UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
Escuela de Ingeniería Civil
Facultad de Ingeniería Civil, Arquitectura y Geotécnica
MAESTRIA EN RECURSOS HIDRICOS
INFORME N°04
“PROCESAMIENTO DE IMÁGENES MULTIESPECTRALES
TOMADAS CON DRONES”
CURSO: SISTEMA DE INFORMACION GEOGRAFICA
INTEGRANTES: - GRECY KAREN AGUILAR MAMANI
- FREDY RICHARD CONDORI GOMEZ
- LINDA LUZ PECHO VASQUEZ
- CRISTHIAN KALEP OBREGON PARI
- MAGALY GUADALUPE MAMANI GALLEGOS
TACNA - PERU 1
OCTUBRE - 2024
INFORME N°04
“PROCESAMIENTO DE IMÁGENES MULTIESPECTRALES TOMADAS CON DRONES”
INTRODUCCION
La teledetección aplicada en la agricultura ha transformado significativamente las prácticas
agrícolas, especialmente con el auge de la agricultura de precisión. Esta tecnología permite a los
agricultores y especialistas en el sector obtener información detallada sobre el estado de sus
cultivos y, en consecuencia, realizar ajustes que optimicen los recursos y mejoren la
productividad. Uno de los elementos clave en este avance es el uso de aeronaves remotamente
pilotadas (RPAs) o drones, que capturan imágenes multiespectrales de alta resolución de las
superficies cultivadas. Estas imágenes ofrecen información crucial sobre diversos aspectos del
suelo y los cultivos, como la salud de las plantas, la humedad del suelo y la presencia de plagas
o enfermedades.
El procesamiento de las imágenes obtenidas mediante RPAs requiere de un software
especializado y potente que permita no solo la edición de las imágenes, sino también el análisis
geoespacial de los datos. En el presente informe, se utiliza ArcGIS, un software de sistemas de
información geográfica (SIG) ampliamente usado en el análisis geoespacial. ArcGIS permite
trabajar con distintos tipos de archivos de datos, como shapefiles y ráster, que facilitan la
visualización, procesamiento y extracción de información geográfica relevante. A través de este
software, es posible realizar operaciones como la creación de capas de puntos, líneas y
polígonos, aplicar índices de vegetación como el NDVI (Índice de Vegetación de Diferencia
Normalizada) y realizar clasificaciones supervisadas para diferenciar elementos en una imagen,
como cultivos, suelos y áreas de sombra.
El informe explica paso a paso cómo procesar estas imágenes para realizar una observación
detallada del estado de los cultivos y la extracción de datos cuantitativos, los cuales pueden ser
usados en análisis de productividad y salud del campo. Los usuarios podrán aprender cómo
manejar datos geoespaciales y generar reportes de áreas de interés específicas, optimizando el
tiempo y precisión en la toma de decisiones para el manejo agrícola.
PROCEDIMIENTO
1. Luego de seleccionar nuestras imágenes usamos la herramienta de “Análisis de imagen”
para ordenar nuestras bandas. Y seleccionamos nuestras bandas para tener la imagen en
verdadero color.
Imagen 1: Selección de bandas en la herramienta de Análisis de Imagen
2
2. Creamos un shapefile para trabajar con un área determinada el cual pueda ser editada como
una copia alterna.
Imagen 2: Creación del Shapefile.
3. Ahora con esta área creada podemos utilizar la herramienta cortar la cual nos permite cortar
mediante shapefile y extraer la información del área seleccionada.
Imagen 3: Herramienta cortar para extraer información de un área.
4. Y para cortar las capas de raster usamos la herramienta de Data Management Tools en
Raster Processing, el cual nos permite extraer la información del área seleccionada de capas
raster.
Imagen 4:Herramienta cortar para extraer información de una capa raster.
3
Imagen 5: Área de la capa raster cortada.
5. Para calcular los índices usamos la Calculadora RASTER, ubicada en las herramientas de
Spatial Analyst Tools/Map Algebra. Y en este caso para halla los Índices de Vegetación de
Diferencia Normalizada (NDVI) usamos la siguiente formula.
Imagen 6: Cálculo de los Indices NDVI
Imagen 7: Capa generada con los Indices de NDVI.
6. En propiedades de la capa clasificamos los índices de NDVI según los rangos propuestos.
4
Imagen 8: Clasificación de los Índices de NDVI.
7. De la misma forma con la Calculadora Raster, calculamos el Indice de Clorofila Verde (GCI)
el cual es una métrica clave para entender la salud del cultivo y evaluar el estado de
nitrógeno.
Imagen 9: Calculo del Índice de Clorofila Verde.
8. Realizamos la clasificación de los Índices de Clorofila Verde para tener una mejor apreciación
de los datos.
Imagen 10: Clasificación de los GCI.
5
9. Ahora para clasificar y distinguir los tipos de suelos o en nuestro caso los cultivos del suelo
y otra superficie, primero realizaremos el método de la Clasificación no supervisada, usando
la siguiente herramienta.
Imagen 11: Herramienta de Clasificación no Supervisada.
10. Para la clasificación usaremos las imágenes raster descargadas y la dividiremos en 3 clases.
Imagen 12: Cuadro de Herramienta de clasificación no supervisada
Imagen 13: Resultado obtenido de la clasificación no supervisada.
11. Vemos que el resultado obtenido no es muy específico por lo tanto realizamos la
clasificación supervisada, para ello usamos la herramienta Training Sample Manager con el
cual seleccionamos diferentes áreas y le damos un nombre de clasificación específico para
luego guardarlo.
6
Imagen 14: Selección de diferentes áreas y clasificación dada a los tipos de suelo y cultivo.
Imagen 15: Unión de las zonas seleccionadas de 3 clases.
12. Para realizar la Clasificación supervisada usamos la herramienta Maximum Likelihood
Classificaction y utilizamos la clasificación anterior mente guardada.
Imagen 16: Clasificación supervisada con la agrupación guardada.
13. Cortamos el área seleccionada de trabajo y pasamos el raster a Shapefile con la herramienta
Raster a Polígono de Conversion Tools.
Imagen 17: Conversión de Raster a Shapefile.
7
14. Finalmente usamos la Herramienta Dissolve para agrupar todos los datos clasificados de
tipos de suelo o cultivo. Editamos la tabla de atributos para solo quedarnos con las zonas de
cultivos o de vegetación.
Imagen 18: Agrupamos los datos obtenidos teniendo en cuenta la clasificación dada.
Imagen 19: Eliminamos las demás clasificaciones para quedarnos sólo con los cultivos o zonas de vegetación.
Imagen 20: Resultado obtenido de las zonas de cultivos o vegetación.
15. Ahora extraeremos los valores por puntos creando un shapefile de puntos, en donde
creamos puntos ramdoms en la zona de vegetación.
8
Imagen 21: Creación de Puntos en la zona de vegetación de donde se extraerá información
16. Obtenemos la coordenadas en X y Y de los puntos de control mediante la herramienta
Calculate Geometry en la edición de la tabla.
Imagen 22: Calculo de la coordenada en X.
Imagen 23: Coordenadas en X y Y obtenidas de los puntos de control.
17. Con la herramienta Extract Values to Point extraemos los valores de las capas Raster de NDVI
y GCI.
Imagen 24: Extracción de los datos de NDVI de la capa raster en los puntos creados
9
Imagen 25: Datos de NDVI extraídos.
18. Finalmente podemos hallar difetentes datos de los puntos seleccionados como el Rango y
la Media entre otros.
Imagen 26: Datos generados de los puntos.
CONCLUSIONES
El procesamiento de imágenes multiespectrales capturadas por drones, descrito en este manual,
demuestra ser una herramienta poderosa en la agricultura de precisión. El uso de ArcGIS como
plataforma de análisis permite gestionar grandes volúmenes de datos georreferenciados, lo que
facilita la identificación de patrones y la detección de cambios en el campo agrícola. Entre las
principales ventajas de esta metodología se encuentran la posibilidad de observar de manera
detallada el estado de cada zona del cultivo, el acceso a índices de vegetación que permiten
monitorear la salud de las plantas, y la capacidad de generar estadísticas precisas y
personalizadas por zonas de interés.
Las técnicas presentadas en el informe permiten a los profesionales realizar análisis específicos
y prácticos, como la delimitación de parcelas de cultivo y la clasificación de terrenos para el
análisis de productividad. La capacidad de extraer estadísticas detalladas, tales como valores
máximos, mínimos y promedios de índices de vegetación, proporciona una base sólida para
evaluar la efectividad de las prácticas de cultivo y ajustar las estrategias de fertilización, riego y
control de plagas.
En conclusión, el conocimiento adquirido a través del informe contribuye a la implementación
de prácticas agrícolas más eficientes y sostenibles, en línea con las demandas de la agricultura
moderna. Los métodos y técnicas abordados pueden reducir costos y mejorar la productividad
mediante un enfoque basado en datos, optimizando el uso de recursos y aumentando la
rentabilidad del sector agrícola. Este informe es, por tanto, una herramienta valiosa para
cualquier profesional interesado en aplicar la teledetección y el procesamiento de imágenes a
la gestión agrícola.
10
