Posicionamos su web SEO / SEM
El flujo de trabajo y el algoritmo aquí presentado constituyen una importante innovación en el ámbito de la agricultura de precisión, y más concretamente dentro del control localizado de malas hierbas

Uso de imágenes procedentes de un vehículo aéreo no tripulado (UAV) para cartografía de objetivos agronómicos

Jorge Torres Sánchez, José Manuel Peña Barragán y Francisca López Granados (Grupo de Teledetección y Agricultura de Precisión del IAS-CSIC)20/09/2013
La tecnología basada en un Vehículo Aéreo No Tripulado que se describe a continuación es extraordinariamente versátil lo que permite que sea extrapolable a diferentes objetivos agronómicos, medioambientales o de otra índole que requieran una cartografía del terreno. Este trabajo fue premiado en el 9th European Conference on Precision Agriculture-2013 donde se reunieron más de 300 investigadores de los 5 continentes y se expusieron más de 100 trabajos I+D+i.

Introducción

La agricultura de precisión se basa en el análisis de la variabilidad intraparcelaria de factores abióticos (suelo, drenajes, estrés hídrico) y bióticos (malas hierbas, plagas, hongos, cosecha) existentes en los campos de cultivo. Para dicho análisis es necesario localizar la variable objeto de interés mediante la utilización de GPS, sensores diversos y el apoyo de ordenadores. El objetivo es diferenciar subparcelas o zonas de manejo que se incorporan a los equipos para la aplicación localizada variable (diferentes dosis o diferentes productos). Ello permite aumentar los beneficios agroeconómicos y mejorar la sostenibilidad mediante la aplicación de agroquímicos dirigida y ajustada a los requerimientos reales del cultivo.
Dentro de la agricultura de precisión se enmarca el ‘control localizado de malas hierbas en estado fenológico temprano’, ya que es el momento en el que se suelen aplicar los tratamientos herbicidas de post-emergencia. Para realizar este control es necesario previamente desarrollar métodos para detectar y mapear las malas hierbas. Una de las principales fuentes de información utilizadas en la agricultura de precisión es el análisis de imágenes tomadas desde plataformas aéreas. Los vehículos aéreos no tripulados (UAV, por las siglas en inglés de ‘Unmanned Aerial Vehicle’) se han desarrollado en los últimos años como una plataforma aérea para la adquisición de imágenes con multitud de aplicaciones, algunas de ellas relacionadas con la agricultura de precisión y el control localizado de malas hierbas (Zhang & Kovacs, 2012). Las principales ventajas del empleo de los UAV para alcanzar objetivos agronómicos frente a otras plataformas aéreas utilizadas hasta ahora (e.g., satélites, aviones tripulados) son la facilidad para realizar vuelos justo en el momento deseado, su menor coste y el menor riesgo que suponen en comparación con los aviones tripulados.

En el contexto del control localizado de malas hierbas en fase temprana, uno de los beneficios más relevantes es la posibilidad de volar a bajas alturas, lo que permite la captura de imágenes de muy alta resolución espacial en las que se pueden detectar y clasificar objetos de pocos centímetros. Esto posibilita el uso de imágenes procedentes de UAV para la discriminación y cartografía de malas hierbas en fase temprana (2-6 hojas verdaderas) con el fin de diseñar mapas de tratamiento localizado en post-emergencia temprana. La mayor dificultad de este objetivo radica en que en ese estado fenológico las plantas de cultivo y las malas hierbas son similares en apariencia y espectralmente (López-Granados, 2011) y por ello se requieren imágenes con píxeles menores de 2-5 cm. Actualmente no es posible obtener una resolución espacial tan elevada con los sensores utilizados en satélites y aviones tripulados.

foto
Figura 1: UAV tomando altura sobre un cultivo de maíz.
A bordo del UAV se han instalado dos cámaras diferentes por separado. Una cámara convencional Olympus PEN E-PM1 con una resolución de 12 MP, y una cámara multiespectral Tetracam Mini-MCA de 1,3 MP de resolución y que es capaz de capturar información en el infrarrojo, una zona del espectro empleada usualmente en la caracterización del vigor de la vegetación.

Equipo de trabajo

El UAV utilizado en nuestros trabajos es un multirrotor MD4-1000 (Figura 1) con capacidad para llevar acoplado un sensor de hasta 1,25 kg y una autonomía de vuelo de 45 minutos (Microdrones, 2012). Este modelo, con capacidad de despegue y aterrizaje vertical, está dotado de un GPS que le permite volar de manera automática siguiendo una ruta previamente programada. El sistema de manejo del UAV incluye una emisora de radiocontrol, una estación base para recepción de datos de telemetría y un software para diseño de rutas, configuración del vehículo e interpretación de la telemetría. La captura de las imágenes es accionada automáticamente por el UAV según la configuración de vuelo preestablecida.

A bordo del UAV se han instalado dos cámaras diferentes por separado. Una cámara convencional Olympus PEN E-PM1 con una resolución de 12 MP, y una cámara multiespectral Tetracam Mini-MCA de 1,3 MP de resolución y que es capaz de capturar información en el infrarrojo, una zona del espectro empleada usualmente en la caracterización del vigor de la vegetación.

Flujo de trabajo

A continuación se describe la metodología desarrollada para la generación de los mapas de infestación de malas hierbas.

1. Diseño del vuelo

Esta fase, en la que se decide la altura de vuelo y la cámara usada, es de vital importancia para conseguir imágenes con la resolución adecuada. Es necesario tener en cuenta el objetivo que se persigue y el cultivo en que se trabaja, ya que esto influye sobre la altura a la que se volará y a su vez ésta determina la resolución espacial de las imágenes, el número de imágenes necesarias para cubrir el cultivo y la duración del vuelo, aspecto muy importante para evitar problemas con la autonomía del vehículo (Torres-Sánchez et al., 2013). Si se busca la detección de plantas individuales en cultivos de hilera estrecha como el trigo, es necesario trabajar con resoluciones espaciales de en torno a 1 cm, lo que obliga a volar a una altura de unos 30 m con la cámara Olympus. En cambio, si se quieren mapear rodales de malas hierbas en cultivos en hilera ancha como maíz o girasol, se puede trabajar con resoluciones de unos 5 cm que se consiguen volando a unos 100 m con la cámara multiespectral y a 130 m con la convencional.

Una vez seleccionada la altura de vuelo adecuada para el desarrollo de nuestros objetivos, se diseña el plan de vuelo con el software propio del UAV y finalmente se implementa en el vehículo.

2. Ejecución del vuelo

Ya en el campo de cultivo, se instala la cámara a bordo del UAV y, tras el despegue manual, se activa la ruta de vuelo programada para que el vehículo comience automáticamente a recorrer el campo de cultivo tomando numerosas imágenes hasta que lo ha sobrevolado por completo. En ese momento se pasa a control manual para proceder al aterrizaje. Durante todo el tiempo de vuelo el UAV envía a la estación base (Figura 2) información sobre diferentes aspectos como: posición, estado de las baterías o potencia de los motores.
foto
Figura 2: Estación base del UAV.

3. Preprocesado de las imágenes

Las imágenes tomadas durante el vuelo son trasladadas desde la cámara a un ordenador. Los archivos generados por la cámara convencional pueden ser usados tal cual, sin embargo los de la cámara multiespectral necesitan cierto tratamiento previo para poder ser procesadas.

Antes del análisis de las imágenes que generará el mapa de infestación, es necesario un proceso de mosaicado. Dicho proceso consiste en combinar y dar coordenadas a todas las imágenes tomadas en vuelo de forma que al final se obtenga una única imagen (denominada ortoimagen) que muestre el campo de cultivo en su totalidad.

4. Generación del mapa de infestación

El proceso de generación del mapa de infestación de malas hierbas se lleva a cabo automáticamente mediante un algoritmo de análisis de imagen orientado a objetos desarrollado en nuestro grupo de investigación. Cada objeto es un conjunto de píxeles homogéneos adyacentes y permite un análisis más preciso que los basados sólo en píxeles (Blaschke, 2010; Peña et al., 2013). Ello se debe a que tiene la ventaja de incorporar en los algoritmos de clasificación, además de la información espectral como es usual en los análisis de imagen basado en píxeles, la posición de las malas hierbas con respecto a las líneas de cultivo y otros parámetros adicionales como la forma y tamaño de las plantas o parámetros de textura de los objetos presentes en la imagen.

Tras el análisis de la imagen se obtiene un mapa con la localización de las malas hierbas. Éste es segmentado formando una estructura de malla adaptada a las dimensiones de la maquinaria de tratamiento (p.ej., separación de boquillas de aplicación de herbicida). En cada una de las casillas de dicha malla se calcula la cobertura de malas hierbas, y por último se exportan los resultados en formatos de imagen y de tabla para su posterior análisis e integración en la maquinaria de tratamiento.

Ejemplo de aplicación: cultivo de maíz

En este apartado se describe un caso el que se ha utilizado la metodología expuesta anteriormente. En el caso presentado se trata de un cultivo de maíz, aunque también se está aplicando en girasol y trigo.

El estudio se llevó a cabo con una colección de imágenes tomadas en mayo de 2011 en una parcela de maíz situada en Arganda del Rey (Madrid) infestada naturalmente de varias especies de malas hierbas de hoja ancha (Amaranthus blitoides, Xanthium strumarium) y de hoja estrecha (Sorghum halepense). El estado fenológico del cultivo y las malas hierbas era de 4-6 hojas verdaderas (Figura 3). El UAV fue programado para volar a 30 m de altura sobre el campo de cultivo con la cámara multiespectral.

foto
Figura 3: Campo de maíz estudiado.
El algoritmo de análisis de imagen se evaluó comparando los resultados de las clasificaciones obtenidas (porcentaje de infestación de malas hierbas) con una serie de datos verdad-terreno adquiridos el mismo día en que se tomaron las imágenes con el UAV. El muestreo realizado para la verdad-terreno se obtuvo determinando la infestación de malas hierbas en una serie de marcos de aluminio dispuestos por toda la parcela de estudio y que fueron identificados en la imagen del cultivo generada tras el mosaicado.

Las casillas resultantes (Figura 4) de la segmentación final del mapa creado se clasificaron en cuatro categorías de infestación según la cobertura de malas hierbas: Sin infestación; Baja (<5%); Media (5-20%); Alta (>20%). El número de categorías consideradas y los umbrales son configurables por el usuario y adaptables a los requerimientos de la maquinaria o sistema de tratamiento que se utilice para el control de las malas hierbas. La exactitud del método de clasificación y la superficie ocupada por cada categoría de cobertura de infestación se indican en la Tabla 1.

foto
Tabla 1: Exactitud de clasificación y superficie ocupada para cada categoría de cobertura de malas hierbas considerada.
foto
Figura 4: Mapa de cobertura de malas hierbas tras su segmentación.
De los datos mostrados se puede concluir que el procedimiento de trabajo descrito y el algoritmo empleado son adecuados para la generación de mapas de infestación de malas hierbas en cultivos en fase temprana, justo el momento más adecuado para la aplicación de medidas de control localizado de malas hierbas.

Consideraciones finales

El flujo de trabajo y el algoritmo aquí presentado constituyen una importante innovación en el ámbito de la agricultura de precisión, y más concretamente dentro del control localizado de malas hierbas. El coste final que la realización de un mapa de infestación podría tener para un agricultor que contratara este servicio dependerá principalmente de la superficie a cubrir y del objetivo buscado (rodales o malas hierbas individuales). La flexibilidad en la programación del vuelo permitida por el UAV y el hecho de que el flujo de trabajo completo pueda ser llevado a cabo en 1 o 2 días, permiten que la detección y mapeo de malas hierbas sea realizado en el momento más conveniente para el cultivo, sin necesidad de esperas que provoquen que el tratamiento herbicida se acabe aplicando en un momento poco adecuado.

La metodología descrita es extrapolable a diferentes objetivos agronómicos, medioambientales o de otra índole que requiera una cartografía del terreno ya que las posibilidades de esta tecnología para la cartografía de variables agronómicas son innumerables.

Agredecimientos

Este trabajo fue parcialmente financiado por los proyectos RHEA (ref.: NMP-CP-IP-245986-2, 7º Programa Marco de la UE), TOAS (Programa Marie Curie, ref.: FP7-PEOPLE-2011-CIG-293991, 7º Programa Marco de la UE) y TELEPLAM (AGL2011-30442-CO2-02, MINECO-FEDER). La investigación de Jorge Torres Sánchez y José Manuel Peña Barragán fue financiada por los programas FPI-MINECO, y JAE-Doc-CSIC, respectivamente.

foto

Referencias bibliográficas

  • Blaschke T (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2-16.
  • López-Granados F (2011). Weed detection for site-specific weed management: mapping and real-time approaches. Weed Research, 51, 1–11.
  • Peña JM, Torres-Sánchez J, de Castro AI, Kelly M, López-Grandos F. (2013). Weed mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images. PLoS ONE, en prensa
  • Torres-Sánchez J, López-Granados F, de Castro AI and Peña-Barragán JM (2013). Configuration and specifications of an unmanned aerial vehicle (UAV) for early site specific weed management. PLoS ONE, 8, e58210.
  • Zhang C & Kovacs J (2012). The application of small unmanned aerial systems for precision agriculture: a review. Precision Agriculture, 13, 693-712.

TOP PRODUCTS

ENLACES DESTACADOS

Figan 2017- Fima Ganadera - 13ª Feria internacional para la producción animal 28 - 31 de marzo Zaragoza (España)Jornadas Interempresas - Transfiriendo conocimiento - Próximos eventosTecnovid 10º Salón internacional de técnicas y equipos para viticultura 14-17/ 02/2017 ZaragozaAgroexpo Feria Internacional del 25 al 28 de enero de 2017- Don Benito Badajoz14 Symposium Nacional de Sanidad Vegetal - 25-26 y 27 de Enero, Sevilla 2017Sima - Salón mundial de proveedores de agricultura y ganadería 26 febrero - 2 marzo 2017 - París Nord Vllepinte - Francia- Solicite su pase visitanteCimag abanca gandAgro 26-28 enero 2017

ÚLTIMAS NOTICIAS

OPINIÓN

OTRAS SECCIONES

SERVICIOS