104436 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Estimación de la biomasa producida por una pradera mediante el uso de sensores remotos. En el departamento de Cundinamarca, Colombia.

Estimation of the biomass produced by a sward using remote sensing. In the department of Cundinamarca, Colombia. by/por

Álvaro Alfonso Bernal Bernal 01524624 A thesis submitted in partial fulfillment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Leonardo Zurita Arthos PhD

Facatativá – Colombia, Octubre de 2021

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Facatativá, Cundinamarca, Colombia. Octubre de 2021

DEDICATORIA

A mi familia, A mi Madre Gladys y a mi Padre Alvaro que siempre me han apoyado y me enseñaron el valor de hacer lo correcto. A mi hermano Richard que me enseña la superación. A mi esposa Amanda que me apoya con paciencia y me acompaña en el viaje de la vida. Y a mi hija Natalie Sofía quien da luz y fuerza a la vida.

AGRADECIMIENTOS

A UniGIS y la Universidad de Salzburg y al profesor Miguel Angel Montoya M.Sc por su orientación y recomendaciones para el desarrollo de este trabajo.

A mi familia por su incondicional apoyo.

Al señor Ricardo Camacho, propietario y gerente de la finca Megaleche en donde se realizó el estudio.

Al zootecnista Alex Fernando Gutiérrez, asesor de la finca Megaleche por su apoyo.

A Laura Ordoñez por su apoyo en el trabajo de campo.

A la Universidad de Cundinamarca y a la Universidad Nacional de Colombia.

Estimación de la biomasa producida por una pradera mediante el uso de sensores remotos. En el departamento de Cundinamarca, Colombia. RESUMEN Colombia es un país con vocación agrícola y, en el departamento de Cundinamarca, sobresale la ganadería basada en pastoreo, en donde el 48,6% del suelo está ocupado por pastos, principalmente kikuyo (Cenchrus clandestinus Hochst. ex Chiov. Morrone). El manejo de las pasturas es importante para ofrecer a los animales alimento de buena calidad y en la cantidad adecuada, siendo necesario conocer la biomasa disponible. La medición directa de la biomasa es el método más confiable, sin embargo, esta medición es destructiva e implica una dispendiosa labor. Múltiples técnicas se han desarrollado para estimar dicha biomasa, pero la mayoría requiere trabajo de campo que las hace poco usadas y costosas. Recientemente se han investigado técnicas de sensores remotos para estimar características fisiológicas y morfológicas en diferentes cultivos a partir de sus propiedades ópticas y llegar a estimaciones de biomasa. El presente trabajo pretende desarrollar una metodología para estimar biomasa en praderas a partir de sus características espectrales y morfológicas, buscando diferentes fuentes de información remota y correlacionando las propiedades ópticas de la pastura con la biomasa. Para ello se seleccionaron fotografías aéreas capturadas con un sistema aéreo no tripulado (UAS) y una imagen del satélite Sentinel 2B que capturó la escena del lugar de estudio coincidente con el vuelo del UAS y las medidas de campo. Usando técnicas de fotogrametría aérea sobre las fotografías capturadas se calculó un modelo digital de elevación (DEM) que sirvió para estimar la altura de la pastura. A partir de la ortofotografía se calculó el Índice de Vegetación Rojo Verde Azul (RGBVI) y con la imagen del satélite se determinó el Índice de Diferencia de Vegetación Normalizado (NDVI). Se correlacionó la altura de la pastura medida en campo con la altura estimada mediante el DEM usando el coeficiente de Pearson, y se correlacionó la biomasa medida en campo con los índices NDVI, RGBVI y la altura estimada mediante modelos de regresión lineal. Se encontró una correlación fuerte (0,64) entre la altura medida y la altura estimada. La correlación entre NDVI y la biomasa fue baja (R2= 0,13) y no se encontró relación con el índice RGBVI (R 2= 0,02). Entre la altura estimada mediante el DEM y la biomasa se encontró una relación media (R2=0,42), la cual indica que esta es una metodología promisoria para sustituir los métodos destructivos y para brindar información más precisa en tiempo y espacio.

Palabras Claves: Altura de la pastura, modelo digital de elevación (DEM), Fotogrametría, Índice de Diferencia de Vegetación Normalizado (NDVI), Índice de Vegetación Rojo Verde Azul (RGBVI), sistema aéreo no tripulado (UAS).

Estimation of the biomass produced by a sward using remote sensing. In the department of Cundinamarca, Colombia. ABSTRACT Colombia is know for its variety of agricultural activities and Cundinamarca has important activity livestock based on grazing, where 48.6% of the land is occupied by pastures, mainly Kikuyu (Cenchrus clandestinus Hochst. Ex Chiov. Morrone). Pasture management is important to offer feed of good quality and in the appropriate quantity to the animals, being necessary to know the available biomass. Direct measurement of biomass is the most reliable method, however, this method is destructive and time-consuming. Multiple techniques have been developed to estimate biomass, but most require field work, for this reason they are little used and expensive. Remote sensing techniques have recently been investigated to estimate physiological and morphological characteristics in different crops from their optical properties and to achieve biomass estimates. The objective of this study was to develop a methodology to estimate the biomass in grasslands from its spectral and morphological characteristics, selecting different sources of remote information and correlating the optical properties of the grassland with biomass. Aerial photographs captured with an unmanned aerial system (UAS) were selected and an image from the Sentinel 2B satellite that captured the scene of the study site coinciding with the UAS flight and field measurements. Aerial photogrammetry techniques were used with the captured photographs and a digital elevation model (DEM) was calculated to estimate the height of the pasture. The red, green, blue vegetation index (RGBVI) was calculated from the orthophotography and the normalized difference vegetation index (NDVI) from the satellite image. The height of the pasture measured in the field was correlated with the height estimated by the DEM using the Pearson coefficient. Biomass measured in the field was correlated by linear regression models with the NDVI, RGBVI and the height estimated. A strong correlation (0.64) was found between the measured height and the estimated height. The correlation between NDVI and biomass was low (R2 = 0.13) and no relationship was found with the RGBVI index (R2 = 0.02). Mean relationship (R 2 =0.42) was found between the height estimated by the DEM and the biomass, which indicates that this is a promising methodology to replace destructive methods and to provide more accurate information in time and space.

Keywords: digital elevation model (DEM), Grass height, Photogrametry, normalized difference vegetation index (NDVI), red, green, blue vegetation index (RGBVI), unmanned aerial system (UAS). 6

Tabla de Contenido DEDICATORIA..............................................................................................................3 AGRADECIMIENTOS...................................................................................................4 RESUMEN.....................................................................................................................5 ABSTRACT....................................................................................................................6 LISTADO DE ABREVIATURAS..................................................................................12 1. INTRODUCCIÓN.....................................................................................................15 1.1 Antecedentes....................................................................................................15 1.2 Objetivos...........................................................................................................18 1.2.1 Objetivo General........................................................................................18 1.2.2 Objetivos Específicos................................................................................18 1.3 Preguntas de investigación...............................................................................18 1.4 Hipótesis............................................................................................................19 1.5 Justificación.......................................................................................................19 1.6 Alcance..............................................................................................................20 2. REVISIÓN DE LITERATURA..................................................................................22 2.1 Estimación de la biomasa en forrajes...............................................................22 2.2 Sensores Remotos............................................................................................25 2.2.1 Comportamiento espectral de las hojas vivas...........................................27 2.2.2 Imágenes digitales en el espectro visible..................................................30 2.2.3 Imágenes satelitales multiespectrales.......................................................31 2.2.4 Fotogrametría............................................................................................33 2.2.5 Modelos de Elevación Digital.....................................................................39 2.2.6 Índices de vegetación................................................................................40 2.2.7 Sistemas de aeronaves no tripuladas.......................................................43 2.2.8 Uso de imágenes aéreas para la estimación de biomasa en cultivos......46 3. METODOLOGÍA......................................................................................................51 3.1 Selección de las fuentes de información remota..............................................52 3.2 Estudio de campo.............................................................................................53 3.2.1 Área de estudio..........................................................................................53 3.2.1.1 Ubicación............................................................................................53 7

3.2.1.2 Características climáticas...................................................................53 3.2.2 Medida manual de la altura de la planta y muestreo de la biomasa.........54 3.2.3 Adquisición de imágenes de satélite.........................................................58 3.2.4 Adquisición de imágenes RBG aeroportadas...........................................60 3.3 Análisis de la información.................................................................................63 3.3.1 Información capturada por UAS................................................................63 3.3.2 Información proveniente del satélite..........................................................64 3.3.3 Análisis estadístico de los datos................................................................64 4. RESULTADOS Y DISCUSIÓN................................................................................66 4.1 Resultados........................................................................................................66 4.1.1 Ortofotografías Adquiridas mediante UAS................................................66 4.1.2 Estimación de biomasa a través de modelo digital de elevación..............68 4.1.3 Estimación de biomasa a través del índice NDVI.....................................73 4.1.4 Estimación de biomasa a través del índice RGBVI...................................75 4.2 Discusión de resultados....................................................................................77 4.2.1 Estimación de la biomasa a través de modelo digital de elevación..........77 4.2.2 Estimación de la biomasa a través de los índices NDVI y RGBVI............80 5. CONCLUSIONES....................................................................................................82 6. BIBLIOGRAFÍA........................................................................................................83

Índice de Figuras

Figura 1. Espectro Electromagnético..........................................................................29 Figura 2. Esquema de captura de imágenes para fotogrametría...............................36 Figura 3. Flujo típico de procesamiento fotogramétrico digital,..................................36 Figura 4. Flujograma de la metodología trabajada.....................................................52 Figura 5: Ubicación finca Megaleche..........................................................................54 Figura 6. Ortofotografía con la marcación del límite del lote trabajado......................55 Figura 7. Ortofotografiá con la marcación del límite de las subparcelas maestreadas ....................................................................................................................56 Figura 8. a) Medición de la altura. b) Muestreo de biomasa en un área de 0.25 m 2. c) Pesado en fresco de la biomasa muestreada. d) Secado de la muestra en horno de ventilación forzada......................................................................58 Figura 9. Plataforma del Copernicus Open Hub de donde se descargó la imagen satelital.......................................................................................................59 Figura 10. a) Pilotado manual del UAS. b) UAS Fimi X8 SE......................................61 Figura 11. Distribución de los puntos de control sobre el terreno estudiado..............62 Figura 12. Ortofotografías del terreno estudiado a) Vuelo inicio del ciclo sensado el 5 de noviembre de 2019 b) Vuelo final del ciclo sensado el 3 de diciembre de 2019.......................................................................................................67 Figura 13. Áreas de estudio con la capa con la diferencia de alturas de los DSM del vuelo final menos el vuelo inicial................................................................68 Figura 14. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo con información de los 3 ciclos de mediciones.................................................................................................69 Figura 15. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de baja precipitación....................69 9

Figura 16. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de transición a lluvias...................70 Figura 17. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de lluvias......................................70 Figura 18. Modelo de regresión entre la altura estimada por el DSM y la biomasa obtenida por mediciones directas con la ecuación de época de lluvias....72 Figura 19. Modelo de regresión entre la altura estimada por el DSM y la biomasa obtenida por mediciones directas con la ecuación general.......................72 Figura 20. a) Finca Megaleche con la capa de NDVI, b) Subparcelas del área con su el NDVI promedio.......................................................................................73 Figura 21. Modelo de regresión entre el NDVI y la biomasa obtenida por mediciones directas con la ecuación de época de lluvias.............................................74 Figura 22. Modelo de regresión entre el NDVI y la biomasa obtenida por mediciones directas con la ecuación general................................................................74 Figura 23. RGBVI promedio obtenido para las subparcelas......................................75 Figura 24. Modelo de regresión entre el RGBVI y la biomasa obtenida por mediciones directas con la ecuación de la época de lluvias.....................76 Figura 25. Modelo de regresión entre el RGBVI y la biomasa obtenida por mediciones directas con la ecuación general............................................77

Índice de tablas Tabla 1. Características de las imágenes de SENTINEL-2........................................33 Tabla 2. Índices de vegetación obtenidos a partir de imágenes de cámaras multiespectrales usados en la estimación de biomasa en cultivos...........42 Tabla 3. Índices de vegetación obtenidos a partir de imágenes RGB usados en la estimación de biomasa en cultivos............................................................43 Tabla 4. Análisis de correlación de Pearson entre la altura medida por método directo y la altura medida por el UAS........................................................71

LISTADO DE ABREVIATURAS

Aster:

Radiómetro avanzado de emisión y reflexión térmica espacial (por su sigla en inglés)

BOA:

En el fondo de la atmósfera (por su sigla en inglés)

Clg:

Índice de clorofila verde (por su sigla en inglés)

CIR:

Índice de clorofila rojo de borde (por su sigla en inglés)

CVI:

Índice de vegetación de clorofila (por su sigla en inglés)

DEM:

Modelo digital de elevación (por su sigla en inglés)

DET:

Modelo digital de elevación del terreno (por su sigla en inglés)

DSM:

Modelo digital de superficie (por su sigla en inglés)

DTM:

Modelo digital de terreno (por sus siglas en inglés)

EOS:

Sistema de observación terrestre (por su sigla en inglés)

ER:

Error relativo

ESA:

Agencia Espacial Europea (por su sigla en inglés)

ESRI:

Environmental Systems Research Institute.

EVI:

Índice de vegetación mejorado (por su sigla en inglés)

FDA:

Fibra en detergente ácido

FDN:

Fibra en detergente neutro

GnyLi:

Índice de vegetación basado en el NRI pero modificado mediante la fórmula propuesta por Gnyp y Li (Gnyp et al., 2014) 12

GNDVI:

Índice de Diferencia de Vegetación Normalizado Verde (por su sigla en inglés)

GRDI:

Índice de diferencia verde rojo (por su sigla en inglés)

GRVI:

Índice de vegetación de razón con el verde (por su sigla en inglés)

IDEAM:

Instituto de Hidrología, Meteorología y Estudios Ambientales

OLI:

Imágenes terrestre operacional

MGRVI:

Índice de vegetación verde rojo modificado (por su sigla en inglés)

MODIS:

Espectrorradiómetro de imágenes de resolución moderada (por su sigla en inglés)

MS:

Materia Seca

MVS:

Técnica multi-vista estéreo (por su sigla en inglés)

NASA:

Administración Nacional de Aeronáutica y el Espacio (por su sigla en inglés)

NDRE:

Diferencia Normalizada rojo de borde (por su sigla en inglés)

NDVI:

Índice de Diferencia de Vegetación Normalizado (por su sigla en inglés)

NGBI:

Índice verde azul normalizado (por su sigla en inglés)

NRBI:

Índice rojo azul normalizado (por su sigla en inglés)

NRI:

Índice de razón normalizado (por su sigla en inglés)

PB:

Proteína bruta

PPN:

Productividad Primaria Neta

PPR:

Índice de relación del pigmento de la planta (por su sigla en inglés)

RGB:

Rojo Verde Azul (por su sigla en inglés)

RGBVI:

Índice de Vegetación Rojo Verde Azul (por su sigla en inglés) 13

RVI:

Índice de vegetación de razón con el rojo (por su sigla en inglés)

SAR:

Radar de Apertura Sintética (por su sigla en inglés)

SFM:

Fotogrametría de estructura del movimiento (por su sigla en inglés)

SIG:

Sistemas de Información Geográfica

SWIR:

Infrarrojo de onda corta (por su sigla en inglés)

TIRS:

Sensor infrarrojo térmico

UAS:

Sistemas de Aeronaves no Tripuladas (Por su sigla en Inglés)

VARI:

Índice de resistencia atmosférica visible (por su sigla en inglés)

VNIR:

Visible e infrarrojo cercano (por su sigla en inglés)

1. INTRODUCCIÓN

1.1

Antecedentes

El uso de sensores remotos para la estimación de biomasa en diferentes tipos de cultivos y forrajes es cada vez más común, principalmente por su capacidad para hacer estimaciones en áreas de gran tamaño y/o difícil acceso sin que se requieran mediciones destructivas en campo (Michez et al., 2020). Actualmente se utilizan imágenes multiespectrales de satélites pasivos, aunque tienen ciertas limitaciones debido a la interferencia de la atmósfera. También se utilizan imágenes de satélites activos con imágenes de Radar de Apertura Sintética (SAR por su sigla en inglés), eliminando de esta manera la interferencia de la atmósfera y también se encuentran trabajos que combinan los dos tipos de imágenes (Laurin et al., 2018; Dusseux et al., 2014). Otra fuente de información remota que ha cobrado popularidad en la última década es el monitoreo con Sistemas de Aeronaves no Tripuladas (UAS por su sigla en inglés), dotados con sensores de alta resolución (Rueda, Peñaranda, Velásquez, y Diaz, 2015). Trabajos como el de González (2019), muestran el potencial de usar imágenes aéreas de alta resolución para la medición de características de las plantas como la altura y la estimación de la biomasa en cultivos, también se han evaluado algunos índices a partir de imágenes ópticas en color Rojo, Verde y Azul (RGB por su sigla en inglés) y estimación de la biomasa a partir de su correlación con la altura de la planta medida por medio de modelos de elevación digital (Bending et al., 2015; Possoch et al., 2016).

De las imágenes remotamente sensadas es posible analizar atributos tales como los niveles de reflectancia con diferentes anchos de banda o polarizaciones en el caso de las imágenes SAR, así como los valores de diferencia de texturas, teniendo en cuenta la información del píxel vecino, esto se puede realizar mediante una

16 clasificación supervisada o una clasificación no supervisada, dependiendo la disponibilidad de datos de campo (Baghdadi, Mallet, y Zribi, 2018) inclusive es posible apoyarse en algoritmos inteligentes como una máquina de soporte vectorial (Girón Girón y Hernández Torres, 2017). Trabajos como el de Laurin et al. (2018) muestran la viabilidad de utilizar las imágenes satelitales para la estimación de masa en áreas forestales, evaluando el uso de imágenes SAR de manera independiente y combinadas con imágenes multiespectrales. Los resultados en este estudio mostraron que con el uso de Sentinel 1 SAR fue posible estimar la disponibilidad de masa con alta resolución, sin embargo la combinación de Sentinel 1 con información óptica al parecer sobreestimó la masa, por lo cual los autores recomiendan la realización de nuevos estudios. Por su parte Dusseux et al. (2014) evaluaron el uso de imágenes ópticas e imágenes SAR de manera independiente y la combinación de los dos tipos de imágenes para la estimación de masa y la diferenciación entre áreas de cultivos y de pasturas. Concluyeron que es más precisa la clasificación mediante imagen SAR sola frente a la imagen óptica sola. Sin embargo, la combinación de las dos fuentes permitió alcanzar una precisión del 100% en la discriminación de cultivos y pasturas. Estos resultados contrastantes entre investigaciones llevan a la necesidad de realizar más estudios que permitan determinar la metodología más viable y precisa para la determinación de la masa y la diferenciación entre tipos de cultivos. Otros estudios como los de Hong, Zhang, Zhou y Brisco (2014) han propuesto una metodología para identificar praderas y cultivos de alfalfa conjuntamente, mediante el uso de sensores SAR.

En el uso de imágenes multiespectrales, la utilización de la banda roja e infrarroja y su contraste ha generado un gran número de índices de vegetación. El más popular de ellos es el Índice de Diferencia de Vegetación Normalizado (NDVI por su sigla en inglés), considerado universalmente como un buen método para estimar biomasa y como el más consistente de los índices de vegetación para realizar monitoreos ambientales y agrícolas. También ha sido utilizado en agricultura de precisión como indicador del crecimiento y el estrés que puede tener un cultivo. Otro índice utilizado tradicionalmente es el índice de vegetación mejorado (EVI por su sigla en inglés)

17 (Mauricio y Rivas, 2008). La estimación de la biomasa a partir de su relación con la altura de la planta, medida mediante modelos de elevación digital ha mostrado buenos resultados que la perfilan como una metodología viable. Trabajos como el de Bending et al., (2015) han encontrado una alta correlación entre la altura medida mediante modelos de elevación digital y la biomasa (r 2=0.85), siendo esta correlación incluso mayor que la encontrada con índices como el NDVI (r 2=0.4) y el Indice de vegetación basado en el NRI pero modificado mediante la fórmula propuesta por Gnyp y Li (GnyLi) (Gnyp et al., 2014) (r2=0.83).

Los cultivos en los que más se ha realizado estudios con aplicación de SIG y sensores remotos en Colombia son la caña de azúcar (García, Montero, Soto y Valencia, 2017) y el arroz (Girón Girón y Hernández Torres, 2017). Se han generado diferentes modelos a partir de la utilización de índices de vegetación obtenidos de bandas específicas como el NDVI y el EVI, con el uso de sensores ópticos y más recientemente involucrando cámaras multiespectrales aerotransportadas (García et al., 2017). En el trabajo de Rueda et al. (2015), el NDVI es utilizado como una variable del modelo de Productividad Primaria Neta (PPN) a escala regional para determinar la biomasa en cultivos de caña de azúcar. Los resultados de este trabajo mostraron

que

utilizar

esta

metodología,

combinándola

con

información

edafoclimática de la zona, permite predecir la respuesta productiva del cultivo. Para el caso específico de pasturas, Posada-Asprilla, Medina-Sierra y Cerón-Muñoz (2019) realizaron un estudio en kikuyo en el departamento de Antioquia, Colombia, en el cual evaluaron diferentes índices de vegetación obtenidos a partir de imágenes multiespectrales para estimar la producción de biomasa y la calidad del forraje. En este trabajo encontraron que los índices NDVI, Índice de vegetación de razón con el rojo (RVI por sus sigla en inglés), Índice de Diferencia de Vegetación Normalizado Verde (GNDVI por su sigla en inglés) y Índice de clorofila verde (Clg por su sigla en inglés) se relacionan bien con características biofísicas de la planta y por tanto tienen un buen potencial para la estimación de biomasa, mientras que índices como el NDVI y Clg se relacionan con características fisiológicas de la planta como los contenidos de clorofila y por tanto son viables para predecir contenidos de proteína

18 bruta. Las correlaciones más altas se obtuvieron con los índices NDVI y RVI (r2>0.95) y con el NDVI como una función suavizada en el modelo (r 2=0.993).

1.2 1.2.1

Objetivos Objetivo General

Desarrollar una metodología para la estimación de la biomasa disponible en praderas a partir de sus características espectrales o morfológicas en el departamento de Cundinamarca, Colombia.

1.2.2 

Objetivos Específicos Determinar las fuentes de información remota viables para la estimación de la disponibilidad de biomasa en las praderas.



Obtener un modelo de correlación entre las propiedades ópticas de la pastura, la altura y la disponibilidad de biomasa.



Proponer una metodología para la estimación de biomasa en praderas bajo las condiciones del área de estudio

1.3

Preguntas de investigación

¿Cuáles de las fuentes de información remotamente sensadas resulta más conveniente para estimar la biomasa en praderas? ¿Existe una correlación entre las propiedades ópticas de las praderas, su altura y la biomasa disponible en las mismas?

1.4

Hipótesis

Es posible estimar la biomasa de una pradera de kikuyo del departamento de Cundinamarca usando imágenes remotamente sensadas, ya que existe una correlación entre el comportamiento óptico y las características de la pradera.

1.5

Justificación

Colombia es considerado un país con vocación agrícola y para el departamento de Cundinamarca (Colombia), la ganadería representa una de las actividades económicas más importantes (Gobernación de Cundinamarca, 2013). En el 2012 se contabilizaron 93.220 granjas productoras en el sector bovino del departamento, de las cuales el 28,5% eran granjas lecheras, el 20,3% granjas de producción de carne y la mayor parte (51,3%) granjas de doble propósito, todas ellas basadas en sistemas en pastoreo (Gobernación de Cundinamarca, 2013). El área total destinada a pastos a nivel departamental es de 1,087,445 hectáreas, que representan el 48.6% del suelo del departamento (Gobernación de Cundinamarca y Secretaria de Agricultura y Desarrollo Rural, 2017). Una de las limitantes para mejorar la rentabilidad de estos sistemas de producción ganadera ha sido el inadecuado manejo de las pasturas, que ha llevado a ofrecer a los animales un alimento de baja calidad y en cantidades restringidas, lo cual se ve reflejado en una baja carga animal (1,04 animales/hectárea) y bajos niveles de producción (Gobernación de Cundinamarca, 2013). El manejo de praderas para pastoreo implica la observación e interpretación de diferentes características de la pradera, que permitan estimar la disponibilidad de forraje de la manera más precisa posible. Conocer el contenido de materia seca (MS) del forraje, que es la resultante de la extracción del agua que contienen las plantas en estado fresco o verde, permite la cuantificación de la biomasa disponible para los animales. La biomasa se expresa como kilogramos de materia seca por hectárea y a partir de este valor es posible tomar decisiones de manejo del sistema

20 como la carga animal, la oferta diaria, la biomasa de entrada y salida de los animales. Para una adecuada planeación del sistema de alimentación de una finca a largo plazo, es importante conocer cómo fluctúa la producción de materia seca en el tiempo y el espacio. La biomasa disponible varía a lo largo del año, dadas las condiciones climáticas cambiantes y en el espacio debido principalmente a las variables edáficas (Parga y Teuber, 2006). En las explotaciones pecuarias basadas en sistemas en pastoreo en el departamento de Cundinamarca Colombia, los métodos existentes para determinar la biomasa disponible en las praderas son poco utilizados y en algunos casos son poco precisos dadas las características heterogéneas de los terrenos. Una alternativa viable para el manejo de dichas explotaciones agrícolas es la utilización de sensoramiento remoto que dinamice y precise la cuantificación de la biomasa disponible (de Alckmin, Kooistra, Rawnsley y Lucieer, 2021; Dusseux et al., 2014) y permita realizar una planeación a mediano y largo plazo de los sistemas de producción, contribuyendo a una mayor rentabilidad del sector en el departamento de Cundinamarca inicialmente y a futuro en otras zonas con condiciones similares.

1.6

Alcance

Este trabajo se desarrolló en la finca Megaleche, vereda la Selva, municipio de Facatativá departamento de Cundinamarca, Colombia. Los resultados de esta investigación involucran un análisis a nivel local que puede generar cartografía a escala de parche de vegetación o especies a partir de fotografías aéreas de alta resolución espacial y temporal obtenidas mediante un UAS. Por otra parte, las imágenes de satélite Sentinel-2B utilizadas para obtener los índices multiespectrales como el NDVI, tienen una resolución espacial de 10 m y temporal de 5 días, con limitación de interferencia por presencia de nubes. Los resultados obtenidos pueden servir como insumo para la formulación de futuros proyectos que busquen afinar la metodología propuesta para la estimación

21 de biomasa en pasturas o ampliar sus aplicaciones. Los resultados preliminares pueden ser utilizados de manera independiente para asesorar a los productores del departamento de Cundinamarca, en donde sobresalen pequeños y medianos productores cuyos predios comprenden extensiones desde 1 hasta 100 hectáreas aproximadamente, para que utilizando esta fuente de información que suministra datos con una alta resolución temporal, puedan mejorar el manejo de los sistemas de pastoreo basados en Kikuyo.

2. REVISIÓN DE LITERATURA

2.1

Estimación de la biomasa en forrajes

La forma tradicional de expresar la biomasa disponible en una pradera es en kilogramos de materia seca por hectárea (kgMS Ha -1). Conocer la biomasa disponible por unidad de área es un aspecto fundamental para tomar decisiones acertadas en los sistemas de pastoreo (López-Guerrero, Fontenot y García-Peniche, 2011; Murphy, Silman y Mena-Barreto, 1995). Permite controlar la oferta de forraje para los animales, realizar los cálculos de la superficie a pastorear diariamente y llevar a cabo un adecuado manejo de la franja a asignar a los animales. Otra decisión que se puede tomar considerando la biomasa disponible es el momento de dejar como rezago un potrero y destinarlo a la conservación de forrajes (Canseco et al., 2007). Igualmente, es posible estimar el consumo de los animales a partir de la medición de la biomasa disponible antes y después del ingreso de los animales al área de pastoreo (Lantinga, Neuteboom y Meijs, 2004).

La estimación de la biomasa disponible se ve negativamente afectada por la heterogeneidad de la pradera, la cual es causada por la variación dentro de la misma en la tasa de crecimiento del forraje. La tasa de crecimiento se ve influenciada por factores como la composición botánica, la calidad y estructura del suelo, la fertilización y la disponibilidad de agua (Lantinga et al., 2004). Adicionalmente, la disponibilidad de biomasa en una pradera es dinámica (Canseco et al., 2007), pues las tasas de crecimiento cambian en respuesta a las condiciones ambientales, como la temperatura y la precipitación, que son variables durante el año. Estos aspectos hacen que conocer la verdadera disponibilidad de forraje no sea una tarea fácil.

23 Existen diferentes métodos para determinar la disponibilidad de materia seca y la selección del método depende del objetivo de la determinación realizada y de la capacidad adquisitiva. El método más preciso es el método directo (López-Guerrero et al., 2011), el cual consiste en utilizar un círculo o cuadrado de un área de 0,25 o 0,5 m2 y cortar a ras de suelo el forraje contenido en él. Se toman diferentes muestras buscando tener representatividad de toda la pradera y al final se obtiene una submuestra para determinar el porcentaje de materia seca en laboratorio (Canseco et al., 2007). Este método es una herramienta útil para estudios de investigación o para el productor que está empezando a familiarizarse con una pradera específica, sin embargo, resulta bastante dispendioso y poco práctico para realizarlo cotidianamente como estrategia de decisión en una finca (López-Guerrero et al., 2011).

Los métodos denominados indirectos son aquellos que se derivan de relaciones existentes entre características de la pradera como la altura y la densidad con la biomasa. Una ventaja de estos métodos además de resultar más prácticos es que no son destructivos (López-Guerrero et al., 2011). Para que las estimaciones que se realizan a partir de estos métodos sean correctas, es importante realizar un adecuado proceso de calibración, que consiste en el doble muestreo, en donde se utiliza el método directo y el indirecto simultáneamente para generar las ecuaciones de predicción. Este proceso de calibración es recomendable realizarlo en cada región durante las diferentes épocas del año, debido a que las características de la planta y el rendimiento cambian en función de los factores ambientales (Canseco et al., 2007).

Dentro de los métodos indirectos, más utilizados se encuentran el bastón graduado, el plato medidor y el capacitómetro (López-Guerrero et al., 2011, Murphy et al., 1995). El bastón graduado tiene en cuenta la altura sin disturbar, resultando una medida de fácil manejo por parte del productor, sin embargo, presenta como desventaja que no tiene en cuenta la densidad de la pradera, aspecto que influye

24 considerablemente en la biomasa disponible (Canseco et al., 2007). Para el caso de las praderas de kikuyo que usualmente son muy densas, se han logrado obtener buenas correlaciones entre la altura sin disturbar y la producción de biomasa, con coeficientes de determinación aceptables (r 2=0,6) (Acero, 2019). Esto indica que la altura sin disturbar para esta pastura puede ser un buen predictor de la biomasa, sin embargo, se requiere un alto número de datos para lograr representatividad de la heterogeneidad dentro de una pradera.

El plato medidor por su parte resulta más acertado, ya que utiliza la altura comprimida, un parámetro que involucra la altura sin disturbar y la densidad para la estimación de la biomasa. La calidad de la predicción en este caso depende de que se haya realizado una adecuada calibración y de que se tome la mayor cantidad de mediciones posibles en la pradera (Canseco et al., 2007).

El capacitómetro es un método que se basa en la estimación de la fitomasa a partir de la conductividad eléctrica. Este método presenta como desventajas que no considera la altura, se basa principalmente en la densidad de la pradera y adicionalmente el exceso de humedad en la pradera puede influenciar las estimaciones haciendo que no resulten tan acertadas. Los cercos eléctricos también pueden generar interferencias en las lecturas del capacitómetro, dificultando las mediciones en las áreas cercanas a ellos (Canseco et al., 2007; López-Guerrero et al., 2011).

Más recientemente se viene utilizando la medición continua de la altura de la pradera con el “pasture meter”, un equipo que se adapta a una moto y que mide por haces de luz o por ondas sonoras la altura sin disturbar de la pradera, estimando por ecuación de predicción la fitomasa disponible. La ventaja que tiene este método es que logra tomar una gran cantidad de medidas de forma rápida en extensiones grandes, teniendo una buena representación de las variaciones existentes en cada pradera. Aunque este método no considera la densidad de la pradera en su

25 estimación, esto se logra compensar con la corrección que realiza al tener alta cantidad de mediciones de la altura (Canseco et al., 2007).

En los últimos años se han llevado a cabo varios trabajos para determinar la biomasa disponible en praderas mediante el uso de sensores remotos (BotelloAguillón, Gavi-Reyes,

Tijerina-Chávez, Galvis-Spíndola y Roblero-Hidalgo, 2019;

Liu, et al., 2019; Possoch et al., 2016), dentro de los cuales se encuentran las imágenes de satélite y las imágenes de alta resolución obtenidas con UAS (Easdale, Umaña, Raffo, Fariña y Bruzzone, 2019). Estos métodos presentan como ventajas que no son destructivos, pueden usarse en zona de difícil acceso, proporcionan información en tiempo real y tienen en cuenta la variabilidad espacial dentro de la pradera. Esta última ventaja es muy importante, dado que la variabilidad espacial es lo que más afecta la medición por los demás métodos e implica una gran cantidad de mediciones para poder tener información de las condiciones heterogéneas de un terreno (Possoch et al., 2016).

2.2

Sensores Remotos

La percepción remota es la técnica para obtener información de objetos analizando los datos obtenidos con un dispositivo que no entra en contacto físico con dichos objetos. La teledetección remota es la adquisición de datos de la superficie de la tierra o de los objetos que en ella interactúan, la distribución o cambios de estos mediante diferentes técnicas como las interacciones gravitacionales, magnéticas, de ondas acústicas o de energía electromagnética. Los sensores se dividen en pasivos y activos (Gebremedhin, Badenhorst, Wang, Spangenberg y Smith, 2019).

Los sensores pasivos dependen de la luz ambiental para recibir la reflectancia de los cultivos necesaria para el cálculo de los índices vegetativos. Entre ellos se encuentran el rojo-verde-azul, los hiperespectrales, los fluorescentes y los térmicos.

26 Por su parte los sensores activos poseen una fuente de luz o sonido propia y en este caso la reflectancia recibida depende de estas fuentes de iluminación artificial. Dentro de los sensores activos, los comercialmente más utilizados en la agricultura de precisión son N-Sensor Yara, GreenSeeker, CropCircle, OptRx, CropSpecTM, sonda ultrasónica y escáner láser LiDAR (Gebremedhin, et al., 2019; Best, León, Flores y Aguilera, 2014).

Los sensores activos presentan como ventaja el ser independientes de las diferencias de radiación, de esta manera pueden operar en condiciones de clima nublado. Los sensores activos a menudo poseen un campo de visión estrecho, mientras que los sensores pasivos están menos limitados en cuanto al campo de visión dependiendo de la distancia de la fuente de luz al objetivo. A diferencia de los sensores activos, las imágenes obtenidas de sensores pasivos requieren calibración radiométrica, agregando más pasos a la complejidad del procesamiento de datos (Gebremedhin, et al., 2019; Best et al., 2014).

La resolución de los sensores remotos se clasifica en espacial, espectral, radiométrica y temporal. La resolución espacial en un sistema fotográfico identifica la separación mínima en la que los objetos parecen independientes y aislados. Se mide en milímetros en la fotografía o en metros en el suelo, y depende de la distancia focal de la cámara y la altura de la cámara sobre el suelo (Chuvieco, 2016). En las imágenes que se adquieren de manera digital, la resolución espacial está determinada por el tamaño del píxel (unidad mínima de información incluida en la imagen). Entre menor sea el tamaño del píxel mayor será la resolución espacial y se tendrá un mayor detalle de los objetos. Actualmente, se encuentra un amplio rango de resoluciones espaciales en los sensores disponibles. Dentro de los sensores de mayor resolución espacial se pueden encontrar tamaños de píxel de 0,5 a 4,0 m, entre los de resolución media de 20 a 50 m, en los sensores orientados a aplicaciones globales el tamaño de píxel puede estar entre 200 y 1000 m y en los

27 que ofrecen una cubierta global de la superficie terrestre las resoluciones espaciales pueden estar entre 10 y 50 km (Chuvieco, 2016).

La resolución espacial permite aplicar la escala topográfica para la presentación de mapas (Bravo, 2017). La resolución espectral hace referencia al número de bandas del sensor y su ancho de banda espectral. Un mayor número de bandas permitirá una mayor capacidad de discriminación, generando mayor información para la comprensión del comportamiento del cultivo (Bravo, 2017; Chuvieco, 2016). La resolución radiométrica es la que determina la sensibilidad del sensor, ya que es la que da la capacidad para discriminar pequeñas variaciones en el resplandor espectral registrado. En sistemas fotográficos la resolución radiométrica está dada por el número de niveles de grises capturados por la imagen, mientras que en los sensores electrónicos ópticos, en los cuales la imagen se adquiere digitalmente, está representada por el número de bits usado para almacenar la señal de entrada (Chuvieco, 2016).

La resolución temporal hace referencia a la frecuencia de observación que suministra el sensor (Chuvieco, 2016). Se considera que el sensor tiene una alta resolución temporal cuando se obtiene una imagen de la misma porción de la superficie terrestre en un periodo menor a 3 días, media resolución temporal cuando tarda entre 4 a 16 días y baja resolución temporal cuando se demora más de 16 días (Bravo, 2017).

2.2.1

Comportamiento espectral de las hojas vivas

El espectro electromagnético es la distribución de la radiación electromagnética de acuerdo a la frecuencia y a la longitud de onda en que viaja la energía (Peguero, 2012). En la figura 1, se observa como las longitudes de onda van desde los rayos gamma que son muy cortos, más pequeños que el tamaño de un átomo, hasta las

28 ondas largas de radio. En la observación remota se utilizan las regiones del espectro visible, el infrarrojo cercano, el infrarrojo medio, el infrarrojo térmico y la región de microondas (Bravo, 2017).

El espectro visible (400 - 700 nm) es la región captada por el ojo humano y está subdividido en seis bandas de las cuales para el caso de los sensores remotos se utilizan tres: rojo (0,6- 0,77 µm), verde (0,5 – 0,6 µm) y azul (0,4 – 0,5 µm) (Peguero, 2012). En el rango visible, la reflectancia de las plantas está dominada por los pigmentos, entre los que destaca la clorofila, haciendo que sea una banda utilizada en el estudio del estado de la cubierta vegetal (Peguero, 2012).

El infrarrojo también ha sido utilizado en la percepción remota, se encuentra dividido en infrarrojo cercano (0,7 – 1,1 µm) que tiene un comportamiento similar al espectro visible, el infrarrojo medio (1,1 – 8 µm) que entremezcla radiación solar y emisión y el infrarrojo térmico (8 – 14 µm ) que corresponde a radiaciones emitidas por los cuerpos (Bravo, 2017).

Recientemente también ha cobrado importancia la región del microondas (1mm 1m) en la teledetección ya que presenta menos perturbaciones atmosféricas y es transparente a las nubes (Bravo, 2017).

Comprender los componentes estructurales de la hoja que influyen en la reflectancia es importante para interpretar adecuadamente los datos suministrados por los sensores remotos (Slaton, Hunt y Smith, 2001). Las moléculas de clorofila absorben luz azul y roja principalmente para el proceso de fotosíntesis, logrando absorber entre el 70 y el 90% de la luz incidente. Absorben en menor proporción luz verde, la cual es reflejada, por lo que el ojo humano que solo detecta el espectro visible, ve verde la vegetación viva (Campbell y Wynne, 2011).

Figura 1. Espectro Electromagnético (Educarchile, 2018)

En el espectro del infrarrojo cercano, la reflectancia de la hoja no es controlada por los pigmentos sino por la estructura del tejido mesófilo esponjoso. La cutícula y la epidermis son casi completamente transparentes a la radiación infrarroja, por lo que muy poca es reflejada desde la parte externa de la hoja. La radiación que pasa por la epidermis superior es fuertemente dispersada por el tejido del mesófilo y cavidades dentro de la hoja. Muy poca de esta energía infrarroja se absorbe internamente, la mayor parte (más del 60%) se dispersa hacia arriba (energía reflejada) o hacia abajo (energía transmitida) (Campbell y Wynne, 2011).

Al extremo del espectro visible, a medida que declina la absorción de la luz roja por los pigmentos de clorofila, la reflectancia se eleva bruscamente. Si se considera la reflectancia no solo en el espectro visible, si no también en el infrarrojo cercano, el pico de reflectancia de las células vivas no ocurre en el verde si no en el infrarrojo cercano, comportamiento de gran utilidad para utilizar el infrarrojo cercano en estudios de vegetación (Campbell y Wynne, 2011).

30 Las características del espectro de la hoja cambian con la madurez de la planta o cuando esta se somete a algún tipo de estrés. Los cambios al parecer ocurren de manera simultánea en las regiones del espectro visible y del infrarrojo cercano, sin embargo, los cambios en la reflectancia en el infrarrojo cercano son más evidentes (Slaton et al., 2001).

2.2.2

Imágenes digitales en el espectro visible

Los sistemas de imágenes digitales visibles se basan principalmente en sensores rojo-verde-azul (RGB) que usan un rango de longitud de onda entre 400 y 700nm para capturar imágenes en dos dimensiones (2D) en los rangos de banda del rojo (630 a 690nm), verde (510 a 580nm) y azul (450 a 495nm). Para el cálculo de biomasa con estas imágenes se requieren ajustes y corrección por brillo, reconstrucción de la estructura 3D, calibraciones radiométricas para minimizar la variabilidad de las imágenes y capturar la información de las partes de la planta superpuestas (Gebremedhin, et al., 2019).

Este tipo de imágenes se ha utilizado para determinar índices como el RGBVI (índice de vegetación de RGB) el cual puede ser correlacionado con la biomasa disponible, sin embargo, hay pocos trabajos al respecto y en algunos las correlaciones obtenidas son bajas (Possoch et al., 2016; Bending et al., 2015). Una metodología que ha sido más estudiada para determinar la biomasa en pasturas es el uso de modelos de superficie de imágenes RGB a través de mapas de altura, en donde se realiza una correlación entre la altura y la biomasa disponible (Michez et al., 2020; González, 2019; Possoch et al., 2016). Las imágenes superpuestas obtenidas por el UAS pueden fusionarse y procesarse mediante la estructura de algoritmos de movimiento para crear una nube de puntos 3D utilizando un software específico. Las nubes de puntos resultantes se guardan principalmente como

31 archivos TIFF para permitir el modelo de superficie digital (Gebremedhin et al., 2019).

2.2.3

Imágenes satelitales multiespectrales

Una imagen multiespectral lleva asociados tantos valores numéricos a cada pixel como bandas espectrales es capaz de captar el sensor (Bravo, 2017). Usualmente se utilizan menos de 10 bandas con un ancho de banda específico en el espectro electromagnético. El ancho de banda puede estar en el RGB y en el infrarrojo cercano

infrarrojo

medio

(Gebremedhin

al.,

2019).

Los

sensores

multiespectrales pueden ir aeroportados en un avión o en un UAS, aunque comúnmente se obtienen de satélites que orbitan la tierra, como la misión LANDSAT, SENTINEL 2, AQUA y TERRA (Bravo, 2017).

La misión LANSAT es un programa estadounidense liderado por la Administración Nacional de Aeronáutica y el Espacio (NASA por su sigla en inglés) que ha recopilado información espectral de la superficie de la Tierra por más de 40 años. Lanzó su primer satélite el 23 de julio de 1972 (ERTS-1) y en 1975 lanzó el segundo, inicialmente llamado ERTS-B y renombrado como LANSAT 2. Posteriormente la misión ha realizado seis lanzamientos más en 1978, 1982, 1985, 1993, 1999 y 2013, correspondientes a los

LANSAT 3, 4 , 5, 6, 7 y 8 respectivamente y esta

programado enviar la misión LANDSAT 9 en septiembre de 2021. De estos lanzamientos en LANSAT 6 resultó fallido. El LANSAT 8 está equipado con dos instrumentos científicos: el generador de imágenes terrestre operacional (OLI) y el sensor infrarrojo térmico (TIRS). Estos dos sensores proporcionan una cobertura estacional de la masa terrestre global con una resolución espacial de 30 metros (visible, NIR, SWIR); 100 metros (térmica); y 15 metros (pancromático) y una resolución temporal de 16 días (NASA, S.F.). El sensor tiene incorporadas dos nuevas bandas sobre el TM / ETM, una banda azul profundo para una mejor

32 discriminación de las aguas costeras y una banda de nubes cirrus para mejorar la corrección atmosférica (Chuvieco, 2016). El archivo histórico de LANSAT fue declarado de libre uso en octubre de 2009.

El sensor MODIS (espectrorradiómetro de imágenes de resolución moderada) fue lanzado a bordo del satélite TERRA en 1999 y a bordo del satélite AQUA en el 2002 y hace parte de la misión EOS (sistema de observación terrestre) de la NASA. Este sensor transmite datos en 36 bandas, que van desde el espectro visible hasta el infrarrojo térmico, con resoluciones espaciales de 250, 500 y 1000 metros (Bravo, 2017). Las imágenes de este sensor son utilizadas principalmente para aplicaciones medioambientales y metereológicas.

El satélite Aster (Radiómetro

Avanzado

Emisión

Reflexión Térmica

Espacial) también provee información útil para aplicaciones en la agricultura y el medio ambiente. Se encuentra en la plataforma TERRA de la NASA y fue puesto en órbita en 1999 (Bravo, 2017). Está compuesto por 3 subsistemas, VNIR, SWIR y TIR que presentan como características particulares 3 bandas en la región espectral del visible e infrarrojo cercano (VNIR), resolución espacial de 15 metros, 6 bandas en la región espectral del infrarrojo de onda corta (SWIR) con una resolución espacial de 30 metros y 5 bandas en el infrarrojo térmico con una resolución espacial de 90 metros. Adicionalmente, este satélite tiene un telescopio con visión hacia atrás que escanea en la región espectral de la banda 3B, utilizado en el diseño de modelos digitales de terreno por pares estereoscópicos (Bravo, 2017).

La misión de la Agencia Espacial Europea SENTINEL 2 está constituida por dos satélites Sentinel-2A y -2B, los cuales fueron lanzados el 23 de junio de 2015 y el 7 de marzo de 2017 respectivamente. El Sentinel-2B vuela a 180° opuesto a Sentinel2A, con ambas naves ocupando órbitas sincrónicas del sol a una altitud de aproximadamente 786 km (Bravo, 2017). Estos satélites proveen imágenes multiespectrales con una resolución espacial de 10 a 60 metros para 13 canales

33 espectrales (Chuvieco, 2016). Esta misión tiene una mayor resolución temporal ya que permite obtener información de la superficie de la tierra con una frecuencia de 5 días, lo cual constituye una ventaja para sus aplicaciones en el monitoreo del comportamiento de los cultivos. Adicionalmente las imágenes están disponibles de manera gratuita. En la tabla 1 se presentan las características de las imágenes de acuerdo a las bandas espectrales, su longitud de onda y resolución espacial.

Tabla 1. Características de las imágenes de SENTINEL-2 Sensor

Longitud de onda central (nm)

Resolución espacial (m)

Banda 1: Costero/ aerosol

VNIR

443

Banda 2: Azul

VNIR

490

Banda 3: Verde

VNIR

560

Banda 4: Rojo

VNIR

665

Banda 5: visible e infrarrojo cercano

VNIR

705

Banda 6: visible e infrarrojo cercano

VNIR

740

Banda 7: visible e infrarrojo cercano

VNIR

783

Banda 8: visible e infrarrojo cercano

VNIR

842

VNIR

865

Banda 9: vapor de agua

VNIR

940

Banda 10: cirrus

SWIR

1375

Banda 11: Onda corta infrarroja

SWIR

1610

Banda 12: Onda corta infrarroja

SWIR

2190

Banda Espectral

Banda 8A: visible e infrarrojo cercano

-Las imágenes del satélite Sentinel-2A y Sentinel-2B poseen las mismas características. Adaptada de ESA (S.F.)

2.2.4

Fotogrametría

La fotogrametría es definida por Torres y Villate (2013), como la técnica de obtener información cuantitativa y cualitativa a partir de fotografías aéreas, permite realizar mediciones precisas a partir de fotografías tomadas usando ciertas reglas. Mientras

34 tanto Doumit. (2018) la define como el arte, ciencia y técnica de obtener información confiable de los rasgos físicos de los objetos y del ambiente, a través de procesos de almacenamiento, medición e interpretación de la energía electromagnética radiante y otros fenómenos. La fotogrametría puede dividirse en fotointerpretación (interpretación fotográfica) y fotogrametría métrica. La fotointerpretación tiene por objeto el reconocimiento de objetos a partir del análisis de factores como la forma, textura, tamaño, tono, sombra y patrón de la imagen (Torres y Villate, 2013). La fotogrametría métrica tiene su aplicación en la determinación de distancias, elevaciones, áreas, volúmenes, perfiles y secciones transversales, así como en la elaboración de mapas topográficos o modelos de elevación digital con base en mediciones hechas en las fotografías. En esta aplicación se utiliza, principalmente, la fotografía aérea obtenida con cámaras situadas en aviones o UAS, y en casos especiales se emplea la fotografía terrestre realizada con cámaras ubicadas en tierra (Torres y Villate, 2013). Algunos autores engloban la fotogrametría dentro de la teledetección, mientras que otros se refieren con el término teledetección a las tecnologías más actuales y las consideran disciplinas distintas aunque muy relacionadas y estas a su vez con los SIG, encontrando la principal diferencia en sus aplicaciones ya que la fotogrametría produce mapas de objetos tridimensionales, los sensores remotos principalmente analiza e interpreta la información reflejada por la superficie terrestre. No obstante junto con la fotogrametría aérea aparece la fotogrametría espacial, encargada de operar sobre imágenes de satélite bajo unos principios similares (Olaya, 2020; Campbell y Wynne, 2011)

La fotogrametría es una disciplina de la ingeniería basada en técnicas tradicionales, sin embargo actualmente ha sido fuertemente influenciada por el desarrollo de las ciencias de cómputo y electrónicas. Aunque las modernas técnicas digitales fotogramétricas usadas actualmente son muy variadas (Doumit, 2018; Konecny, 2014), se basan en el método tradicional de fotogrametría que utiliza la

35 visión estereoscópica para percibir profundidad. Debido a que las fotografías aéreas proporcionan sólo una vaga impresión del relieve, usando la estereoscopía se puede producir una imagen tridimensional. Dicha imagen tridimensional la obtiene el ser humano con su visión normal debida al hecho de que posee dos ojos apartados unos 6 cm, cada ojo es capaz de presentar al cerebro una perspectiva ligeramente diferente del objeto que está siendo observado. De las diferencias en perspectiva entre estas dos imágenes, el cerebro es capaz de evaluar la profundidad y construir una imagen tridimensional. Este es el principio básico implicado en el uso de dos fotografías aéreas adyacentes con un solapamiento considerable (un par estéreo) y un esteroscopio para producir una imagen tridimensional (Butler, LeBlanc, Belbin, y MacNeill, 1990).

Para obtener datos que representen un área de interés, se adquiere una combinación de fotografías superpuestas tomadas de diferentes lugares a la misma distancia del terreno, proporcionando múltiples puntos de vista para cada punto observado. Posteriormente, las fotografías se procesan en un equipo de cómputo para generar un modelo digital (Doumit, 2018; Konecny, 2014).

La Figura 2 muestra cómo se realiza la toma de fotografías necesaria para realizar el proceso de fotogrametría. Las líneas azules representan la extensión del área capturada por cada imagen aérea, mostrando la superposición necesaria para la reconstrucción fotogramétrica de un punto visto desde múltiples perspectivas.

Figura 2. Esquema de captura de imágenes para fotogrametría (Wintra, S.F.)

Procesar fotografías aéreas para producir modelos 3D, DEM y ortofotos es un proceso que se visualiza mejor como una serie de pasos incrementales donde cada paso depende de pasos anteriores como se ilustra en la figura 3.

Figura 3. Flujo típico de procesamiento fotogramétrico digital, adaptado de Toffanin (2019).

La técnica de fotogrametría de estructura del movimiento (SFM por su sigla en inglés) es un método de reconstrucción 3D basado en fotografías que capturan el mismo objeto desde diferentes puntos de vista, el método SFM puede calcular la posición de la cámara en el momento de la captura de la fotografía, su orientación y geometría, proporcionando una reconstrucción digital de las ubicaciones de la cámara en el momento de adquisición de imágenes y crea un modelo 3D en la escena observada. La precisión resultante de los algoritmos SFM en fotogrametría está limitada por factores como superposición de imágenes, textura de la superficie, resolución de las fotografías, cambios de iluminación, geometrías de adquisición, trayectoria de la plataforma, perturbaciones por viento fuerte durante la recolección y la irregularidad del terreno (Toffanin, 2019; Doumit, 2018).

Durante el proceso SFM, la perspectiva y las distorsiones de la lente inherentes a la cámara pueden ser corregidas debido a que la posición y la orientación de la cámara (orientación externa), longitud focal y parámetros de distorsión radial para cada fotografía (orientación interna) son calculados (Doumit, 2018).

La técnica multi-vista estéreo (MVS por su sigla en inglés) reúne el trabajo realizado por SFM que se enfoca en estimar la posición de la cámara, y une la fotogrametría y la visión por computadora para generar densas nubes de puntos 3D que representan la superficie observada, según la posición conocida y parámetros de las cámaras que se capturaron de las fotografías (Toffanin, 2019).

Cuando la escena 3D ha sido reconstruido con ubicaciones de puntos a lo largo de la superficie observada, las imágenes originales son proyectadas y fusionadas (mosaico) en el modelo digital de superficie (DSM por su sigla en inglés) que ha sido generado para producir una imagen libre de distorsiones con una escala uniforme denominada ortomosaico. El ortomosaico presenta una fotografía que recrea la

38 escena como si hubiera sido capturada exactamente desde la vista superior en cada punto de la misma.

El proceso de georreferenciado permite utilizar la fotografía capturada con el UAS en un GIS para que puedan sobreponerse sobre otras capas de datos según la posición y características geográficas conocidas.

La calidad de un modelo aumenta cuando se utilizan más fotos, es decir, las características se capturan desde perspectivas más diversas (Konecny, 2014). Sin embargo, recopilar más fotografías aumenta el tiempo de recolección y procesamiento y en consecuencia los costos (Bendig et al., 2015). Típicamente la trayectoria de vuelo que cubre toda el área en direcciones perpendiculares mejora la reconstrucción del modelo 3D. Las rutas de vuelo cruzadas aumentan el número de imágenes tomadas de la misma área mejorando la distribución de las imágenes, equilibrando los diferentes brillos capturados desde diferentes ángulos y ayudando a reconstruir mejor la naturaleza tridimensional de los objetos (Toffanin, 2019; Doumit, 2018). Sin embargo algunos algoritmos como el SFM producen resultados más exactos al capturar fotografías desde dos diferentes elevaciones, usando el modo de cámara nadir (mirando hacia abajo) y modo cámara no-nadir (con un ángulo de inclinación), al combinar los dos patrones de captura a dos diferentes alturas y con variación de ángulo de la cámara permiten afinar los resultados (Toffanin, 2019).

Actualmente hay disponible una variedad de software de fotogrametría comerciales y no comerciales para procesar fotografías aéreas. Entre los comerciales se encuentran Pix4Dmapper de la empresa Pix4D, Metashape de la empresa Agisoft, Drone2Map de Environmental Systems Research Institute (ESRI), DroneDeploy de la empresa con el mismo nombre, entre los software de código abierto se encuentran MicMac por los franceses Instituto Nacional Geográfico y Escuela Nacional de Ciencias Geográficas y WebODM del consorcio Open Drone Map, Airphoto SE de la universidad de Colonia en Alemania, Fiji y ImageJ del Instituto

39 Nacional de Salud de los Estados Unidos, Visusl SFM liberado por Changchang Wu, Meshroom de la asociación AliceVision, MapKnitter de Public Lab.

2.2.5

Modelos de Elevación Digital

El estudio de la forma del terreno y la parametrización de sus características es fundamental para el análisis geográfico. La geomorfometría se encarga de llevar a cabo el análisis de la forma del terreno para crear modelos del mismo y se define como la ciencia del análisis cuantitativo del relieve (Olaya, 2020). Esta ciencia involucra múltiples disciplinas, entre ellas la geomorfología que estudia la forma de la superficie terrestre, la geología que estudia la estructura de la superficie, la topografía que estudia la planimetría y altimetría de la superficie, la matemática que aporta modelos que permiten llenar espacios no medidos a partir de los datos existentes, la geodesia cuando el terreno a modelar está afectado por la curvatura de la tierra y otras ramas del conocimiento dependiendo de la aplicación en la cual será usada (Olaya, 2020).

En el marco de los Sistemas de Información Geográfica, se modelan los aspectos geomorfométricos de los terrenos mediante un Modelo de Elevación Digital (DEM por sus siglas en inglés) como fuente de información principal, así como insumo para el análisis geográfico. El DEM es el equivalente digital de la cartografía de las elevaciones del terreno, comúnmente representada mediante curvas de nivel y es probablemente la capa de mayor uso en los análisis espaciales, no solo por su utilidad directamente, sino también por las capas derivadas de este modelo que son variadas y abundantes de acuerdo a la temática trabajada. (Olaya, 2020).

Existen discrepancias en el uso de los términos DEM como modelo digital de elevación y modelo digital del terreno (DTM por sus siglas en inglés) (Olaya, 2020) y en algunos casos se tratan como sinónimos (Campbell y Wynne, 2011). Sin embargo, para fines de este trabajo se asume que el DEM es un modelo de

40 elevación de cualquier temática, DTM es la representación de la forma del terreno sin tener en cuenta su cobertura y que el DSM es aquel que considera la altura de los objetos que se encuentran sobre el terreno, como la vegetación (Toffanin, 2019; Doumit, 2018).

Los DEM pueden derivarse de distintas fuentes de información de acuerdo al tema. Los DTM pueden derivarse de levantamientos altimétricos previos, curvas de nivel o de un estudio fotogramétrico donde se extrae la matriz de puntos de elevación mediante estereoscopía de imágenes (Toffanin, 2019; Doumit, 2018), o puede ser mediante el uso de vuelos altimétricos LIDAR o por interferometría de una fuente de radar con apertura sintética (Campbell y Wynne, 2011). Para la generación de los DEM se toma una nube de puntos con alguna de las técnicas mencionadas anteriormente y se realiza una interpolación por medio de algún proceso matemático como el de distancia inversa, Kriging, Splines y ajuste de funciones, entre otros (Toffanin, 2019; Doumit, 2018; Olaya, 2020).

2.2.6

Índices de vegetación

Los índices de vegetación son valores digitales que tienen como finalidad medir la biomasa o el vigor vegetal (Kharuf-Gutierrez, Hernández-Santana, Orozco-Morales, Aday-Díaz y Delgado-Mora, 2018). Los índices de vegetación se obtienen a partir de varios valores espectrales que son sumados, divididos, o multiplicados en una forma diseñada para producir un valor único que indique la cantidad o vigor de vegetación dentro de un píxel (Campbell y Wynne, 2011). Los valores de índices de vegetación normalizados más cercanos a uno identifican píxeles cubiertos por proporciones sustanciales de vegetación saludable, mientras que valores próximos a cero corresponden a zonas de pasto seco o suelo (Kharuf-Gutierrez et al., 2018).

41 Las relaciones de banda son cocientes entre medidas de reflectancia en porciones separadas del espectro y sirven para mejorar o revelar información latente cuando hay una relación inversa entre dos respuestas espectrales al mismo fenómeno fisiológico. Si dos características tienen un mismo comportamiento espectral, la relación suministra poca información adicional, mientras que si la respuesta espectral es bastante diferente, la relación de los dos valores suministra un valor único que expresa el contraste entre las dos reflectancias (Campbell y Wynne, 2011). En el caso del forraje verde, la estrategia de proporción funciona dada la relación inversa entre el brillo de la vegetación en la región del rojo y la región del infrarrojo. Esto se debe a la absorción de la luz roja por parte de la clorofila y la fuerte reflectancia de la radiación infrarroja por el mesófilo, lo cual garantiza que los valores en el rojo y el infrarrojo van a ser muy diferentes y que la relación IR/R en plantas con crecimiento activo será alta (Campbell y Wynne, 2011).

Dentro de los índices de vegetación más utilizados se encuentra el índice de vegetación de diferencia normalizada (NDVI), el cual se usa para medir la diferencia normalizada entre las reflectancias del rojo y el infrarrojo cercano, suministrando información sobre la cantidad, calidad y desarrollo de la cobertura vegetal (Bravo, 2017). Adicionalmente, en la tabla 2, se presentan otros índices para estimación de biomasa en cultivos con resultados favorables que consideran el infrarrojo cercano y por tanto para su uso se requieren cámaras multiespectrales.

A partir de las imágenes RGB también se han propuesto algunos índices de vegetación, aunque existe una menor cantidad de estudios y los resultado han sido menos consistentes en cuanto a la estimación de biomasa, como se mencionó previamente. En la tabla 3 se presentan algunos de estos índices.

Tabla 2. Índices de vegetación obtenidos a partir de imágenes de cámaras multiespectrales usados en la estimación de biomasa en cultivos. Índice de vegetación Índice

vegetación

diferencia normalizada (NDVI) Diferencia Normalizada rojo de borde (NDRE)

NDVI Verde (GNDVI)

Índice de vegetación de razón con el verde (GRVI)

Fórmula

Referencia

NIR − R NIR +R

Rouse, Haas, Schell, y Deering. (1974)

NIR − R NIR +R

Barnes et al. (2000)

NIR −G NIR +G

Moges et al. (2005)

NIR G

Sripada, Heiniger, White y Meijer. (2006)

NIR ∗ R 2 G

Gitelson et al. (2003)

Índice de clorofila rojo de borde

NIR −1 R

Gitelson et al. (2003)

G−R G+R

Tucker (1978)

Indice

vegetación

clorofila (CVI)

(CIR)

Índice

diferencia

normalizada verde - rojo Índice

vegetación

razón con el rojo (RVI)

NIR R

Serrano, Filella, y Peñuelas. (2000)

R: rojo; G: verde; NIR: infrarrojo cercano; RE: rojo de borde. Adaptada de Michez et al. (2020).

Tabla 3. Índices de vegetación obtenidos a partir de imágenes RGB usados en la estimación de biomasa en cultivos. Índice de vegetación

Fórmula

Referencia

Índice de diferencia verde rojo

G−R G+R

Tucker (1978)

(GRDI) Índice de vegetación verde rojo modificado (MGRVI) Índice

vegetación

rojo

verde azul (RGBVI)

G −R 2 2 G +R

Bendig et al. (2015)

2 G − ( B ∗ R) G2+ ( B ∗ R )

Bendig et al. (2015)

Índice verde azul normalizado (NGBI) o índice de relación del pigmento de la planta (PPR) Índice rojo azul normalizado (NRBI) Índice

resistencia

atmosférica visible (VARI)

G −B G+B

Metternicht . (2003)

R−B R+B G− R G +R − B

Michez et al. (2016)

Gitelson et al., (2003); Gitelson et al. (2002)

R: rojo; G: verde; B: azul. Adaptada de Michez et al. (2020).

2.2.7

Sistemas de aeronaves no tripuladas

Los sistemas de aeronaves no tripulados UAS, por sus siglas en inglés, son aviones sin piloto humano (Beaver, 2018) que son remotamente piloteados bien sea

44 en forma de pequeños aviones de ala fija o multicópteros (Montesinos, 2015). Aunque los UAS entraron de manera más tardía a la agricultura, comparado con otros campos como el militar y otras actividades de tipo civil, actualmente han invadido diferentes regiones de la agricultura en el mundo y se considera la agricultura un área de aplicación importante de esta tecnología (Beaver, 2018). Una de las razones por las cuales el uso de los UAS ha aumentado en los últimos años es en sector agropecuario es su bajo costo, haciendo que estén al alcance de un mayor número de profesionales y/o productores (Barbedo, 2019). Los UAS resultan una herramienta útil para la agricultura de precisión, ya que transportan sensores que permiten captar información de los cultivos con precisión espacial y en tiempo real, lo cual facilita la toma de decisiones de manera rápida y focalizada. Gracias a las características de las cámaras utilizadas y a la altura de vuelo, la resolución espacial de los datos obtenidos por un UAS es centimétrica (Montesinos, 2015). Presentan como ventajas frente a otras plataformas como satélites y aviones, el que vuelan por debajo de las nubes, aumentando su capacidad temporal de adquisición de datos (Montesinos, 2015), adicionalmente, es más rápida la incorporación de sensores de última tecnología en un UAS que a un satélite, dado que este último requiere el desarrollo de una misión para ponerlo en órbita (Barbedo, 2019).

La primera ventaja que ofrece un UAS al agricultor es permitirle tener una visión completa de la finca desde el aire en cualquier momento. Dentro de las aplicaciones que se han dado a los UAS en la agricultura de precisión están el manejo eficiente del agua, el tratamiento localizado de herbicidas, el uso óptimo de fertilizantes, la detección temprana de enfermedades y plagas, la identificación y cuantificación del estrés, la identificación de indicadores de calidad en los cultivos, el conteo de plantas, la predicción de la productividad, le estimación de biomasa, la clasificación de la vegetación, la estimación de la cobertura del dosel y altura de la planta, entre otros (Barbedo, 2019, Montesinos, 2015). Para el caso particular del pastoreo, el potencial de uso de los UAS radica en que cubren áreas relevantes para el manejo del sistema de pastoreo (>10 has por vuelo), tienen alta resolución espacial (>0.1m)

45 y suministran información precisa y con alta frecuencia sobre la productividad de biomasa de la pastura (Michez et al., 2020).

Aunque la legislación respecto al uso de UAS en algunos países es muy estricta, este escenario ha ido cambiando y se ha buscado un balance entre seguridad y usabilidad, especialmente en áreas rurales que no son densamente pobladas y en donde se puede afectar menos la seguridad y la privacidad de los habitantes comparado con las áreas urbanas (Barbedo, 2019). En la mayoría de países de Latinoamérica existe legislación respecto a la operación de UAS, para el caso de Colombia rige la resolución 04201 del 27 de diciembre de 2018 expedida por la Unidad Administrativa Especial de Aeronáutica Civil del Ministerio de Transporte. Esta resolución clasifica los UAS en tres clases, clase A (abierta), clase B (regulada) y clase C (certificada – RPAS). La clase A comprende UAS de hasta 25 kilogramos, una altura máxima de vuelo de hasta 123 m, una velocidad máxima de trabajo de hasta 22 m s-1 y un alcance de línea de vista de un radio de 500m. Esta clase no requiere licenciamiento por parte del operador, pero restringe los vuelos sobre áreas urbanas o lugares donde haya personas reunidas y no permite que el UAS lleve alguna carga útil, únicamente pueden ser usados para registro fotográfico o de video. La clase B agrupa UAS con peso de hasta 150 kilogramos, altura máxima de vuelo de hasta 123 m, velocidad máxima de trabajo de hasta 44 m s -1 y alcance de línea de vista de un radio de 750m. Esta clase permite el uso de carga útil, por ejemplo equipos de fumigación para cultivos, pero es necesario que el operador cuente con una licencia otorgada por la Unidad Administrativa Especial de Aeronáutica Civil. La clase C no es utilizada en la actualidad, pero se ha dejado abierta para futuras aplicaciones con UAS mayores a 150 kilogramos (Unidad Administrativa Especial de Aeronáutica Civil, 2018). Aunque para aplicaciones en agricultura que no requieren llevar carga útil los UAS estarían clasificados en la clase A, en donde no se requiere licencia, se recomienda tramitarla cuando se va a hacer un uso comercial de los mismos.

2.2.8

Uso de imágenes aéreas para la estimación de biomasa

en cultivos

En la última década se han llevado a cabo avances en investigación enfocados en el uso de sensores y tecnología de la información para un mejor manejo de los animales en pastoreo (Michez et al.,2020). Dentro de estos trabajos se incluyen el uso de índices de vegetación, modelos digitales de elevación y modelos 3D para caracterizar la vegetación a ser pastoreada a través del uso de UAS. A continuación, se discuten algunos de los trabajos que muestran el potencial de esta tecnología en la estimación de biomasa en cultivos.

Bending et al. (2015) realizaron un estudio para estimar la biomasa en cultivos de cebada en el cual combinaron índices de vegetación e información de la altura de la planta. Dentro de los índices, determinaron índices del infrarrojo cercano (NDVI, SAVI, MSAVI, OSAVI, GnyLi) e índices del espectro visible (GRVI, MGRVI, RGBVI). Para desarrollar el modelo multitemporal de superficie para la determinación de la altura, los autores utilizaron imágenes provenientes de un UAS correspondientes a seis vuelos. Las imágenes fueron capturadas a 2 imágenes por segundo y 50m a nivel del suelo. Los índices de vegetación y la altura fueron correlacionados con la biomasa medida en campo, encontrando las mejores correlaciones entre la altura y la biomasa (r2=0.85) y el índice GnyLi y la biomasa (r 2=0.83). Dentro de los índices del espectro visible el que tuvo la mejor correlación fue el RGBVI (r 2=0.41), esta correlación a pesar de ser baja, mostró un potencial de este índice para la estimación de biomasa en cultivos. Adicionalmente, los autores realizaron un análisis de regresión exponencial y de regresión no lineal múltiple para ver el efecto de combinar los índices y la altura. En este análisis nuevamente la altura mostró un buen ajuste, con un coeficiente de determinación alto (r 2=0.80) y un error relativo (ER) de 44.61%. También tuvieron buen ajuste el modelo que combinaba el índice GnyLi y la altura (r2=0.80; ER= 48.86%), el modelo del MSAVI y la altura (r 2=0.77; ER= 47.86%) y modelo del RGBVI y la altura (r 2=0.84; ER= 40.69%). Aunque el

47 modelo RGBVI+altura mostró un coeficiente de determinación más alto que el de altura sola, los autores recomiendan tomar este dato con precaución ya que consideran que se usaron pocos datos para la calibración y la validación del modelo, aunque resaltan el potencial de este índice y recomiendan realizar estudios adicionales al respecto. Por otra parte, concluyen que para el caso de la cebada, los índices basados en el espectro visible funcionan bien en los primeros estados fenológicos, pero no en estados avanzados de madurez en donde la planta cambia su coloración. En general en el trabajo el mejor resultado para la estimación de la biomasa se logró con la altura, considerando además que la información puede obtenerse con un UAS de bajo costo, haciendo que sea una tecnología al alcance de pequeños productores.

Posteriormente, Possoch et al. (2016) llevaron a cabo un trabajo en praderas en el cual buscaban utilizar modelos de superficie de cultivos para calcular la altura de la planta y estimar a partir de ésta la biomasa y correlacionar los datos de altura obtenidos con datos de altura comprimida tomados mediante el uso de un plato medidor. Por otra parte, quisieron evaluar el índice RGBVI desarrollado por Bending et al. (2015) para la estimación de biomasa de manera individual y combinándolo en un modelo con la altura. Teniendo en cuenta que una de las limitaciones en el trabajo de Bending et al. (2015) para tener resultados concluyentes sobre el índice RGBVI fue la baja cantidad de datos, estos autores trabajaron datos provenientes de 324 parcelas, incluyendo en la evaluación del índice RGBVI 196 datos. Estimaron este índice a partir de fotografías obtenidas mediante un UAS, pero también lo estimaron con el uso de un espectroradiómetro manual, comparando las dos fuentes de información. En este trabajo encontraron una buena correlación entre la altura calculada mediante el modelo de superficie y la biomasa (r 2=0.64), así como entre la altura comprimida medida en campo y la biomasa (r 2=0.62), aunque los coeficientes de determinación fueron menores a los de Bending et al. (2015), aspecto explicado por los autores debido a las diferencias en altura entre los tipos de planta evaluados. Las praderas medidas en este trabajo tuvieron una altura promedio de 20 cm., inferior a la altura de la avena y el trigo que es de aproximadamente un metro. Los

48 autores sugieren que en alturas bajas se acumula error y que se requiere generar factores de ajuste en futuros trabajos. Al comparar la altura calculada por el modelo de superficie y la altura comprimida los autores encontraron una correlación más débil (0.55) y una menor pendiente para la altura calculada por el modelo de superficie con un punto de cruce en 12 cm, lo cual es interpretado por los autores como una sub-estimación de la altura comprimida por parte del modelo de superficie en valores bajos y una sobre-estimación en valores altos. Entre el índice RGBVI y la biomasa no se encontró una correlación en este trabajo, los coeficientes de determinación fueron de 0.0012 y 0.0877 a partir de las fotos y de la información del espectroradiómetro, respectivamente. Al combinar la altura con el índice RGBVI determinado de las dos fuentes de información mejoraron los coeficientes de determinación (r2=0.5) con respecto al índice solo, pero fueron menores que los de la altura sola, confirmando en este trabajo que los modelos de superficie constituyen una buena herramienta para la estimación de la biomasa a partir de la altura de la planta.

Otro trabajo en el cual se utilizaron rasgos geométricos de los cultivos a partir de modelos digitales de superficie para la estimación de biomasa es el realizado por Botello-Aguillón et al. (2019). Estos autores determinaron la biomasa fresca y biomasa seca en cultivos de alfalfa y avena forrajera a partir del volumen. Las variables analizadas fueron el volumen aparente, el cual fue determinado utilizando mallas en cada unidad de muestreo. Estas mallas tenían celdas y para cada celda se tomó el dato de altura de la planta más alta. Con la información de la altura de las plantas más altas y el área de la unidad de muestreo, se determinó el volumen aparente en metros cubicos (m³). Otra variable fue el volumen real, determinado cortando y pesando el forraje de cada unidad de muestreo y colocándolo dentro de un recipiente de 20 litros con agua para medir el volumen de agua desplazada en mililitros. La tercera variable fue el volumen estimado con el UAS. A partir de las imágenes obtenidas se creó una nube de puntos y un ortomosaico de la superficie volada en la cual estaban identificadas las unidades de muestreo. Con el ortomosaico se identificaron y delimitaron las unidades de muestreo y con la nube de

49 puntos densa se creó una superficie de red de triángulos irregulares (TIN) que representó la superficie de la cobertura del cultivo. Con los puntos a nivel de suelo se generó otra superficie TIN que representó la topografía del terreno y permitió darle una altura a los polígonos ubicados en las unidades de muestreo. Con la superficie TIN de la cobertura vegetal y los polígonos con la propiedad de altura se obtuvo el volumen aparente (m³) de cada unidad de muestreo, al cual llamaron volumen aparente Drone 3D. Los autores realizaron un análisis de correlación entre los valores obtenidos para el volumen a través de los 3 métodos para cada cultivo, encontrando que para la avena la correlación entre los métodos fue más alta que para la alfalfa. En la avena la correlación entre el volumen aparente y el volumen aparente Drone 3D tuvo un coeficiente de determinación de 0.90 y entre el volumen aparente Drone 3D y el volumen real de 0.89. Para el caso de la alfalfa los coeficientes de determinación para estas correlaciones fueron de 0.75 y 0.81 respectivamente. Para la estimación de la biomasa los autores generaron modelos de regresión lineal, los cuales fueron significativos para los dos cultivos, pero mostraron mejor ajuste para la avena que para la alfalfa. Para la avena los coeficientes de determinación fueron de 0.7 para la biomasa fresca y 0.78 para la biomasa seca, mientras que para la alfalfa fueron de 0.46 para la biomasa fresca y 0.31 para la biomasa seca. Este resultado diferenciado entre los cultivos fue atribuido por los autores a las diferencias en cobertura, la alfalfa por su hábito de crecimiento no cubre completamente el suelo, siendo más evidente en algunas unidades de muestreo en este trabajo, lo cual afectaría la estimación del volumen. Teniendo en cuenta este efecto de la cobertura y la mayor dificultad de tomar la información en campo para el volumen, se hace más práctico y confiable trabajar con la altura de la planta, que como se ha mencionado muestra un buen potencial para predecir la biomasa disponible.

Recientemente Posada-Asprilla et al. (2019) realizaron un estudio en pasturas de kikuyo en Colombia, en el cual evaluaron diferentes índices de vegetación obtenidos a partir de imágenes multiespectrales para estimar la producción de biomasa y la calidad del forraje. A través de un análisis de componentes principales los autores

50 observaron la relación entre los diferentes índices y la producción de forraje verde y los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en detergente ácido (FDA). Encontraron para el pasto kikuyo valores de reflectancia promedio para el NDVI de 0.81, biomasa promedio de 1044 g/m² de forraje verde y contenidos promedio para PB, FDN y FDA de 21.5%, 56.2% y 26.8%, respectivamente. En el análisis de componentes principales encontraron que el 70.3% de la variación estaba explicada por dos componentes. El primer componente (46.2% de la variabilidad) agrupó variables relacionadas con la biomasa producida y los índices de vegetación que emplean bandas del visible G y R y del NIR. En este componente sobresalieron los índices NDVI, RVI, GNDVI y Clg, siendo el NDVI la variable que más contribuyó (19.9%). En el componente principal 2 (24.1% de la variabilidad) se relacionaron las variables de calidad del pasto con los índices de vegetación. Las variables más importantes aquí fueron PB, FDN, FDA, RNDVI y Clrg, siendo el índice RNDVI la variable que más contribuyó (21.2%) en este componente. Estos resultados confirman que para el pasto kikuyo, como se ha encontrado en otros cultivos, los índices NDVI, RVI, GNDVI y Clg se relacionan bien con características biofísicas de la planta y por tanto tienen un buen potencial para la estimación de biomasa, sobresaliendo el NDVI. Por otra parte, índices como el RNDVI y Clg se relacionan con características fisiológicas de la planta como los contenidos de clorofila y por tanto son viables para predecir los contenidos de PB. Los modelos desarrollados para evaluar la relación entre la biomasa y los índices de vegetación mostraron una alta correlación entre la biomasa y los índices NDVI y RVI, obteniendo coeficientes de determinación superiores a 0.95. Cuando utilizaron el NDVI como una función suavizada en el modelo, lograron mejorar el ajuste, obteniendo un coeficiente de determinación de 0.993.

3. METODOLOGÍA

Para el desarrollo de la metodología de análisis de datos obtenidos mediante percepción remota que permita estimar la biomasa disponible en praderas del departamento de Cundinamarca, Colombia, se realizaron cuatro fases bien definidas, que se presentan en el flujograma mostrado en la figura 4.

En la fase de obtención de datos se decidió utilizar fotografías aéreas capturadas mediante UAS por considerarse una fuente de información de fácil acceso y apropiada para áreas pequeñas (Michez et al.,2020; Easdale et al., 2019) como las manejadas en las fincas de producción de leche en Cundinamarca. Estas imágenes carecen de bandas multiespectrales, por tal motivo se utilizaron imágenes obtenidas del satélite Sentinel-2 para completar las fuentes de información (Gebremedhin et al., 2019; Bravo, 2017; Chuvieco, 2016; Campbell y Wynne, 2011; ESA, S.F.).

El procesamiento de las imágenes obtenidas mediante el UAS se trabajó por medio de fotogrametría digital debido a que estudios previos mostraron el potencial de esta herramienta para la estimación de biomasa en cultivos (Bending et al., 2015; Possoch et al., 2016). Con las imágenes obtenidas del satélite se estimaron los índices que en trabajos previos habían mostrado mayor viabilidad para la estimación de biomasa en cultivos, como el NDVI o RGBV (Posada-Asprilla et al., 2019; Michez et al.,2020).

Con la información generada fue posible obtener los modelos de correlación y recomendar la metodología más viable para la estimación de biomasa en praderas de kikuyo.

Figura 4. Flujograma de la metodología trabajada

3.1

Selección de las fuentes de información remota

Se analizaron las diferentes fuentes de información remota disponibles y se seleccionaron dos fuentes que suministran información confiable y que son de bajo costo, lo cual permite que su uso esté al alcance del productor agropecuario. La primera fuente son las imágenes satelitales multiespectrales de la misión LANDSAT con el satélite Landsat 8 y la misión Copernicos con los satélites Sentinel 2A y B. Estas imágenes además de ser de uso libre, brindan información espectral necesaria para hacer análisis de índices de vegetación. Debido a la frecuente presencia de nubes en la zona de estudio y en general en la región Andina colombiana, se decidió obtener información a partir de UASs. Esta plataforma soluciona el inconveniente de la presencia de nubes e interferencia de la atmósfera. Existe una amplia variedad de UAS, sin embargo, los de menor costo no poseen cámaras multiespectrales, por lo cual es necesario trabajar imágenes RGB haciendo un tratamiento fotogramétrico.

3.2

Estudio de campo

3.2.1

Área de estudio

3.2.1.1 Ubicación El trabajo se desarrolló en la finca Megaleche (4°50’00”N; 72°22’50”O) dedicada exclusivamente a la producción ganadera de explotación lechera. Ubicada en la vereda La Selva, municipio de Facatativá, departamento de Cundinamarca, Colombia como se muestra en la figura 5. Dicho municipio en la subregión de la Sabana de Bogotá en la parte sur del altiplano Cundiboyacense, la altiplanicie más extensa de los andes colombianos. Localizada en la cuenca hidrográfica del río magdalena en la subcuenca del río Bogotá.

3.2.1.2 Características climáticas

La finca Megaleche se encuentra en la parte baja de la vereda la selva, con una altitud promedio de 2595 m.s.n.m. con una topografía plana, la región presenta un clima tropical de altura clasificado como frío semihumedo según la clasificación Caldas-Lang (IDEAM, 2015). Tiene una temperatura media anual entre 12 y 16°C, con un régimen hídrico bimodal caracterizado por dos épocas secas, desde diciembre hasta marzo y desde julio hasta agosto, que debido a la baja nubosidad presenta días muy cálidos y noches muy frías, con alta probabilidad de heladas en las primeras horas del día. Adicionalmente los meses abril a junio y de septiembre a noviembre son periodos húmedos con una precipitación media anual entre 800 y 1000 mm año-1 y una evapotranspiración potencial media anual entre 800 y 1000 mm año-1 (IDEAM, 2015).

54 En los predios de la finca Megaleche se encuentra ubicada la estación climática ordinaria, automática telemétrica del IDEAM “VILLA INES - AUT [21205940]” (IDEAM, 2018).

Figura 5: Ubicación finca Megaleche

3.2.2 Medida manual de la altura de la planta y muestreo de la biomasa Para este trabajo no se acondicionó el área a ser estudiada ya que la intención era analizar el crecimiento de la pastura en las condiciones reales de uso en una finca

55 de producción lechera. El lote escogido y mostrado en la figura 6, tiene un área de 2.7 ha, el cual es usado para el pastoreo de un grupo de 30 a 35 vacas en producción de leche. La pradera está constituida principalmente por kikuyo (Cenchrus clandestinus Hochst. ex Chiov. Morrone) y en menor proporción raigrás perenne (Lolium perenne). En el lote se hace una rotación de entre 35 a 40 días de descanso de la pastura, es decir el hato mencionado entra en uno de los extremos del lote, en este caso en el extremo occidental y va avanzando diariamente cierta distancia pastoreando la pradera, cada día avanza entre 4 a 8 m dependiendo la madurez del forraje determinada por el número de hojas, de tal manera que cuando llega al extremo opuesto, en este lote el extremo oriental, ha transcurrido el tiempo necesario para que el extremo inicial ya se encuentra maduro para continuar el pastoreo. Este periodo varía de acuerdo a las condiciones agroclimáticas y es al que se le llama un ciclo de pastoreo.

Figura 6. Ortofotografía con la marcación del límite del lote trabajado

56 En el lote de estudio se seleccionó en la parte media una franja transversal con un ancho promedio de 16 m. Dicha franja de 1870 m 2 se dividió en 27 subparcelas de 10 m de largo y un ancho variable entre 4 a 7 m, con un área media de 53.8 m2 cada una, estas se enumeraron en tres franjas la primera y la tercera en sentido norte-sur con 9 subparcelas cada una, la segunda en sentido sur-norte de 9 subparcelas como se muestra en la figura 7.

Figura 7. Ortofotografiá con la marcación del límite de las subparcelas maestreadas

57 El recorrido para el muestreo se realizó sobre las franjas en el orden numerado, en cada subparcela se tomó al azar un punto y con una varilla graduada se midió la altura que fue tomada como la representativa para la subparcela como muestra la figura 8a. Una vez medidas las alturas para cada subparcela se calcularon tres estratos bajo, medio y alto. De acuerdo a la altura definida para cada estrato se llevó un cuadro de muestreo de 0.5m de lado, es decir que cubre un área de 0.25 m 2, se arrojó al azar en dos de las subparcelas que cumplan el criterio de la altura para cada estrato y se cosechó el forraje contenido en el cuadro a una altura de corte de 10 cm como muestra la figura 8b. El forraje cosechado se recolectó en una bolsa plástica evitando la pérdida humedad y se llevó a ser pesado inmediatamente como muestra la figura 8c. Finalmente las muestras fueron llevadas a laboratorio y secadas en horno de ventilación forzada a 60 oC por 48 horas (AOAC, 2006) para la determinación de la producción de materia seca por hectárea como muestra la figura 8d.

Con los datos obtenidos se calculó la biomasa disponible expresada en kilogramos de materia seca por hectárea, que para fines de este trabajo corresponde a la variable biomasa por medición directa. Esta variable se utilizó para establecer las correlaciones con los índices de vegetación (NDVI y RGBVI) y con la altura estimada mediante el DSM.

Se realizaron muestreos siguiendo la metodología anteriormente descrita durante 3 ciclos de pastoreo, comprendidos entre el 21 de agosto y el 3 de diciembre de 2019. En cada ciclo se hizo un muestreo inicial 2 o 3 días después del pastoreo, un muestreo intermedio y un muestreo final antes del ingreso de los animales a pastorear la franja estudiada.

Figura 8. a) Medición de la altura. b) Muestreo de biomasa en un área de 0.25 m 2. c) Pesado en fresco de la biomasa muestreada. d) Secado de la muestra en horno de ventilación forzada.

3.2.3 Adquisición de imágenes de satélite

Como fue propuesto, se usaron imágenes de satélite de uso libre. Los satélites que cumplen esta condición y hacen su detección sobre el área de estudio son Landsat 8 con una resolución temporal de 16 días y Sentinel 2A y Sentinel 2B con resolución temporal de 10 días. En conjunto estos últimos logran disminuir la resolución temporal a 5 días.

Para poder hacer uso de estas imágenes fue necesario programar los muestreos en días próximos a la fecha esperada para el paso de los satélites sobre el área de estudio. Posteriormente se descargó la imagen tomada y se verificó que existiera una ventana atmosférica sobre el área de estudio que permitiera haber sensado adecuadamente el terreno.

En este estudio se realizó el muestreo el día 3 de diciembre de 2019 y se descargó la imagen del satélite Sentinel 2 desde la plataforma Copernicus Open Access Hub (https://scihub.copernicus.eu/dhus/#/home) de la Agencia Espacial Europea (ESA por su sigla en inglés), allí se localizó una imagen sensada el día 5 de diciembre de 2019 a las 15:26:39 por los instrumentos del satélite Sentinel 2B como se muestra en la figura 9.

Figura 9. Plataforma del Copernicus Open Hub de donde se descargó la imagen satelital.

La imagen descargada tiene un 24.6% de nubosidad y un 2.4% de sombras, se revisó la imagen para comprobar que el área de la finca Megaleche está libre de nubes y sombras y disponible para ser analizada, requisito que se cumplió satisfactoriamente. Adicionalmente se estableció la conveniencia de descargar la imagen disponible en el nivel 2A (Level-2A) la cual posee corrección atmosférica y los niveles de reflectancias son para el fondo de la atmósfera (BOA) es decir al nivel del terreno.

3.2.4

Adquisición de imágenes RBG aeroportadas

Se realizaron cuatro vuelos previos que permitieron determinar parámetros como la altura de vuelo y el número y ubicación de los puntos de control.

En el periodo de evaluación se realizaron dos vuelos por parte del UAS recolectando fotografías del área de estudio, uno el día de inicio del ciclo de la pastura es decir uno o dos días después de haber sido pastoreado, en el caso de estudio el día 5 de noviembre de 2019, y otro vuelo al final del ciclo, es decir, uno o dos días antes de ser pastoreado nuevamente, en el caso de estudio el día 3 de diciembre de 2019.

Para tomar las fotografías aéreas se utilizó un UAS con las siguientes características, marca FIMI X8 SE mostrado en figura 10b, con cámara abordo en posición cenital con lente con campo de visión de 78.8°, una apertura f2.2, distancia focal 4.73 mm, distancia focal equivalente de 26 mm, sensor 1/2 3" CMOS, resolución de la fotografía de 4000x3000, 12 megapíxeles efectivos, almacenadas en formato JPG. Adicionalmente el UAS posee un receptor GNNS para la constelación GPS y Glosnas.

El UAS puede ser pilotado manualmente como en la figura 10a y también programar un vuelo autónomo. Los vuelos realizados sobre la franja transversal muestreada mediante un plan de vuelo autónomo programado en la aplicación del fabricante del UAS. Las imágenes aéreas fueron adquiridas lo más próximo posible al mediodía, el día que se realiza el muestreo manual y en algunos casos con una repetición al día siguiente. Los vuelos en mención se hicieron a 50 metros de altura, definida como la altura mínima segura debido a que en los alrededores del lote estudiado hay árboles con alturas mayores a los treinta metros.

Figura 10. a) Pilotado manual del UAS. b) UAS Fimi X8 SE.

Inicialmente en vuelos sobre el área de interés previos al periodo de estudiado se dispuso

de seis puntos de control, pero se encontró que los datos se

descompensaban y generaban error a medida que se alejaba de los puntos de control, por lo que fue necesario colocar hasta ocho puntos de control distribuidos más equilibradamente en todo el terreno estudiado como se muestra en la figura 11. Algunos de estos puntos de control son estructuras inmóviles fijas construidas previamente al rededor del área de estudio, los otros puntos de control fueron rocas cortadas y empotradas en el terreno garantizando que no se movieran durante el periodo de estudio debido al transito de personas, ganado o maquinaria. Los puntos

62 de control fueron marcados de tal manera que su centro fuera reconocido en las fotografías tomadas y se georreferenciaron mediante receptor GNSS/GPS en RTK y pos-procesamiento.

Se procesaron las imágenes en el software Open Drone Map y se obtuvieron las respectivas ortofotografías que fueron la base cartográfica para analizar el área de estudio, así como la fuente de capas RGB para generar los índices de vegetación.

Figura 11. Distribución de los puntos de control sobre el terreno estudiado.

3.3 3.3.1

Análisis de la información Información capturada por UAS

Las imágenes obtenidas mediante el UAS fueron filtradas para separar las imágenes que cubrían el área muestreada y que mantuvieran un solape de más de 80% para ser analizadas mediante el software Open Drone Map, el cual arrojó un ortofotomapa en formato tiff.

A partir de las imágenes procesadas en el software Open Dron Map como se explica en la Figura 3, el proceso generó una nube de puntos con la elevación, y a partir de ellos realizó un enmallado que entregó como producto un modelo digital de elevación. A partir del proceso anterior se obtuvo como producto dos DSM, uno para cada fecha en que se realizaron los vuelos.

En el primer vuelo se obtuvo la altura inicial del terreno con la pastura cortada, y en el segundo vuelo se obtuvo el modelo digital de superficie incluyendo la altura de la pastura en su momento de cosecha. Las alturas se encuentran en metros sobre el nivel del mar, sin embargo al realizar la diferencia de altura del DSM del segundo vuelo menos la altura del DSM del primer vuelo, se estimó la altura de crecimiento de la pastura durante el periodo evaluado.

Con la ortofotografía en formato tiff obtenida del segundo vuelo realizado por el UAS se separaron las bandas, obteniendo cuatro bandas, banda 1 correspondiente al canal rojo, banda 2 correspondiente al canal verde, banda 3 correspondiente al canal azul y banda 4 correspondiente al canal Alpha del brillo de la imagen, procedimiento realizado mediante el software QGIS y el plugin Semi-Automatic Classification.

Con las bandas independientes obtenidas se utilizó nuevamente el software QGIS y el plugin Semi-Automatic Classification para generar la capa del Índice de RGBVI usando la ecuación desarrollada por Bendig et al. en 2015 y presentada a continuación.

RGBVI

3.3.2

2 G − ( B ∗ R) 2 G +( B ∗ R )

Bendig et al. (2015)

Información proveniente del satélite

A partir de la imagen del 5 de diciembre de 2019 del sensor multiespectral del satélite Sentinel 2B de la ESA se utilizaron las bandas del rojo (Banda 4) y el infrarrojo cercano (Banda 8) para generar el NDVI.

Mediante el uso del software QGIS y el plugin Semi-Automatic Classification se cortaron las imágenes de las diferentes bandas para la finca Megaleche. Con dichas imágenes se generó la capa de NDVI. Se calculó un índice promedio para cada subparcela, el cual permitió hacer el análisis de correlación de los índices con la biomasa obtenida por método directo.

3.3.3

Análisis estadístico de los datos

Con los datos obtenidos de las mediciones de campo se generaron las ecuaciones para la estimación de la biomasa a partir de la altura sin disturbar medida por el método directo. Teniendo en cuenta que hubo diferencias en la precipitación entre los ciclos, se generó una ecuación para época de lluvias y otra para la época de baja precipitación.

Se realizó un análisis de correlación de Pearson para determinar si existía relación ente la altura medida con método directo en campo y la altura estimada por el modelo de elevación digital.

Se hizo un análisis de regresión lineal simple entre el NDVI, el RGBVI y la altura estimada por el DEM versus la biomasa definida para cada subparcela.

4. RESULTADOS Y DISCUSIÓN

4.1 4.1.1

Resultados Ortofotografías Adquiridas mediante UAS

Se realizaron dos vuelos por parte del UAS recolectando fotografías del área de estudio, uno el día de inicio del ciclo de la pastura es decir uno o dos días después de haber sido pastoreado, en el caso de estudio el día 5 de noviembre de 2019 La ortofotografía obtenida una vez procesadas las imágenes tomadas por el UAS al inicio del ciclo de estudio se presenta en la Figura 12a, y la correspondiente al vuelo al final del ciclo se presentad en la Figura 12b.

Figura 12. Ortofotografías del terreno estudiado a) Vuelo inicio del ciclo sensado el 5 de noviembre de 2019 b) Vuelo final del ciclo sensado el 3 de diciembre de 2019.

La altura de la pastura estimada mediante la diferencia entre la altura del DSM del segundo vuelo menos la altura del DSM del primer vuelo se presenta en la figura 13, dicha altura se presenta en metros.

Figura 13. Áreas de estudio con la capa con la diferencia de alturas de los DSM del vuelo final menos el vuelo inicial.

4.1.2 Estimación de biomasa a través de modelo digital de elevación Se encontró que existe una relación lineal entre la altura sin disturbar y la biomasa para las praderas de kikuyo. Se obtuvo una ecuación general con los datos de los 3 ciclos (Figura 14) y ecuaciones específicas para cada ciclo considerando que hubo diferencias en el comportamiento de la precipitación. El primer ciclo correspondió a la época de baja precipitación (Figura 15), el segundo ciclo a transición de época seca a lluvias (Figura 16) y el tercer ciclo a la época de lluvias (Figura 17).

Figura 14. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo con información de los 3 ciclos de mediciones.

Figura 15. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de baja precipitación.

Figura 16. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de transición a lluvias.

Figura 17. Ecuación para estimación de biomasa a partir de altura sin disturbar obtenida por método directo en época de lluvias.

El análisis de correlación de Pearson mostró que existe una relación significativa (p<0.001) entre la altura medida por el método directo y la altura calculada por el UAS, obteniéndose un coeficiente de 0.64 (Tabla 4).

Tabla 4. Análisis de correlación de Pearson entre la altura medida por método directo y la altura medida por el UAS. Correlación de Pearson Variable (1)

Variable (2)

Pearson

p-valor

Altura UAS

1.00

<0.0001

Altura UAS

Altura medida

0.64

0.0003

Altura medida Altura UAS

0.64

0.0003

Altura medida Altura medida

1.00

<0.0001

Los modelos de regresión generados entre la altura estimada a partir del DSM y la biomasa obtenida a partir de las mediciones por método directo, considerando la ecuación para época de lluvias, que corresponde al ciclo en que se tomaron las imágenes y la ecuación general, fueron significativos (p>0.01), con un coeficiente de determinación medio de 0.42 como se puede observar en las figuras 18 y 19.

Figura 18. Modelo de regresión entre la altura estimada por el DSM y la biomasa obtenida por mediciones directas con la ecuación de época de lluvias.

Figura 19. Modelo de regresión entre la altura estimada por el DSM y la biomasa obtenida por mediciones directas con la ecuación general.

4.1.3

Estimación de biomasa a través del índice NDVI

La capa con el NDVI para toda la finca se presenta en la figura 20a. Los índices promedio para cada subparcela se presentan en la figura 20b, los cuales fueron utilizados para el análisis de correlación de los índices con la biomasa obtenida por método directo.

Figura 20. a) Finca Megaleche con la capa de NDVI, b) Subparcelas del área con su el NDVI promedio.

En la regresión lineal realizada se encontró una relación baja entre el índice NDVI y la biomasa del kikuyo medida por método directo con la ecuación de la época de lluvias, al igual que con la ecuación general, como se aprecia en la figura 21 y figura 22 respectivamente, donde el coeficiente de determinación obtenido en los modelos de regresión fue de 0.13.

Figura 21. Modelo de regresión entre el NDVI y la biomasa obtenida por mediciones directas con la ecuación de época de lluvias.

Figura 22. Modelo de regresión entre el NDVI y la biomasa obtenida por mediciones directas con la ecuación general.

4.1.4

Estimación de biomasa a través del índice RGBVI

El RGBVI promedio para cada subparcela se presenta en la figura 23, estos valores fueron correlacionados con la biomasa medida en campo.

Figura 23. RGBVI promedio obtenido para las subparcelas.

No se encontró una relación entre el índice RGBVI y la biomasa del kikuyo medida por método directo con la ecuación de la época de lluvias, ni con la ecuación general, como se aprecia en las figuras 24 y 25. El coeficiente de determinación obtenido en los modelos de regresión fue de 0.02.

Figura 24. Modelo de regresión entre el RGBVI y la biomasa obtenida por mediciones directas con la ecuación de la época de lluvias.

Figura 25. Modelo de regresión entre el RGBVI y la biomasa obtenida por mediciones directas con la ecuación general.

4.2

Discusión de resultados

4.2.1 Estimación de la biomasa a través de modelo digital de elevación

Los modelos de regresión entre la altura sin disturbar de la planta medida por método directo y la biomasa, mostraron que existe una relación lineal entre estas variables en praderas de kikuyo dentro de las alturas manejadas en pastoreo, como había sido reportado en trabajos previos (Acero, 2019). Esto confirma que la altura es una característica de la planta que puede ser usada de manera alternativa al método destructivo para las estimaciones de biomasa en esta especie forrajera. Los coeficientes de determinación obtenidos fueron superiores a los encontrados por Acero (2019), (>0.6) y aunque se analizaron de manera independiente las relaciones en cada ciclo teniendo en cuenta el comportamiento diferencial de la precipitación y su efecto en los contenidos de materia seca de los forrajes, las diferencias en las ecuaciones para fines prácticos no se consideran altamente significativas. El análisis

78 de correlación entre la altura medida por el modelo de elevación digital a partir de las imágenes tomadas con el UAS y la altura medida en campo por método directo mostró que existe una correlación significativa y estrecha entre estas alturas como lo confirma el coeficiente de correlación de Pearson obtenido (0.64). Esto coincide con los resultados de Maimaitijiag et al., 2019 en cultivos de soya, en donde encontraron una estrecha relación lineal (r 2=0.898) entre la altura de la planta medida de manera directa y la altura estimada por medio de modelos de elevación digital a partir de imágenes obtenidas mediante un UAS.

Adicionalmente, los modelos de regresión generados entre la altura medida por el UAS y la biomasa obtenida a partir de las mediciones por método directo mostraron un ajuste aceptable (r2= 0.42). Dentro de los aspectos que pudieron afectar la correlación entre la altura medida a partir de las imágenes tomadas con el UAS y la altura en campo y el ajuste en los modelos de predicción de la biomasa están la composición botánica y la altura baja de la pradera. Las praderas muestreadas tenían presencia de especies diferentes al kikuyo como Rumex crispus y Lolium sp., las cuales no fueron tenidas en cuenta en las mediciones realizadas por el método directo, sin embargo, el análisis a través del modelo de elevación digital si las incluyó, generando algunos valores de altura mayores en parcelas en las que hubo presencia importante de Rumex crispus, especie que alcanzó alturas superiores a las del kikuyo.

Por otra parte, Possoch et al. (2016) en su trabajo en el cual realizaron correlaciones entre la altura comprimida con el plato medidor y la altura calculada por modelos de superficie, encontraron una correlación significativa entre estas alturas, con un coeficiente de determinación medio de 0.55. En este trabajo las praderas tuvieron una altura promedio de 20 cm y los autores sugieren que en alturas bajas se acumula error y que se requiere generar factores de ajuste en futuros trabajos. Al comparar la altura calculada por el modelo de superficie y la altura comprimida, los autores encontraron una menor pendiente para la altura calculada por el modelo de superficie con un punto de cruce en 12 cm, lo cual es interpretado por los autores como una sub-estimación de la altura comprimida por parte del modelo de superficie

79 en valores bajos y una sobre-estimación en valores altos. En el presente trabajo las parcelas tenían áreas con alturas inferiores a los 20 cm, en donde pudo presentarse sub-estimación de la altura. Por otra parte, en algunas parcelas se encontraron sitios en los que no hubo crecimiento de forraje, lo cual también pudo generar diferencias importantes en el cálculo a través del modelo de elevación digital y la medición por el método directo.

Los coeficientes de determinación de la regresión entre la altura obtenida por el modelo de elevación digital y la biomasa fueron de 0.42, los cuales son inferiores a los reportados por Possoch et al. (2016) de 0.6 y por Bending, et al., (2015) de 0.85. Esta diferencia puede ser atribuida en parte al bajo número de datos analizados. En este trabajo se incluyeron datos provenientes de 27 parcelas, mientras Possoch et al. (2016) incluyeron 196 datos y Bending et al. (2015) 108 datos para el modelo de regresión lineal.

A pesar de los aspectos discutidos previamente, los cuales deben analizarse y generar posiblemente criterios de ajuste, la predicción de la biomasa en las pasturas de kikuyo a partir de la altura calculada mediante modelos de elevación digital es una metodología que muestra potencial como una alternativa al método destructivo. El uso de UAS de bajo costo y la alta resolución espacial y temporal resultan una oportunidad para implementar esta metodología por parte de los productores para optimizar el manejo de las pasturas. Trabajos complementarios pueden contribuir a fortalecer la ecuación generada y a verificar la posible sub-estimación de la altura en plantas de bajo tamaño.

4.2.2 Estimación de la biomasa a través de los índices NDVI y RGBVI

Los valores para el índice NDVI obtenidos a partir de las imágenes satelitales estuvieron entre 0.73 y 0.92 lo cual coincide con lo encontrado por Posada-Asprilla et al. (2019) en kikuyo, quienes obtuvieron valores para este índice entre 0.63 y 0.89 utilizando una cámara con sensor multiespectral. Las imágenes satelitales utilizadas en este trabajo presentan como ventaja que son de libre uso, resultando más económicas que la inversión en cámaras multiespectrales, sin embargo, se presentan limitaciones en la Región Andina colombiana por el efecto de las nubes.

Aunque en trabajos previos se ha encontrado una relación lineal entre el índice NDVI y la biomasa en diferentes cultivos (de Alckmin et al., 2021; Bending et al., 2015), en este trabajo no se encontró una relación lineal fuerte entre el NDVI y la biomasa en kikuyo, obteniendo un coeficiente de determinación de 0.13. Bending et al. (2015) encontraron en cultivos de cebada una correlación que consideraron baja entre el NDVI y la biomasa (r2=0.4) usando modelos de regresión lineal, atribuyendo la baja relación a un posible efecto de saturación. Por su parte, de Alckmin et al. (2021), quienes determinaron diferentes índices de vegetación, encontraron para el NDVI y la biomasa en raigrás un coeficiente de determinación de 0.48. PosadaAsprilla et al. (2019) reportaron una alta correlación entre el NDVI y la biomasa expresada como forraje verde (g/m 2) en kikuyo, usando un modelo que consideró el NDVI como una función suavizada, logrando un coeficiente de determinación de 0.993. Un aspecto que pudo influir en la baja correlación entre el NDVI y la biomasa en este trabajo es el uso de las imágenes satelitales comparado con fuentes de mayor

resolución

espectroradiómetros

espacial de

como

campo

las

utilizados

cámaras en

los

multiespectrales trabajos

los

anteriormente

mencionados. Easdale et al. (2019) no recomiendan el uso de imágenes de satélite para análisis en áreas de parche de vegetación o especie, en las cuales estarían clasificadas las parcelas de este estudio, las recomiendan para áreas de mayor tamaño, cuando se desee hacer evaluaciones a escala de paisaje, debido a su baja resolución espacial.

No se encontró una correlación entre el índice RGBVI y la biomasa disponible (r2=0.02), lo cual coincide con los resultados reportados por Possoch et al. (2016), quienes obtuvieron coeficiente de determinación de 0.0012 entre el índice RGBVI obtenido de las bandas de la ortofoto y la biomasa y de 0.0877 entre el índice RGBVI obtenido a partir de mediciones hiperespectrales tomadas con un espectrómetro manual y la biomasa. Bending et al. (2015) por su parte encontraron una correlación que consideraron baja entre la biomasa en cultivos de cebada y el índice RGBVI, con un coeficiente de determinación de 0.47, sin embargo, los autores mencionan que este resultado debe tomarse con cuidado por el bajo set de datos utilizados para la calibración y validación del modelo. Más recientemente Lussem, Bolten, Gnyp, Jasper y Bareth, (2018) no encontraron relación (r 2=0.00) entre el índice RGBVI obtenido a partir de una ortofoto generada con imágenes UAS y la biomasa en praderas con un total de 156 datos.

Estos resultados indican que bajo las condiciones de este estudio y teniendo en cuenta los resultados contrastantes entre los diferentes trabajos previos, los índices de vegetación evaluados no son predictores fuertes de la biomasa, en especial el RGBVI, a pesar de tener una alta resolución espacial y que deben realizarse más estudios en el caso de las praderas para considerar su aplicación con fines prácticos. Sin embargo, estos índices suministran información sobre el vigor de la planta, la cual resulta valiosa para la producción de forraje y manejo de las praderas.

5. CONCLUSIONES

Las nuevas tecnologías en geomática como la fotogrametría y el sensoramiento remoto constituyen un apoyo importante a la agricultura de precisión, permitiendo mejorar el manejo de los sistemas de pastoreo.

La estimación de la biomasa en los cultivos a partir de la altura determinada por modelos de elevación digital resulta una metodología promisoria, confiable para sustituir los métodos destructivos y para brindar información más precisa en tiempo y espacio.

No se encontró relación fuerte entre el índice de vegetación NDVI y la biomasa medida en campo y no hubo relación entre el índice de vegetación RGBVI y la biomasa bajo las condiciones de este experimento. Sin embargo, trabajos realizados por otros autores muestran resultados diversos en algunos casos con relaciones medias y altas entre los indices y la biomasa y en otros con relaciones muy bajas o inexistentes, lo cual indica que es necesario seguir investigando sobre el uso de estos índices con la finalidad de estimar la biomasa en pasturas.

El uso de imágenes de satélite de uso libre como las Sentinel 2 para la determinación de indices de vegetación como el NDVI es adecuado para áreas a nivel de paisaje o comunidad vegetal, mientras que las imágenes obtenidas a partir de UAS resultan más apropiadas en áreas de parche de vegetación o especie como las parcelas medidas en este trabajo, debido a su mayor resolución espacial.

6. BIBLIOGRAFÍA

Acero C., R. A. (2019). Aspectos ambientales y de manejo que determinan el crecimiento del kikuyo (Cenchrus clandestinus Hochst. exChiov. Morrone) en la Provincia de Ubaté. [Tesis de Doctorado. Universidad Nacional de Colombia], Bogotá, D.C. 51p. AOAC, Association of Official Analytical Chemists. (2006). Official Methods of Analysis of AOAC International. 18 ed. Chapter 4: Animal Feed. USA:WENDT THIEX NJ. 72 p. ISBN 0-935584-77-3. Baghdadi, N., Mallet, C., y Zribi, M. (Eds.). (2018). QGIS and Applications in Agriculture and Forest. John Wiley & Sons. Barbedo, J.G.A. (2019). A Review on the Use of Unmanned Aerial Vehicles and Imaging Sensors for Monitoring and Assessing Plant Stresses. Drones, 3, 40. Barnes, E., Clarke, T., Richards, S., Colaizzi, P., Haberland, J., Kostrzewski, M., Waller, P., Choi, C., Riley, E., Thompson, T. (2000). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. En: Proceedings of the Fifth International Conference on Precision Agriculture, Bloomington, MN, USA, 16–19 July 2000; Volume 1619. Beaver C,R. (2018). Introduction to Unmanned Aerial Vehicle Systems Utilized in Agriculture En: Unmanned Aerial Vehicle Systems in Crop Production: A Compendium. Apple Academic Press. CRC Press. Bangalore, India. Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M.L. y Bareth, G. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int. J. Appl. Earth Obs. Geoinf, 39:79–87. Best, S., León, L., Flores, F. y Aguilera, H. (2014). Sistemas de guía por satélite, robótica y automatización agrícola y controladores electrónicos en: Adopción y Desarrollo de tecnologías en Agricultura de Precisión. Boletín Digital Nº 3. Progap-INIA, 100p. Progap-INIA, Instituto de Investigaciones Agropecuarias, Chillán, Chile. Botello-Aguillón, C., Gavi-Reyes, F., Tijerina-Chávez, L., Galvis-Spíndola, A. y Roblero-Hidalgo, R. (2019). Estimación de biomasa aérea de forrajes de invierno bajo riego a través de un dron. Agroproductividad:12 (4): 25-31. 83

Bravo M, NF. (2017). Teoría – Teledetección Espacial LANDSAT, SENTINEL-2, ASTER L1T y MODIS. Geomática Ambiental SRL. Huánuco, Perú. Butler, M.J.A., LeBlanc, C., Belbin, J.A. y MacNeill, J.L.; (1990). Cartografía de recursos marinos: un manual de introducción. FAO Documento Técnico de Pesca. No. 274. Roma, FAO. 281 p. ISBN 92-5-302544-1 Campbell, J.B. y Wynne, R.H., (2011). Introduction to remote sensing. Fifth Edition. The Guilford Press, New York, London. Canseco C, Demanet R; Balocchi O, Parga J; Anwandter V, Abarzúa A, Teuber N y Lopetegui J. (2007). Determinación de la disponibilidad de materia seca de praderas en pastoreo en Manejo del pastoreo. Proyecto FIA. Osorno, Chile. Chuvieco E. (2016). Fundamentals of Satellite Remote Sensing an Environmental Approach. Second Edition. CRS Press, Taylor and Francis Group. Boca Ratón, London, New York. de Alckmin, G. T., Kooistra, L., Rawnsley, R., & Lucieer, A. (2021). Comparing methods to estimate perennial ryegrass biomass: Canopy height and spectral vegetation indices. Precision Agriculture, 22(1), 205-225. https://doi.org/10.1007/s11119-020-09737-z Doumit, J. A.; (2018). From Drones to Geospatial Data. Lebanese University, Kuban State University. Dusseux, P., Corpetti, T., Hubert-Moy, L. y Corgne, S. (2014). Combined use of multi-temporal optical and radar satellite images for grassland monitoring. Remote Sensing, 6(7), 6163-6182. Easdale, M. H., Umaña, F., Raffo, F., Fariña, C., y Bruzzone, O. (2019). Evaluación de pastizales patagónicos con imágenes de satélites y de vehículos aéreos no tripulados. Ecología Austral, 29(3), 306-314. https://doi.org/10.25260/EA.19.29.3.0.791. Educarchile, (2018). Espectro Electromagnético. [Figura 1] Recuperado el 25 de mayo de 2020 de https://centroderecursos.educarchile.cl/handle/20.500.12246/40847 ESA European Space Agency (S.F.). Spatial Resolution. Sentinel Online. Recuperado el 12 de junio de 2020 de https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/resolutions/ spatial García, C., Montero, D., Soto, M. y Valencia, J. (2017). Estimación de productividad en caña de azúcar desde la percepción remota. Análisis Geográficos, 53: 35-49. 84

Gebremedhin, A., Badenhorst, PE., Wang J., Spangenberg GC. y Smith, KF. (2019). Prospects for Measurement of Dry Matter Yield in Forage Breeding Programs Using Sensor Technologies. Agronomy, 9: 65; doi:10.3390/agronomy9020065. Girón Girón, R. y Hernández Torres, F. (2017). Identificación de cultivos de arroz empleando imágenes Sentinel-1. Análisis Geográficos, 53, 57-67. Gitelson, A.A., Viña, A., Arkebauer, T.J., Rundquist, D.C., Keydan, G.y Leavitt, B. (2003). Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophys. Res. Lett, 30:30. Gitelson, A.A., Kaufman, Y.J., Stark, R. y Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ, 80:76– 87. Gnyp, M. L., Bareth, G., Li, F., Lenz-Wiedemann, V. I., Koppe, W., Miao, Y. y Zhang, F. (2014). Development and implementation of a multiscale biomass model using hyperspectral vegetation indices for winter wheat in the North China Plain. International Journal of Applied Earth Observation and Geoinformation, 33, 232-242. Gobernación de Cundinamarca. Secretaría de Agricultura y Desarrollo Rural. (2017). Estadísticas Agropecuarias. Volumen 27. Gobernación de Cundinamarca, (2013). Capitulo 11 Agropecuario. En Estadísticas de Cundinamarca versión 2011-2013. Recuperado el 15 de diciembre de 2019 de http://www.cundinamarca.gov.co/wcm/connect/b7ea1496-2fb2-403c-87ece4a01656ea33/Cap_11.pdf?MOD=AJPERES&CVID=kNRoLiL. González P., L. (2019). Plant height and biomass estimations on wheat using high-resolution aerial imagery in an experimental fild in Sonora, Mexico. [Tesis de maestría, UniGIS-Universidad de Salzburg] Recuperado el 15 de febrero de 2020 de https://issuu.com/unigis_latina/docs/104798 Hong, G., Zhang, A., Zhou, F., y Brisco, B. (2014). Integration of optical and synthetic aperture radar (SAR) images to differentiate grassland and alfalfa in Prairie area. International Journal of Applied Earth Observation and Geoinformation, 28, 12-19. IDEAM, Instituto de Hidrología, Meteorología y Estudios Ambientales, (2018). Banco de Datos del IDEAM, Ministerio de Medio Ambiente. Recuperado el 20 de junio de 2020 de http://dhime.ideam.gov.co/atencionciudadano/ IDEAM, Instituto de Hidrología, Meteorología y Estudios Ambientales, (2015) Atlas Climático de Colombia – Interactivo ISBN: Volumen 1: 978-958-8067-73-5. 85

Ministerio de Medio Ambiente. Recuperado el 20 de junio de 2020 de http://atlas.ideam.gov.co/visorAtlasClimatologico.html Kharuf-Gutierrez, S., Hernández-Santana, L., Orozco-Morales, R., Aday-Díaz, O. D. L. C., y Delgado-Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Ingeniería Electrónica, Automática y Comunicaciones, 39(2), 79-91. Konecny, G.; (2014). Geoinformation: remote sensing, photogrammetry and geographic information systems. cRc Press. ISBN-13: 978-1-4822-3213-4 Lantinga, E.A., Neuteboom, E.A. y Meijs, J.A.C. (2004). Sward Methods in: Herbage intake handbook. British Grassland Society (BGS). 23-52p. Laurin, G. V., Balling, J., Corona, P., Mattioli, W., Papale, D., Puletti, N. y Urban, M. (2018). Above-ground mass prediction by Sentinel-1 multitemporal data in central Italy with integration of ALOS2 and Sentinel-2 data. Journal of Applied Remote Sensing, 12(1), 016008. Liu, H., Dahlgren RA., Larsen RE., Devine S., Roche L., O’ Geen, A., Wong, A., Covello, S. y Jin Y. (2019). Estimating Rangeland Forage Production Using Remote Sensing Data from a Small Unmanned Aerial System (sUAS) and PlanetScope Satellite. Remote Sens, 11: 595; doi:10.3390/rs11050595. López-Guerrero, I., Fontenot, J.P. y García-Peniche, TB. (2011). Comparaciones entre cuatro métodos de estimación de biomasa en praderas de festuca alta. Revista mexicana de ciencias pecuarias, 2(2), 209-220. Lussem, U., Bolten, A., Gnyp, M. L., Jasper, J. y Bareth, G. (2018). Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci, 42(3), 1215-1219. Maimaitijiang, M., Sagan, V., Sidike, P., Maimaitiyiming, M., Hartling, S., Peterson, K.T., Maw, M.J., Shakoor, N., Mockler, T. y Fritschi, F.B. (2019). Vegetation index weighted canopy volume model (CVMVI) for soybean biomass estimation from unmanned aerial system-based RGB imagery. ISPRS J. Photogramm. Remote Sens, 151: 27–41. Mauricio, F. y Rivas, R. (2008). Relación entre índices de vegetación provenientes de imágenes MODIS y el rendimiento en girasol en el área centro de la Pampa, Argentina. XII Reunión Argentina de Agrometeorología, 8. Metternicht, G. (2003). Vegetation indices derived from high-resolution airborne videography for precision crop management. Int. J. Remote Sens, 24:2855– 2877.

Michez, A., Lejeune, P., Knoden, D., Cremer, S., Decamps, C. y Bindelle, J. (2020). Can Low-Cost Unmanned Aerial Systems Describe the Forage Quality Heterogeneity? Insight from a Timothy Pasture Case Study in Southern Belgium. Remote Sens.,12:1650. Michez, A., Piégay, H., Lisein, J., Claessens, H. y Lejeune, P. (2016). Classification of riparian forest species and health condition using multitemporal and hyperspatial imagery from unmanned aerial system. Environ. Monit. Assess, 188:188. Moges, S., Raun, W., Mullen, R., Freeman, K., Johnson, G. y Solie, J. (2005). Evaluation of green, red, and near infrared bands for predicting winter wheat biomass, nitrogen uptake, and final grain yield. J. Plant Nutr, 27:1431–1441. Montesinos, S. (2015). Aplicaciones en agricultura en: Los Drones y sus aplicaciones a la ingeniería civil. Dirección General de Industria, Energía y Minas de la Comunidad de Madrid. Fundación de la Energía de la Comunidad de Madrid. Madrid, España. Murphy, W.M., Silman J.P. y Mena-Barreto A.D. (1995) A comparison of quadrat, capacitance meter, HFRO sward stick, and rising platefor estimating herbage mass in a smooth-stalked, meadow grass-dominant white clover sward. Grass Forage Sci (50):452-455. NASA, National Aeronautics and Space Administration, (S.F.) Landsat Science. Recuperado el 22 de octubre de 2020 de https://landsat.gsfc.nasa.gov/ Olaya, V. (2020). Sistemas de Información Geográfica. ISBN: 978-1-71677-766-0. Parga J. y Teuber N. (2006). Manejo del pastoreo con vacas lecheras en praderas permanentes. Instituto de Investigaciones Agropecuarias. Centro de Investigación Regional Remehue. Boletín 148. Chile. Peguero, C. (2012). Sensores remotos y aplicaciones en teledetección geodesia y gestión de recursos naturales y patrimonio natural. ONU-GE@ 21 Recursos Naturales. Posada-Asprilla W., Medina-Sierra M. y Cerón-Muñoz M. (2019). Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales. Revista U.D.C.A Actualidad & Divulgación Científica: 22(1) e1195. https://dx.doi.org/10.31910/rudca.v22.n1.2019.1195 Possoch M., Bieker S., Hoffmeister D., Bolten A, Schellberg J. y Bareth G: (2016). Multi-temporal crop surface models combined with the RGB vegetation index from UAV-based images for forage monitoring in grassland. The International Archives of the Photogrammetry, Remote Sensing and Spatial 87

Information Sciences, Volume XLI-B1, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic. Rouse, J. W., Haas, R.H., Schell, J.A. y Deering, D.W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ. 351309. Rueda C., F., Peñaranda M., L.A., Velásquez V., W.L., y Diaz B., S.A. (2015). Aplicación de una metodología de análisis de datos obtenidos por percepción remota orientados a la estimación de la productividad de caña para panela al cuantificar el NDVI (índice de vegetación de diferencia normalizada). Revista Corpoica. Ciencia y Tecnología Agropecuaria ISSN: 0122-8706, 16(1), 25-40. Serrano, L., Filella, I. y Peñuelas, J. (2000). Remote sensing of biomass and yield of winter wheat under different nitrogen supplies. Crop. Sci., 40: 723–731. Slaton, M., Hunt, E., y Smith, W. (2001). Estimating Near-Infrared Leaf Reflectance from Leaf Structural Characteristics. American Journal of Botany, 88(2): 278-284. Sripada, R.P., Heiniger, R.W., White, J.G. y Meijer, A.D. (2006). Aerial Color Infrared Photography for Determining Early In-Season Nitrogen Requirements in Corn. Agron. J., 98: 968–977. Toffanin, P. (2019). Open Drone Map The Missing Guide. Masserano Labs LLC. Torres, A., Villate, E. (2013). Topografía. Cuarta edición, Cuarta Reimpresión. Editorial Escuela Colombiana de Ingeniería. Colombia. Bogotá D.C., Colombia. ISBN 958-8060-12-5 Tucker, C.J. (1978). Red and photographic infrared linear combinations for monitoring vegetation.Remote Sens. Environ, 8:127–150. Unidad Administrativa Especial de Aeronáutica Civil. (27 de Diciembre de 2018). Resolución No. 04201. Ministerio de Transporte de Colombia. Recuperado el 2 de septiembre de 2020 de https://www.aerocivil.gov.co/servicios-a-lanavegacion/sistema-%20de-aeronaves-pilotadas-a-distancia-rpas-drones/ Documents/RESL.%20%20N%C2%B0%2004201%20%20DIC %2027%20de%20%202018.pdf Wintra, (S.F.) Recommended photogrammetry software. [Figura 2] Recuperado el 20 de agosto de 2020 de https://wingtra.com/best-photogrammetrysoftware/

104436

Articles inside

3. METODOLOGÍA

1.6 Alcance

2.2.3 Imágenes satelitales multiespectrales

2.2.2 Imágenes digitales en el espectro visible

2.2.8 Uso de imágenes aéreas para la estimación de biomasa en cultivos

2.2.1 Comportamiento espectral de las hojas vivas

2.2.5 Modelos de Elevación Digital

2.2.4 Fotogrametría

2.2 Sensores Remotos