Estimación del índice del área foliar en cebada mediante el empleo de vehículos aéreos no tripulados (VANT)

La monitorización del crecimiento y desarrollo del cultivo es una herramienta fundamental en la modelación ya que permite evaluar las etapas fenológicas más críticas. El índice de área foliar (IAF), definido como la superficie foliar por unidad de superficie (Watson, 1947), resulta un elemento clave en la caracterización de estas etapas; ya que está directamente implicado en procesos biológicos, fisiológicos y ambientales, como fotosíntesis, transpiración, intercepción de la radiación y balance de energía (Kucharik y col., 1998). En general la medida directa del IAF es destructiva y consume mucho tiempo, además raramente puede ser repetida en el tiempo y en el espacio.

Numerosos aspectos acerca del manejo de cultivos resultan susceptibles a la observación aérea. La aplicación de vehículos aéreos no tripulados (VANT) ofrece numerosas ventajas frente a vehículos aéreos convencionales para la toma de imágenes, por su pequeño tamaño, bajo peso y velocidad de vuelo, amplio rango y altura de vuelo. Por tanto, el uso de VANTs ofrece nuevas alternativas para la agricultura en el marco de las aplicaciones de las imágenes de alta resolución en tiempo real (Herwitz y col., 2004). La información derivada de las imágenes recogidas por sensores de abordo, como el grado de cobertura verde (GCV) del cultivo permite establecer relaciones con índices de vegetación, más complejos de medir directamente, como el IAF o la biomasa, siendo muy útil para la toma de decisiones en el manejo del cultivo, la predicción de cosecha y la protección del medio ambiente (Zhang y Kovacs, 2012).

El objetivo de este trabajo es la aplicación y tratamiento de imágenes de alta resolución obtenidas con VANT en la determinación de parámetros de crecimiento vegetal para el cultivo de cebada en la Mancha Oriental.

Las ventajas e inconvenientes derivadas de la utilización de un tipo u otro de aeronave dependerán principalmente del objetivo de su aplicación, debiendo existir un equilibrio entre facilidad de vuelo, estabilidad frente al viento, distancias cubiertas y requerimientos de aterrizaje y despegue.

Para este estudio ha sido utilizado un microdrone de tipo cuadracóptero, md-400 (Microdrones, Inc., Kreuztal/Alemania), de aterrizaje y despegue vertical (Figura 1). La obtención de imágenes de espectro visible se realizó mediante una cámara digital automática Pentax Optio A40.

El estudio se centra en la Mancha Oriental, situada en el extremo oriental de la llanura manchega, que en su conjunto constituye una de las mayores áreas regables de Castilla-La Mancha, con más de 100.000 ha regadas. La experimentación en campo se localiza en Chinchilla de Montearagón (Albacete) en una parcela comercial de cebada de invierno en secano de 30,7 ha. La cebada variedad ‘Albacete’ fue sembrada el 21 de octubre de 2011 (300 plantas/m²) con un rendimiento final de 2.700 kg/ha. La duración completa del ciclo fue de 203 días después de la emergencia (DDE).

Con el objetivo de determinar el área foliar (AF) en el laboratorio, se realizaron cinco vuelos a lo largo del ciclo con toma fotografías digitales aéreas desde el VANT y de muestras a pie de campo. Del área total de vuelo se consideró una superficie de muestreo de 1.000 m². En cada vuelo se muestrearon tres parcelas de 1 m², seleccionadas mediante el método del hipercubo latino, donde se recogieron cinco plantas, lo que responde a la necesidad de representar la variabilidad espacial existente en la parcela. La selección de las fechas de muestreo se realizó haciendo coincidir los muestreos con los principales estadios fenológicos de la cebada y sus cambios más significativos en cuanto al GCV (Feller y col., 1995). Una vez en el laboratorio se determinaron entre otros parámetros los valores de AF (LI-COR-3100C), pudiendo establecerse el IAF a partir del conteo del número de plantas totales existente en cada una de las parcelas de muestreo.

El tratamiento de las imágenes RGB de alta resolución para la obtención de los valores de GCV capturadas durante los muestreos se lleva a cabo con LAIC software (Leaf Area Index Calculation) desarrollado en MATLAB (Córcoles y col., 2013). El análisis de estas imágenes parte del estudio de los niveles de RGB de una porción seleccionada de la imagen mediante su transformación al espacio de color L*a*b para un entrenamiento supervisado (cluster k-means), con el objetivo de distinguir entre la parte aérea del cultivo y el resto de colores, como sombras, suelo y piedras. El software permite la selección manual de la combinación de cluster que mejor represente el GCV del cultivo. Los resultados se presentan como tres imágenes RGB: una de ellas muestra la porción de la imagen seleccionada para su análisis, la segunda muestra los valores RGB de los pixeles correspondientes a la combinación de cluster seleccionada y la tercera mostraría la combinación de cluster no seleccionada (Figura 2). Este método supervisado es la base de calibración de una estructura de Redes Neuronales Artificiales (RNA) que permitirá aplicar el modelo al resto de la imagen o incluso a otras imágenes.

Los valores de IAF y GCV obtenidos muestran una gran variabilidad, con valores de IAF entre 0,07 y 0,80 m² hoja m^-2 suelo. Estos valores se relacionan con valores de GCV de 30,7% al final de la etapa de establecimiento y de 57% durante el periodo de máximo crecimiento vegetativo. A partir de este momento se observa un descenso del GCV, que determina el inicio de la floración del cultivo (Tabla 1).

Tras el análisis de los modelos estudiados, el modelo polinomial de tercer orden se muestra como el más adecuado en la descripción de las relaciones GCV-IAF, con un coeficiente de ajuste superior a 0,942 y un alto nivel significación (p-valor< 0,001) (Figura 3).

El estudio de la evolución del IAF y del GCV del cultivo a lo largo del ciclo muestra como ambos parámetros presentan tendencias similares (Figura 4). En ambos casos, la representación de estos parámetros a lo largo del ciclo fenológico encuentra su mejor ajuste con el empleo de modelos polinomiales de tercer orden. Cabe destacar, cómo el IAF se sitúa en el entorno del máximo (0,80 m² hoja m^-2 suelo) a partir de los 134 DDE, para un GCV del 57%, lo que indicaría que el cultivo alcanza valores de IAF máximos durante la etapa de crecimiento vegetativo. Comenzando a observarse un acentuado descenso tanto en el GCV como en los valores de IAF a partir de 173 DDE, coincidiendo con el inicio de la floración.

El empleo de imágenes de alta resolución obtenidas con VANTs junto al adecuado tratamiento de las mismas, debe ser considerado como una útil herramienta para el seguimiento del crecimiento y desarrollo del cultivo, en los servicios de asesoramiento al regante sobre necesidades hídricas, predicción de rendimientos y control de plagas y enfermedades, entre otras aplicaciones.

Las relaciones entre el GCV y el IAF del cultivo a lo largo del ciclo fenológico son representadas por modelos polinomiales de tercer orden, observándose cómo los valores máximos respecto al GCV son alcanzados de forma simultánea a los del IAF.

La calibración de esta metodología debe ampliarse con su aplicación a otras zonas regables y a otros cultivos. Las mejoras a alcanzar en el empleo de VANTs pasan por una disminución en sus costes de adquisición, un aumento de la autonomía de vuelo y una disminución en el peso de los sensores de abordo.

Agradecimientos

Los autores agradecen la financiación recibida a través del proyecto PEII-2014-011-P Project del Gobierno Regional de Castilla-La Mancha. También agradecen al Ministerio de Educación por su financiación a través de una Beca de Formación de Profesorado Universitario (FPU) del Programa Nacional de formación de Recursos Humanos de Investigación, en el marco del Plan Nacional de Investigación Científica, Desarrollo e Innovación Tecnológica 2008-2011 (EDU/3083/2009) en la que se enmarca este trabajo.

Referencias Bibliográficas

• Córcoles, J.I., Ortega, J.F., Hernández, D., Moreno, M.A. (2013) Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle. Biosystem Engineering 45, 96-104.
• Feller, C.H., Bleiholder, L, Buhr, L., Hack, H., Hess, M., Klose, R., Meier, U., Stauss, R., Van den Boom, T., Weber, E. (1995) Phänologische Entwicklungsstadien von Gemüsepflanzen: I. Zwiebel. Wurzel-, Knollen-und Blattgemüse 47,193–206.
• Herwitz, S.R., Johnson, L.F., Dunagan, S.E., Higgins, R. G., Sullivan, D. V., Zheng, J., Lobitz, B. M., Leung, J. G., Gallmeyer, B. A., Aoyagi, M. (2004) Imaging from an unmanned aerial vehicle: agricultural surveillance and decision support. Computers and Electronics in Agriculture 44,49–61.
• Kucharik, C.J., Norman, J.M., Gower, S.T. (1998) Measurements of branch area and adjusting leaf area index indirect measurements. Agricultural and Forest Meteorology 91,69–88.
• Watson, D.J. (1947) Comparative Physiological Studies on the Growth of Field Crops: I. Variation in Net Assimilation Rate and Leaf Area between Species and Varieties, and within and between Years. Annals of Botany 11,41–76.
• Zhang, C., Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture 13(6),693-712.