46 TOMATE En primer lugar, se dividieron las plantaciones según factores agronómicos. Estos sectores se caracterizaron según sus coordenadas GPS y se programó un algoritmo para asignar automáticamente cada una de las imágenes en una ortofoto de la parcela. El programa creado asignó cada imagen incluyendo el número de muestra y el tipo de tratamiento agronómico con una escala de colores (Figura 1). A continuación, se estableció un criterio de segmentación para diferenciar los distintos elementos presentes en la imagen. En escenas sencillas, como las de las imágenes adquiridas en el laboratorio, se suelen seleccionar una o dos longitudes de onda y se establecen los límites del umbral. Sin embargo, en entornos reales, como en este caso, los objetos a identificar pueden estar parcialmente ocultos, la iluminación no es consistente y pueden aparecer otros elementos. Se aplicó un análisis discriminante lineal por pasos (FS-LDA), se comprobó su idoneidad y se implementó en el algoritmo de procesamiento. La metodología desarrollada no sólo diferenció los elementos de la imagen, sino que también identificó con éxito el estado de maduración de los tomates (Figura 2). La última de las tareas realizadas con las imágenes hiperespectrales fue predecir la composición química a partir de las imágenes. A partir de los resultados de los análisis químicos obtenidos por CTAEX, se creó una compleja batería espectral en la que se conocía la pertenencia a cada elemento de la imagen y la concentración en los analitos medidos para cada muestra. Utilizando técnicas avanzadas de preprocesamiento espectral y quimiometría, fue posible predecir estos parámetros obteniendo un coeficiente de determinación en torno a 0,85. Además, y aprovechando la característica de poder evaluar cada punto de la imagen, el módulo de procesado implementó la posibilidad de obtener imágenes de tipo Chemical Imaging, en las que se puede conocer tanto la concentración como la distribución espacial del parámetro en una determinada escala de colores (Figura 3). Esto nos permite conocer a tiempo real y de manera georreferenciada si en una zona determinada de la parcela puede existir un déficit o exceso de algún nutriente, con la finalidad de realizar ajustes en la fertilización. CONCLUSIONES Con estos resultados se puede concluir que, a partir de una imagen tomada en campo y cargada en la plataforma, rápidamente se puede conocer el estado Figura 2. Figura 3. Imagen: cuadros de mando.
RkJQdWJsaXNoZXIy Njg1MjYx