Teledetección y agricultura de precisión: un ejemplo de ...tig.age-geografia.es/docs/XII_2/072 -...

977

TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS

HIERBAS EN CULTIVOS DE CEREAL

MARTÍN ISABEL, M. P.1; BARRETO RUÍZ, L.2; FERNÁNDEZ-QUINTANILLA GALLASTEGUI, C.2

1Instituto de Economía y Geografía, Consejo Superior de Investigaciones Científicas

Pinar, 25, 28006 Madrid [email protected]

2Centro de Ciencias Medioambientales, Consejo Superior de Investigaciones Científicas Serrano, 115, 28006 Madrid

[email protected]; [email protected]

RESUMEN

En las últimas dos décadas, y gracias a la disponibilidad de nuevas tecnologías geoespaciales y de la información ha podido hacerse realidad un manejo de precisión de las explotaciones agrarias, optimizando el uso de los diversos insumos (fertilizantes, fitosanitarios, semillas). De esta forma ha surgido el concepto de “Agricultura de Precisión (AP)”, definido como el conjunto de técnicas de cultivo que utilizan tecnologías de la información para ajustar el uso de semillas y de agroquímicos considerando la diversidad del medio físico y del medio biológico.

Este trabajo pretende abordar diversos aspectos relacionados con el manejo integrado de las malas hierbas (A. sterilis y L. rigidum) en cultivos de cereal (trigo y cebada), utilizando para ello técnicas de teledetección y agricultura de precisión. El objetivo final es reducir el uso de productos fitosanitarios y mejorar la rentabilidad de la producción.

Se abordó en el trabajo una primera etapa dirigida al análisis/caracterización espectral de las malas hierbas y los cultivos. Para ello se llevaron a cabo diversos experimentos de espectroradiometría de campo y laboratorio con objeto de medir la reflectividad de las diversas especies analizadas. Posteriormente se aplicaron técnicas tradicionales de análisis estadístico (distancia normalizada y análisis discriminante) así como otras específicas de teledetección hiperespectral (Spectral Angle Mapper). Estas técnicas nos permitieron evaluar la separabilidad espectral entre cubiertas y determinar las longitudes de onda (bandas) y combinaciones de bandas (índices) que más contribuyen a la correcta clasificación de especies.

Por otra parte, con objeto de analizar la potencialidad de los sensores actualmente disponibles para identificar y cartografíar rodales de malas hierbas en cultivos de cereal, se adquirió una serie multitemporal de imágenes Quickbird sobre una finca de cebada con infectación de A. sterilis. El tratamiento de las imágenes incluyó procesos de georeferenciacion para asegurar el ajuste multitemporal, corrección radiométrica (conversión de niveles digitales a valores de radiancia y reflectividad), fusión de bandas multiespectrales y pancromática y cálculo de índices de vegetación.

Palabras clave:

Malas hierbas, cereal, cartografía, espectroradiometría, teledetección hiperespectral, imágenes Quickbird ABSTRACT

During the last two decades the increasing availability of geospatial and information technologies has favoured the importance of the precision management in agriculture fields optimizing the use of fertilizers, herbicides, seeds, etc. In this way the precision agriculture

EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

978

concept has emerged and defined as the collection of cultivation techniques that use new information technologies to adjust the use of seeds and agrochemical in order to adapt them to the biodiversity of the agricultural fields.

In this work new technologies such as remotes sensing are applied in the context of precision agriculture to improve grassweed management in winter cereal crops. The main objective is provide the information required to reduce the use of herbicides and increase yield profitability.

In a first methodological phase an spectral characterization of weeds and crops was accomplished. The potential use of remote sensing to discriminate and map two grassweeds (Avena sterilis and Lolium Rigidum) growing in winter cereals (wheat and barley) was evaluated under laboratory and field conditions. Statistical analysis (normalized distance and discriminant analysis)was applied to the data in order to study the separability between species. Other hiperespectral techniques such as the Spectral Angle Mapper (SAM) were also applied. The objective was to define the spectral bands, spectral indices and plant growth stages more adequate for weed discrimination

On the other hand, in order to explore the potential of commercial satellites to discriminate and map weeds, a multitemporal series of high spatial resolution images provided by the Quickbird satellite were acquired over the study area, a barley field infected with A. Sterilis. Image processing included geometric and radiometric corrections, data fusion and calculation of spectral indices.

Key Words: Grassweeds, cereal, mapping, spectroradiometry, hyperspectral remote sensing,

Quickbird images 1. INTRODUCCIÓN

Una mala hierba es una “planta que crece siempre o de forma predominante en situaciones marcadamente alteradas por el hombre y que resulta no deseable por él en un lugar y momento determinado” (Pujadas y Hernández, 1988). Las malas hierbas que proliferan en los campos de cultivo suponen un grave problema para los agricultores, ya que habitualmente interfieren en el normal crecimiento de los cultivos, lo que se traduce en un bajo rendimiento de producción. Por tanto, el control de las malas hierbas es una actividad fundamental en la agricultura si se desea obtener cosechas y rendimientos adecuados.

En la agricultura convencional, la aplicación de herbicidas se realiza sobre la base de considerar el campo de cultivo como un espacio uniforme. Por tanto, se aplican los mismos insumos (fertilizantes, herbicidas, insecticidas, etc) a las mismas dosis en toda el área. No obstante, la realidad es que cada campo puede variar enormemente, tanto en términos de fertilidad del suelo, como de la composición, abundancia y distribución espacial de la flora arvense y de la fauna fitófaga. En este sentido, surge ya hace algunas décadas el concepto de agricultura de precisión (AP) que propone ajustar el uso de insumos a las necesidades reales de cada unidad de terreno (Fernández-Quintanilla y Barroso, 2001). Este concepto, aplicado al control de malas hierbas, implicaría detectar la localización de las malas hierbas dentro de los campos de cultivos, con el propósito de generar mapas que muestren su distribución espacial lo que permitiría, de manera más precisa, la aplicación de los herbicidas en las zonas específicas donde estas se encuentran y con las dosis requeridas (Brown y Steckler, 1995; Stafford y Miller, 1993; Thompson et al., 1991). Esto supondría una reducción en el uso de los herbicidas lo que traería como resultado no sólo una reducción de costes para el agricultor (Medlin y

TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS HIERBAS EN CULTIVOS DE CEREAL

979

Shaw, 2000) sino que además permitiría promover la disminución del daño al medioambiente (Timmermann et al., 2001).

Las malas hierbas por lo general crecen en zonas definidas, creando límites entre los cultivos y permitiendo de esta manera determinar las zonas específicas donde se pueden aplicar los herbicidas. Este patrón espacial favorece, en principio, el uso de la teledetección como herramienta para obtener información espacial y actualizada sobre la localización, tipo y densidad de malas hierbas en las cosechas agrícolas (Lamb y Brown, 2001; Moran et al, 1997; Zwiggelaar, 1998). Las imágenes tomadas desde sensores aerotransportados o instalados en plataformas espaciales representan un conjunto de medidas cuantitativas sobre el territorio, con un nivel de resolución espacial inalcanzable en muestreos de terreno. Sin embargo, para que estas tecnologías sean aplicables y resulten operativas, hay ciertos requisitos que se deben cumplir (McGowen, 1998):

· Debe haber suficiente diferencia en el comportamiento espectral entre las malas hierbas, el cultivo y el suelo, de manera que sea posible la discriminación;

· La resolución espectral y espacial del sensor tiene que ser adecuada;

· La resolución temporal debe ser suficiente como para adquirir los datos en los momentos críticos de las fases de crecimiento de las malas hierbas y cultivos.

· La información del sensor debe poder ser procesada y provista a los usuarios finales en tiempo y forma, y a un costo competitivo. Esto es particularmente importante si la información debe adaptarse a su utilización en labores agrícolas.

· Los precios de las imágenes y el coste de su procesamiento no deben ser superiores a los ahorros conseguidos o a las mejoras de producción.

Se ha demostrado que, los rodales de las cosechas y de las malas hierbas, pueden ser distinguibles en imágenes captadas por sensores remotos (Menges et al., 1985; Richardson et al., 1985). La mayoría de los investigadores han utilizado diferentes algoritmos de clasificación con el fin de delimitar rodales de malas hierbas, basándose en las diferencias espectrales del suelo, los cultivos y las malas hierbas. Estos algoritmos de clasificación resultan ser eficaces a la hora de detectar malas hierbas en la fase de pre-emergencia del cultivo, debido a que la respuesta espectral del suelo desnudo es diferente a la respuesta espectral de las malas hierbas (Lamb y Weedon, 1998). Sin embargo, en la fase de post-emergencia del cultivo, discriminar la mala hierba con precisión resulta menos sencillo, debido a que las malas hierbas y los cultivos durante ese período presentan características espectrales similares (Lamb y Brown, 2001). Otro problema que presenta la aplicación de la teledetección a la discriminación de malas hierbas es el efecto del suelo, debido a que la interacción entre la reflectividad que procede de la cubierta vegetal y del suelo alteran la respuesta espectral captada por el sensor cuando el porcentaje de cobertura vegetal es bajo o intermedio (Huete et al., 1985). Lamentablemente, es en esta fase donde el empleo de la teledetección para la generación de mapas de malas hierbas resulta más interesante pues permitiría su utilización para la aplicación selectiva de los tratamientos de herbicidas en la fase de post-emergencia.

A pesar de las dificultades, puede apreciarse un gran potencial en la utilización de imágenes provenientes de sensores remotos en la detección de las malas hierbas en los cultivos (Goel et al. 2003b). Diversos estudios han demostrado que es posible utilizar


980

fotografías aéreas convencionales a color y/o fotografías color-infrarrojo para identificar rodales de malas hierbas (Everitt et al., 1996, 1995). Lass y Callihan, (1997) realizaron un estudio fenológico entre dos malas hierbas perennes y demostraron que se detectaba claramente su diferencia en la etapa temprana de la floración.

En Canadá, Tahir Waheed (2005), realizó un estudio dirigido a analizar diversos parámetros (entre ellos la presencia de malas hierbas) en campos de maíz a partir de datos hiperespectrales. El trabajo se realizó en campos experimentales sobre los que se aplicaron distintos tratamientos de control de las malas hierbas. Los datos hiperespectrales fueron registrados con un espectroradiométro que cubría el rango de 400 a 2500 nm, durante tres etapas de crecimiento del cultivo y la mala hierba. Mediante técnicas estadísticas como el análisis discriminante se obtuvieron acertadas clasificaciones de las malas hierbas a partir de los datos de reflectividad obtenidos en campo. En este trabajo se emplearon técnicas innovadoras como la inteligencia artificial (AI), soporte de máquinas de vectores (SVM), los algoritmos genéticos (GA) y los árboles de decisión (DT). De las técnicas utilizadas, la SVM fue la que produjo los mejores resultados (88% a 100% de exactitud). 2. OBJETIVOS

El ahorro económico que supondría la aplicación selectiva de herbicidas, unido a la gran importancia de la preservación del medio ambiente, justifica la investigación sobre el potencial de las nuevas tecnologías para abordar la detección de malas hierbas en los cultivos. Los sistemas de posicionamiento global, la teledetección aeroportada y espacial y los sistemas de visión artificial son algunas de las nuevas herramientas capaces de ofrecer información de gran utilidad para la toma de decisiones relativas al control de malas hierbas. Las técnicas tradicionales de exploración en el campo utilizadas hasta el momento resultan poco operativas a la hora de realizar estudios de control de plagas y/o malezas en grandes superficies. En este sentido la teledetección se presenta como una alternativa potencialmente eficaz para la generación de mapas de localización de malas hierbas que permitan al agricultor optimizar la aplicación de los herbicidas. Sin embargo, aunque el planteamiento teórico sobre la capacidad de la teledetección para generar información espacial precisa y actualizada sobre la localización de las malas hierbas resulta evidente, es preciso comprobar si, en condiciones reales, es posible la discriminación espectral entre determinadas especies de malas hierbas y los cultivos en los que se implantan, así como el potencial de los sensores comerciales actuales para obtener una cartografía suficientemente precisa de forma operativa. De acuerdo a este planteamiento, el objetivo principal de este trabajo es demostrar la capacidad de la teledetección para cartografíar malas hierbas en cultivos de cereal. Para alcanzar este objetivo general se platean los siguientes objetivos específicos:

· Caracterizar espectralmente los cultivos de Cebada Nevada, Cebada Barbarrosa, Trigo Orion y Trigo Astral, y las malas hierbas Lolium Rigidum y Avena Sterilis, a lo largo de sus ciclos de desarrollo.

· Analizar la separabilidad espectral entre cultivos y malas hierbas, teniendo en cuenta criterios temporales y espectrales utilizando técnicas estadísticas tradicionales y nuevos métodos de análisis específicos de datos hiperespectrales.


981

· Proponer las bandas o combinaciones de bandas más adecuadas para discriminar espectralmente las malas hierbas de los cultivos de cereales y explorar el potencial de los índices de vegetación para realzar esta discriminación.

· Verificar si las imágenes de alta resolución espacial obtenidas por sensores comerciales (Quickbird), permiten discriminar y cartografiar de forma operativa rodales de malas hierbas en cultivos de cereales.

3. METODOLOGÍA

Para alcanzar los objetivos propuestos en el estudio se elaboró un planteamiento metodológico en dos fases: la primera, de caracterización espectral de las cubiertas de interés, incluye la obtención de datos mediante el diseño y ejecución de diversos experimentos para la medición de las características espectrales de las especies analizadas, tanto en laboratorio (a nivel de grupos de hoja y de planta) como en exteriores, sobre áreas piloto con densidades de cubierta preestablecidas. En esta fase se abordó además, el tratamiento y análisis de los datos incluyendo la creación de librerías espectrales. Se utilizaron diversas herramientas estadísticas tradicionales y otras específicas de datos hiperespectrales con el propósito de determinar la capacidad de la teledetección para discriminar las especies de malas hierbas de los cultivos de referencia. En la segunda fase se realizó un análisis de las imágenes de satélite QuickBird adquiridas sobre la zona de estudio. Los procesos aplicados a las imágenes (cálculo de índices de vegetación, clasificaciones no supervisadas, entre otros) tenían la finalidad de determinar si resulta factible discriminar y cartografiar rodales de malas hierbas en cultivos de cereales, a partir de imágenes de satélite de alta resolución espacial. 3.1. Fase 1: Caracterización espectral de las cubiertas 3.1.1. Obtención de datos mediante espectroradiometría de campo y laboratorio

La eficacia de la teledetección para estudiar un determinado fenómeno sólo se garantiza si es posible discriminarlo espectralmente. Como ya hemos mencionado, uno de los objetivos principales de este estudio era comprobar la capacidad de la teledetección espacial para la discriminación de rodales de Avena sterilis y Lolium rigidum en cultivos de trigo y cebada. Se trata de especies que pertenecen a la misma familia (gramíneas) y, por tanto, muy similares desde el punto de vista morfológico y fisiológico. Por ello se consideró que el planteamiento metodológico del trabajo debía comenzar en el análisis y caracterización espectral de las especies estudiadas.

Para conseguir la caracterización espectral de las cubiertas se realizaron mediciones con espectroradiometro en laboratorio y en el campo. El propósito de realizar mediciones en laboratorio era obtener espectros de cada una de las especies estudiadas, aislando los factores externos a la propia cubierta que pueden incidir en la radiancia final detectada por el sensor. Por su parte, las mediciones de campo nos permitían simular condiciones más próximas a las reales en caso de trabajar con imágenes de satélite. En ambos casos el espectro-radiómetro utilizado fue un GER2600, con un rango espectral de 350 a 2500 nm.

Las medidas de radiometría en laboratorio se tomaron siguiendo dos protocolos: a nivel de planta, midiendo directamente sobre macetas sembradas a tal efecto con los cultivos y malas hierbas de interés (Figura. 1), y a nivel de grupos de hojas, colocadas horizontalmente sobre una superficie plana (Figura. 2).


982

Figura 1: Nivel de Planta Figura 2: Grupo de hojas

Por cada maceta (por tanto por cada especie) se realizaron cuatro mediciones,

girando la maceta 90º entre cada medición con objeto de considerar las variaciones de reflectividad que pudiesen estar relacionadas con la estructura de la planta (inclinación de las hojas, cobertura del suelo).

Para medir la reflectividad a nivel de grupos de hojas (sin interferencia del suelo), se cortaron las plantas de cada maceta separando los tallos y, en su caso, las espigas. Las hojas cortadas se colocaron en una bandeja de cartón forrada de papel carbón para evitar la reflectividad difusa de la superficie de la bandeja. Las hojas fueron colocadas de forma ordenada con el haz mirando hacia el objetivo del radiómetro en tres capas entrecruzadas. Se tomaron igualmente cuatro mediciones por bandeja (por consiguiente por especie). El propósito de este experimento era simular en lo posible el comportamiento espectral de las especies a nivel de hoja. En definitiva, obtener los espectros más “puros” de cada especie que nos permitieran analizar la separabilidad con el menor nivel de ruido posible.

Durante la campaña 2004, se realizaron, además, mediciones en exteriores sobre un área piloto, ubicada en la finca La Poveda de Arganda del Rey, Madrid, perteneciente al Consejo Superior de Investigaciones Científicas. El área piloto estaba compuesta por 16 parcelas cuyo tamaño y distribución se diseñó con el fin de facilitar las mediciones con el espectroradiómetro durante todo el ciclo vegetativo de las especies. Cada parcela tenía un tamaño aproximado de 6m de largo por 3m de ancho y estaban agrupadas en dos bloques de ocho parcelas cada uno (dos parcelas por especie). En la parte norte de cada bloque se acondicionó un pasillo de 2m de ancho que permitía una fácil circulación entre las parcelas para realizar las mediciones

De las 16 parcelas, ocho se sembraron con los cultivos de referencia, cuatro con las dos especies de malas hierbas y cuatro se dejaron como suelo desnudo. Para todos los casos, se fijaron densidades de siembra superiores a las estándar con el fin de obtener un alto porcentaje de cobertura.

El radiómetro se situó a una altura de 207cm lo que genera un FOV con un eje mayor de 20,9cm y un eje menor de 16,8cm (Figura. 3). Esta disposición se consideró apropiada para facilitar el manejo del instrumento por parte del operario y al mismo tiempo observar un área suficientemente representativa.


983

Figura 3: FOV sobre parcela en el campo.

De la misma manera que en las mediciones de laboratorio, en el campo se

iniciaron en la tercera semana del mes de enero de 2004, y la última medición se realizó la tercera semana del mes de mayo de 2004. En general se han cubierto todas las fases de desarrollo de los cultivos.

Se seleccionaron al azar tres posiciones de medición por parcela y en cada una de esas posiciones se realizaron tres mediciones. Por tanto, se obtuvo un total de nueve espectros por parcela, es decir, dieciocho espectros de cada una de las especies analizadas. Las repeticiones se realizaron para tener en cuenta posibles variaciones en la reflectividad dentro de cada parcela y obtener así una medida más representativa del comportamiento espectral de cada especie.

3.1.2. Análisis de los datos: librerías espectrales, índices de vegetación y análisis de separabilidad espectral

El análisis de los datos de reflectividad obtenidos en laboratorio y en el campo se realizó tanto desde un punto de vista cualitativo como cuantitativo. En el primer caso se elaboraron y analizaron los espectros de las distintas mediciones, mientras que, el análisis cuantitativo se abordó utilizando diversas técnicas estadísticas, dirigidas a cuantificar la separabilidad espectral de las cubiertas estudiadas. El análisis de la separabilidad espectral se realizó, tanto sobre los datos originales obtenidos con el espectroradiómetro en el campo y en el laboratorio, como sobre variables derivadas obtenidas por transformación de los anteriores.

3.1.2.1. Cálculo de variables derivadas: Índices de vegetación

En este trabajo se abordó el cálculo de algunos índices de vegetación para comprobar si su capacidad para discriminar especies mejora con respecto a la de las bandas originales. El cálculo de los índices se realizó tanto para los datos hiperespectrales (640 bandas medidas con con el espectroradiómetro), como para datos multiespectrales derivados de los anteriores simulando las bandas del sensor Quickbird1. Los índices calculados para los datos multiespectrales fueron el NDVI, SAVI y GEMI.

1 Los datos multiespectrales se generaron promediando las mediciones obtenidas con el

espectroradiómetro para las longitudes de onda de las 5 bandas QuickBird.


984

. Índice de Vegetación de Diferencia Normalizada (NDVI):

NDVI = (IRC-R) / (IRC+R) . Soil Adjusted Vegetation Index (SAVI):

SAVI = [( IRC - R ) / ( IRC + R + L )] ( 1 + L) . Global Environmental Monitoring Index (GEMI):

GEMI = [η ( 1 – 0,25 η ) ] – [ ( R – 0,125) / ( 1 – R ) ] donde,

η = [ 2 * ( IRC 2 – R 2 ) + ( 1,5 * IRC ) + ( 0,5 * R ) ] / ( IRC + R + 0,5 )

Teniendo en cuenta la disponibilidad en este estudio de datos hiperespectrales procedentes de las medidas realizadas con el espectroradiómetro, se ensayó la aplicación de índices específicos para este tipo de datos que combinan ciertas bandas de interés para realzar o discriminar determinadas características de las cubiertas. De los diversos índices de este tipo formulados hasta el momento, se decidió aplicar uno que sirviera para estimar alguno de los parámetros que se consideraban relevantes para diferenciar espectralmente las especies analizadas. Concretamente nos centramos en el contenido de clorofila ya que diversos estudios han demostrado la capacidad de determinados índices espectrales para estimar este parámetro biofísico.

Existen múltiples referencias en la literatura sobre la relación entre índices ópticos y contenido clorofílico: parámetros espectrales de “eje rojo” relacionados con contenido clorofílico (Vogelmann et al., 1993) utilizando el punto de inflexión λp (máximo de la primera derivada de la reflectancia). Entre la amplia gama de índices de “eje rojo” diseñados en diversos estudios, en este trabajo hemos utilizado los propuestos por Volgemann (1993): (R740 / R720) y Datt (1998): (R780 - R710) / (780 - R680)

Por otra parte, se seleccionó el índice TCARI (Transformed Chlorophyll Absorption in Reflectance Index) que utiliza bandas correspondientes a la zona de mínima absorción de los pigmentos fotosintéticamente activos, correspondiente a los 550 y 700nm, en combinación con la zona de máxima absorción de clorofila a, alrededor de los 670nm. La elección de los 700nm se debe a su ubicación en el límite entre la región donde la reflectividad de la vegetación esta dominada por la absorción de los pigmentos y el comienzo de la porción del limite rojo, donde las características estructurales de la vegetación tienen más influencia en la reflectividad (Haboudane, et al. 2002).

TCARI = 3 [ ( R700 - R670 ) - 0.2 ( R700 - R550 ) ( R700 / R670 ) ]

Es, en cierta manera, una medida de la profundidad de la absorción de clorofila a los 670nm relativa a la reflectividad en los 550 y 700nm. El cociente (R700/R670) minimiza el efecto combinado de la reflectividad del suelo y de materiales no fotosintéticos del dosel. Justamente, el efecto de la reflectividad de fondo afecta la pendiente entre los 700 y 550nm; para compensar este efecto se aplica el cociente (R700/R670) solamente sobre la diferencia (R700-R550).

Sin embargo, este índice es sensible a las características de reflectividad del suelo, por lo que resulta difícil de interpretar con valores bajos de LAI. Por ello, se propone su


985

combinación con un índice de vegetación ajustado al suelo (Optimized Soil-Adjusted Vegetation Index: OSAVI).

OSAVI = ( 1 + 0,16 ) ( R800 - R670 ) / ( R800 + R670 + 0,16 )

Este índice no necesita información sobre las propiedades ópticas del suelo y ofrece buenos resultados en cultivos agrícolas. Su combinación con el índice TCARI reduce la influencia de la reflectividad del suelo y realza la sensibilidad a las variaciones relacionadas con el contenido de clorofila.

3.1.2.2 Análisis estadístico Con el propósito de evaluar la separabilidad espectral entre malas hierbas y

cultivos en las distintas fases de crecimiento se aplicaron a los datos espectrales recogidos en laboratorio y campo diversas técnicas de análisis estadístico como la distancia normalizada y el análisis discriminante.

La distancia normalizada se define como el cociente entre el valor absoluto de la diferencia entre las medias y la suma de las desviaciones típicas de dos conjuntos de datos. Puede considerarse como una medida de la separabilidad estadística entre clases; por ello diversos autores la han utilizado como una medida sencilla y efectiva de la separabilidad espectral entre cubiertas.

Por otra parte, el análisis discriminante es una técnica estadística que permite asignar un individuo a un grupo definido a priori (variable dependiente) en función de una serie de características del mismo (variables independientes). Nuestro objetivo al aplicar esta técnica era, no tanto realizar una clasificación de nuestros datos, sino analizar cuáles son las variables –longitudes de onda- que contribuyen en mayor grado a clasificar correctamente cada individuo -medición- en los diferentes grupos establecidos -especies-. Se aplicó el método de selección de variables “por pasos”, algoritmo que va introduciendo y eliminando variables del modelo según su nivel de aproximación al criterio de selección que se establece. En este caso, se ha considerado como criterio el minimizar el coeficiente Lambda de Wilks (λ). Este estadístico puede tomar valores que oscilen entre 0 y 1. Una λ=1 significa que no existe diferencia alguna entre las medias de los grupos en la variable considerada. Valores de λ próximos a 0 significan, por el contrario, que una gran parte de la variabilidad total es atribuible a la diferencia entre las medias de los distintos grupos.

Tanto la distancia normalizada como el análisis discriminante se aplicaron sobre los datos hiperespectrales y también sobre los multiespectrales (simulando las bandas Quickbird). En el caso de los datos hiperespectrales, para facilitar el análisis, se redujo el conjunto de datos originales promediando las mediciones a intervalos de 10 nm desde 400 a 1000 nm; y a intervalos de 20 nm desde 1000 a 2500 nm.

3.2. Fase 2: Análisis de las imágenes QuickBird para la cartografía de rodales de A. sterilis en cultivos de cebada.

Hasta hace muy poco tiempo, la utilización de la teledetección en agricultura se había centrado en el inventario y estimación de cosechas, debido a que las características de los sensores disponibles –especialmente en lo que se refiere a resolución espacial- limitaban su aplicación a estudios sobre áreas extensas donde el nivel de detalle de la información obtenida era escaso. Sin embargo, la puesta en órbita de nuevos sensores de muy alta resolución espacial (inferior al metro) ha ampliado


986

notablemente el rango de aplicaciones en el ámbito de la agricultura, y más concretamente en el de la agricultura de precisión. Ikonos y Quickbird son sólo algunos de estos sensores, cuya característica común es la elevada resolución espacial, que oscila entre 0,6 y 4 metros, y temporal, variando entre 1 y 3,5 días. En cuanto a la resolución espectral, tienen una banda en cada una de las porciones más significativas del espectro electromagnético: azul, verde, rojo e infrarrojo cercano, a lo que se suma una banda pancromática más ancha que las anteriores y situada entre el visible y el infrarrojo cercano, que mejora la resolución espacial respecto a las bandas multiespectrales.

Con objeto de analizar la potencialidad de los sensores actualmente disponibles para identificar y cartografíar rodales de malas hierbas en cultivos de cereal, se adquirió una serie multitemporal de imágenes Quickbird sobre una parcela de cebada con infectación de A. Sterilis situada en la finca La Poveda. Se eligió este sensor por ser el que ofrece imágenes con una mayor resolución espacial, que oscila entre 0,61 m en la banda pancromática y 2,4 m en la multiespectral. La resolución espectral también resulta adecuada para este tipo de estudios pues tiene una banda en cada una de las porciones más significativas del espectro electromagnético: azul, verde, rojo e infrarrojo cercano, a lo que se suma una banda pancromática más ancha que las anteriores y situada entre el visible y el infrarrojo cercano. Las imágenes fueron adquiridas sobre la zona de estudio, localizada en Arganda del Rey (sureste de la Comunidad de Madrid), en los días 21 de marzo y 1 de junio de 2004. Para poder contar con una serie multitemporal de imágenes sobre nuestra zona de interés fue necesario realizar una programación de las adquisiciones. Este sistema de programación garantiza la adquisición de los datos en una ventana temporal que puede oscilar entre 2 y 6 semanas. La fecha exacta de la adquisición de la imagen sólo es facilitada por el proveedor cuando se confirma la calidad de los datos, por lo que fue imposible realizar mediciones radiométricas en terreno el día en que fueron adquiridas las imágenes. Las mediciones que planificamos para la validación de resultados fueron realizadas, por tanto, algunos días después de la adquisición de cada imagen. Se procuró, en cualquier caso, que la carencia temporal entre el dato de satélite y el de campo fuera la menor posible para garantizar la validez de la comparación. Durante los trabajos de campo se tomaron medidas de biomasa y densidad de malas hierbas en las parcelas de referencia.

El pre-tratamiento de las imágenes incluyó procesos de georeferenciación (para asegurar el ajuste cartografíco y multitemporal) y corrección radiométrica (conversión de niveles digitales a valores de radiancia). La corrección geométrica se realizó mediante puntos de control utilizando como referencia cartografía digital y ortofotos digitales de la zona a escala 1:5000 facilitadas por la Consejería de Medio Ambiente y Ordenación del Territorio de la Comunidad de Madrid. Para garantizar el ajuste con los datos de campo se tomaron además como referencia puntos de control medidos con GPS en la parcela sobre elementos fácilmente identificables en la imagen. En cuanto a la corrección radiométrica, se utilizaron los coeficientes de calibración facilitados por Digitalglobe para conversión de niveles digitales a valores de radiancia para cada banda.

Una vez realizadas las oportunas correcciones se ensayaron diversos algoritmos de fusión de las bandas multiespectrales y pancromática con el objetivo de mejorar la resolución espacial de la imagen manteniendo, en lo posible, su calidad espectral.


987

En este trabajo ensayamos tres técnicas de fusión implementadas en el programa ENVI – versión 4.2.: Gram – Schmidt, Componentes Principales y Brovey. Tras aplicar diversos análisis (correlaciones entre bandas y comparación con las imágenes originales) para evaluar la calidad del resultado de las fusiones, se seleccionó la imagen obtenida con la técnica Gram – Schmidt ya que ofrecía los mejores resultados al conseguir un mejor equilibrio que las restantes entre mejora espacial y calidad espectral.

Sobre las imágenes resultantes de la fusión se calcularon diversos índices espectrales de los mencionados en 3.1.2.1, concretamente el NDVI y SAVI. Además se realizó una clasificación utilizando el método denominado Spectral Angle Mapper (SAM). Se trata de un método de clasificación hiperespectral que permite medir la similitud entre un espectro desconocido t y uno de referencia r (Kruse et al., 1993; Van der Meer et al., 1997; Rowan y Mars, 2003). El espectro de referencia puede proceder de mediciones de laboratorio o de campo o incluso de una imagen hiperespectral. Los espectros son tratados como vectores en un espacio n-dimensional y SAM mide la similitud entre ellos calculando el ángulo que forman y que se denomina "ángulo espectral". Los ángulos (en radianes) más bajos indican que existe una gran semejanza entre los espectros (en nuestro caso entre las especies), lo que significa que no son separables espectralmente; mientras que los ángulos más altos indican una escasa semejanza, por consiguiente, existe una mayor distancia espectral entre las especies. Este método es insensible a la iluminación puesto que el ángulo entre los vectores es independiente de su longitud. En nuestro caso el método no se utilizó para clasificar sino mas bien para analizar la capacidad de discriminación entre malas hierbas (concretamente A. Sterilis) y cultivos (cebada) utilizando como espectros de referencia los obtenidos en campo en la fecha más próxima a la adquisición de las imágenes. Aunque esta es una técnica específicamente desarrollada para imágenes hiperespectrales, consideramos que podría ofrecer también resultados de interés en imágenes multiespectrales.

Finalmente se aplicaron análisis de regresión múltiple y logística para evaluar la capacidad de las bandas originales, los índices de vegetación y las imágenes con el cálculo de los ángulos resultante del SAM para discriminar la mala hierba A. Sterilis del cultivo de cebada. Para llevar a cabo este análisis se tomaron como referencia datos de densidad de malas hierbas tomados en campo para una parcela de nuestra zona de estudio. Los datos de densidad de malas hierbas se recogieron para una malla de 90 puntos clasificando la densidad en 5 categorías: 0, 0.1, 1, 10 y 100 plantas/cm2

En el caso de la regresión logística, al requerir una variable dependiente dicotómica, fue necesario dividir la variable densidad en dos únicas categorías. Se realizaron tres análisis diferentes agrupando las categorías de densidad de la siguiente forma:

. densidad inferior o igual a 1= 0 y densidad 10 = 1. Para evaluar la capacidad de discriminar entre densidades bajas y medias.

. densidad inferior o igual a 1 = 0 y densidad 100 = 1. Para evaluar la capacidad de discriminar entre densidades bajas y altas.

. densidad 10 = 0 y densidad 100 = 1. Para evaluar la capacidad de discriminar entre densidades medias y altas.

En todos los casos, el modelo se construyó con el 60% de los puntos muestreados en campo dejando el 40 % restante para validación.


988

4. RESULTADOS 4.1. Fase 1: Caracterización espectral de las cubiertas

Figura 4. Curvas espectrales de lolium rigidum para las distintas fechas (izquierda) y de

todas las especies para el 18 de mayo (derecha). Mediciones de campo.

La primera aproximación al análisis de los datos obtenidos en laboratorio y campo fue meramente cualitativa a partir de la representación de los gráficos de curvas espectrales. Estos gráficos muestran, por una parte, la evolución temporal de las especies y, por otra, las diferencias entre especies en cada fecha de medición tanto para los experimentos de laboratorio (macetas y bandejas), como para los de campo.

Al analizar la evolución temporal de las curvas espectrales, destaca la influencia del factor suelo en las tres primeras mediciones (Figura 4). En esas fechas el porcentaje de cobertura es aún bajo y, por tanto, la señal medida por el radiómetro es una mezcla de la reflectividad procedente de la vegetación y el suelo. Se trata de curvas espectrales más planas que tienen una diferencia de reflectividad mucho menos marcada, que la característica en el caso de la vegetación vigorosa, entre las regiones VIS, IRC y SWIR del espectro.

En cuanto a las diferencias entre especies para una misma fecha. En el gráfico de la figura 3 podemos observar que las diferencias más notables corresponden al lolium y la avena sterilis mientras que los cultivos presentan unos espectros muy similares entre si. No obstante hay que tener en cuenta que el gráfico presenta los resultados de la última medición cuando las diferencias entre las malas hierbas y los cultivos son más evidentes.

Por lo que respecta al análisis cuantitativo, los resultados del cálculo de la distancia normalizada muestran los valores de separabilidad más altos para avena sterilis en todas las fechas salvo para la última medición (mayo), donde la separabilidad total de Lolium rigidum con respecto a los cuatro cultivos considerados –cebada Nevada, cebada Barbarrosa, trigo Astral y trigo Orion- es considerablemente mayor. Esta separabilidad es especialmente alta con el trigo Orión. A. Sterlilis también presenta buenas separabilidades con trigo orión en la última fecha y con cebada nevada en las fechas anteriores aunque el valor de separabilidad es siempre menor al de lolilum con trigo orión.

Con los datos hiperespectrales, las bandas que presentan las mayores separabilidades pertenecen a las regiones del IRC y el SWIR en casi todos los casos. Sin embargo, para los datos multiespectrales los mejores resultados se obtienen con las bandas del Rojo e IRC.

Lolium Rigidum

0,00

20,00

40,00

60,00

80,00

400 700 1000 1300 1600 1900 2200 2500

L.Rig_21/ 01/ 04

L. Rig_12/ 02/ 04

L. Rig_15/ 03/ 04

L. Rig_14/ 04/ 04

L. Rig_18/ 05/ 04

Especies

18 M ayo 20 04

0,00

20,00

40,00

60,00

80,00

400 700 1000 1300 1600 1900 2200 2500

C. Nev

T. Ast

L. Rig

C. Bar

A. Ste

T. Or ion


989

Por último, los índices espectrales, en general, superan los valores de distancia normalizada obtenidos con las bandas originales, tanto en el caso del análisis hiperespectral como en el multiespectral. De los índices calculados, el TCARI ofrece los mejores resultados para datos hiperspectrales y el NDVI para multiespectrales. En la tabla 1 se pueden observar los resultados obtenidos del cálculo de la distancia normalizada entre lolium rígidum y los cultivos de referencia con datos hiperespectrales.

Tabla 1. Análisis de distancia normalizada para lólium rígidum. Datos hiperespectrales obtenidos con mediciones de campo. Se han resaltado los valores de distancia más altos

entre los índices.

Estos resultados se confirman en el análisis discriminante, donde tanto A. Sterilis

como Lolium rigidum presentan el mayor porcentaje de casos correctamente clasificados ( > 85 % en validación cruzada) en las últimas fechas. A. sterilis presenta porcentajes de acierto en la clasificación relativamente altos pero ofrece confusiones con casi todos los cultivos mientras que Lolium rígidum sólo presenta confusiones con cebada nevada y orión en las primeras fechas y con cebada barbarrosa en la última. Estos datos se refieren al análisis hiperespectral. En el caso de los datos multiespectrales, las tendencias son similares pero los porcentajes de acierto en la clasificación disminuyen.

En la tabla 2 aparecen las longitudes de onda seleccionadas para cada fecha. Como se puede observar, en la mayor parte de los casos estas longitudes de onda pertenecen a la región del IRC y el SWIR, especialmente en la última medición. En esta fecha aparecen también seleccionadas tres bandas del visible, una de ellas situada en la región del “eje rojo”.

El límite rojo es la frontera entre los procesos de absorción de clorofila en la región del rojo y de dispersión de la energía en función de la estructura de la hoja en la región del IRC. La longitud de onda exacta del eje rojo depende de la concentración de clorofila y ha sido señalada por numerosos autores como una región potencialmente útil para la discriminación de especies vegetales (Smith y Blackshaw, 2003)

Los resultados obtenidos indican que el comportamiento espectral de las malas hierbas analizadas es muy similar al de los cultivos en casi todas las etapas del ciclo fenológico, especialmente si limitamos la resolución espectral a la de las bandas disponibles en los sensores comerciales. No obstante, la discriminación de especies mejora a partir de datos hiperespectrales siendo las longitudes de onda de las regiones


990

del IRC y SWIR las que ofrecen los mejores resultados. En el caso de los índices, la mejor separabilidad entre malas hierbas y cultivos se observó con índice TCARI basado en datos hiperespectrales y diseñado originalmente para la estimación del contenido en clorofila de los cultivos. En general las mayores diferencias espectrales se encuentran entre lolium rígidum y trigo orión, siendo más complicada la discriminación en el caso de A. sterilis, que presenta un comportamiento más similar al de los cultivos, especialmente a cebada nevada y trigo astral.

Tabla 2. Longitudes de onda seleccionadas en el análisis discriminante. Datos Hiperespectrales de campo

Medición Banda seleccionada

Primera 765 IRC 1990 SWIR 2170 SWIR 2190 SWIR 2210 SWIR

Segunda 405 A 435 A 485 A 625 R 685 R 1410 SWIR 1930 SWIR 2010 SWIR

Tercera 415 A 425 A 505 V 585 V 595 V 1490 SWIR 2170 SWIR

Cuarta 405 A 435 A 535 V 705 IRC 1510 SWIR 1930 SWIR 2230 SWIR

Quinta 425 A 565 V 645 R 715 IRC 775 IRC 965 IRC 1090 IRC 1210 SWIR 2250 SWIR 2410 SWIR


991

4.2. Fase 2: Análisis de las imágenes QuickBird para la cartografía de rodales de A. sterilis en cultivos de cebada.

Los resultados de las regresiones múltiples entre las variables espectrales (bandas, índices y SAM) extraídos de la imágenes para los 90 puntos muestreados en campo y los datos de densidad de mala hierba medidos en esos puntos sobre el terreno muestran que las correlaciones lineales entre densidad de avena sterilis y datos de satélite son bajas tanto para la imagen de marzo como para la de junio con valores de R2 inferiores a 0.20. En cuanto a las regresiones múltiples los valores de R2 mejoran notablemente en la imagen de junio (0.61) mientras que se mantienen bajos en la de marzo (0.20). Las variables seleccionadas por el modelo de regresión múltiple para la imagen de junio son la banda del verde, el SAVI y la imagen de ángulos resultante del SAM.

Los resultados de la regresión logística, en la que se incluyeron todas la bandas más el NDVI y la imagen de ángulos del SAM, muestran que la imagen de marzo no permite una correcta clasificación de las distintas densidades. Especialmente conflictiva es la separación entre densidades bajas (menor o igual a 1 planta/cm2) y medias (10 planta/cm2). Sin embargo, en la imagen de junio los aciertos en la clasificación de los tres rangos de densidad son altos aunque persisten las dificultades para la discriminación de los rangos antes mencionados. Las tablas de clasificación de la imagen de junio muestran el potencial de estos datos para cartografiar malas hierbas en cereal. Para confirmar la validez de los resultados, los modelos de regresión logística obtenidos con el 60 % de la muestra se aplicaron al 40 % restante. Los resultados obtenidos son similares a los conseguidos con el 60 % de los datos excepto en el caso de la clasificación de los rangos de densidad medio (10) respecto al alto (100). Como cabria esperar, la imagen permite clasificar correctamente las densidades mas altas respecto a las mas bajas, mientras que presenta ciertas dificultades para clasificar los rangos intermedios. Aún así los porcentajes de acierto en la clasificación son altos para todos los casos (superiores al 70 % en el peor de los casos).

Si bien estos resultados deberían completarse con una serie más larga de datos, parece confirmarse la potencialidad de las imágenes de alta resolución espacial para la cartografía de rodales de malas hierbas en cultivos de cereal. No obstante, la aplicación operativa de estas imágenes para la aplicación selectiva de herbicidas resulta discutible ya que se ha demostrado que la capacidad para discriminar las malas hierbas en el momento idóneo para aplicar el tratamiento es muy limitada debido a la influencia del suelo en la señal captada por el sensor.

5. CONCLUSIONES

En síntesis, los resultados obtenidos han permitido confirmar la potencialidad de la teledetección para discriminar espectralmente los cultivos de las malas hierbas y, por tanto, para la discriminación de rodales en campos infectados. Se han puesto de manifiesto las dificultades que entraña la discriminación de especies similares como es el caso de la Avena sterilis y las distintas variedades de trigo y cebada. No obstante, se ha demostrado la posibilidad de realizar una discriminación aceptable al final del ciclo del cultivo. Las imágenes Quickbird han demostrado su capacidad para la cartografía de rodales de A.sterilis en cultivos de cereal cuando la densidad de mala hierba es suficientemente alta. Aunque esta información no resulta operativa para la aplicación del herbicida en la época idónea para el tratamiento puede servir para la obtención de mapas de rodales que permitan predecir su distribución espacial. Además, los


992

experimentos realizados han proporcionado una valiosa información sobre la región espectral más idónea para abordar esta discriminación y el período temporal más apropiado para ello.

6. AGRADECIMIENTOS

El presente trabajo ha sido realizado en el marco del proyecto “Biología espacial de gramíneas arvenses en cereales; aproximaciones para su detección y control mediante tratamientos localizados” AGL2002-04468-C03-03 financiado por el Ministerio de Educación y Ciencia. Nuestro agradecimiento a la Universidad de Alcalá que puso a nuestra disposición el equipo de espectroradiometría y el laboratorio en el que se realizaron las mediciones. Expresamos además nuestro agradecimiento al personal de la finca experimental del CSIC “La Poveda” por el apoyo prestado en la obtención de los datos de campo.

7. BIBLIOGRAFÍA Brown, R. B. and Steckler, J. -P. G. A. (1995) “Prescription maps for spatially variable

herbicide application in no-till corn”, Transactions of the ASAE, 38,6, pp. 1659-1666.

Datt, B., (1998), “Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in Eucalyptus leaves”. Remote Sensing of Environment. 66, pp. 111-121.

Everitt, J.H., Escobar, D.E., Alaniz, M.A., Davis, M.R., and Richerson, J.V. (1996). “Using spatial information technologies to map Chinese tamarisk (Tamarix chinensis) infestations”. Weed Science, 44,1, pp 194-201.

Everitt, J.H., Anderson, G.L., Escobar, D.E., Davis, M.R., Spencer, N.R., and Andrascik, R.J. (1995). “Use of remote sensing for detecting and mapping leafy spurge (Euphorbia esula)”. Weed technology, 9,3, pp 599-609.

Fernandez-Quintanilla, C., Barroso, J. (2001) “La evaluación de malezas dentro de la agricultura de precisión.”, Revista de investigaciones de la Facultad de Ciencias Agrarias, 1,1, pp. 49-62.

Goel, P.K., S.O. Prasher, J.A. Landry, R.M. Patel, R.B. Bonnell, A.A. Viau, and J.R. Miller. (2003b) “Potetial of airborne hyperspectral remote sensing to detect nitrogen deficiency and weed infestation in corn”. Computers and Electronics in Agriculture, 38,2, pp 99-124.

Haboudane, D., Miller, J., Tremblay, N., Zarco-Tejada, P., Dextraze, L. (2002), “Integrated narrow-band vegetation indices for predictioin of crop chlorophyll content for application to precision agriculture”, Remote Sensing of Environment 81, pp. 416-426.

Huete, A. R., Jackson, R. D. and Post, D. F., (1995), “Spectral response of a plant canopy with different soil backgrounds” Remote Sensing of Environment, 17, pp. 37-53.

Kruse, F.A., Boardman, J.W., Lefkoff, A.B., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J., and Goetz, A.F.H. (1993), “The Spectral Image Processing System (SIPS) – Interactive Visualization and Analysis of Imaging Spectrometer Data”. Remote Sensing of Environment, 44, pp.145-163.


993

Lamb, D. W. and Weedon, M. (1998), “Evaluating the accuracy of mapping weeds in fallow fields using airbone digital imagery: Panicum effusum in oilseed rape stubble”, Weed Research, 38, pp. 443-451.

Lamb, D. W. and Brown, R. B. (2001), “Remote-sensing and mapping of weeds in crops”. Journal of Agricultural Engineering Research, 78,2, pp. 117-125.

Lass, L.W., and Callihan, R.H. (1997). “The effect of phenological stage on detectability of Yellow Hawkweed (Hieracium pratense) and Oxeye Daisy (Chrysanthemum leucanthemum) with remote multispectral digital imagery”. Weed Technology, 11,2, pp 248-256.

McGowen, I. J., (1998), “Remote sensing: background to the technology and opportunities for mapping pasture weeds”, Precision weed management in crop and pastures, Proceedings of a workshop held on 5-6 May 1998 at Charles Sturt University, Wagga Wagga, New South Wales, Australia, pp. 36-47.

Medlin, C. R. and Shaw, D. R. (2000), “Economic comparison of broadcast and site-specific herbicide applications in nontransgenic and glyphosate-tolerant Glycine max”. Weed Science, 48, pp. 653-661.

Menges, R. M., Nixon, P. R. and Richardson, A. J. (1995), “Light reflectance and remote sensing of weeds in agronomic and horticultural crops”, Weed Science, 33,4, pp. 569-581.

Moran, M. S., Inoue, Y. and Barnes, E. M. (1997), “Opportunities and limitations for image-based remote sensing in precision crop management”. Remote Sensing of Environment, 61, pp. 319-346.

Pujadas Salva, A. y Hernández Bermejo, J. E. (1998) “Concepto de mala hierba”, ITEA, 75, pp. 47-56.

Richardson, A. J., Menges, R. M. and Nixon, P. R. (1985), “Distinguishing weed from crop plants using video remote sensing”, Photogrammetric Engeneering and remote Sensing, 51,11, pp. 1785-1790.

Rowan, L.C. and Mars, J.C. (2003), “Lithologic mapping in the Mountain Pass, California area using Advanced Spaceborn Thermal Emission and Reflection Radiometer (ASTER) data”. Remote Sensing of Environment, 84, pp. 250-266.

Smith, A., Blackshaw, R., (2003), “Weed-Crop discrimination sing remote sensing: a deatached leaf experiment”, Weed Technology, 17, pp. 811-820.

Stafford, J. V. and Miller, P. C. H. (1993). “Spatially selective application of herbicide to cereal crops”, Computers and electronics in Agriulture, 9, pp. 217-229.

Thair, W. (2005). “Artificial Intelligence Analysis of Hyperspectral Remote Sensing data for Management of water, weed, and nitrogen stresses in corn fields”. Tesis Doctoral.

Timmermann, C., Gerhards, R., Krohmann, P., Sokefeld, M. and Kuhbauch, W. (2001), “The economical and ecological impact of the site-specific weed control”., Grenier, G. and Blackmore (Ed), In: Proceedings of the 3rd European Conference on Precision Agriculture, Montpellier-France, Agro Montpellier, 2, pp. 563-568.

Thompson, P. S., Stafford, J. V. and Miller, P. C. H. (1991), “Potential for automatic weed detection and selective herbicide application”, Crop Protection, 10, pp. 254-259.

Van der Meer, F., Vasquez-Torres, M., and Van Dijk, P.M. (1997), “Spectral Characterization of Ophiolite Lithologies in the Troodos Ophiolite Complex of


994

Cyprus and its Potential in Prospecting for Massive Sulphide Deposits”. International Journal of Remote Sensing, 18,6, pp. 1245-1257.

Vogelmann, J. E., et al. (1993), “Red edge spectral measurements from sugar maple leaves”. Int. J. Remote Sensing, 14, pp. 1563-1575.

Zwiggelaar, R. (1998), “A review of spectral properties of plants and their potential user for crop/weed discrimination in row crops”. Crop Protection, 17,3, pp. 189-206.

Teledetección y agricultura de precisión: un ejemplo de ...tig.age-geografia.es/docs/XII_2/072 -...

Documents

Transcript of Teledetección y agricultura de precisión: un ejemplo de ...tig.age-geografia.es/docs/XII_2/072 -...