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

46

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 (r

2=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 (r

2

=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.