Detección e identificación de comunidades vegetales altoandinas, Bofedal y Tolar de Puna Seca mediante ortofotografías RGB y NDVI en drones “Sistemas Aéreos no Tripulados”

Autores/as

DOI:

https://doi.org/10.17268/sci.agropecu.2021.032

Palabras clave:

Comunidad vegetal, Sensores remotos, Tolar, Bofedal, UAS, UAV

Resumen

La teledetección y los sistemas de información geográfica son herramientas que en la última década se utilizan con énfasis en la gestión de recursos naturales; sin embargo, éstas han presentado deficiencias para estudios de ganadería de precisión debido a la calidad de las resoluciones espacial, espectral y temporal de las imágenes, frente a esta limitación aparece como alternativa los microsensores en sistemas aéreos no tripulados (UAS) que permiten obtener ortofotografías con mejores resoluciones. Considerando estas ventajas se desarrolló un estudio para determinar la mejor altura de vuelo de las UAV en la detección e identificación de las comunidades vegetales tolar y bofedal de puna seca. Para el estudio se recopilaron fotografías RGB y NDVI con sensores ZENMUSE X3 DJI RGB-NDVI en UAS con alturas de vuelo de 25, 50, 75 y 100 m. En el campo se contabilizaron plantas de tola y cojines de DIMU en cuadrantes de 10 m x 10 m (100 m2). La preparación de ortofotografías se realizó en el software Pix 4D y para analizar la información se elaboró un algoritmo con capacidad de identificar un elemento segmentado (planta de tola y/o cojín de DIMU) utilizando el lenguaje de programación Python. El estudio determinó que el rango de NDVI para la identificación de tolares de Parastrephia lepidophilla es de 0,20 a 0,45 y para bofedales de Distichia muscoides es de 0,68 a 0,95; finalmente usando ortofotografías RGB y NDVI se determinó que la mejor altura de vuelo para identificar las especies segmentadas Tola y DIMU es de 25 m seguido de 50 m.

Citas

Acebedo, R. (2011). Sistemas de teledetección activos y pasivos embarcados en sistemas aéreos no tripulados para la monitorización de la tierra Barcelona España.15 pp.

Alve, S., Carvalho, F., Queiroz, D., Terra, N., & Sousa, J. (2013). Determination of nitrogen and Chlorophyll levels in bean plant leaves by using spectral vegetation bands and indices. Revista Ciência Agronômica, 44(3), 464-473.

Azcoiti, J. (2016). Evaluación de aplicaciones para el tratamiento de imágenes mediante correlación Automática (Tesis de Maestría). Universidad Pública de Navarra. España.

Berrio, M., Mosquera, T., & Álzate, D. (2015). Uso de drones para el análisis de imágenes multiespectrales en agricultura de pre uutilización de imágenes multiespectrales obtenidas por vehículos aéreos no tripulados para la determinación de zonas intra-lote con mayor rendimiento y calidad en el trigo (Triticum aestivum). Universidad Nacional de Villamaría, Argentina.

Bethany, M., Lucier, A., & Aryal, J. (2019). Classification of lowland native grassland communities using hyperspectral Unmanned Aircraft System (UAS) imagery in the Tasmanian midlands. Drones, 3(1), 5.

Baranowski, P., Jedryczka, M., Mazurek, W., Skowronska, D., Siedlidka, A., & Kaczmarek, J. (2015). Hyperspectral and Thermal Imagen of Rape (Brassica napus) response to fungal species of the genus Alternaria. PLoS ONE 10(3): e0122913.

Buitrón, C., & Callisaya, J. (2012). Estudio espacial multitemporal de variaciones en superficie observada a través de imágenes satelitales LANDSAT en una región del Parque Nacional Sajama Bolivia, DIACONIA. La Paz, Bolivia.

D’oleira, S., Marzolff, I., Klaus, D., & Ries, J. (2012). Unmanned aerial Veicle (UAV) for Monitoring soil erosion in Moroco. Remote sens., 4, 3390-3416.

Easdale, M., Umaña, F., Rafo, F., Fariña, C., & Bruzzone, O. (2019). Evaluación de pastizales patagónicos con imágenes de satélites y de vehículos aéreos no tripulados. Ecología Austral, 29, 285-445.

Escuer, J. (2007). Análisis multitemporal mediante el uso de imágenes del satélite Landsat. Innovación y formación, 2, 34-36.

Estrada, A., Cárdenas, J., Ñaupari, J., & Zapana, J. (2018). Capacidad de carga de pastos de puna húmeda en un contexto de cambio climático. Revista de Investigaciones Altoandinas, 20(3), 361-368.

Ezenne, G., Jupp, L., Mantel, S., & Tanner, J. L. (2019). Current and potential capabilities of UAS for crop water productivity in precision agriculture. Agricultural Water Management, 218, 158-164.

Lost, F., Heldens, W., Kong, Z., & Lange, E. (2019). Drones: Innovate technology for use in precision pest management. Journal of Economic Entomology, 113(1), 1–25.

Flores, D., Gonzáles, H., Lozano, R., Vazquez, J., & Hernandez, J. (2021). Automated Agave detection and counting using a covolucional Neural Network and Unmanned Aerial Systems. Drones, 5(1), 4.

Flores, E. R.; Ñaupari, J. A.; & Tacuna, R. E. (2014). La economía del cambio climático en el Perú: Ganadería altoandina en la economía del cambio climático en el Perú: Desarrollo, CEPAL.

Grüner, E, Astor, T., & Wachendorf, M. (2019). Biomass Prediction of Heterogeneous Temperate Grasslands Using an SfM Approach Based on UAV Imaging. Agronomy, 9(2), 54.

Hatton, N., Sharda, A., Schapaugh, W., & Merwe, D. (2020). Remote thermal infrared imaging for rapid screening of sudden death syndrome in soyben. Computers and Electronics in Agriculture, 178, 105738.

Hernández, L., Rudge, M., Bartolo, R., & Erskine, P. (2019). Identifying species and monitoring understory from UAS derived data; a literature reviw and future directions. Drones, 3(1), 9.

Holdrige, L. R. (1987). Ecología basada en zonas de vida. Servicio editorial IICA, 3era Edición, San José de Costa Rica. ISBN 92 9039 1316 pp. 2-26.

Ishida, T., Kurihara, J., Viray, F., Namuco, S., Paringit, E, et al. (2018). A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 144, 80-85.

Jacsaon, M, Potrillo, Q., Cox, R., Ritchie, G., Johnson, M., et al. (2020). Season classifier, and special resolution impact honey mesquite and yellow bluestem detection using unmanned aerial System. Rangeland Ecology & Management, 73(5), 658-672.

Kharuf, S; Hernandez, L, Orosco, R., & Delagdo, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Ingeniería Electrónica, Automática y comunicaciones, 39(2), 79-91.

Librán-Embid, F., Klaus, F., Tscharntke, T., & Grass, I. (2020). Unmanned aerial Vehicles for biodiversity friendly agricultural landscape a systematic review. Science of The Total Environment, 732, 139204.

Lin, Z., & Guo, W, (2020). Sorghum panicle detection and counting using unmanned aerial system images and deep learning. Frontiers in Plant Science, 11, 534853.

Malambo, L., Popescu, S., Wei, N., Romey, W., Zhou, T., & Moore, S. (2019). Ad deep learning semantic segmentation-based approach for field level sorghum panicle counting. Remote Sens., 11(24), 2939.

Norasma, C., Fadzilah, M., Roslin, N., Zanariah, Z., Tarmidi, Z., & Candra, S., (2019). Unmanned aerial vehicle applications in agriculture. IOP Conf. Ser.: Mater. Sci. Eng., 506, 012063.

Pulgar, J. (1996). Geografía del Perú, las ocho regiones naturales. Promoción editorial Inca S.A. 10a edición, Lima Perú, ISBN 9972400273. 15-23.

Robb, C., Harday, A., Doonan, J., & Brook, J. (2020). Semi automated field plot segmentation from UAS imagery for experimental agriculture. Frontiers in plant Science, 11, 591886.

Sakaran, S., Quirós, J., & Milkas, P. (2019). Unmanned aerial system and satellite based high resolution imagery for high throughput phenotyping in dry bean. Computers and Electronics in Agriculture, 165, 104965.

Sankey, J., Sankey, T., Li, J., Ravi, S., Wang, G., et al. (2021). Quantifying plant-soil-nutrient dynamics in rangelands: Fusion of UAV hyperspectral-LiDAR, UAV multispectral-photogrammetry, and ground-based LiDAR-digital photography in a shrub-encroached desert grassland. Remote Sensing of Environment, 253, 112223.

Tapia, M., & Flores, J. (1984). Ecosistema de los andes del sur del Perú y su relación con los pastizales. Capítulo del libro Pastoreo y pastizales en los andes del sur del Perú. Programa colaborativo de apoyo a la investigación en rumiantes menores Cusco, Perú.

Tilahun, T., & Seyoum, W. (2020). Heigh-resolution mapping of tile drainage in agricultural fields using unmanned System (UAS) based radiometric thermal and optical sensors. Hydrology, 8(1), 2.

Xie, Ch., & Yang, C., (2020). A review on plant high throughput traits using UAV based sensors. Computers and Electronics in Agriculture, 178, 105731.

Xu, R., & Paterson, A. (2019). Multispectral imaging and unmanned aerial systems for cotton plant phenotyping. PLoS ONE, 14(2), e0205083.

Zhengxia, Z., Zhenwi, S., Young, G., & Jienping, Y. (2019). Object Detection in 20 Years: A survey. ArXiv, abs/1905.05055.

Zhu, F., Jiewei, L., Honghui, X., & Goodman, E. (2018). Automatic Tobacco plant detection in UAV images via deep Neural Networks. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(3), 876–887.

Zorogastua, P., Quiroz, R., & Garatuza, J. (2012). Dinámica de los bofedales en el altiplano peruano. Revista Latinoamericana de Recursos Naturales, 8(2), 63-75.

Descargas

Publicado

2021-07-20

Cómo citar

Estrada Zúñiga, A. C. ., & Ñaupari Vásquez, J. . (2021). Detección e identificación de comunidades vegetales altoandinas, Bofedal y Tolar de Puna Seca mediante ortofotografías RGB y NDVI en drones “Sistemas Aéreos no Tripulados”. Scientia Agropecuaria, 12(3), 291-301. https://doi.org/10.17268/sci.agropecu.2021.032

Número

Sección

Artículos originales