ES2318930B1 - Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. - Google Patents
Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. Download PDFInfo
- Publication number
- ES2318930B1 ES2318930B1 ES200600062A ES200600062A ES2318930B1 ES 2318930 B1 ES2318930 B1 ES 2318930B1 ES 200600062 A ES200600062 A ES 200600062A ES 200600062 A ES200600062 A ES 200600062A ES 2318930 B1 ES2318930 B1 ES 2318930B1
- Authority
- ES
- Spain
- Prior art keywords
- stands
- procedure
- sunflower
- mapping
- discrimination
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G06T7/0079—
Landscapes
- Engineering & Computer Science (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 nerdo en cultivos de girasol mediante
teledetección.
Procedimiento para mapear zonas infestadas de la
mala hierba conocida como nerdo (Ridolfia segetum Moris) en
plantaciones de girasol 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 el análisis de
imágenes digitales tomadas unas 8-12 semanas
después de la siembra del cultivo, cuando las plantas de girasol se
encuentran con el capítulo abierto (brácteas amarillas), y las
plantas de nerdo sobrepasan la altura del cultivo y se encuentran
en estado fenológico de umbelas abiertas de color amarillento. Las
imágenes se procesan 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.
Este procedimiento es una herramienta de
precisión con tres objetivos: 1) aplicación de fitosanitarios
herbicidas sólo en las zonas infestadas de nerdo; 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 nerdo en cultivos de girasol 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 girasol, 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 nerdo, 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 nerdo en los cultivos de girasol 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.
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
aerospaciales (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 de 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 usos de suelo hacen referencia a las clases
que se definen según las características de las unidades del
terreno que componen una imagen aérea. Se definen en base a
distintos criterios según el objetivo de la clasificación, como por
ejemplo, la actividad humana que se desarrolla en el terreno de
estudio (usos de suelo industrial, agrario, residencial, rural,
etc.), o las características físicas del suelo (agua, nieve,
vegetación, suelo desnudo, etc.), o las subclases presentes en
alguno de estos suelos (tipo de mala hierba, tipo de cultivo, suelo
sin vegetación, pozo, etc.), y otros muchos tipos de
clasificaciones.
Los trabajos sobre clasificación de los usos de
suelo mediante imágenes satélite de resolución espacial media/alta
o imágenes 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).
El cultivo de girasol (Helianthus annuus
L.) es muy importante en España y, particularmente, en
Andalucía. Así, la superficie anual cultivada en España durante el
año 2004 fue de unas 750.000 hectáreas, y en Andalucía, de 297.000
hectáreas (Anónimo, 2004). Por su parte, mediante prospecciones de
campo se ha estimado que aproximadamente el 10% de dicha superficie
puede estar infestada por la mala hierba Ridolfia segetum
Moris (nombre vulgar nerdo), siendo, por tanto, una infestación muy
frecuente en el cultivo de girasol
(Carranza-Cañadas, 1993).
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 el nerdo en
girasol requieren para su control la aplicación de herbicidas muy
específicos, cuyo coste suele ser más elevado que otros de amplio
espectro.
La distribución geográfica espacial de muchas
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 algunas 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.
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 imagen 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 un procedimiento, mediante teledetección, de mapear
infestaciones de rodales de la mala hierba conocida como nerdo
(Ridolfia segetum Moris) en cultivos de girasol,
especificando el momento en que deben de tomarse las imágenes
aéreas y su procesamiento (índices vegetación, umbrales de
clasificación, etc.), que permite la cuantificación de superficies
(tamaño de los rodales de infestación) y la validación de
resultados.
El objeto de la presente invención es un
procedimiento para la discriminación y mapeo de los rodales de las
infestaciones de nerdo en cultivos de girasol mediante teledetección
que comprende las siguientes etapas:
- a)
- toma de la imagen aérea de tipo color convencional e infrarrojo color, analógicas o digitales, digitalización de las analógicas, y análisis de imagen,
\global\parskip0.930000\baselineskip
- b)
- georreferenciación mediante GPS diferencial de puntos de control para asignar las coordenadas a las imágenes aéreas, y de puntos de muestreo de rodales de nerdo y zonas de girasol sin infestación para la clasificación de la imagen y su posterior validación.
- c)
- separación de las bandas que componen el espectro visible (azul: A, verde: V y rojo: R) e infrarrojo cercano (NIR) a partir de la imagen original y obtención de los valores digitales que caracterizan cada píxel,
- d)
- cálculo de índices de vegetación basados en las bandas separadas en el apartado c)
- e)
- definición de los niveles digitales frontera que caracterizan los rodales de mala hierba, mediante determinación de los valores medios y desviación estándar de los niveles digitales de los puntos de muestreo obtenidos en el apartado b),
- f)
- clasificación de la imagen por separación de clases, basada en los niveles digitales frontera definidos en el apartado e),
- g)
- Aplicación de un filtro digital de 3 x 3 de paso bajo o de mediana a la imagen obtenida en el apartado f),
- h)
- selección de índices de vegetación mediante la determinación de la exactitud global de la clasificación y de la exactitud particular de los rodales de nerdo, según el método de la matriz de confusión, usando como verdad terreno los píxeles de validación obtenidos en el apartado b).
- i)
- Ajuste de los niveles digitales frontera según los resultados del apartado h), con el objetivo de optimizar la discriminación de las infestaciones.
- j)
- localización geográfica de los rodales de mala hierba, determinación de la superficie a tratar y el porcentaje de reducción en la aplicación del tratamiento.
- k)
- Subdivisión de las parcelas en microparcelas en función de la anchura de tratamiento (por ejemplo 20-25 m de lado).
- l)
- Determinación de la superficie total y el porcentaje de cada uno de los usos de suelo a nivel global y por microparcela.
\vskip1.000000\baselineskip
Las imágenes aéreas se toman entre 8 y 12
semanas después de la siembra del cultivo, preferentemente entre 10
y 11 semanas después de la siembra del cultivo cuando el girasol se
encuentra en su estado fenológico de capítulos abiertos con brácteas
amarillas, y el nerdo se encuentra en su estado fenológico de
umbelas amarillentas. Este momento corresponde a la segunda
quincena del mes de junio para las condiciones climáticas de
Andalucía occidental, pudiendo variar esta fecha según las
condiciones climáticas de otras zonas con un clima más templado. En
la presente invención, el término imagen aérea se refiere a una
imagen tomada por una sensor o cámara instalado en una plataforma
de satélite o aerotransportada.
La exactitud global o precisión en la
clasificación proporcionada por el presente procedimiento es al
menos de un 85%. El índice de vegetación que mejores resultados
proporciona es RB (Rojo/Azul).
Otro objeto de la presente invención es la
utilización del procedimiento mencionado anteriormente para
discriminar los siguientes usos de suelo: zonas infestadas con
rodales de la mala hierba nerdo y zonas de girasol libres de
infestaciones, así como para cuantificar el porcentaje de superficie
ocupada por los rodales de las infestaciones de la mala hierba
nerdo y por el cultivo de girasol no infestado de malas hierbas.
El procedimiento también puede utilizarse para
diseñar e implementar un programa de agricultura de precisión
relativo a la aplicación de fitosanitarios herbicidas en el cultivo
de girasol, para programar la aplicación de herbicidas sólo en los
rodales infestados de nerdo (discriminados previamente), de manera
selectiva, dirigida, controlada, y respetuosa con el medio
ambiente, así como para comprobar la realización de buenas
prácticas agrícolas en relación a la aplicación de herbicidas en el
cultivo de girasol y el seguimiento de la utilización de
tecnologías de control de la mala hierba nerdo mediante la
aplicación de herbicidas específicos y selectivos en el cultivo de
girasol.
Asimismo, el procedimiento objeto de la presente
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).
Figura 1. Vista parcial de la finca Matabueyes
(área 3.40 ha; cuadriculas de 20 x 20 m.), tomada en junio,
clasificada mediante el índice RB con valores digitales frontera de
1.540 a 1.900 para nerdo. Exactitud global del 86.45%. Las zonas
negras son rodales de nerdo. Figura 2. Vista parcial de la finca
Santa Cruz (área 2.60 ha; cuadriculas de 20 x 20 m.), tomada en
junio, clasificada mediante el índice RB con valores digitales
frontera de 2.000 a 3.340 para nerdo. Exactitud global del 98.73%.
Las zonas oscuras son rodales de nerdo.
\global\parskip1.000000\baselineskip
El siguiente esquema presenta los pasos
necesarios para aplicar el procedimiento objeto de la presente
invención.
Varios días antes de la realización de cada
vuelo para la obtención de las imágenes aéreas, se visitan las
fincas objeto de estudio, a fin de: 1) determinar el estado de
desarrollo y grado de cobertura del cultivo y de la mala hierba
objeto de estudio; 2) georreferenciar unos 30 puntos de control por
finca para la asignación de coordenadas a la imagen; 3)
georreferenciar al azar varios rodales de malas hierbas
(preferentemente con una infestación superior a 2 plantas m^{-2},
es decir superior al umbral económico de tratamiento del nerdo en
girasol) y varias zonas libres de malas hierbas, para el
entrenamiento del método de clasificación de las imágenes y la
validación de los resultados. Para ello, se empleó un GPS
diferencial (precisión centimétrica). El umbral económico de
tratamiento se refiere a la densidad mínima de
malas hierbas que ocasiona daños en el cultivo superiores al coste de las medidas para el control de la infestación.
malas hierbas que ocasiona daños en el cultivo superiores al coste de las medidas para el control de la infestación.
Se miden las firmas espectrales de los tres usos
de suelo presentes en las fincas de estudio: suelo desnudo, y
plantas de girasol y plantas de nerdo en los distintos estados de
crecimiento que se determinan en las distintas fechas de captura de
las imágenes. Las medidas se realizan a las horas centrales del
día, utilizando por ejemplo un espectroradiómetro portátil (ASD
HandHeld FieldSpec Spectroradiometer, Analytical Spectral Devices,
Inc., 5335 Sterling Drive, Boulder, CO 80301, USA), colocado a
60-80 cm sobre la muestra medida, a fin de
determinar los niveles de reflectancia entre los 325 y 1075
nanómetros (nm), si bien luego sólo se analizan para mayor
fiabilidad las medidas entre 400 y 900 nm. Se estiman los niveles
medios de las reflectancias correspondientes a las bandas Azul (B,
400-500 nm), Verde (G, 500-600 nm),
Rojo (R, 600-700 nm) e
Infrarrojo-cercano (NIR, 700-900 nm)
(), y se calculan los índices de vegetación NDVI = (NIR - R)/(NIR +
R); RVI = NIR/R; RB = R/B; VNVI = (NIR - G)/(NIR + G); ANVI = (NIR
- A)/(NIR + A), potencialmente utilizables para la discriminación
entre las clases objeto de estudio.
Las imágenes analógicas se digitalizan a una
resolución de 635 puntos por pulgada (ppp) utilizando un escáner de
alta calidad, obteniéndose píxeles de 40 x 40 cm. Las imágenes
digitales de alta resolución espacial se analizan a la resolución
que posean, siendo más preciso el método con una resolución espacial
entre 40 y 100 cm. El brillo y el contraste no se ajustan en el
proceso de digitalización. Las imágenes digitales se importan al
programa informático de análisis de imagen. Posteriormente se
asignan coordenadas geográficas a los píxeles de la imagen para
poder superponerla con la cartografía existente. Dicha asignación
de coordenadas de los 30 puntos de control por imagen, se efectúa
basándose en la georreferenciación in situ de las visitas a
las fincas en estudio, o determinando puntos singulares en un mapa
digital u ortofotografía de la zona.
Con los valores digitalizados asignados a cada
píxel (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 faciliten la
discriminación entre las superficies de cultivo con o sin
infestaciones de malas hierbas. Se determinan los valores digitales
medios y la desviación estándar de los píxeles correspondientes a
los rodales de nerdo georreferenciados en campo y localizados en
cada imagen. Los Niveles Digitales Frontera (NDF) se obtienen
sumando y restando el valor de la desviación estándar al valor
medio obtenido en los píxeles empleados para este fin (denominados
píxeles de entrenamiento). En total se emplean 220 píxeles de
entrenamiento en cada parcela para obtener los NDF que caracterizan
los rodales de nerdo. Los NDF obtenidos se aplican al total de la
imagen, siguiendo, por tanto, un método de separación entre dos
clases: Zonas infestadas con rodales de mala hierba (nerdo), zonas
libres de malas hierbas. Por su parte, otros rodales
georreferenciados en campo y localizados en las imágenes se emplean
para determinar 550 píxeles por cada clase, denominados píxeles
verdad terreno, y que son empleados para validar la exactitud de
las imágenes clasificadas obtenidas. A las imágenes clasificadas se
aplica un filtro de 3 x 3 de paso bajo o de mediana, con el
objetivo de suavizar la clasificación y eliminar los píxeles
aislados. Los filtros digitales consisten en un operador local que
se aplica a una imagen, en el que el valor digital de los píxeles
se transforman en la media ponderada de los valores digitales de
los píxeles vecinos. Comparando la imagen clasificada y el mapa
verdad-terreno, se calcula la matriz de confusión
que determina la coincidencia (o, al contrario, la confusión) entre
píxeles de la misma clase (Congalton, 1991; Andreasen et
al., 1997). 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%.
El proceso de la imagen permite la estimación
global de la superficie de cada uno de los usos de suelo
clasificados. También permite su parcelación o división en
subparcelas o microparcelas, y la estimación del área infestada de
cada una de las subparcelas. Dicha estimación global del área
clasificada como infestada de malas hierbas respecto a toda la
parcela 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
convencional.
La discriminación de los rodales de nerdo en
girasol se facilita cuando el tamaño de dicho rodal es superior a
cuatro veces la resolución espacial de la imagen digital. Utilizando
la presente invención (con fotografía aérea) es posible discriminar
rodales de al menos 1 m^{-2} 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.
El procedimiento objeto de la invención se ha
aplicado en las parcelas de girasol Matabueyes, término
municipal de Córdoba, en 2003, y en la parcela Santa Cruz,
término municipal de Córdoba (cercano a la aldea de Santa Cruz), en
2004. La superficie de dichas parcelas era de 42 hectáreas (ha) y
28 ha, respectivamente, ambas cultivadas de girasol. Se utilizaron
fotografías aéreas en color-convencional (bandas
azul, verde y rojo) e infrarrojo-color (bandas
verde, rojo e infrarrojo-cercano) tomadas a mediados
de los meses de mayo, junio y julio. Se determinaron los estados de
crecimiento del cultivo y la mala hierba en cada momento de captura
de las imágenes. En dichos cultivos de girasol se ha discriminado
las áreas o rodales infestados de la mala hierba nerdo (Ridolfia
segetum Moris), y las áreas o rodales no infestados de malas
hierbas (Figuras 1 y 2). Se estudiaron las cuatro bandas
disponibles: Azul (B), Verde (G), Roja (R) e Infrarroja (NIR), y los
siguientes índices de vegetación: NDVI =
(NIR-R)/(NIR+R), RVI = NIR/R, RB = RIB, VNVI =
(NIR-G)/(NIR+G), ANVI =
(NIR-A)/(NIR+A). Los intervalos de los niveles
digitales frontera definidos para cada uno de ellos se indican en la
Tabla 1. A las imágenes clasificadas en el mes de junio se aplicó
un filtro de mediana para suavizar la clasificación y eliminar los
píxeles aislados.
Según se observa en la Tabla 1, los mejores
porcentajes de exactitud global corresponden a las imágenes tomadas
en la segunda quincena del mes de junio, para las dos parcelas
estudiadas, cuando el girasol se encuentra en su estado fenológico
de capítulos abiertos con brácteas amarillas, y el nerdo en su
estado fenológico de umbelas abiertas amarillentas, con una altura
mayor que el girasol.
\newpage
Para las imágenes tomadas en junio, de todos los
índices de vegetación analizados, el RB proporcionó los mejores
resultados (Tabla 1). Así, utilizando el índice de vegetación RB
con las imágenes tomadas en el mes de junio, se ha estimado que el
área infestada de nerdo fue del 19,00% y del 16,35%, con unas
exactitudes del 86,45% y del 98,73%, en las fincas de Matabueyes y
Santa Cruz, respectivamente.
En la Figura 1 se muestra una vista de la finca
Matabueyes, con un área de 3.40 ha, conformada por microparcelas de
20 x 20 m. Dicha imagen (tomada en junio) es el resultado de la
transformación de la fotografía en
color-convencional original mediante el índice de
vegetación Rojo/Azul. En este caso, la discriminación de los rodales
de nerdo se definió con unos valores digitales frontera del índice
de vegetación de 1.540 a 1.900 (Tabla 1), resultando un porcentaje
de superficie infestado de rodales de nerdo del 19.00%, con una
exactitud global del 86.45%. Las zonas grises indican girasol no
infestado de nerdo, mientras que las zonas negras son zonas del
cultivo infestadas de nerdo. El aspecto de las zonas infestadas se
corresponde con lo observado en campo.
En la Figura 2 se muestra una vista de la finca
Santa Cruz (área 2.60 ha; cuadriculas de 20 x 20 m.), las imágenes
tomadas en junio, con las dos zonas clasificadas en base al índice
de vegetación Rojo/Azul: infestadas de nerdo (en negro), con valores
digitales frontera de 2.000 a 3.340, y la de zona libre de
infestación de malas hierbas, en color gris. La exactitud global
fue del 98.73%. De acuerdo con las estimaciones globales, un 16,35%
de la finca hubiera requerido tratamiento de fitosanitarios
herbicidas al estar infestada de nerdo. Por lo anterior, estas
técnicas de precisión en dicha parcela hubieran producido un ahorro
de un 83,65% del producto (más ahorro de tiempo, combustible y
desgaste de la maquinaria), aproximadamente.
- - 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/estadísticas/.
- - 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.
- -
Carranza-Cañadas, P. 1993. Demografía
y umbrales de competitividad de Ridolfia segetum Moris en la
rotación trigo (Triticum aestivum L.)/girasol (Helianthus
annuus L.). Tesis Doctoral. Univ. de Córdoba. 156 pp.
- - 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.
- - 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.
- - 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.
- - 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.
- -
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, Brussels, 270,
1-69.
- - Reglamento del Consejo Europeo
796/2004. Laying down detailed rules for the implementation of
cross-compliance, modulation and the integrated
administration and control system provided for in of Council
Regulation (EC) No 1782/2003 establishing common rules for direct
support schemes under the common agricultural policy and
establishing certain support schemes for farmers. Official Journal
of the European Union, Brussels, 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.
\newpage
- - 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 (14)
1. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo en cultivos de girasol
mediante teledetección que comprende las siguientes etapas:
a) toma de la imagen aérea de tipo color
convencional y/o infrarrojo color, analógicas o digitales,
digitalización de las analógicas, y análisis de imagen,
b) georreferenciación mediante GPS diferencial
de puntos de control para asignar las coordenadas a las imágenes
aéreas, y de puntos de muestreo de rodales de nerdo y zonas de
girasol sin infestación para la clasificación de la imagen y su
posterior validación.
c) separación de las bandas que componen el
espectro visible (azul: A, verde: V y rojo: R) e infrarrojo cercano
(NIR) a partir de la imagen original y obtención de los valores
digitales que caracterizan cada píxel,
d) cálculo de índices de vegetación basados en
las bandas separadas en el apartado c)
e) definición de los niveles digitales frontera
que caracterizan los rodales de mala hierba, mediante determinación
de los valores medios y desviación estándar de los niveles
digitales de los puntos de muestreo obtenidos en el apartado b), O
clasificación de la imagen por separación de clases, basada en los
niveles digitales frontera definidos en el apartado e),
g) Aplicación de un filtro digital de 3 x 3 de
paso bajo o de mediana a la imagen obtenida en el apartado f)
h) selección de índices de vegetación mediante
la determinación de la exactitud global de la clasificación y de la
exactitud particular de los rodales de nerdo, según el método de la
matriz de confusión, usando como verdad terreno los píxeles de
validación obtenidos en el apartado b).
i) Ajuste de los niveles digitales frontera
según los resultados del apartado h), con el objetivo de optimizar
la discriminación de las infestaciones.
j) localización geográfica de los rodales de
mala hierba, determinación de la superficie a tratar y el
porcentaje de reducción en la aplicación del tratamiento.
k) Subdivisión de las parcelas en microparcelas
en función de la anchura de tratamiento (por ejemplo
20-25 m de lado)
l) Determinación de la superficie total y el
porcentaje de cada uno de los usos de suelo a nivel global y por
microparcela
caracterizado porque las imágenes aéreas
se toman entre 8 y 12 semanas después de la siembra del cultivo,
preferentemente entre 10 y 11 semanas después de la siembra del
cultivo.
2. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según la
reivindicación 1 caracterizado porque la imagen aérea es una
imagen de satélite.
3. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según la
reivindicación 1 caracterizado porque la imagen aérea es una
fotografía aérea o una imagen digital aerotransportada.
4. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según cualquiera de
las reivindicaciones anteriores caracterizado porque la
exactitud global o precisión en la clasificación proporcionada es al
menos de un 85%.
5. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según cualquiera de
las reivindicaciones anteriores caracterizado porque los
índices de vegetación utilizados son NDVI, RVI, VNVI, RB y ANVI, y
preferentemente el índice de vegetación R/B (Rojo/Azul).
6. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según la
reivindicación 1, caracterizado porque la imagen aérea se
adquiere cuando el girasol se encuentra en su estado fenológico de
capítulos abiertos con brácteas amarillas, y el nerdo en su estado
fenológico de umbelas abiertas amarillentas.
7. Procedimiento para la discriminación y mapeo
de los rodales de las infestaciones de nerdo según la
reivindicación 6, caracterizado porque las imágenes aéreas se
toman en la segunda quincena del mes de junio para las condiciones
climáticas Andalucía occidental.
8. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7, para discriminar los
siguientes usos de suelo: zonas infestadas con rodales de la mala
hierba nerdo y zonas de girasol libres de infestaciones.
9. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7 para cuantificar el
porcentaje de superficie ocupada por los rodales de las
infestaciones de la mala hierba nerdo y por el cultivo de girasol
no infestado de malas hierbas.
10. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7 para diseñar e implementar
un programa de agricultura de precisión relativo a la aplicación de
fitosanitarios herbicidas en el cultivo de girasol.
11. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7 para programar la
aplicación de herbicidas sólo en los rodales infestados de nerdo
(discriminados previamente), de manera selectiva, dirigida,
controlada, y respetuosa con el medio ambiente.
12. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7 para comprobar la
realización de buenas prácticas agrícolas en relación a la
aplicación de herbicidas en el cultivo de girasol.
13. Utilización de un procedimiento según las
reivindicaciones 1 a 7 para el seguimiento de la utilización de
tecnologías de control de la mala hierba nerdo mediante la
aplicación de herbicidas específicos y selectivos en el cultivo de
girasol.
14. Utilización de un procedimiento según
cualquiera de las reivindicaciones 1 a 7 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 |
---|---|---|---|
ES200600062A ES2318930B1 (es) | 2006-01-11 | 2006-01-11 | Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200600062A ES2318930B1 (es) | 2006-01-11 | 2006-01-11 | Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2318930A1 ES2318930A1 (es) | 2009-05-01 |
ES2318930B1 true ES2318930B1 (es) | 2010-02-03 |
Family
ID=40560322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200600062A Expired - Fee Related ES2318930B1 (es) | 2006-01-11 | 2006-01-11 | Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. |
Country Status (1)
Country | Link |
---|---|
ES (1) | ES2318930B1 (es) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2244883B (en) * | 1990-06-05 | 1994-03-23 | Marconi Gec Ltd | Determination of a crop parameter |
US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
US6529615B2 (en) * | 1997-10-10 | 2003-03-04 | Case Corporation | Method of determining and treating the health of a crop |
EP1411758B1 (en) * | 2001-07-24 | 2009-03-11 | The Board Of Regents For Oklahoma State University | A process for in-season nutrient application based on predicted yield potential |
JP3577513B2 (ja) * | 2001-09-28 | 2004-10-13 | 独立行政法人農業・生物系特定産業技術研究機構 | 作物の位置を検出する画像処理方法 |
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
-
2006
- 2006-01-11 ES ES200600062A patent/ES2318930B1/es not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
ES2318930A1 (es) | 2009-05-01 |
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. | |
Shang et al. | Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada | |
Cohen et al. | Use of aerial thermal imaging to estimate water status of palm trees | |
Shapira et al. | Field spectroscopy for weed detection in wheat and chickpea fields | |
WO2009156542A1 (es) | Procedimiento automático para seccionar imágenes remotas y caracterizar indicadores agronómicos y ambientales en las mismas | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
PEÑA‐BARRAGÁN et al. | Mapping Ridolfia segetum patches in sunflower crop using remote sensing | |
Cheng et al. | Detection of diurnal variation in orchard canopy water content using MODIS/ASTER airborne simulator (MASTER) data | |
Pôças et al. | An evaluation of changes in a mountainous rural landscape of Northeast Portugal using remotely sensed data | |
Camoglu et al. | Use of infrared thermography and hyperspectral data to detect effects of water stress on pepper | |
Reis et al. | Detection of current and potential hazelnut plantation areas in Trabzon, North East Turkey using GIS and RS | |
Moharana et al. | Estimation of water stress variability for a rice agriculture system from space-borne hyperion imagery | |
Awika et al. | Prediction modeling for yield and water-use efficiency in spinach using remote sensing via an unmanned aerial system | |
WO2005122744A1 (es) | Procedimiento para la discriminación de usos de suelo y cuantificación de cubiertas vegetales mediante teledetección con fotografía aérea. | |
Chai et al. | Garlic mapping for sentinel-2 time-series data using a random forest classifier | |
Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
RU2657363C1 (ru) | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования | |
Tlapáková et al. | Use of remote sensing for identification and description of subsurface drainage system condition | |
ES2318930B1 (es) | Procedimiento para la discriminacion y mapeo de los rodales de nerdo en cultivos de girasol mediante teledeteccion. | |
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 | |
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 | |
Dos Reis et al. | Exploring the potential of high-resolution planetscope imagery for pasture biomass estimation in an integrated crop–livestock system | |
ES2303476B1 (es) | Procedimiento para la obtencion automatica de indicadores agronomicos y ambientales de plantaciones de arboles mediante teledeteccion. | |
ES2249159B1 (es) | Procedimiento para la discriminacion y cuantificacion de olivar con cubiertas vegetales mediante teledeteccion con sensores de alta resolucion espacial. | |
ES2481348B1 (es) | Procedimiento para la normalización automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20090501 Kind code of ref document: A1 |
|
FG2A | Definitive protection |
Ref document number: 2318930B1 Country of ref document: ES |
|
FD2A | Announcement of lapse in spain |
Effective date: 20180912 |