Detección temprana de malas hierbas utilizando imágenes UAV y algoritmos
RESUMEN
En los últimos años, el análisis de las imágenes generadas mediante vehículos aéreos no tripulados, drones o UAV (en inglés: Unmanned Aerial Vehicle), ha mostrado ser una eficaz herramienta de apoyo en la gestión de explotaciones agrícolas. A diferencia de otras plataformas remotas como satélites o aviones tripulados, los drones pueden efectuar rutas planificadas de vuelo a baja altura (máximo 120 m según la Agencia Estatal de Seguridad Aérea, AESA). Ello unido a la posibilidad de embarcar sensores con distinto rango espectral, ha supuesto un gran progreso tecnológico que permite obtener imágenes de los cultivos objeto de nuestro interés con una elevada resolución espacial (ej.: 1-5 cm/píxel o incluso de pocos mm) en el momento agronómico deseado. Además, si el vuelo se programa para que estas imágenes tengan un alto grado de solapamiento entre ellas, pueden generarse modelos digitales de superficie (MDS) a través de técnicas fotogramétricas. En este artículo se describen los MDS y los algoritmos de aprendizaje automático (Machine Learning) como el clasificador Random Forest (RF) que hemos diseñado para cartografía de malas hierbas en cultivos de algodón y girasol en fase temprana tanto dentro como fuera de la línea de cultivo. Finalmente se especifican los ahorros herbicidas que se podrían obtener. Ver más información sobre el análisis de imágenes generadas por nuestro grupo para lograr diferentes objetivos agrícolas en nuestra web: www.ias.cisc.es/imaping.
Extracto del trabajo publicado en el número 263 de la revista TIERRAS-AGRICULTURA
AUTORES: Francisco Manuel Jiménez-Brenes1, Ana Isabel de Castro1, Jorge Torres-Sánchez1, José Manuel Peña2, Francisca López-Granados1
1Instituto de Agricultura Sostenible (IAS). Consejo Superior de Investigaciones Científicas (CSIC). 14004 – Córdoba. Grupo Imaping (www.ias.csic.es/imaping )/ 2Instituto de Ciencias Agrarias (ICA). Consejo Superior de Investigaciones Científicas (CSIC). 28006 – Madrid.
