UNIVERSIDAD NACIONAL AGRARIA LA
MOLINA
FACULTAD DE INGENIERÍA AGRÍCOLA
INFORME DE LAS PRACTICAS PRE PROFESIONALES CORTAS
“Análisis de extracción de biomasa de imágenes multiespectrales en el Área
Experimental de Riego del departamento de Recursos Hídricos de la Universidad
Nacional Agraria La Molina”
Alumna: Cárdenas Janampa Jhuliana Patricia
Código: 20141205
Asesor: Dra. Ramos Fernández Lía
Lugar: Área Experimental de Riego (AER)
Duración: 01 de septiembre del 2022 al 01 de octubre del 2022
Lima - Perú
2022
ÍNDICE
1. INTRODUCCIÓN .................................................................................................................... 3
2. DESCRIPCION DEL DESARROLLO DE LAS PRACTICAS PREPROFESIONALES ...... 3
2.1. DESCRIPCIÓN GENERAL DE LAS ACTIVIDADES EFECTUADAS ...................... 3
2.2. INFORMACIÓN DETALLADA DE LAS ACTIVIDADES EFECTUADAS ............... 3
2.3. HERRAMIENTAS DE APOYO ...................................................................................... 4
2.4. CURSOS DE FORMACIÓN PROFESIONAL APLICADOS EN EL DESARROLLO
DE LAS PRÁCTICAS ............................................................................................................ 5
3. RESPONSABILIDAD SOCIAL ….......................................................................................... 5
4. EVALUACIÓN DEL CENTRO DE PRACTICAS …............................................................. 6
5. RECOMENDACIONES .......................................................................................................... 6
6. BIBLIOGRAFIA ….................................................................................................................. 6
7. ANEXOS ….............................................................................................................................. 7
2
1. INTRODUCCIÓN
Es importante que el estudiante de Ingeniería Agrícola complemente los cursos de
formación profesional con las prácticas pre-profesionales, pues potencia los
conocimientos adquiridos en el campo laboral.
En el presente informe se describen las actividades realizada 01 mes, del 01 de septiembre
al 01 de octubre del 2022, en el Área Experimental de Riego (AER) del departamento de
Recursos Hídricos de la Universidad Nacional Agraria La Molina. Las funciones
ejecutadas en el AER, están vinculadas principalmente con los cursos de formación
profesional tales como; Ingeniería de Riegos, Fundamentos de Riegos y plantas,
Topografía, etc.
2. DESCRIPCION DEL DESARROLLO DE LAS PRACTICAS PREPROFESIONALES
2.1. Descripción general de las actividades efectuadas.
El desarrollo de las actividades se realizó en el AREA EXPERIMENTAL
DE RIEGO (AER), del departamento de Recursos Hídricos, de la Universidad
Nacional Agraria la Molina-UNALM, durante un periodo de 01 mes, del 01 de
septiembre al 01 de octubre del 2022, de manera semi presencial con una
participación constante.
2.2. Información detallada de las actividades efectuadas.
2.2.1. Asistencia a las reuniones virtuales
Las labores realizadas en el Área Experimental de Riego fueron brindadas
semanalmente en una reunión virtual, durante un periodo de 01 mes, a cargo
de la Ingeniera Lía Ramos Fernández, donde dio a conocer mis funciones y
posteriormente realizaba la revisión de mi avance, con correcciones si fuera
necesario.
2.2.2. Traducción de artículos científicos
El Área Experimental de Riego (AER) está en constante actualización de
datos, metodologías, acontecimientos e investigaciones a nivel mundial, por
lo que es importante estar enterado de los hechos científicos de Riegos, para
aplicarlos en investigaciones a cargo del AER y adaptarlos a la realidad
peruana. En consecuencia, es necesario que los artículos científicos se
traduzcan al idioma español para un fácil entendimiento y aplicación.
Las actividades efectuadas en este itém son:
- Traducción del artículo “A novel NIR-image segmentation method for
the precise estimation of above-ground biomass in rice crops” (Colorado
JD, Calderon F, Mendez D, PetroE, Rojas JP, Correa ES; año 2020) que
significa: “Un nuevo método de segmentación de imágenes NIR para la
estimación precisa de la biomasa aérea en cultivos de arroz”
- Traducción del artículo “High-Throughput Biomass Estimation in Rice
Crops Using UAV Multispectral Imagery” (año 2019), que significa:
“Estimación de biomasa de alto rendimiento en cultivos de arroz
utilizando imágenes multiespectrales de UAV”
3
2.2.3. Descripción de los artículos traducidos.
- Un nuevo método de segmentación de imágenes NIR para la estimación
precisa de la biomasa aérea en cultivos de arroz.
Este artículo, presenta un enfoque de fenotipado de alto rendimiento para
la estimación de la dinámica de la biomasa aérea (AGBD) utilizando un
sistema aéreo no tripulado. Las imágenes multiespectrales se adquirieron
y procesaron mediante el método de segmentación llamado GFKuts.
- Estimación de biomasa de alto rendimiento en cultivos de arroz
utilizando imágenes multiespectrales de UAV.
Este artículo presenta un método de alto rendimiento para la estimación
aérea de biomasa (AGBE) en arroz utilizando imágenes multiespectrales
de infrarrojo cercano (NIR) capturadas a diferentes escalas del cultivo.
Al desarrollar una solución integrada de monitoreo aéreo de cultivos
utilizando un vehículo aéreo no tripulado (UAV), el enfoque calcula 7
índices de vegetación que se combinan en forma de regresiones
multivariables según la etapa de crecimiento del arroz: vegetativo,
reproductivo o de maduración.
2.2.4. Interpretación de los artículos científicos “Estimación de biomasa de alto
rendimiento en cultivos de arroz utilizando imágenes multiespectrales de
UAV” y propuesta para su desarrollo.
El artículo tiene relevancia para determinar la productividad del cultivo de
arroz en territorio peruano, específicamente en la costa del país, ya que es
uno de los alimentos más consumidos por millones de peruanos y su análisis
es importante para el desarrollo económico. Por lo que se aplican técnicas
para la obtención de la biomasa aérea, realizando mediciones remotas con el
uso de cámaras multiespectrales acopladas a un vehículo aéreo no tripulado
(VANT) que permite adquirir imágenes de alta resolución, posteriormente
por el procesamiento de las imágenes, se obtienen los índices de vegetación,
haciendo posible la estimación de la biomasa del cultivo y con ello
determinar su productividad y calidad.
Esta interpretación resume la investigación de tesis para optar a título de
Ingeniero(a) Agrícola, que un futuro estudiante, podría utilizar.
2.3. Herramientas de apoyo
2.3.1. Instrumentos
- Cuaderno de apuntes
2.3.2. Programas de computadora
- QGis
- Google Earth Pro
- Google Traductor
4
2.4. Cursos de formación profesional aplicados en el desarrollo de las prácticas.
El desarrollo de mis prácticas pre-profesionales fueron realizadas gracias a los
conocimientos de las siguientes asignaturas de formación profesional:
- Ingeniería de Riegos: Este curso fue útil para reconocer el método de
riego por inundación, que es muy común en el cultivo de arroz.
- Energías renovables: La Biomasa fue un tema del curso de Energías
renovables, pues los artículos son enfáticos en esta metodología.
- Topografía: El drone es un vehículo aéreo no tripulado, que permite la
medición de puntos topográficos, pero es esta ocasión su empleabilidad
es la de capturar imágenes multiespectrales.
- Percepción Remota y SIG: Con esta asignatura aprendí a utilizar
programación Gis y Google earth.
3. RESPONSABILIDAD SOCIAL
Las prácticas pre-profesionales son de suma importancia para la formación
profesional del Ingeniero Agrícola, pues posteriormente se aplicarán los
conocimientos con la experiencia adquirida en el ámbito laboral.
La contribución realizada como estudiante en el Área Experimental de Riego fueron
las siguientes:
- El Área Experimental de Riego (AER) brindó las condiciones
económicas básicas, dentro de las cuales el practicante pudo dar
provecho a las instalaciones de esta y también aprovechar el servicio de
energía eléctrica e internet gratuitos, asimismo se contó con un ambiente
adecuado, lo cual fue fundamentales para los trabajos de gabinete, pues
mi contribución económica fue la de darle funcionalidad a los gastos
realizados por el Área Experimental de Riegos.
- En el ámbito social, la practicante recogió información para
posteriormente realizar una reunión informativa a la Ing. Lía Ramos
Fernández, además se relacionó con tesistas de la facultad de Ingeniería
Agrícola, aportando opiniones para el buen desarrollo de las actividades
otorgadas y gestión de la información para apoyar la toma de decisiones
basada en evidencia para la planificación.
- Se determinó que es un problema ambiental, en los arrozales con riego
por inundación la presencia alta de carbono y su combustión, pues libera
CO2, siendo esta una de las principales causas del calentamiento global,
por lo que se contribuyó con la investigación para mitigar estos
problemas.
Estas contribuciones fueron logradas por la practicante, gracias a los conocimientos
adquiriendo en la realización de las actividades programadas por el Área
Experimental de Riego.
5
4. EVALUACIÓN DEL CENTRO DE PRÁCTICAS
Mejorar y ampliar los conocimientos, han permitido obtener mayor experiencia, pues mi
visión de la ingeniera agrícola ha mejorado con las enseñanzas impartidas en el Área
Experimental de Riego, siendo beneficioso para mi formación profesional. Además, se
puso en práctica los diversos cursos llevados para la formación profesional.
5. RECOMENDACIONES.
- Se recomienda organizar los artículos de investigación en una nube informática,
considerando las fechas de traducción y fechas en que se pueda realizar el proyecto
según condiciones del cultivo, para que sirvan como base para próximas labores e
investigaciones.
- Las observaciones y dudas en el desarrollo de las prácticas deben ser expuestas al
ingeniero a cargo, pues es necesario trabajar con un claro panorama para así realizar
satisfactoriamente el trabajo encargado.
6. BIBLIOGRAFÍA.
- Devia, CA; Rojas, JP.; Petro, E.; Martinez, C.; Mondagron, IF; Patino, D.;
Rebolledo, MC.; Colorado, J. (2019). High-Throughput Biomass Estimation in
Rice Crops Using UAV Multispectral Imagery.
- Colorado, JD; Calderon, F; Mendez, D; Petro, E; Rojas, JP; Correa, ES;
Mondragon, IF; Rebolledo, MC; Jaramillo, A. (2020). A novel NIR-image
segmentation method for the precise estimation of above-ground biomass in rice
crops. PLoS ONE 15(10): e0239591.
https://doi.org/10.1371/journal.pone.0239591
- Nafarrete, AC. (2017). Estimación directa e indirecta del índice de área foliar (IAF)
y su modelación con LIDAR en un bosque tropical seco de Yucatán. México:
Centro de investigación científica de Yucatán, A.C. Postgrado en Ciencias
Biológicas. Encontrado en:
https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/438/1/PCB_RN_M_
Tesis_ 2017_Nafarrate_Ana.pd
6
7. ANEXOS
ANEXO 1: FOTOGRAFÍA DE LA PRIMERA REUNIÓN VIRTUAL
La reunión fue realizada por la plataforma Google meet, donde la Ingeniera Lia
Ramos Fernández, explicó las funciones que el practicante debía realizar.
7
ANEXO 2: Artículo “A novel NIR-image segmentation method for the precise
estimation of above-ground biomass in rice crops” (Colorado JD, Calderon F, Mendez
D, PetroE, Rojas JP, Correa ES; año 2020)
ANEXO 2.1: Imagen de la primera hoja del artículo traducido.
Esta imagen es de la primera hoja traducida del artículo: “Un nuevo método de
segmentación de imágenes NIR para la estimación precisa de la biomasa aérea en
cultivos de arroz” (2020)
8
ANEXO 3: Artículo “High-Throughput Biomass Estimation in Rice Crops Using UAV
Multispectral Imagery” (año 2019)
ANEXO 3.1: Imagen de la primera hoja del artículo traducido.
Esta imagen es de la primera hoja traducida del artículo: “Estimación de biomasa
de alto rendimiento en cultivos de arroz utilizando imágenes multiespectrales de
UAV” (2019).
9
ANEXO 4: Investigación realizada en base al artículo “Estimación de biomasa de
alto rendimiento en cultivos de arroz utilizando imágenes multiespectrales de
UAV” (2019).
10
Proyecto: Estimación de la biomasa aérea a partir de la segmentación de imágenes NIR en
arrozales de Ferreñafe, Lambayeque.
I. PROBLEMA DE INVESTIGACIÓN
Las modernas técnicas de mediciones remotas con el uso de cámaras multiespectrales acopladas a
un vehículo aéreo no tripulado (VANT) han permitido adquirir imágenes de alta resolución,
haciendo posible estimar la biomasa del cultivo de arroz en sus diferentes etapas de crecimiento,
por lo que es un problema común, ya que presenta carbono y su combustión libera CO2, siendo
esta una de las principales causas del calentamiento global. Además, en las zonas con vegetación,
la estimación de biomasa es fundamental por la información que aporta sobre la productividad y
su aplicación en la planificación y gestión sostenible de los ecosistemas.
Este problema de investigación se plantea porque en los arrozales de Ferreñafe, hay necesidad
técnica para determinar la calidad y productividad del cultivo de arroz, que es un producto
importante para el desarrollo económico.
01.1. Problema general:
¿Qué método de segmentación de imágenes NIR se requiere para la estimación precisa de la
biomasa aérea en el cultivo de arroz en los Rosales de Ferreñafe?
01.2. Problemas específicos
¿Qué método de segmentación de imágenes NIR mediante los vehículos aéreos no tripulados
se requiere para la estimación precisa de la biomasa aérea en el cultivo de arroz en los
Rosales de Ferreñafe?
II. OBJETIVOS
02.1. Objetivo General
Estimar la biomasa aérea a partir de la segmentación de imágenes NIR en arrozales de
Ferreñafe, Lambayeque
02.2. Objetivos Específicos
➢ Obtener índices de vegetación a partir de imágenes multiespectrales.
➢ Relacionar los Índices de Vegetación (VI) con la biomasa del cultivo
➢ Obtener mapas de rendimiento del cultivo de los arrozales
III. JUSTIFICACIÓN
La estimación de la biomasa aérea (AGBE), se basa en el cálculo de los índices de vegetación a partir
de imágenes multiespectrales capturadas del cultivo, estas imágenes obtenidas mediante cámaras
acopladas a un vehículo aéreo no tripulado (UAV), se utiliza potencialmente para extraer variables
cualitativas y cuantitativas, una de esas variables es la biomasa aérea, de modo que se establece
una relación entre la cantidad de biomasa y la información radiométrica capturada por las cámaras
multiespectrales.
Por tal motivo en zonas agrícolas, la estimación de la biomasa aérea permite conocer el desarrollo
del cultivo, su productividad e implementar medidas enfocadas a mejorar la gestión sostenible en
los Rosales de Ferreñafe.
03.1. Logros esperados:
Obtener un método de segmentación de imágenes NIR para la estimación precisa de la
biomasa aérea en el cultivo de arroz en los Rosales de Ferreñafe que aseguren la
productividad de dicho cultivo en sus diferentes etapas de desarrollo.
Los vehículos aéreos no tripulados UAV serán la clave para resolver diferentes problemáticas
en la agricultura.
03.2. Beneficios:
Demostrar que el procedimiento para obtener imágenes multiespectrales es una buena
alternativa para solucionar la biomasa del cultivo de arroz.
IV. REVISIÓN DE LA LITERATURA
En el arroz, varias características morfológicas y fisiológicas requieren una medición espacio-
temporal precisa para ese propósito, la biomasa es una variable clave para cuantificar el
rendimiento del grano y evaluar el estado sanitario de los cultivos.
Para medir la biomasa del arroz, se realiza un método de alto rendimiento para la estimación aérea
(AGBE) utilizando imágenes multiespectrales de infrarrojo cercano (NIR) capturadas a diferentes
escalas del cultivo, para ello se utiliza un vehículo aéreo no tripulado (UAV), donde se obtendrá el
cálculo para 07 índices de vegetación que se combinan en forma de regresiones multivariables
según la etapa de crecimiento del arroz: vegetativo, reproductivo o de maduración, como el índice
de vegetación de diferencia normalizada (NDVI) que es uno de los índices más populares utilizados
para cuantificar la densidad de la vegetación en un cultivo, en cambio para el caso de las etapas de
reproducción y maduración, se utilizó un conjunto de recopilación de índices de vegetación para
las predicciones de AGBE (estimación aérea de biomasa).
Los vehículos aéreos no tripulados (UAV), han sido clave para dar solución a diferentes problemas
en la agricultura que en su mayoría requerían datos de cultivos de alta precisión. Además existen
otros métodos tradicionales para medir la biomasa, basados en un muestreo destructivo, que
consiste en una recolección manual de muestras del cultivo o en el análisis de imágenes de satélite,
que proporciona imágenes a escala de cultivo con resolución limitada para realizar estimaciones de
datos de cultivo no invasivas basadas en imágenes, pero el uso del vehículo aéreo no tripulado
(UAV) es el más recomendable, por ser altamente eficiente en tiempo real.
Usuario Configuración de la xbee
misión 2.4GHz
WIFI DRONE
datos de
Configuración de la cultivo
cámara operario
GPS
Integración de
sensores IMU
NIR image
Procesamiento
de imágenes NIR AGBE
Fig. 01: Diagrama de caso de uso para la estimación de biomasa aérea
En la Fig. 01, se puede notar el diagrama de caso de uso para la estimación de biomasa aérea, donde
se configuran los parámetros de la misión en la estación base mediante el uso de una guía de diseño
personalizado para posteriormente configurar la cámara multiespectral en función de la altitud y la
velocidad del UAV. Para ese proceso se desarrollan dos métodos para la segmentación de imágenes
multiespectrales; que se basa en datos de GPS e IMU (Unidad de medición inercial) y la combinación
de 7 índices vegetativos mediante regresiones multivariables.
Finalmente, el método propuesto de estimación de biomasa aérea (AGBE) se compone de tres
etapas principales:
- Preprocesamiento de imágenes NIR,
- Cálculo del índice de vegetación y
- Estimación de biomasa basada en regresiones multivariables.
04.1. Preprocesamiento de imágenes NIR.
Para el preprocesamiento de imágenes NIR se realiza un algoritmo AGBE que sigue pasos
indispensables para identificar las secciones favorables para la imagen de donde se extraerán
los índices de vegetación:
- Extracción de características.
- Agrupación en clústeres.
- Transformación de Fourier.
Las funciones que realiza el algoritmo es:
- Eliminar los píxeles que contienen tierra, agua y otras imperfecciones dentro de la
imagen.
- Aplica una técnica de agrupación de k-medias para identificar las plantas de arroz sobre
el suelo y la hierba.
- Aplica una operación de transformación de imagen para seleccionar correctamente el
área de cultivo para la evaluación.
Fig. 02 Diagrama de flujo de la etapa de procesamiento de imágenes NIR calculado
por el algoritmo AGBE. Las imágenes utilizadas para ilustrar cada etapa
corresponden a resultados de datos experimentales.
El algoritmo también se encarga de eliminar algunos segmentos de la imagen que no son
útiles para la determinación de la biomasa, tales son:
- Segmentación de columnas utilizando la geometría del campo de cultivo; para
efectuar este proceso las parcelas de cultivo deben estar organizadas en líneas, con
el objetivo de utilizar la parte central de la imagen enderezada, para el cálculo de
los índices vegetativos.
- Segmentación circular mediante un algoritmo basado en GPS de
georreferenciación que determina una porción circular de la imagen con un radio
fijo.
04.2. Cálculo del índice de vegetación.
Los Índices de Vegetación (IVs) son parámetros que se utilizan para cuantificar variables
físico-químicas en plantas, mediante la asociación de reflectancias espectrales que están
altamente relacionadas con la variable de interés.
Una hoja presenta diferentes composiciones de longitudes de onda de luz, que proporciona
información útil sobre la salud de la hoja y la planta. La composición es evaluada por los
Índices de Vegetación (VI) que son números calculados a partir de reflectancias de diferentes
longitudes de onda mediante el uso de ecuaciones bien conocidas que utilizan la reflectancia
de la luz de las plantas para diferentes anchos de banda, especialmente el verde, el rojo y el
infrarrojo cercano.
Los índices de vegetación se pueden dividir en dos grupos: banda visible o infrarrojo cercano.
Tabla 1: Índices de vegetación de banda visible común (ρf denota la reflectancia de la para la frecuencia f)
NOMBRE ECUACIÓN
Índice de vegetación roja NGRVI = GRVI = (P500-P670) / (P500+P670)
Índice de vegetación verde rojo modificado GRVI = (P500^2 - P670^2) / (P500^2 + P670^2)
Índice de vegetación verde rojo azul GRBVI = (P500^2 - P450*P670) / (P500^2 + P450*P670)
Índice de resistencia atmosférica visible VARI = (P500-P670) / (P500+P670-P450)
Índice de borde rojo de diferencia normalizada NDREI = (P780-P730) / (P780+P730)
Índice vegetación de diferencia normalizada de borde rojo RERDVI = (P780-P730) / (P780+P730)^1/2
Índice de vegetación de diferencia de borde rojo REDVI = P780 - P730
Índice de vegetación ajustado al suelo del borde rojo RESAVI = 1.5 [ (P780-P730) / (P780+P730 + 0.5) ]
SAVI optimizado de borde rojo REOSAVI = (1+0.16) [(P780-P730) / (P780+P730 + 0.16)]
Índice vegetación de rango dinámico amplio de borde rojo REWDRVI = (0.15*P780-P730) / (0.15*P780+P730)
Índice de clorofila de borde rojo CIRE = P780 / P730 -1
04.3. Estimación de biomasa basada en regresiones multivariables.
Una vez calculados los índices de vegetación, se determina una fórmula para estimar la
biomasa (BM). La ecuación 1 describe una regresión lineal multivariable, donde las
variables independientes son los índices de vegetación (VI).
BM = β0 + ∑𝑁 𝑘=1 βkVIk (1)
En la ecuación 1 se utilizan índices de vegetación, N y (N + 1) incógnitas βk, la precisión de
cada índice depende estrictamente de la etapa de crecimiento de la planta, por lo tanto, se
espera que los valores de βk cambien. Por lo que, el método puede usar regresiones no
lineales de la forma:
BM = ∑𝑁 丨𝛼丨= 0 β𝛼V𝐼 𝛼 (2)
El parámetro α es un índice múltiple y el conjunto de parámetros β se indexa utilizando
estos índices múltiples. Los modelos no lineales tienen la ventaja de proporcionar más
parámetros con la misma información disponible. Comúnmente, la acumulación de
biomasa en los cultivos de arroz durante la etapa de maduración se comporta de manera
lineal con ciertos índices de vegetación, sin embargo, para otras etapas del cultivo, la
relación entre la biomasa y los índices de vegetación podría ser no lineal.
V. HIPÓTESIS
El proyecto de tesis elaborado es descriptivo, por lo que la hipótesis estaría compuesta de las
siguientes interrogantes:
- ¿Los índices de vegetación obtenidos a partir de imágenes multiespectrales determinarán la
concentración de la biomasa en el cultivo de arroz?
- ¿Según el análisis de las imágenes multiespectrales, se obtendrá la calidad del cultivo en sus
diferentes etapas de desarrollo, siendo la cantidad de biomasa mayor, menor será la
producción?
VI. Metodología
06.1 Variables:
Tema: Método de segmentación de imágenes NIR para la estimación precisa
de la biomasa aérea en el cultivo de arroz.
Método de segmentación de
imágenes NIR para la Segmentación de
imágenes NIR Estimación precisa de la
estimación precisa de la
biomasa aérea en el cultivo
biomasa aérea en el cultivo de
de arroz.
arroz.
Variable independiente Variable dependiente
Figura N°01: Caja negra
06.2. Metodología:
➢ Obtener índices de vegetación a partir de imágenes multiespectrales.
➢ Relacionar los Índices de Vegetación (VI) con la biomasa del cultivo
➢ Obtener mapas de rendimiento del cultivo de los arrozales
06.2.1. Primera etapa: actividades preliminares
- Recopilación de información, que comprende la compilación y revisión de la
información existente, investigaciones afines, acopio de información para el
desarrollo de la investigación.
06.2.2. Segunda etapa: fase de campo y laboratorio
06.2.2.1. Obtener índices de vegetación a partir de imágenes multiespectrales.
- Las semillas del arroz deben estar organizadas en columnas, utilizando la
geometría cuadrada del campo de cultivo, para la exactitud y orden de las
muestras del cultivo de arroz.
- Se utiliza un vehículo aéreo no tripulado (UAV) que tiene incorporada una
cámara multiespectral, previamente calibrada con algoritmos que permiten
eliminar todos los píxeles que contienen tierra, agua y otras imperfecciones
dentro de la imagen y así determinar la biomasa (AGBE).
- Se realiza el preprocesamiento de imágenes NIR (rojo, verde e infrarrojo
cercano).
- El algoritmo AGBE toma puntos aleatorios para procesar una secuencia de
imágenes NIR capturadas del cultivo, donde georreferencia correctamente los
índices de vegetación con el área de cultivo de interés correspondiente.
- Los índices de vegetación se calculan por área (no por imagen), por lo que
permite hacer análisis con enfoque a diferentes escalas: planta, parcela o
cultivo.
06.2.2.2. Relacionar los Índices de Vegetación (VI) con la biomasa del cultivo
- Al obtener los índices de vegetación del cultivo mediante regresiones
multivariables se obtiene la biomasa del cultivo.
- Además se debe tener en cuenta el registro de la morfología y duración del
ciclo de cosecha entre las muestras, pues permiten determinar la acumulación
de la biomasa durante las etapas principales del crecimiento del arroz: las fases
vegetativa, reproductiva y de maduración, por lo que se debe tener en cuenta
que a mayor producción de la biomasa existen mayores variaciones negativas
en el desarrollo del cultivo, luego se procede a comparar este resultado con
los índices de vegetación.
- En algunos casos, aún quedan segmentos no deseados a pesar del proceso de
clasificación, por lo que se deben realizar diversas muestras de un solo punto
de referencia y además mantener el orden lineal del cultivo.
06.2.3. Tercera etapa: fase de gabinete
06.2.2.3. Obtener mapas de rendimiento del cultivo de los arrozales.
- Mediante programación Gis se realiza el mapa de rendimiento, con ayuda de
la biomasa total obtenida y área del cultivo.
06.2.2.4. Otros resultados.
- Procesamiento de datos y análisis de resultados.
- Comparación de resultados de las diferentes etapas, mediante análisis
estadístico, representados mediante figuras.
- Redacción de discusión, conclusiones y recomendaciones.
VII. CRONOGRAMA
Tabla 2. Cronograma de actividades propuesto para el desarrollo de una investigación.
ACTIVIDADES MESES
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1. Caracterizar los cultivos de arroz en las diferentes etapas
de crecimiento para la determinación de la biomasa.
1.1 Revisión de artículos
1.2 Traducción de artículos
1.3 Fase de pre campo
1.4 Procesamiento de información
1.5 Formulación de la metodología
2. Registrar imágenes multiespectrales del cultivo de arroz,
para la obtención de los índices vegetativos.
2.1 Revisión de artículos
2.2 Fase preproceso
2.3 Fase de procesamiento
2.4 Fase postproceso
2.4.1 Evaluación
2.4.2 Fase de campo
2.4.3 Ajuste de la cámara multiespectral
2.5 Discusión de resultados
3.Cuantificar la biomasa aérea del cultivo de arroz
3.1 Revisión de artículos
3.2 Cálculo de la biomasa aérea del cultivo de arroz a través del
registro de imágenes multiespectrales.
3.3 Comparación de resultados de las diferentes etapas de
desarrollo del cultivo de arroz.
3.4 Discusión de resultados
4. Evaluar los efectos causados en el cultivo de arroz por la
obtención de la biomasa.
4.1 Evaluación comparativa de los índices de vegetación y de la
biomasa aérea del cultivo de arroz.
4.2 Evaluación /Discusión de resultados
VIII. BIBLIOGRAFÍA
- Devia, CA; Rojas, JP.; Petro, E.; Martinez, C.; Mondagron, IF; Patino, D.; Rebolledo, MC.;
Colorado, J. (2019). High-Throughput Biomass Estimation in Rice Crops Using UAV
Multispectral Imagery.
- Colorado, JD; Calderon, F; Mendez, D; Petro, E; Rojas, JP; Correa, ES; Mondragon, IF;
Rebolledo, MC; Jaramillo, A. (2020). A novel NIR-image segmentation method for the precise
estimation of above-ground biomass in rice crops. PLoS ONE 15(10): e0239591.
https://doi.org/10.1371/journal.pone.0239591
- Nafarrete, AC. (2017). Estimación directa e indirecta del índice de área foliar (IAF) y su
modelación con LIDAR en un bosque tropical seco de Yucatán. México: Centro de
investigación científica de Yucatán, A.C. Postgrado en Ciencias Biológicas. Encontrado en:
https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/438/1/PCB_RN_M_Tesis_2017
_Nafarrate_Ana.pdf
- García, MM. (2016). Estimación de la biomasa aérea de herbáceas con sensores
aerotransportados de alta resolución. España. Encontrado en:
https://buleria.unileon.es/bitstream/handle/10612/5735/Tesis%20Miguel%20Marabel.pdf;j
sessionid=126E521DD4C29D3F18BDABEED4E52C06?sequence=1
IX. ANEXO
Algoritmo 1: Algoritmo de sustracción de fondo.
procedure INPUT: RGNIR IMAGE IM
Procedimiento ENTRADA: RGNIR IMAGE IM
1) Cree la matriz de características con los niveles de rojo, verde e infrarrojo de cada píxel.
(2)
2) Utilice k-means para separar los puntos en dos grupos, planta y fondo.
(3)
3) Calcule la distancia D desde el centroide del grupo de plantas hasta el punto más cercano del grupo
de fondo.
𝑚𝑖𝑛
D = (𝑥, 𝑦)𝜖𝐵𝑎𝑐𝑘𝐺𝑟𝑜𝑢𝑛𝑑 √(𝐼𝑚(𝑥, 𝑦, 1) − 𝑅𝑝)2 + (𝐼𝑚(𝑥, 𝑦, 2) − 𝐺𝑝)2 + (𝐼𝑚(𝑥, 𝑦, 3) − 𝑁𝑝)2 (4)
4) Haga una copia de la imagen original: Îm = Im.
for (x, y), 1 ≤ x ≤ length(Im), 1 ≤ y ≤ height(Im) do
5) Calcule la distancia “d” en el espacio euclidiano RGN al centroide del grupo de plantas.
d = √(𝐼𝑚(𝑥, 𝑦, 1) − 𝑅𝑝)2 + (𝐼𝑚(𝑥, 𝑦, 2) − 𝐺𝑝)2 + (𝐼𝑚(𝑥, 𝑦, 3) − 𝑁𝑝)2 (5)
if d<D then
6) planta ← (x, y)
7) Cambie el valor del píxel a 1 en la imagen copiada.
Îm(x, y) = 1 (6)
else
background ← (x, y)
8) Cambie el valor del píxel a 0 en la imagen copiada.
Îm(x, y) = 0 (7)
end if
end for
end procedure
