Agricultura con AVNT ( Aparatos Voladores No Tripulados)

La revolución de la agricultura de los AVNT está en ciernes. Asociados hasta ahora a la guerra y el espionaje, estos pequeños aparatos inteligentes no tripulados empiezan a lavar su imagen con aplicaciones más cooperativas y útiles como las telecomunicaciones, la monitorización de la temperatura y el medio ambiente, la exploración de petróleo y gas y las coberturas televisivas, entre otras muchas funciones.
Una de las aplicaciones con más potencial, además de la seguridad pública, es la agricultura de precisión y la monitorización de los campos. Así lo asegura una investigación reciente de la Asociación para el Sistema Internacional de Aparatos No Tripulados (AUVSI).
La agricultura de precisión se refiere a la utilización de sensores remotos para escanear plantas y detectar si están sanas, su grado de hidratación y el ritmo de crecimiento. También comporta un uso selectivo de los nutrientes y los pesticidas que cada planta requiere, reduciendo así el coste y el impacto ambiental.

 “Para el 2050 habrá nueve mil millones de personas en el planeta y la agricultura tendrá que incrementar su producción. Hay muy pocos jóvenes interesados en trabajar en el campo y los trabajadores que se dedican a ello están envejeciendo. La tecnología puede dar respuesta a ambos retos”. Su compañía está desarrollando sistemas autónomos no tripulados para encontrar soluciones que permitan a los productores agrícolas incrementar las cosechas y reducir los costes.

Los AVNT van a ser una tecnología revolucionaria en campos tan diversos como la agricultura, la infraestructura de las ciudades y la exploración de yacimientos de gas y petróleo, entre otros. Combinan una gran flexibilidad con poco coste.

En ámbitos académicos existe el convencimiento de que “los AVNT pueden revolucionar la agricultura, reduciendo la necesidad de pesticidas e incrementando la producción”.


En general me gustan los cuadricopteros/ quadcopteros, como los que se muestran :

  



 Ingeniería casera.

Esta máquina es capaz de volar varios kilómetros lejos de quien lo esté manejando. Lleva una cámara incorporada que le permite grabar desde su punto de vista y trasladar esta imagen a unas gafas que permiten al usuario en cuestión tener la sensación de estar montado en él.

Vinos Raimat


Imágenes procedentes de UAV y sus ventajas en agricultura

En sintonía con lo expuesto anteriormente, los AVNT ofrecen un enorme potencial en agricultura debido a que:
1) trabajan con total autonomía e incluso en días nublados, por lo que se pueden programar los vuelos a demanda y con una gran flexibilidad en momentos críticos del cultivo;
2) pueden llevar a bordo sensores con diferente tipo de rango espectral dependiendo del objetivo que se persiga;
 3) generan imágenes con una elevada resolución espacial con tamaño de píxel desde varios cm a pocos mm dependiendo del sensor y de la altura del vuelo, todo ello en función de las necesidades del usuario y la finalidad del estudio.
Estos tres factores son muy limitantes en otro tipo de plataformas comerciales ya que además hay que sumar que las imágenes de satélite o las provenientes de aviones convencionales se deben ordenar con bastante antelación. Ello puede ocasionar problemas que se agudizan por la naturaleza cambiante del pronóstico meteorológico y por la particularidad propia del seguimiento de los cultivos ya que los estados fenológicos cambian con el tiempo y son con frecuencia determinantes al abordar con éxito un estudio basado en teledetección. Existe aún escasa bibliografía de la utilización de UAV para aplicaciones en agricultura. No obstante, recientemente Huang et al. (2013), Yue et al. (2013) y Zang & Kovacs (2012) han revisado los diferentes diseños de plataformas y de sensores, así como la estandarización de los procedimientos de análisis y de extracción de información de las imágenes que ofrecen.

objetivo

Como ejemplo de los avances realizados en los últimos años con técnicas de teledetección fundamentadas en la utilización de UAV, el objetivo de este artículo es describir varios trabajos sobre tres de los principales problemas que pueden afectar al rendimiento de los cultivos en diferentes escenarios agrícolas:
1) detección de áreas infestadas por malas hierbas en cultivos herbáceos;
2) detección de zonas que necesitan mayor o menor riego en frutales;
y 3) detección de zonas infectadas por hongos en olivar.
Todos estos trabajos persiguen la cartografía de dichas variables para una posterior gestión localizada de fitosanitarios y riego. Las investigaciones que se presentan de forma resumida se pueden considerar representativos de cómo abordar un estudio agronómico utilizando UAV para objetivos de gran interés agro-económico y científico. Se detallan los modelos de sensores utilizados ya que esta información es muy relevante en este tipo de estudios dada la amplia disponibilidad de que hay en el mercado.




Para realizar tratamientos   localizados de herbicidas (en inglés SSWM: Site-Specific Weed Management) sólo en las zonas infestadas por malas hierbas y poder adaptar la dosis y la clase de herbicida al tipo de malas hierbas presentes es necesario detectar y cartografiar dichas emergencias. En la mayor parte de cultivos, se realizan tratamientos de post-emergencia en fases tempranas, justo cuando malas hierbas y cultivo están en estado fenológico de plántula (por ej.: hasta 2-6 hojas verdaderas dependiendo de la especie). Si ese tipo de tratamiento se pretende que sea localizado según composición y densidad de malas hierbas (monocotiledóneas vs dicotiledóneas, malas hierbas resistentes, o malas hierbas de difícil control), es necesaria la discriminación de las plántulas de malas hierbas de las del cultivo teniendo en cuenta que en dicho estado de crecimiento tienen firmas espectrales y apariencia muy similares.
 El Grupo de investigación dirigido por Francisca López-Granados ha utilizado un UAV (http://toasproject.wordpress.com; http://www.ias.csic.es/precisionmalherbologia) de despegue y aterrizaje vertical, modelo quadrotor md4-1000 que, dependiendo del objetivo perseguido, puede estar equipado con sensores en rango visible o visible e infrarrojo cercano (Torres-Sánchez et al., 2013) (Figura 4 a). En este caso se pretendía mapear malas hierbas en maíz en fase temprana con el fin último de optimizar el uso de herbicidas. Este cultivo se eligió en base a:
1) su elevado impacto agro-económico en España y otros países;
2) se debe tratar en varias ocasiones con herbicidas en post-emergencia (dado que se riega semanalmente);
 3) la posible extrapolación de los resultados a otros cultivos igualmente importantes que se siembran en hilera ancha.
A bordo del AVNT se instaló una cámara multiespectral (modelo TetraCam mini-MCA, resolución de 1,3 megapíxeles) dotada de seis canales que abarcaban del rango visible (Rojo, R: 0.4-0.5 µm; Verde, G: 0.5-0.6 µm;  Azul, B: 0.6-0.7 µm) al infrarrojo cercano (NIR: 0.7-0.9 µm). Las imágenes fueron mosaicadas siguiendo la metodología descrita en Gómez-Candón et al. (2013). Posteriormente fueron analizadas aplicando un método completamente automático de análisis de imágenes mediante técnicas basadas en objetos (OBIA, por las siglas en inglés de Object-based Image Analysis). La utilización de técnicas OBIA se ha potenciado recientemente por ser más precisas que las basadas sólo en píxeles ya que tienen la ventaja de incorporar en los algoritmos de clasificación, además de la información espectral, 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 (Castillejo-González et al., 2009; Peña-Barragán et al., 2011).
El algoritmo de clasificación desarrollado por Peña et al. (2013) para la cartografía de malas hierbas en fase temprana en maíz se basó en que toda la vegetación que emerge fuera de la hilera de siembra es un rodal de malas hierbas. El procedimiento de análisis de imagen consta de las siguientes fases:
1) Alineación de cada banda espectral e importación de las imágenes al programa de análisis;
2) Segmentación de la imagen en objetos formados por vegetación (cultivo y mala hierba) y suelo desnudo;
3) Discriminación de los objetos de vegetación mediante umbrales del índice de vegetación NDVI (Normalized Difference Vegetation Index, por sus siglas en inglés);
4) Cálculo de la orientación de las líneas de cultivo a partir de la dirección principal media de todos los objetos presentes en la imagen;
5) Clasificación de las líneas de cultivo mediante los objetos de vegetación de forma alargada que siguen la orientación del cultivo;
6) Discriminación de malas hierbas, cultivo y suelo desnudo en base a la información espectral, morfológica y de posición con respecto a las líneas de cultivo;
7) Segmentación de la imagen formando un estructura de malla adaptada a las dimensiones de la maquinaria de tratamiento (p.ej., separación de boquillas de aplicación de herbicida);
8) Generación de un mapa de cobertura de malas hierbas basado en la superficie infestada en cada unidad de malla;
y 9) Exportación de resultados en formatos de imagen y de tabla para su posterior análisis e integración en la maquinaria de tratamiento.



El procedimiento desarrollado clasificó el 100% de las líneas de cultivo presentes y las zonas sin presencia de malas hierbas y las zonas infestadas en tres categorías:
1) Baja (<5 2="" 3="" alta="" moderada="" y="">20%). Las zonas que requerían tratamiento herbicida eran únicamente las que superan el umbral económico de tratamiento que en este cultivo estaban constituidas por moderada y alta infestación. El número de categorías consideradas y los umbrales indicados son configurables por el usuario y adaptables a los requerimientos de la maquinaria o sistema de tratamiento que se utilice para el control localizado 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.

 Tabla1. Exactitud de clasificación y superficie ocupada para cada categoría de cobertura de malas hierbas considerada

Cobertura de mala hierba	Exactitud de la clasificación	Superficie ocupada
Sin mala hierba	98 %	23 %, zona sin tratar
Baja (< 5%)	89 %	47 %, zona sin tratar
Moderada (5-20%)	84 %	23 %, zona a tratar
Alta (> 20%)	89 %	7 %, zona a tratar

 Según los resultados, el 70% del campo estudiado no necesitaba tratamiento de herbicidas en post-emergencia y por lo tanto solamente el 30 % sí presentaba infestación de malas hierbas y requería tratamiento herbicida. Una vez determinada la superficie del campo a tratar, en la Figura 5 se muestran las zonas en las que se podría llevar a cabo un tratamiento localizado de herbicidas.



Mapa de Crop Water Stress Index (CWSI: escala de mínimo y máximo) obtenido en un viñedo por Bellver et al. (2013). 



 



El estrés hídrico provoca en los cultivos el cierre estomático cuyo principal efecto es la disminución de la tasa de transpiración lo que finalmente provoca un incremento de la temperatura de la hoja. Este aumento de temperatura puede monitorizarse mediante imágenes procedentes de AVNT con información en el rango espectral del térmico. El trabajo que se presenta en este apartado ha sido desarrollado por Bellvert et al. (2013) para mapear el estado hídrico en viñedo utilizando un AVNT e imágenes térmicas.
 El manejo de riego en viticultura se programa según modelos de balance hídrico que no tienen en cuenta la heterogeneidad espacial de los viñedos lo que limita el manejo eficiente del agua de riego. Ello implica que se riega de forma uniforme todo el campo ocasionando aplicaciones excesivas en unas zonas y escasas en otras. Dado que el aporte de agua tiene influencia en la composición química de la uva y por consiguiente en la calidad del mosto y del vino, los autores se plantearon obtener una cartografía que informara de la variabilidad espacial del estado hídrico de cada cepa con el fin de programar el riego de forma racionalizada. Ello tendría relevantes implicaciones en numerosas zonas ya que es el cultivo leñoso con más amplia distribución mundial.
 La determinación del estado hídrico se realizó en dos campañas agrícolas en un viñedo situado en Raimat (Lérida) mediante imágenes procedentes de un AVNT de ala fija de 5 m equipado con un sensor (modelo Miricle 307K) que genera imágenes térmicas así como con el cálculo del Crop Water Stress Index (CWSI, Idso et al., 1981) y su relación con el potencial hídrico foliar (Ψ_h).
El CWSI requiere medir:
1) la temperatura de la hoja;
2) la temperatura del aire;
 3) el déficit de presión de vapor, mientras que el Ψ_h se mide con una cámara de presión Scholander.
Con el fin de determinar la temperatura de la cubierta vegetativa de las cepas bajo distintos estados hídricos,  en una zona del viñedo se realizaron dos tratamientos de riego:  1) cepas control: 100% de sus necesidades hídricas; y 2) cepas estresadas: se regaron únicamente cuando el  Ψ_h a mediodía fue menor de un intervalo de -1.2 a -1.6 MPa según el año del ensayo. Asimismo, se instalaron cuatro sensores de temperatura infrarrojo (modelo PC151LT-0, Pyrocouple series) de forma que se colocaron dos en cada tratamiento de riego  a 1.5 m de la cubierta vegetal de las cepas.  Los vuelos se realizaron a las 9.30, 11.30 y 14.30 (hora local) a una altura de 200 m sobre el suelo generándose imágenes de 30 cm-píxel. Esta resolución espacial permitió obtener píxeles puros de vegetación con el fin de analizar con precisión cada cepa. Posteriormente, las imágenes se procesaron realizando un remuestreo del tamaño del píxel hasta obtener píxeles de 60, 80, 100, 120, 150 y 200 cm para determinar la resolución espacial óptima para detectar el estado hídrico.
 Los resultados de la relación de CSWI y Ψ_h muestran que los coeficientes de determinación R² obtenidos en los vuelos de las 9.30 h en los diferentes tamaños de píxeles generados fueron no significativos (siempre menores a 0.46). Sin embargo,  en los vuelos de las 14.30 h (12.30 hora solar) cuando el tamaño de píxel fue de 30 cm, R² fue más elevado (0.71). Ello indica que el momento del día más adecuado para determinar el estado hídrico mediante imágenes térmicas es alrededor del mediodía. Sin embargo, cuando el tamaño del píxel aumenta de 30 a 60 cm, en la relación entre CWSI y Ψ_h se obtuvo un R² = 0.38 que fue significativamente menor que el alcanzado con imágenes de píxel = 30 cm.
 Por lo tanto, para discriminar el estado hídrico del viñedo es necesario utilizar imágenes generen resoluciones espaciales elevadas. A su vez, con los cálculos de CWSI se posible elaborar mapas de CWSI en cada cepa o por sectores de riego. Si estos mapas se obtienen semanalmente, se puede contar con una herramienta altamente precisa para diferenciar subzonas en función de su estado hídrico que originarán cosechas de elevada calidad ya que el riego se realizará según se establezca de acuerdo con los mapas.
Trabajos similares se han realizado por González-Dugo et al. (2013) utilizando imágenes procedentes de UAV equipado con sensor térmico para obtener mapas del estado hídrico de plantaciones de varios tipos de frutales de hueso y de cítricos. Por otra parte, Zarco et al. (2009) trabajaron en olivar utilizando AVNT y sensores en rango térmico y visible-infrarrojo cercano para detectar la fluorescencia clorofílica con el fin de estudiar el funcionamiento fotosintético y su potencial para su aplicación en detección de estrés hídrico.



En este apartado se expone el trabajo realizado por Calderón et al. (2013) cuyo objetivo fue detectar los cambios fisiológicos que la enfermedad de la Verticilosis causa en el olivar con el fin de obtener imágenes de los daños ocasionados en estados tempranos. Con esta información se podrían programar medidas de control ya que éstas tienen efecto cuando los primeros olivos están afectados y la enfermedad está aún localizada en focos y no afecta al conjunto de la parcela. La Verticilosis del olivar está causada por el hongo del suelo Verticilium dahliae y está considerado como el factor más limitante para el cultivo del olivar (Jiménez-Díaz et al., 2012). Su modo de infección empieza por la raíz y después coloniza el sistema vascular produciendo un bloqueo del flujo de agua lo que finalmente induce estrés hídrico en el olivo. Ello implica que se produce cierre estomático que disminuye la evapotranspiración e incrementa la temperatura de la hoja.
 La metodología para detectar los olivos infectados consistió en utilizar imágenes procedentes de dos AVNT, uno de ala fija de 2 m equipado sensores multiespectrales en rango térmico (modelo Miricle 307K) y visible e infrarrojo cercano (modelo TetraCam mini-MCA), y otro de ala fija de 5 m en el que se instaló un sensor hiperespectral (modelo Micro-Hyperspec VNIR) en rango visible e infrarrojo cercano. Los estudios se realizaron en un olivar afectado con diferentes niveles de severidad de infestación de Verticilosis.  Para confirmar la infección por la enfermedad se tomaron muestras de las ramas nuevas con síntomas siguiendo el método descrito en Navas-Cortés et al. (2008) y los aislados de V. dahliae se estudiaron en base a la morfología de conidióforos y microesclerocios confirmándose posteriormente  mediante análisis  con PCR (Mercado-Blanco et al., 2003).
 En el olivar de estudio se monitorizaron árboles con 4 diferentes niveles de severidad de infección establecidos visualmente en cada olivo dependiendo del porcentaje de hojas afectadas con los síntomas de la enfermedad. Estos niveles iban de 0 a 4, siendo 0 = 0%;  0.2-0.5%: síntomas iniciales; 1 = 1-33 %; 2 = 34 - 66 %; 3 = 67 – 100%; 4 = árbol muerto. En los olivos afectados se realizaron, entre otras, las siguientes mediciones:
1) temperatura de las copas de los árboles (sensor modelo IRP-P);
2) conductancia estomática con un porómetro (modelo SC-1);
  3) fluorescencia clorofílica con un fluorómetro (modelo PAM-2100).
Los resultados obtenidos con estas medidas en campo permitieron la diferenciación de árboles sin síntomas y árboles en estadíos tempranos de la enfermedad.
Los vuelos se realizaron durante  tres años en primavera y verano y se generaron imágenes con resolución espacial de 20 cm (cámara térmica y multiespectral) y 40 cm (sensor hiperespectral, 260 longitudes de onda). Las imágenes térmicas del verano permitieron estimar los valores de Crop Water Stress Index (CWSI, Idso et al., 1981). Estos valores eran menores en los árboles asintomáticos con una tendencia ascendente según el nivel de afectación lo que facilitó la identificación de árboles afectados de forma temprana. Por otro lado, los índices obtenidos en la imagen hiperespectral (B, BG1= R400/R550, BR1= R400/R690) posibilitaron la detección de la Verticilosis en estadíos tempranos de la enfermedad, mientras que el índice NDVI = (R800 − R670)/(R800 + R670) mostró ser un buen indicador para la detección de la enfermedad en fases avanzadas (daño moderado o severo).
 A partir de los resultados mencionados de forma resumida anteriormente, Calderón et al. (2013) han demostrado que es viable la detección de la infección temprana por V. dahliae en olivar así como la diferenciación  entre niveles de severidad de la enfermedad mediante imágenes térmicas, multiespectrales e hiperespectrales. Ello supone un gran avance en el control integrado de esta enfermedad cuando aún está en sus fases iniciales y abre las puertas a la solución de un serio problema en amplias zonas de olivar.
 Además de la investigación descrita, García-Ruiz et al. (2013) han obtenido resultados satisfactorios utilizando UAV en la detección de la enfermedad Huanglongbing que causa clorosis en los cítricos. Se trata de una enfermedad bacteriana cuyo vector es el insecto psílido asiático (Diaphorina citri) que afecta severamente los árboles reduciendo la producción, apariencia, valor económico y sabor de la fruta y del zumo.  En fases muy avanzadas de la enfermedad puede ocasionar la muerte del árbol.

CONCLUSIONES

De las investigaciones presentadas en este artículo se puede concluir que mediante el análisis de las imágenes de muy alta resolución espacial obtenidas con diversos tipos de AVNT equipado con sensores en diferente rango espectral se pueden generar mapas georreferenciados de:
1) cobertura de malas hierbas en época temprana, justo en el momento más adecuado para la aplicación de medidas de control localizado de malas hierbas en el cultivo de maíz;
 2) estado hídrico del viñedo para programas riego allí dónde hace realmente falta;
  3) olivos infectados por Verticilosis para mapear los árboles afectados de forma temprana y proceder a realizar las medidas de control necesarias.
 Actualmente hay tecnología y equipos agrícolas que pueden llevar a cabo tratamientos fitosanitarios o programas de riego en base a los mapas que definen las zonas a las que hay que prestar atención.