Utilización de imágenes de satélite y drones en horticultura

La fotogrametría es la ciencia, arte y técnica de obtener información fiable de los objetos y su entorno mediante el registro, medida e interpretación de imágenes fotográficas y datos obtenidos a partir de energía electromagnética radiante y otros fenómenos. Desde ese punto de vista, una fotografía aérea o tomada desde una plataforma espacial sirve principalmente para dos propósitos: reconocimiento e ilustración. El dicho ‘una imagen vale más que mil palabras’, se aplica particularmente al caso que nos ocupa, puesto que en los últimos años se ha evolucionado rápidamente una disciplina llamada teledetección, o detección remota, que pretende detectar fenómenos en las fotografías en función de la energía captada en dichas imágenes.

Los trabajos actualmente en el campo de la teledetección se están centrando en poder relacionar información fisiológica de los cultivos con la energía reflejada por los cultivos a distintas longitudes de onda. En el presente trabajo se expone la metodología en la que se fundamenta la teledetección, así como ejemplos de aplicación a diversos cultivos hortícolas en los que se está trabajando.

A continuación, se describe la metodología a emplear para poder conocer el estado fisiológico/nutricional/sanitario de los cultivos en función de la información presente en las imágenes tomadas desde drones y/o satélites.

2.1 Fundamento

En la Figura 1 se muestran los componentes involucrados en la teledetección, que son:

• A. El primer requerimiento supone disponer de una fuente de energía que ilumine o provea energía al objeto de interés (cultivo, bosque, mar, ciudad, etc.). El caso más habitual consiste en que esa fuente sea el Sol, aunque dependiendo del tipo de sensor utilizado, podría utilizarse una fuente de radiación artificial.
• B. La radiación, en su ‘viaje’ hacia la Tierra, atraviesa e interacciona con la atmósfera, que es el segundo componente.
• C. Una vez alcanza la superficie terrestre interactúa con los objetos que en ella se encuentran. La radiación reflejada dependerá de las características de esos objetos, permitiendo distinguir a unos de otros.
• D. Un sensor a bordo de un satélite, avión o cualquier aeronave, recoge y graba esa radiación reflejada por la superficie terrestre y la propia atmósfera.
• E. La energía captada por el sensor se transmite a una estación de recepción y procesamiento donde los datos se convierten en imágenes digitales.
• F. La imagen procesada se interpreta, visualmente y/o digitalmente, para extraer información acerca de los objetos que fueron iluminados.
• G. El paso final consiste en aplicar la información extraída de la imagen para conseguir un mejor conocimiento del cultivo de estudio, revelando nuevas informaciones o ayudándonos a resolver un problema particular.

2.2. Selección de la plataforma

Se entiende por plataforma de teledetección, los satélites (LANDSAT, METEOSAT, NOAA, SPOT) o aviones y drones que transportan los aparatos necesarios para captar, almacenar y transmitir imágenes a distancia.

En función de su distancia al suelo podemos distinguir diferentes tipos de plataformas:

• Nivel del suelo o a pocos metros de altura: grúas, vehículos que transportan radiómetros o aparatos fotográficos.
• Entre diez metros y diez kilómetros de altitud: drones, aviones, helicópteros y globos aerostáticos.
• Entre diez y cien kilómetros de altitud: globos estratosféricos
• Entre 200 km y 40.000 km tenemos los satélites: habitados (como la Estación Espacial Internacional) y los satélites automáticos de teledetección.

2.3 Sensores a utilizar

Los sensores de teledetección son instrumentos que transforman la radiación electromagnética en información perceptible y analizable.

Se pueden distinguir dos tipos básicos de sensores:

• Captadores pasivos: detectan la radiación electromagnética emitida o reflejada de fuentes naturales.
• Captadores activos: poseen fuentes internas que generan artificialmente la radiación. Estos sensores pueden operar por la noche, o incluso penetrar nubes.

Los sensores utilizados en teledetección son capaces de detectar y grabar radiaciones de las regiones visibles y no visibles del espectro electromagnético, desde el ultravioleta hasta las microondas (Figura 2).

El visible (VIS) es una pequeña región del espectro electromagnético que apenas abarca desde los 0,4 μm hasta los 0,7 μm. El color azul iría desde 0,4 hasta 0,5 μm, el verde desde 0,5 μm hasta 0,6 μm y el rojo de 0,6 μm a 0,7 μm.

La energía ultravioleta (UV) se encuentra inmediatamente por debajo del color azul.

Por encima del rojo se sitúa la región infrarroja (IR), que a su vez está dividida en tres categorías: IR próximo (NIR) (0,7 - 1,3 μm), IR medio (SWIR) (1,3 - 3 μm) e IR térmico (TIR) (3 - 100 μm).

La porción de microondas se encuentra más allá del IR, a longitudes de onda mucho más grandes (1 mm - 1 m), que son las longitudes de onda más largas usadas en teledetección. De éstas, las más cortas tienen propiedades similares al IR térmico, mientras que las restantes son similares a las usadas en comunicaciones.

En las plataformas utilizadas en teledetección se equiparán uno o varios sensores, cada uno de ellos captará la energía o luz reflejada por los objetos en una longitud de onda concreta. De ese modo definimos la reflectancia espectral como la proporción de energía incidente que es reflejada por una superficie. Por lo tanto, es una magnitud adimensional que puede tomar valores entre 0 y 1 o porcentajes entre 0 y 100%. Para una determinada superficie este parámetro varía en función de la longitud de onda.

Al gráfico de la reflectancia espectral frente a la longitud de onda se le denomina curva de reflectancia espectral o firma espectral (Figura 3). La configuración de estas curvas permite extraer las características espectrales de una superficie y tiene una gran influencia sobre la elección de la región espectral en la cual los datos de teledetección se deben adquirir para una aplicación particular.

Las curvas de reflectancia espectral para la vegetación casi siempre manifiestan los picos y valles que se muestran en la Figura 3. Los valles en la región del visible vienen dados por los pigmentos en las hojas de las plantas. La clorofila absorbe energía fuertemente en las bandas centradas en 0,45 y 0,67 μm. Es por ello que nuestros ojos perciben la vegetación sana de color verde, debido a la gran absorción en azul y rojo por las hojas y la reflexión en el verde.

Cuando el cultivo no está sano, disminuye la clorofila, y el resultado es un incremento de la reflectancia espectral en el rojo, por lo que las hojas se ven con un tono amarillento (mezcla de verde y rojo).

Al llegar al infrarrojo cercano la reflectancia de la vegetación sana aumenta drásticamente. La región 0,7-1,3 μm refleja entre el 40 y el 50% de la energía incidente. El resto de la energía es transmitida casi en su totalidad, ya que en esta región la absorción es menor al 5%. La reflectancia de 0,7 a 1,3 μm es función de la estructura interna de las hojas. Como estas son distintas, nos permite diferenciar distintos tipos de vegetación, o distintos estados fisiológicos del cultivo, aunque en el espectro visible sean muy similares.

Más allá de 1,3 μm, en la zona del infrarrojo medio, la reflectancia de las hojas es inversamente proporcional a su contenido de agua total, por lo que esta región del espectro es útil para detectar estrés hídrico en los cultivos.

2.4. Procesado

El procesamiento de las imágenes digitales consiste en la manipulación numérica de dichas imágenes e incluye:

• Preprocesamiento: consiste en el procesamiento inicial de los datos crudos para corregir las distorsiones de la imagen y eliminar el ruido. Las correcciones que se realizan habitualmente en teledetección son de dos tipos: radiométricas y geométricas.
• Realce y mejora. Entre las técnicas aplicadas para mejorar la interpretación de la imagen están: ajuste del contraste, composiciones coloreadas y filtrado. Con el realce radiométrico se busca un mayor contraste visual. Todas estas técnicas suavizan o refuerzan el contraste, haciendo que los niveles digitales (ND) de la imagen se asemejen o diferencien más de los ND de los píxeles que los rodean. Visualmente, esto se traduce en que se difumine la imagen o se resalten determinados hechos contenidos en ella.
• Clasificación digital. Los ND adquiridos por el sensor no tienen sentido en sí mismos, sino que deben ser interpretados para acceder al conocimiento del cultivo y a la obtención de un mapa temático. Esto se puede realizar mediante análisis visual o por clasificación digital, si bien es esta última la técnica que permite aprovechar todas las ventajas derivadas del procesamiento automático de imágenes. La clasificación supone, en la mayoría de los trabajos de teledetección, la fase culminante del tratamiento digital de imágenes. Clasificar una imagen implica categorizar dicha imagen, de tal forma que el ND de un píxel determina la clase donde debe ser incluido. Por lo tanto, la clasificación digital consiste en asociar los píxeles a grupos tales que representen objetos del mundo real. De ese modo podremos asociar cada pixel a un estado de estrés hídrico concreto, o a un estado fitopatológico, etc.

La teledetección es una técnica que, aunque con ciertas limitaciones, es válida para resolver un número elevado de problemas en horticultura. Por ese motivo, sus aplicaciones están en constante crecimiento. En la actualidad se han realizado diversos estudios y aplicaciones que permiten manejar los cultivos hortícolas. Destaca la obtención de índices de vegetación (Candiago et al., 2015) que permiten diferenciar al cultivo propiamente dicho, y las malas hierbas (Peña et al., 2015) que merman la producción y calidad del cultivo hortícola a obtener. Se han desarrollado además índices de vegetación específicos para obtener los niveles de nutrientes requeridos en una parcela, facilitando así el abonado diferencial según los requerimientos específicos en cada caso (Khanal et al., 2017). En una línea similar al manejo del abonado, se han obtenido un importante número de índices de vegetación que permiten el manejo del estrés hídrico del cultivo, facilitando el manejo del riego (Cancela et al., 2017). El manejo de los principales inputs en una explotación hortícola (agua y nutrientes) ha sido por tanto uno de los aspectos desarrollados con mayor énfasis, tanto a nivel científico como a posteriori por diversas empresas de asesoramiento. No por ello menos relevante, se han llevado a cabo trabajos relacionados con la aplicación de las imágenes al manejo de las enfermedades y plagas, permitiendo la detección temprana de las mismas (Mahlein, 2016). Por último, existe una línea de trabajo relacionado con la detección de patrones de cultivo, de marras, de estimación de vigor, de superficie foliar (Gevaert et al., 2015; Haboudane et al., 2004), … que se presentan de gran utilidad en el sector hortícola, pues facilitan el inventario y conteo de las plantas disponibles, así como una valoración de la calidad del producto, facilitando así la gestión comercial del producto.

Referencias

• Cancela, J.J., Fandiño, M., Rey, B.J., Dafonte, J., González, X.P. (2017). Discrimination of irrigation water management effects in pergola trellis system vineyards using a vegetation and soil index. Agricultural Water Management, 183, 70-77.
• Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M. (2015). Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 7(4), 4026-4047.
• Gevaert, C.M., Suomalainen, J., Tang, J., Kooistra, L. (2015). Generation of spectral–temporal response surfaces by combining multispectral satellite and hyperspectral UAV imagery for precision agriculture applications. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 3140-3146.
• Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote sensing of environment, 90(3), 337-352
• Khanal, S., Fulton, J., Shearer, S. (2017). An overview of current and potential applications of thermal remote sensing in precision agriculture. Computers and Electronics in Agriculture, 139, 22-32.
• Mahlein, A. K. (2016). Plant disease detection by imaging sensors–parallels and specific demands for precision agriculture and plant phenotyping. Plant Disease, 100(2), 241-251.
• Peña, J.M., Torres-Sánchez, J., Serrano-Pérez, A., de Castro, A.I., López-Granados, F. (2015). Quantifying efficacy and limits of unmanned aerial vehicle (UAV) technology for weed seedling detection as affected by sensor resolution. Sensors, 15(3), 5609-5626.