Uso de VANTs equipados con cámaras multiespectrales para el análisis de cultivos de café
Resumen
El uso de Vehículos Aéreos No Tripulados (UAVs) equipados con cámaras espectrales se ha incrementado en los últimos años, especialmente en el sector agrícola ya que permite a los agricultores e investigadores analizar el estado de un cultivo, ya sea para analizar su salud, nutrientes, crecimiento, epidemias, entre otros parámetros. En Colombia, el sector cafetero enfrenta varios desafíos, como la necesidad de incrementar la productividad, el rendimiento y la calidad del café. Este trabajo estimó el estado sanitario de un cultivo variedad Castilla ubicado en San Joaquín, Tambo, Cauca para apoyar la toma de decisiones de los caficultores. Para ello, se midieron datos de clorofila en campo con el dispositivo CCM-200 plus, se capturaron imágenes multiespectrales con la cámara MAPIR SURVEY 3 aerotransportada en un UAV SOLO 3DR y se generaron datos sintéticos para aumentar el conjunto de datos. Se establecieron seis índices de vegetación, los cuales, junto con los valores de clorofila, se modelaron mediante la implementación de regresiones lineales simples y múltiples, árboles de decisión, máquinas vectoriales, bosques aleatorios y k-vecinos más cercanos. El modelo con el mejor rendimiento y el menor error cuadrático medio fue el modelo implementado con máquina de vectores de soporte. De igual forma, los mejores índices de desempeño en los modelos fueron CVI, GNDVI y GCI, los cuales son muy utilizados en agricultura para estimar la clorofila de las plantas.
Palabras clave
agricultura, café, imagenes multiespectrles, datos sintéticos, índices de vegetación
Biografía del autor/a
Natalia Arteaga-López
Rol: Conceptualización; Análisis; Escritura – borrador original.
Carlos Delgado-Calvache
Roles: Conceptualización; Análisis; Escritura – borrador original.
Juan-Fernando Casanova
Roles: Conceptualización; Metodología; Escritura – edición y revisión.
Cristian Figeroa
Rol: Conceptualización; Metodología; Escritura - revisión y edición.
Citas
- J. A. Bolaños, L. Campo, J. C. Corrales, “Characterization in the Visible and Infrared Spectrum of Agricultural Crops from a Multirotor Air Vehicle,” in Cham: Springer International Publishing, 2018, pp. 29–43. https://doi.org/10.1007/978-3-319-70187-5_3 DOI: https://doi.org/10.1007/978-3-319-70187-5_3
- J. Navia, I. Mondragon, D. Patino, J. Colorado, “Multispectral mapping in agriculture: Terrain mosaic using an autonomous quadcopter UAV,” in International Conference on Unmanned Aircraft Systems (ICUAS), pp. 1351–1358, 2016. https://doi.org/10.1109/ICUAS.2016.7502606 DOI: https://doi.org/10.1109/ICUAS.2016.7502606
- T. Duan, S. C. Chapman, Y. Guo, B. Zheng, “Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle,” Field Crops Research, vol. 210, no. 3, pp. 71–80, 2017. https://doi.org/10.1016/j.fcr.2017.05.025 DOI: https://doi.org/10.1016/j.fcr.2017.05.025
- S. Candiago, F. Remondino, M. de Giglio, M. Dubbini, M. Gattelli, “Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images,” Remote Sensing, vol. 7, no. 4, pp. 4026–4047, 2015. https://doi.org/10.3390/rs70404026 DOI: https://doi.org/10.3390/rs70404026
- E. Pino, “Los drones una herramienta para una agricultura eficiente: un futuro de alta tecnología,” Idesia (Arica), vol. 37, pp. 75–84, 2019. https://doi.org/10.4067/s0718-34292019005000402 DOI: https://doi.org/10.4067/S0718-34292019005000402
- B. Kitchenham, Procedures for Performing Systematic Reviews, 2004.
- N. Yu, L. Li, N. Schmitz, L. F. Tian, J. A. Greenberg, B. W. Diers, “Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle-based platform,” Remote Sensing of Environment, vol. 187, pp. 91–101, 2016. https://doi.org/10.1016/j.rse.2016.10.005 DOI: https://doi.org/10.1016/j.rse.2016.10.005
- J. Geipel, J. Link, J. Wirwahn, W. Claupein, “A Programmable Aerial Multispectral Camera System for In-Season Crop Biomass and Nitrogen Content Estimation,” Agriculture, vol. 6, no. 1, p. 4, 2016. https://doi.org/10.3390/agriculture6010004 DOI: https://doi.org/10.3390/agriculture6010004
- V. A. B. Meneses, J. M. Téllez, D. F. A. Velasquez, “Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión,” Ciencia y Tecnología Alimentaria, vol. 13, no. 1, pp. 28–40, 2015. https://doi.org/10.24054/16927125.v1.n1.2015.1647 DOI: https://doi.org/10.24054/01204211.v1.n1.2015.1647
- J. Rojas, C. Devia, E. Petro, C. Martinez, I. Mondragon, D. Patino, C. Rebolledo, J. Colorado, “Aerial mapping of rice crops using mosaicing techniques for vegetative index monitoring,” in International Conference on Unmanned Aircraft Systems (ICUAS), IEEE, pp. 846–855, 2018. https://doi.org/10.1109/ICUAS.2018.8453283 DOI: https://doi.org/10.1109/ICUAS.2018.8453283
- C. Devia, J. Rojas, E. Petro, “High-Throughput Biomass Estimation in Rice Crops Using UAV Multispectral Imagery,” Journal of Intelligent and Robotic Systems: Theory and Applications, vol. 96, no. 3–4, pp. 573–589, 2019. https://doi.org/10.1007/s10846-019-01001-5 DOI: https://doi.org/10.1007/s10846-019-01001-5
- Sngular, CRISP-DM: La metodología para poner orden en los proyectos. https://www.sngular.com/es/data-science-crisp-dm-metodologia/
- A. Azevedo, M. F. Santos, KDD, SEMMA and CRISP-DM: a parallel overview, 2008. https://recipp.ipp.pt/handle/10400.22/136
- J. Wijitdechakul, S. Sasaki, Y. Kiyoki, C. Koopipat, “UAV-based multispectral image analysis system with semantic computing for agricultural health conditions monitoring and real-time management,” in International Electronics Symposium, IEEE, pp. 459–464, 2017. https://doi.org/10.1109/ELECSYM.2016.7861050 DOI: https://doi.org/10.1109/ELECSYM.2016.7861050
- E. Aldana-Jague, G. Heckrath, A. Macdonald, B. van Wesemael, K. van Oost, “UAS-based soil carbon mapping using VIS-NIR (480–1000nm) multi-spectral imaging: Potential and limitations,” Geoderma, vol. 275, pp. 55–66, 2016. https://doi.org/10.1016/j.geoderma.2016.04.012 DOI: https://doi.org/10.1016/j.geoderma.2016.04.012
- M. O. S. Park, A. Nolan, D. Ryu, S. Fuentes, E. Hernandez, “Estimation of crop water stress in a nectarine orchard using high-resolution imagery from unmanned aerial vehicle (UAV) S,” Remote Sens (Basel), vol. 9, no. 8, p. 828, 2015. DOI: https://doi.org/10.3390/rs9080828
- I. L Castillejo-González, F. López-Granados, A. García-Ferrer, J. M. Peña-Barragán, M Jurado-Expósito, M. S. de la Orden, M. González-Audicana, “Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery,” Computers and Electronics in Agriculture, vol. 68, no. 2, pp. 207–215, 2009. https://doi.org/10.1016/j.compag.2009.06.004 DOI: https://doi.org/10.1016/j.compag.2009.06.004
- D. B. Marin, M. de Carvalho Alves, E. A. Pozza, L. L. Belan, M. L. de Oliveira Freitas, “Multispectral radiometric monitoring of bacterial blight of coffee,” Precision Agriculture, vol. 18, e0123456789, 2018. https://doi.org/10.1007/s11119-018-09623-9 DOI: https://doi.org/10.1007/s11119-018-09623-9
- D. D. W. Ren, S. Tripathi, L. K. B. Li, “Low-cost multispectral imaging for remote sensing of lettuce health,” Journal of Applied Remote Sensing, vol. 11, no. 1, e016006, 2017. https://doi.org/10.1117/1.JRS.11.016006 DOI: https://doi.org/10.1117/1.JRS.11.016006
- S. Bolanos, “Integrating GIS and remote sensing for coffee mapping Sandra,” in XII SELPER Symposium, 2006, pp. 1–11.
- T. Dong, J. Shang, J. M. Chen, J. Liu, B. Qian,B. Ma, M. Morrison, J. Malcolm, C. Zhang,Y Liu, Y. Shi, H. Pan, G. Zhou, “Assessment of Portable Chlorophyll Meters for Measuring Crop Leaf Chlorophyll Concentration,” Remote Sens (Basel), vol. 11, e2706, 2019. DOI: https://doi.org/10.3390/rs11222706
- Anonimo, Gretel. https://gretel.ai/