimado que el área infestada de malas hierbas
gramíneas fue del 56-71%, 43-47%, y
69-80% en Santa Cruz, Florida-Oeste
y Florida Este, respectivamente, con exactitudes de 0.87 a 0.94.
En la Figura 1 se muestra una vista parcial de
la finca Florida-Este, con un área de unas 3.6 ha,
conformada en microparcelas de 20 x 20 m. Dicha imagen es el
resultado de la transformación de la fotografía aérea digitalizada
infrarrojo color original mediante el índice de vegetación NDVI. En
ese caso dicho índice exhibía unos valores medios de 0.46 y 0.67
para el trigo y rodales de malas hierbas gramíneas, respectivamente,
y la discriminación de ambos se definió con unos valores digitales
frontera de 0.33 a 0.550 para trigo y 0.551 a 0.80 para los rodales
de gramíneas (Tabla 2). Se estimó un porcentaje de superficie
infestado de rodales de gramíneas del 77%, con una exactitud global
del 96%. Las zonas oscuras indican trigo ya desecado no infestado
de malas hierbas gramíneas; mientras que las zonas claras son zonas
del cultivo infestadas de rodales de avena loca. Dichas
observaciones son coincidentes con la interpretación de las firmas
espectrales; dado que el ciclo biológico/fenológico del trigo es
algo más anticipado, se deseca antes, que el de las malas hierbas
objeto de estudio, y de ahí que se pueda diferenciar mediante
proceso de imagen mediante el índice NDVI, al igual que con los
otros índices seleccionados. De acuerdo con las estimaciones
globales, un 77% de la finca al estar infestada de gramíneas
hubiera requerido tratamiento de fitosanitarios herbicidas. Por lo
anterior, éstas técnicas de precisión en dicha parcela hubieran
producido un ahorro de aproximadamente un 23%.
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
(Tabla pasa a página
siguiente)
- - Anderson G. L., J. H.
Everitt, A.J. Richardson, and D. E. Escobar.
1993. Using satellite data to map false broomweed
infestations in South Texas rangeland, Weed Technology, 7:
865-871.
- - Andreasen, C., Rudemo
M., and Sevestre, S. 1997. Assessment of weed density
at an early stage by use of image processing. Weed Research,
37: 5-18.
- - Anónimo. 2005. Estadísticas del
Ministerio de Agricultura, Pesca y Alimentación,
www.mapya.es/estadisticas/.
- - Barroso, J., C.
Fernández-Quintanilla, P. Ruiz, P.
Hernáiz and L. J. Rew. 2004. Spatial stability
of Avena sterilis ssp. Ludoviciana populations under annual
applications of low rates of mazamethabenz. Weed Res.
44:178-186.
- - Calera A., Martínez C.
and Meliá J. 2001. A procedure for obtaining green
plant cover: relation to NDVI in a case study for barley. Int. J.
of Remote Sensing, 22: 3357-3362.
- - Calera A.,
González-Piqueras J. and Meliá J.
2002. Remote sensing monitoring crop growth. In Proceedings
of Recent Advances in Quantitative Semote Sensing, Valencia, pp
522-529.
- - Congalton, R. G., 1991.
A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sens. Environ. 37,
35-46.
- - Cloutis, E.A., Connery,
D.R. Major, D.J. and Dover, F.J. 1996. Airborne
multispectral monitoring of agricultural crop status: effect of time
of year, crop type and crop condition parameter. Intern. Journal
of Remote Sensing, 17: 2579-2601.
- - Chuvieco, E. (2002)
Teledetección Ambiental. Editorial Ariel, Madrid. 568 páginas.
- - Denison, R. F., Miller,
R. O., Bryant, D., Abshahi, A. & Wildman,
W. E. 1996. Crop management goes high tech. California Agriculture,
May-June 1996.
- - Everitt, J. H. and C. J.
Deloach. 1990. Remote sensing of Chinese tamarisk
(Tamarix chinensis) and associated vegetation. Weed
Sci. 38:273-278.
- - Everitt, J. H., J. V.
Richerson, M. A. Alaniz, D. E. Escobar and M.
R. Davis. 1994. Light reflectance characteristics and
remote sensing of big bend loco (Astragalus mollissimus var.
earlei) and wooton loco (Astragalus wootonii). Weed
Sci. 42:115-122.
- - Felton, W. L., C. L.
Alston, C, B. M. Haigh, P. G. Nash, G. A.
Wicks and G. E. Hanson. 2002. Using reflectance
sensors in agronomy and weed science. Weed Technol.
16:520-527.
- - Girma, K., J. Mosali,
W.R. Raun, K. W. Freeman, K. L. Martín, J. B.
Solie and M. L. Stone. 2005. Identification of
optical spectral signature for detecting cheat and ryegrass in
winter wheat. Crop Sci. 45:477-485.
- - Goel P. K., S.O.
Prasher, R. M. Patel, D. L. Smith, A.
DiTommaso. 2002. Use of airborne multispectral imagery
for weed detection in crops., Transactions of ASAE, 45:
443-449.
- - Hatfield, J. L. and
Pinter, P. J. 1993. Remote sensing for crop
protection. Crop Protection, 12: 403-412.
- - Jackson, R. D. and
Huete, A. R. 1991. Interpreting vegetation indexes.
Prev. Vet. Med. 11: 185-200.
- -
Jurado-Expósito, M., F.
López-Granados, L.
García-Torres, A.
García-Ferrer, M. Sánchez de la Orden
and S. Atenciano. 2003. Multi-species
weed spatial variability and site-specific
management maps in cultivated sunflower. Weed Sci.
51:319-328.
- - Kanemasu, E. T.,
Demetriades-shah, T. H. & Su, H.
1990. Estimating grassland biomass using remotely sensed
data. In. Application of Remote Sensing ed. M.D. Steven and J.A.
Clark. p.185-199.
- - Keuchel J., Naumann S.,
Heiler M. and Siegmund A. 2003. Automatic land
cover analysis for Tenerife by supervised classification using
remotely sensed data. Remote Sensing of Environment, 86:
530-541.
- - Koger, H. K., D. R.
Shaw, K. N. Reddy and L. M. Bruce. 2004.
Detection of pitted morningglory (Ipomoea lacunosa) with
hyperspectral remote sensing. II Effects of vegetation ground cover
and reflectance properties. Weed Sci.
52:230-235.
- - Kokaly, R. F., Despain,
D. G., Clark, R. N. and Livo, K. R. 2003.
Mapping vegetation in Yellowstone National Park using spectral
feature analysis of AVIRIS data, Remote Sensing of
Environment, 84: 437-456.
- - Kropff, M. J., Wallinga,
J. & Lotz, L. A. P. 1997. Modelling for precision
weed management. In Precision Agriculture: Spatial and temporal
variability of environmental quality. L.J. Ciba Foundation 1997,
Bock G.R. and Goode J.A. (ed.), 182-204. John Wiley
and Sons Ltd.
- - Lass, L. W. and R. H.
Callihan. 1997. The effect of phenological stage on
detectability of yellow hawkweed (Hieracium pratense) and
oxeye daisy (Chysanthemum leucanthemum) with remote
multispectral digital imagery. Weed Technol.
11:248-256.
- - Lanjeri S., Meliá, J.
and Segarra D. 2001. A multitemporal masking
classification method for vineyard monitoring in central Spain.
Intern. Journal of Remote Sensing, 22:
3167-3186.
- - Lanjeri S., Segarra D.
Calera A and Meliá J. 2002. Study of the land
use changes effects on the evapotranspiration in central Spain using
remote sensing techniques. Proceedings of Recent Advances in
Quantitative Semote Sensing, Valencia, pp
530-536.
- - Lobell, D. B., Asner, G.
P., Ortiz-Monasterio, J. I., Benning,
T. L. 2003. Remote sensing of regional crop production in the
Yaqui Valley, Mexico: estimates and uncertainties. Agriculture,
Ecosystems and Environment, 94: 205-220.
- - López-Lozano R.
and Casterad M.A. 2003. Una aplicación SIG para
seguimiento en parcela mediante NDVI de irregularidades en el
desarrollo del cultivo. Proceedings del X Congreso Nacional de
Teledetección, Cáceres, pp 9-12.
- - Oetter D. R., W. B.
Cohen, M. Berterretche, T. K. Maiersperger,
Robert E. Kennedy. 2000. Land cover mapping in
agricultural setting using multiseasonal Thematic Mapper data.
Remote Sensing of Environment, 76:
139-155.
- - Radhakrishnan, J, S
Liang, J. R. Teasdale and C. J. Shuey.
2002. Remote sensing of weed canopies. In: From laboratory
spectroscopy to remotely sensed spectra of terrestrial
ecosystems (eds Ranjan S. Muttiah), 175-202.
Kluwer Academic Publishers.
- - Real Decreto 4, 2001.
Establecimiento de un régimen de ayudas a la utilización de métodos
de producción agraria compatibles con el medio ambiente. Ministerio
de Agricultura, Pesca y Alimentación, Madrid. BOE 12,
1587-1617.
- - Real Decreto 2352/2004 Sobre la
aplicación de la condicionalidad en la aplicación de las ayudas
directas en el marco de la política agraria común, Ministerio de
Agricultura, Pesca y Alimentación,. BOE de 24 de diciembre, páginas
41690-41698.
- - Reglamento del Consejo Europeo
1257/1999. On support for rural development from the European
Agricultural Guidance and Guarantee Fund (EAGGF) and amending and
repealing certain Regulations. Official Journal of the European
Union, Brussels, 160, 80-102.
- - Reglamento del Consejo Europeo
1259/1999. Establishing common rules for direct support schemes
under the common agricultural policy. Official Journal of the
European Union, Brussels, 160, 113-118.
- - Reglamento del Consejo Europeo
1782/2003. Establishing common rules for direct support schemes
under the common agricultural policy and establishing certain
support schemes for farmers, and on the common organisation of the
market in olive oil and table olives and amending Regulation (EEC)
No 827/68. Official Journal of the European Union, 270,
1-69.
- - Rew, L. J. and R. D.
Cousens. 2000. Spatial distribution of weeds in arable
crops: are current samplings and analytical methods appropriate?.
Weed Res. 41:1-18.
- - Saavedra, M., J. Cuevas,
J. Mesa-García and L.
García-Torres. 1989. Grassy weeds in
winter cereals in southern Spain. Crop Protect.
8:181-187.
- - Schmidt, K. S. and A. K.
Skidmore. 2003. Spectral discrimination of vegetation
types in a coastal wetland. Remote Sensing Environ.
85:92-108.
- - Smith, A. M. & R. E.
Blackshaw. 2003. Weed-Crop
discrimination using remote sensing: a detached leaf experiment.
Weed Technol. 17:811-820.
- - Thorp K. R. & L. F.
Tian. (2004). A review of remote sensing of weeds in
agriculture. Precision Agric., 5,
477-508.
- - Wallinga, J. R. M. W.
Groeneveld and L. A. P. Lotz. 1998. Measures to
describe weed spatial patterns at different levels of resolution and
their application for patch spraying weeds. Weed Res. 38:
351-359.
- - Zanin, G., A. Berti and
L Riello. 1998. Incorporation of weed spatial
variability into the weed control decision-making
process. Weed Res. 38:107-118.
Claims (15)
1. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de malas hierbas gramíneas en
cultivos de cereales mediante teledetección que comprende las
siguientes etapas:
- a)
- Toma de imagen aérea color e infrarrojo color analógicas o digitales, digitalización de las analógicas, y análisis de imagen.
- b)
- Georreferenciación para asignar las coordenadas geográficas en el caso de fotografías aéreas no georreferenciadas
- c)
- Separación de bandas del espectro visible (azul: B, verde: G, rojo: R; e infrarrojo cercano NIR) a partir de los valores digitales asignados a cada pixel
- d)
- Cálculo de índices de vegetación basados en las cuatro bandas separadas en el punto c).
- e)
- Definición mediante un proceso iterativo de los niveles digitales frontera que caracterizan cada uso de suelo
- f)
- Clasificación de la imagen por separación de clases basada en los niveles digitales frontera definidos en el punto e)
- g)
- Posterior selección de los índices de vegetación calculados en d) que proporcionan mayor precisión en la clasificación (porcentaje de pixeles correctamente clasificados), obtenida a partir de las matrices de confusión.
- h)
- Subdivisión de las parcelas en microparcelas, por ejemplo de unos 25 m.
- i)
- Determinación de la superficie total y el porcentaje de cada uno de los usos del suelo a nivel global y por microparcela,
caracterizado porque la imagen aérea se
toma entre 1 y 4 semanas antes de la desecación total del cultivo
y/o del inicio de su siega o recolección, y preferentemente entre 2
y 3 semanas antes.
2. Procedimiento para la discriminación y mapeo
según la reivindicación 1 caracterizado porque la imagen
aérea es una imagen de satélite.
3. Procedimiento para la discriminación y mapeo
según la reivindicación 1 caracterizado porque la imagen
aérea es una foto aérea.
4. Procedimiento para la discriminación y mapeo
según cualquiera de las reivindicaciones anteriores
caracterizado porque los índices de vegetación utilizados se
seleccionan entre los siguientes: bandas azul (B), verde (G), roja
(R) e infrarroja (NIR), y NDVI, RVI, RIB, NIR-R y
(R-G)/(R+G).
5. Procedimiento para la discriminación y mapeo
según la reivindicación 1, caracterizado porque la imagen
aérea se toma cuando el cultivo de cereal está en estado avanzado
de desecación que le confiere un color amarillento, mientras que
las malas hierbas se encuentran en estado de fructificación avanzado
pero no desecadas y conservan todavía un color parcialmente
verde.
6. Procedimiento para la discriminación y mapeo
según las reivindicaciones 5 caracterizado porque la imagen
aérea se toma en el mes de Mayo para la zona de Andalucía
occidental.
7. Procedimiento para la discriminación y mapeo
según la reivindicación 1 caracterizado porque los cultivos
de cereal son cultivos de cereal de invierno, preferentemente
cultivos de trigo, cebada y centeno.
8. Procedimiento para la discriminación y mapeo
según la reivindicación 1 caracterizado porque las
infestaciones de malas hierbas gramíneas que se discriminan y
mapean son de Avena spp. (avena loca), Phalaris spp.
(alpiste) y Lolium rigidum (cizaña o vallico).
9. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para discriminar los
rodales de las infestaciones de malas hierbas gramíneas en cultivos
de cereales de invierno, del cultivo de cereales no infestado de
malas hierbas.
10. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para cuantificar el
porcentaje de superficie ocupada por los rodales de las
infestaciones de malas hierbas gramíneas en cultivos de cereales de
invierno y la superficie ocupada por el cultivo de cereales no
infestado de malas hierbas.
11. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para diseñar e implementar
un programa de agricultura de precisión relativo a la aplicación de
fitosanitarios herbicidas.
12. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para programar la
aplicación de herbicidas sólo en los rodales infestados de gramíneas
(discriminados previamente), de manera selectiva, dirigida,
controlada y respetuosa con el medio ambiente.
13. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para comprobar la
realización de buenas prácticas agrícolas relativas a la aplicación
de herbicidas.
14. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para el seguimiento de la
utilización de tecnologías de control de malas hierbas mediante la
aplicación de herbicidas específicos y selectivos en el cultivo de
cereal.
15. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 8 para determinar el derecho
de percepción de subvenciones de las administraciones públicas
relativas a determinadas medidas agro-ambientales
(reducción en el uso de herbicidas, producción integrada, etc).
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200503103A ES2311322B1 (es) | 2005-12-16 | 2005-12-16 | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200503103A ES2311322B1 (es) | 2005-12-16 | 2005-12-16 | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2311322A1 true ES2311322A1 (es) | 2009-02-01 |
ES2311322B1 ES2311322B1 (es) | 2009-11-30 |
Family
ID=40260940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200503103A Expired - Fee Related ES2311322B1 (es) | 2005-12-16 | 2005-12-16 | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. |
Country Status (1)
Country | Link |
---|---|
ES (1) | ES2311322B1 (es) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US20220110251A1 (en) | 2020-10-09 | 2022-04-14 | Deere & Company | Crop moisture map generation and control system |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US12035648B2 (en) | 2020-10-09 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999019824A1 (en) * | 1997-10-10 | 1999-04-22 | Case Corporation | Method for monitoring nitrogen status using a multi-sprectral imaging system |
WO2003009669A1 (en) * | 2001-07-24 | 2003-02-06 | The Board Of Regents For Oklahoma State University | A process for in-season nutrient application based on predicted yield potential |
JP2003102275A (ja) * | 2001-09-28 | 2003-04-08 | National Agricultural Research Organization | 作物位置検出のためのアルゴリズム |
US20050234691A1 (en) * | 2004-04-20 | 2005-10-20 | Singh Ramesh P | Crop yield prediction |
-
2005
- 2005-12-16 ES ES200503103A patent/ES2311322B1/es not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999019824A1 (en) * | 1997-10-10 | 1999-04-22 | Case Corporation | Method for monitoring nitrogen status using a multi-sprectral imaging system |
WO2003009669A1 (en) * | 2001-07-24 | 2003-02-06 | The Board Of Regents For Oklahoma State University | A process for in-season nutrient application based on predicted yield potential |
JP2003102275A (ja) * | 2001-09-28 | 2003-04-08 | National Agricultural Research Organization | 作物位置検出のためのアルゴリズム |
US20050234691A1 (en) * | 2004-04-20 | 2005-10-20 | Singh Ramesh P | Crop yield prediction |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US12010947B2 (en) | 2018-10-26 | 2024-06-18 | Deere & Company | Predictive machine characteristic map generation and control system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11829112B2 (en) | 2019-04-10 | 2023-11-28 | Deere & Company | Machine control using real-time model |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11650553B2 (en) | 2019-04-10 | 2023-05-16 | Deere & Company | Machine control using real-time model |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US12013698B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Machine control using a predictive map |
US20220110251A1 (en) | 2020-10-09 | 2022-04-14 | Deere & Company | Crop moisture map generation and control system |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US12035648B2 (en) | 2020-10-09 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
Also Published As
Publication number | Publication date |
---|---|
ES2311322B1 (es) | 2009-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2311322B1 (es) | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. | |
Hunt Jr et al. | What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture? | |
Enciso et al. | Validation of agronomic UAV and field measurements for tomato varieties | |
Shapira et al. | Field spectroscopy for weed detection in wheat and chickpea fields | |
López-Granados et al. | Using remote sensing for identification of late-season grass weed patches in wheat | |
WO2009156542A1 (es) | Procedimiento automático para seccionar imágenes remotas y caracterizar indicadores agronómicos y ambientales en las mismas | |
PEÑA‐BARRAGÁN et al. | Mapping Ridolfia segetum patches in sunflower crop using remote sensing | |
Pôças et al. | An evaluation of changes in a mountainous rural landscape of Northeast Portugal using remotely sensed data | |
Lass et al. | The effect of phenological stage on detectability of yellow hawkweed (Hieracium pratense) and oxeye daisy (Chrysanthemum leucanthemum) with remote multispectral digital imagery | |
Wood et al. | Calibration methodology for mapping within-field crop variability using remote sensing | |
Awad et al. | Improved capability in stone pine forest mapping and management in Lebanon using hyperspectral CHRIS-Proba data relative to Landsat ETM+ | |
Reis et al. | Detection of current and potential hazelnut plantation areas in Trabzon, North East Turkey using GIS and RS | |
Park | Estimating plant water stress and evapotranspiration using very-high-resolution (VHR) UAV imagery | |
WO2005122744A1 (es) | Procedimiento para la discriminación de usos de suelo y cuantificación de cubiertas vegetales mediante teledetección con fotografía aérea. | |
WO2006024686A1 (es) | Procedimiento para la discriminación y cuantificación de olivar con cubiertas vegetales mediante teledetección con sensores de alta resolución espacial | |
Liu et al. | Cotton area and yield estimation at Zhanhua County of China using HJ-1 EVI time series | |
Escobar-Silva et al. | A general grass growth model for urban green spaces management in tropical regions: A case study with bahiagrass in southeastern Brazil | |
ES2481348B1 (es) | Procedimiento para la normalización automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales. | |
ES2303476B1 (es) | Procedimiento para la obtencion automatica de indicadores agronomicos y ambientales de plantaciones de arboles mediante teledeteccion. | |
Hatton | Use of small unmanned aerial system for validation of sudden death syndrome in soybean through multispectral and thermal remote sensing | |
Dos Reis et al. | Exploring the potential of high-resolution planetscope imagery for pasture biomass estimation in an integrated crop–livestock system | |
Vieira et al. | Crop parameters and spectral response of coffee and spectral response of coffee (Coffea arabica L.) areas within the state of Minas Gerais, Brazil | |
ES2318930B1 (es) | Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. | |
Mirik et al. | Estimating biophysical characteristics of musk thistle (Carduus nutans) with three remote sensing instruments | |
Faye et al. | Complementarity of Sentinel-1 and Sentinel-2 data for mapping agricultural areas in Senegal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20090201 Kind code of ref document: A1 |
|
FD2A | Announcement of lapse in spain |
Effective date: 20180912 |