Optimización de la evaluación de pastos mediante la implementación de imágenes multiespectrales y vehículo aéreo no tripulado

Diego Alfonso Pelaez Carrillo; Oscar Eduardo Gualdron Guerrero; Ivaldo Torres Chavez

doi:10.24054/rcta.v1i43.2850

Autores/as

Diego Alfonso Pelaez Carrillo Universidad de Pamplona https://orcid.org/0000-0001-5275-606X
Oscar Eduardo Gualdron Guerrero Universidad de Pamplona https://orcid.org/0000-0002-7854-6842
Ivaldo Torres Chavez Universidad de Pamplona https://orcid.org/0000-0003-4409-2616

DOI:

https://doi.org/10.24054/rcta.v1i43.2850

Palabras clave:

Imágenes multiespectrales, vehículo aéreo no tripulado, Análisis de reflectancia, Sensores remotos, Índices de vegetación, NDVI, agricultura de precisión

Resumen

Este artículo desarrolla una forma de optimizar la evaluación de pastos utilizando vehículos aéreos no tripulados (UAV) y el análisis de imágenes multiespectrales. La investigación se llevó a cabo en el Municipio de Pamplona, Colombia, con el objetivo de comprender y documentar el crecimiento y evolución del pasto en áreas agrícolas. La metodología utilizada en la investigación incluyó la zonificación del terreno para identificar condiciones favorables para el estudio, de tal manera que se pudiera garantizar que existieran áreas adecuadas para observar el desarrollo del pasto y facilitar el acceso a los instrumentos experimentales. Se destacan aspectos importantes como la obtención de puntos GPS en tierra con el fin de crear polígonos que se disponen como el área de estudio y que permitirán la planificación de vuelos de vehículos aéreos no tripulados (UAV), que dan paso al uso de software de gestión de vuelos autónomos. La adquisición de imágenes multiespectrales se da gracias al uso de cámaras multiespectral incorporadas en el UAV, capaces de registrar información en múltiples bandas espectrales dentro y fuera del espectro visible, como el infrarrojo cercano y el borde de rojo. El análisis estadístico proporcionó una visión detallada de las condiciones agrícolas al revelar correlaciones significativas entre el Índice de Vegetación Normalizado (NDVI) y varios parámetros del suelo como el potasio (K) y el fosforo (P). Este método innovador proporciona datos y visualizaciones precisos que ayudan a tomar decisiones sobre la gestión sostenible de pastos en la región.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Food and Agriculture Organization of the United Nations, “Scaling up Climate Ambition on Land Use and Agriculture through Nationally Determined Contributions and National Adaptation Plans (SCALA),” Rome, Italy, 2024.

R. Cueto Morelo, J. Atencio Flórez, and J. E. Gómez Gómez, “Sistema de identificación enfermedades y plagas en el cultivo de sandía,” REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), vol. 2, no. 42, pp. 96–107, Dec. 2023, doi: 10.24054/rcta.v2i42.2674.

A. Cilluffo and N. Ruiz, “World’s population is projected to nearly stop growing by the end of the century,” Pew Research Center.

J. D. Herrera Galviz and J. C. Hernández Criado, “Análisis de sanidad vegetal de cultivos próximos al distrito de riego asudra del municipio de ábrego – norte de santander, a partir de imágenes de drone,” REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), vol. 1, no. 35, pp. 16–25, Jul. 2023, doi: 10.24054/rcta.v1i35.37.

L. Deng, Z. Mao, X. Li, Z. Hu, F. Duan, and Y. Yan, “UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 146, pp. 124–136, 2018, doi: 10.1016/j.isprsjprs.2018.09.008.

N. Bagheri and J. Kafashan, “UAV-based remote sensing in orcha-forest environment; diversity of research, used platforms and sensors,” Remote Sens Appl, vol. 32, p. 101068, 2023, doi: 10.1016/j.rsase.2023.101068.

L. D. Gualdrón Guerrero, O. E. Gualdrón Guerrero, and M. Maestre Delgado, “Evolución y recuperación de pasturas para optimizar los rendimientos nutricionales de los semovientes interpretando los índices de vegetación normalizada usando levantamientos multiespectrales,” REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), vol. 2, no. 42, pp. 105–114, Dec. 2023, doi: 10.24054/rcta.v2i42.2701.

A. D. Boursianis et al., “Internet of Things (IoT) and Agricultural Unmanned Aerial Vehicles (UAVs) in smart farming: A comprehensive review,” Internet of Things, vol. 18, p. 100187, 2022, doi: 10.1016/j.iot.2020.100187.

S. Liu et al., “UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background,” International Journal of Applied Earth Observation and Geoinformation, vol. 121, p. 103383, 2023, doi: 10.1016/j.jag.2023.103383.

G. Dhanush, N. Khatri, S. Kumar, and P. K. Shukla, “A comprehensive review of machine vision systems and artificial intelligence algorithms for the detection and harvesting of agricultural produce,” Sci Afr, vol. 21, p. e01798, 2023, doi: 10.1016/j.sciaf.2023.e01798.

P. H. A. Martins et al., “Estimating spray application rates in cotton using multispectral vegetation indices obtained using an unmanned aerial vehicle,” Crop Protection, vol. 140, p. 105407, 2021, doi: 10.1016/j.cropro.2020.105407.

Q. Cao et al., “Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis,” Comput Electron Agric, vol. 202, p. 107360, 2022, doi: 10.1016/j.compag.2022.107360.

E. Cordero, L. Longchamps, R. Khosla, and D. Sacco, “Joint measurements of NDVI and crop production data-set related to combination of management zones delineation and nitrogen fertilisation levels,” Data Brief, vol. 28, p. 104968, 2020, doi: 10.1016/j.dib.2019.104968.

Y. Zhang et al., “Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image,” Comput Electron Agric, vol. 192, p. 106617, Jan. 2022, doi: 10.1016/j.compag.2021.106617.

D. A. Pelaez Carrillo, O. E. Gualdron Guerrero, and A. E. Capacho Mogollon, Soluciones tecnológicas para el desarrollo de la agricultura de precisión a través de imágenes multiespectrales, 1st ed. Pamplona, Colombia: Universidad de Pamplona, 2023.

C. Davidson, V. Jaganathan, A. N. Sivakumar, J. M. P. Czarnecki, and G. Chowdhary, “NDVI/NDRE prediction from standard RGB aerial imagery using deep learning,” Comput Electron Agric, vol. 203, p. 107396, Dec. 2022, doi: 10.1016/J.COMPAG.2022.107396.

T. Duan, S. C. Chapman, Y. Guo, and B. Zheng, “Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle,” Field Crops Res, vol. 210, pp. 71–80, 2017, doi: 10.1016/j.fcr.2017.05.025.

M. A. Kaljahi et al., “An automatic zone detection system for safe landing of UAVs,” Expert Syst Appl, vol. 122, pp. 319–333, 2019, doi: 10.1016/j.eswa.2019.01.024.

S. V Gaikwad, A. D. Vibhute, K. V Kale, and S. C. Mehrotra, “An innovative IoT based system for precision farming,” Comput Electron Agric, vol. 187, p. 106291, 2021, doi: 10.1016/j.compag.2021.106291.

H. Li, G. Li, Y. Ye, and L. Lin, “A high-efficiency acquisition method of LED-multispectral images based on frequency-division modulation and RGB camera,” Opt Commun, vol. 480, p. 126492, 2021, doi: 10.1016/j.optcom.2020.126492.