1.3 Aplicacions de la Teledetecció

Participants: J.A. Martínez-Casasnovas, J. Arnó, A. Escolà, L. Sandonís, C. Román

  

Caracterització espectral de la vegetació

La Teledetecció suposa l'adquisició d'informació de la superfície terrestre en forma d'imatges mitjançant sensors o càmeres, normalment multiespectrals, a bord de satèl·lits, aeronaus o vehicles aeris no tripulats (UAV, drons o Remotely Piloted Aircraft Systems – RPAS). Aquestes imatges s'usen en l'anàlisi, la cartografia, el seguiment de l'estat dels diferents tipus de cobertes (aigua, sòls, vegetació, etc.), sense entrar-hi en contacte físic.

L'aplicació de tècniques de teledetecció té un gran auge en agricultura, i més concretament en Agricultura de Precisió. Sens dubte, la disponibilitat d'imatges gratuïtes, a una resolució de 10 m gràcies als satèl·lits de la missió Sentinel-2 de la Unió Europea, i també la possibilitat d'adquirir imatges de constel·lacions com ara PlanetScope (Planet Labs.), amb repetibilitat diària i una resolució de 3-4 m, està obrint el ventall d'aplicacions en el seguiment del desenvolupament dels cultius per a la presa de decisions sobre el maneig diferencial (Figura 1). Les imatges de PlanetScope són de pagament mitjançant subscripció, però, com amb Sentinel-2, ja hi ha empreses intermediàries que contracten la subscripció i posteriorment ofereixen serveis als agricultors de seguiment del vigor dels cultius a preus raonables d'entre 4-8 €/ha any.

Els drons (Figura 1) són un altre tipus de plataforma, en certa manera més versàtil que, sens dubte, ha popularitzat l'Agricultura de Precisió, ja que el nivell de detall capaç de registrar s'associa amb la idea d'imatges més precises i que es poden fer en qualsevol moment.

Figura 1. Esquerra: Microsatèl·lit o Dove de Planet Labs, amb dimensions de 10x10x30cm. La constel·lació està composta per uns 140 d'aquests microsatèl·lits que capten imatges de manera continuada. Dreta: Quadricòpter amb cambra multiespectral iniciant el vol sobre una parcel·la d'ordi per a la cartografia del desenvolupament vegetatiu.

 

Quin tipus de sensor és millor per al seguiment del desenvolupament vegetatiu dels cultius per a Agricultura de Precisió? La Figura 2 pot ajudar a respondre aquesta pregunta. S'hi compara una imatge de Sentinel-2A, una imatge de PlanetScope i una imatge adquirida amb un dron DJI Inspire1 i càmera Parrot Sequoia. Totes són del mateix dia, però tenen diferents resolucions: 10 m, 3 mi 0,06 m respectivament. Això vol dir que un píxel de PlanetScope té un nivell de detall de gairebé 11 vegades més que un píxel de Sentinel-2 i, atenció, la imatge de dron és 27.890 més detallada que la de Sentinel-2. També, la imatge de dron és 2500 vegades més detallada que la de PlanetScope. Però, cal tanta resolució? Segurament no per al cas dels cultius extensius, ja que la maquinària d'aplicació variable no actuarà amb tanta precisió i el tipus de cultiu no ho requereix. No obstant això, en un altre tipus de cultius (vinya, fruiters, hortícoles) i en parcel·les més petites, les imatges de dron poden ser de gran utilitat, ja que pot distingir la vegetació al llarg de les files del cultiu del sòl nu o dolentes herbes de la zona entre files. La resolució de 3 m de la imatge de PlanetScope podria ser la millor opció, si bé cal tenir en compte el pagament per subscripció a l'empresa propietària o el pagament per servei a una empresa intermediària. Pel que fa a la resolució de Sentinel-2, la comparació a nivell general amb les altres imatges més detallades mostra també les mateixes zones de variabilitat del desenvolupament del cultiu. D'altra banda, no cal deixar de considerar les imatges que es poden adquirir amb càmeres multiespectrals des d'avioneta, amb resolucions habituals entre 0,25-1 m.

 

Figura 2. Comparació d'imatges en fals color (RGB Infraroig proper-Roig-Verd) de Sentinel-2, Planet Scope i drone a escala de parcel·la ia escala d'1 píxel de la mateixa resolució que les imatges de Sentinel-2 (10x10 m). En cada cas, s'indica la resolució del tipus d'imatge.

 

A partir de les imatges multiespectrals, la determinació i el seguiment dels cultius es fa a través dels anomenats índexs de vegetació o de vigor. L'índex més conegut és l'Índex de Vegetació de Diferència Normalitzada (NDVI a les sigles en anglès). Es tracta d'un càlcul simple que utilitza la quantitat de llum que reflecteixen les plantes a la longitud d'ona del vermell (R) i de l'infraroig proper (IRP): NDVI = (IRP-R)/(IRP+R). El fonament d'aquesta fórmula es pot veure a la Figura 3. Les plantes sanes absorbeixen la llum de l'espectre visible, principalment la llum vermella, per dur a terme la fotosíntesi i reflecteixen molt més la llum de l'infraroig proper. Per tant, com més vigor té la planta, més gran és l'absorció de llum vermella (menys reflexió) i més gran és la reflexió de l'infraroig proper. Això, traduït a la fórmula de l'NDVI significa que una planta sana tindrà un valor més gran de l'índex i una planta malalta o amb algun tipus d'estrès un valor menor.

 

Figura 3. Fonament del càlcul dels índexs de vigor a partir de les imatges multiespectrals. Les plantes sanes (esquerra) absorbeixen la llum de l'espectre visible, principalment la llum vermella, per realitzar la fotosíntesi i reflecteixen més la llum de l'infraroig proper, per tant, la diferència entre aquestes dues magnituds serà més gran i així també l'índex de vegetació. Les plantes que pateixen algun tipus de problema (dreta) presentaran una reflexió més gran de la llum vermella i menor de la de l'infraroig proper, resultant en un valor d'índex de vegetació menor.

 

El NDVI és l'índex més conegut i és el que se sol usar com a referent per estimar el vigor de les plantes a partir d'imatges multiespectrals, però hi ha moltes combinacions entre bandes que poden donar una informació similar. Després, els científics han destablir relacions entre aquests índexs i les característiques fisiològiques de les plantes o bé amb el rendiment final dels cultius.

Els índexs de vegetació es poden fer servir per a propòsits d'Agricultura de Precisió de diverses maneres i en diferents moments del cicle de cultiu. Posem alguns exemples desenvolupats pel GRAP.

• Abans del començament de la campanya, i en base a les dades de la campanya precedent o anteriors, els índexs de vegetació es poden fer servir per definir zones de maneig diferencial dins de cada parcel·la, ja sigui per a la sembra variable, abonat de fons, aplicació d'esmenes orgàniques o d'altres i, si és possible, el reg també diferencial. Per a aquests propòsits, és millor no basar la zonificació en una sola imatge d'una data específica del cultiu anterior, sinó en la integració d'imatges adquirides al llarg de tot el cicle de cultiu, acumulant el valor de l'índex de vegetació. Això pot mostrar millor la variabilitat estructural a les diferents parts de la parcel·la, donant una visió més realista del potencial productiu de les diferents zones del camp (Figura 4).

 

Figura 4. Exemple de NDVI al llarg del cicle del cultiu del blat de moro i imatge del NDVI acumulat, que pot representar millor el potencial productiu relatiu de la parcel·la que no pas el NDVI d'una data determinada. Font: Martínez-Casasnovas et al. (2018).

 

Què passa si no tenim tota una sèrie d'imatges per estimar el potencial productiu de la parcel·la? En alguns casos, els agricultors només podran pagar una imatge o contractaran un servei per conèixer la variabilitat del vigor del cultiu i prendre decisions sobre la base de la informació que se'n derivi. En aquests casos, i per dirigir l'adobament de fons i/o la sembra del cultiu posterior, el millor seria adquirir imatges del cultiu anterior de just abans de la floració (p.e., en blat de moro o cereals d'hivern, o al començament de la maduració o verol (p.e., en vinya) En altres etapes, els cultius (potser) no han assolit la seva màxima expressió vegetativa o ja està disminuint. Durant la floració (p.e., blat de moro), el color de la inflorescència pot interferir amb la verdor de la vegetació i alterarà la resposta espectral a les bandes utilitzades per calcular els índexs de vegetació, així, les imatges del període que va des del moment en què el cultiu cobreix totalment el sòl fins a la floració és el més aconsellable (Figura 4).

 

• Durant la campanya, els índexs de vegetació serveixen, principalment, per seguir l'estat del cultiu i decidir sobre les accions de maneig a realitzar. Aquestes accions poden ser diverses. Seguint el cicle del cultiu (p.e., en cultius extensius com a blat de moro o cereals d'hivern), una de les primeres accions a realitzar és l'aplicació de l'adobament de cobertora, principalment nitrogen (N). Les imatges de teledetecció són de gran interès en aquest cas, ja que el N suposa un dels costos principals en la producció d'aquests cultius. El moment d’adquisició de la imatge per a aquest propòsit és important. Per exemple, al blat de moro, el moment adequat per adquirir imatges és V6 (sis fulles). En aquest moment, el cultiu gairebé cobreix el terra i encara és possible entrar per aplicar el fertilitzant. Després de l'adobament de cobertora, el seguiment del cultiu també és important, particularment als cultius de regadiu. En aquests casos, les imatges no només serveixen per detectar l'estrès hídric i decidir el moment del reg, sinó que els índexs de vegetació també poden ser molt útils per detectar problemes com fallades en aspersors, diferent pressió de l'aigua al llarg dels braços d'un pivot, fallada de filtres, etc.

 

• Un altre tema important és la predicció del rendiment dels cultius abans de la collita. Alguns índexs de vegetació calculats a partir d'imatges d'algunes setmanes abans de la collita solen estar ben correlacionats amb el rendiment (Figura 5), sense els inconvenients dels monitors de rendiment, o sense la necessitat d'esperar fins al final de la campanya saber com pot ser el rendiment final de la parcel·la. Així, els mapes de vigor poden ser útils per organitzar la logística o per tenir una previsió dels ingressos per la venda del gra.

 

Figura 5. Comparació de mapes de l'índex de vegetació de la diferència normalitzada (NDVI) d'una parcel·la de blat de moro en dues dates i el mapa de rendiment corresponent obtingut a partir de dades d'un monitor de collita al final de la campanya. Es mostra el coeficient de correlació entre les dades de NDVI i Rendiment, amb valors de 0,76 i 0,78, respectivament.

 

Aplicacions dels drons  

La investigació i el desenvolupament de vehicles aeris no tripulats (UAV o drons) i les seves aplicacions a l'agricultura i altres àrees ha augmentat notablement en els darrers anys. Hi ha nombrosos exemples a la literatura científica, que van des de l'obtenció de mapes del vigor dels cultius fins a la reconstrucció 3D de l'arquitectura foliar de les plantacions fruiteres. Com a exemple, se'n mostren a continuació algunes en què el GRAP ha treballat.

Una és la determinació de l'estat nutricional (N) del blat de moro a través d'índexs espectrals i dades d'alçada derivades d'imatges de dron, per tal de determinar la quantitat de N requerida pel cultiu just abans de floració (Maresma et al ., 2016). Aquest estudi va ser motivat per la creixent demanda de serveis comercials d'UAV a l'agricultura i la necessitat d'ajustar les taxes de fertilització amb N aplicades als cultius de blat de moro. Així, es va analitzar la resposta espectral de diferents dosis diferents de N inorgànic, N orgànic i combinacions de N orgànic-inorgànic en parcel·les experimentals (10 x 15 m) mitjançant una imatge va ser adquirida per un dron Atmos-6 (CATUAV, Moià, Catalunya , Espanya), i càmera VEGCAM-Pro amb un sensor d'imatge Fove-on X3 de 14 Mp que adquiria dades en tres bandes espectrals àmplies (verd, vermell i infraroig proper) (Figura 6).

Figura 6. Índexs de vegetació i alçada del cultiu obtinguts a partir d'imatges multiespectrals adquirides des de dron en parcel·les d'assaig de diferents quantitats de nitrogen orgànic i inorgànic de blat de moro. Font: Maresma et al. (2016).

 

Els resultats obtinguts van mostrar que l'índex Wide Dynamic Range Vegetation Index (WDRVI) va ser el millor per distingir entre tractaments amb aplicacions per sobre o per sota de 250-300 kg N/ha i en la predicció de rendiment de gra a l'etapa V12 (Maresma et al., 2016).

Pel que fa a l'exemple anterior, una de les aplicacions més habituals de les tècniques d'Agricultura de Precisió en cultius extensius és la fertilització variable. Per conèixer la variabilitat intraparcel·lària del vigor del cultiu, els agricultors s'enfronten al dilema de quines dades de teledetecció utilitzar: imatges de satèl·lit o imatges de dron. Aquesta decisió depèn de la mida de les parcel·les, però la disponibilitat creixent de serveis comercials basats en imatges de dron fa atractiu per als agricultors utilitzar aquests serveis. A continuació, es presenta un cas d'estudi desenvolupat al GRAP sobre la fertilització variable de nitrogen a cobertora en ordi en base a una imatge de dron, en una parcel·la de 75 ha. L'adquisició de la imatge es va realitzar el març del 2019 utilitzant una càmera Sequoia (Parrot SA, París, França) muntada en un DJI Inspire 1-T600 UAV (DJI Sciences and Technologies Ltd., Shenzhen, Xina) (Figura 1). La mida de píxel de les imatges adquirides va ser d'aproximadament 0,07 m. Es van adquirir un total de 2850 fotos i es va crear un mosaic calibrat per a les quatre bandes espectrals amb l’ajuda del programari Pixel4D. A partir d'aquí, es va calcular el NDVI i es va classificar en 3 classes amb un algorisme k-means. Es va avaluar el servei i el cost/benefici per a l'agricultor tenint en compte un cost de 32 €/h per a l'adquisició i processament de dades, un preu de 200 €/Mg per al fertilitzant i un preu obtingut per a l'ordi de 180 € /Mg. El rendiment mitjà a cada zona va ser: 4300 kg/ha a la zona de baix vigor, 6600 kg/ha a la zona de vigor mitjà i 8900 k/ha a la zona d'alt vigor. La Figura 7 mostra els resultats del mapa NDVI derivat de la imatge multiespectral adquirida. En comparació amb el benefici brut hipotètic obtingut amb l'abonat uniforme, l'abonat variable basat en el servei de dron va generar beneficis bruts al voltant de 43 €/ha.

Figura 7. Esquerra: NDVI derivat de la imatge multiespectral adquirida el març del 2019 per avaluar l'estat de desenvolupament de l'ordi per determinar l'adobament de cobertora amb dosi variable. Dreta: zones de fertilització variable. Font: Jensen et al. (2021).

 

En un enfocament diferent, Martínez-Casasnovas et al. (2013) van aplicar imatges de dron multitemporals per quantificar els efectes de l'erosió per presons efímeres en parcel·les de vinya, així com avaluar els efectes de l'erosió en el desenvolupament dels ceps. Per això es va utilitzar un UAV Atmos-6 d'ala fixa equipat amb una càmera Sony NEX-C3-na. Les imatges de resolució de 9 cm van permetre la quantificació de volums de presons efímeres amb alta precisió (Figura 8).

Figura 8. Parcel·la de vinya localitzada als Hostalets de Pierola (Barcelona), on es van adquirir imatges de dron amb una resolució de 9 cm per quantificar l'erosió a les presons efímeres desenvolupades i el seu efecte en el desenvolupament dels ceps. Font: Martínez-Casasnovas et al. (2013).

 

Els resultats van servir per determinar que la manca d'implementació de mesures de conservació de sòl i aigua a la vinya estudiada està provocant importants taxes d'erosió per presons i un descens progressiu de la cota de la superfície del sòl. Això repercuteix en el desenvolupament dels ceps mesurats a través del NDVI.

Una altra de les aplicacions de les imatges de dron, molt diferent de la caracterització del vigor o desenvolupament dels cultius, és la possibilitat d'obtenir la posició 3D de cada píxel de la imatge gràcies a la tècnica anomenada Structure from motion. Es tracta d'una tècnica fotogramètrica de baix cost i fàcil d'usar, per obtenir dades d'alta resolució en un rang d'escales, capaç de representar un objecte 2D a 3D amb només unes quantes fotografies des de diferents punts de vista. Així, amb un mínim de 3 fotografies fetes des de diferents punts de vista d'un objecte i sense saber la posició exacta, es poden reconstruir aquestes imatges 2D a 3D, que es poden georeferenciar durant el procés a través de punts de control coneguts.

A la Figura 9 es mostra un exemple de la reconstrucció 3D d'una plantació intensiva d'ametllers disposats en tanca mitjançant el programa Agisoft Metashape (Agisoft LLC, St. Petesburg, Rússia). A partir del model digital de superfície que es genera es pot determinar, en aquest cas, paràmetres geomètrics de la plantació com l'amplada i l'alçada de cada tram especificat al llarg de les files, o bé el nombre de punts adquirits a partir de una determinada altura (p.e. a partir del sòl), que es pot correlacionar amb la densitat foliar a cada secció (Sandonís-Pozo et al., 2022).

 

Figura 9. Captura de pantalla del programa Agisoft Metashape amb la reconstrucció d´una plantació intensiva d´ametllers mitjançant la tècnica Structure from Motion. A partir del model generat es poden calcular paràmetres geomètrics de la plantació a cada secció, d'interès en el maneig del dosser foliar per a Agricultura de Precisió.

 

Finalment, cal destacar en aquest apartat d'aplicacions dels drons la utilització en l'aplicació de precisió de productes fitosanitaris (Figura 10). Presentem un exemple d'aplicació amb un dron de l'empresa Ebredrone SL (Amposta, Catalunya, Espanya) sobre vinya realitzat en el marc del projecte de recerca PAgFRUIT (http://www.pagfruit.udl.cat), mitjançant un ortocòpter capaç de transportar fins a 10 kg de càrrega líquida o microgranulat sòlid. La combinació de velocitat i potència significa que es pot cobrir una àrea de 4,000-6,000 m² en només 10 minuts. El sistema de polvorització intel·ligent és capaç d'ajustar automàticament la dosi d'acord amb la velocitat de vol per fer una polvorització uniforme. El dron munta quatre filtres, col·locades directament sota un motor. El flux d'aire generat per les hèlixs accelera l'aplicació i n'augmenta l'abast (https://www.ebredrone.com). Aquests equips incorporen tecnologia de posicionament i navegació d'alta precisió RTK, que ofereix posicionament de precisió centimètrica.

 

Figura 10. Exemple d’aplicació de fitosanitaris mitjançant dron en un cultiu de vinya. Empresa aplicadora Ebredrone SL (https://www.ebredrone.com) , projecte PAgFRUIT (http://www.pagfruit.udl.cat).

 

Per saber més sobre les aplicacions dels drones a Agricultura de Precisió, podeu consultar el capítol de llibre “Unmanned Aerial Vehicles (UAVs) in Precision Agriculture”, por Ryan R. Jensen, Perry J. Hardin, Eduardo Galilea, José A. Martínez-Casasnovas i Austin Hopkins, publicat en “Sensing Approaches for Precision Agriculture” (Ed. R. Kerry & A. Escolà, Springer 2021, https://doi.org/10.1007/978-3-030-78431-7

 

Estimació de paràmetres geomètrics i estructurals del dosser foliar a partir d'índexs de vegetació

En plantacions fruiteres, un dels principals factors que cal tenir en compte a l'hora de fer el maneig del cultiu és l'estat vegetatiu i/o el nivell de desenvolupament del dosser foliar. Això és important en diversos moments de la campanya per definir accions com la intensitat de poda, el reg, la fertilització i l'aplicació de productes fitosanitaris.

Per determinar l'arquitectura arbòria dels arbres de les plantacions, sens dubte el LiDAR terrestre és, potser, la millor opció, ja no només per la “visió” lateral, sinó també per la penetrabilitat dels raigs làser, que permeten determinar impactes l’interior del dosser foliar i determinar paràmetres com la porositat.

En aquesta línia, el GRAP estudia les relacions entre els paràmetres geomètrics i estructurals de plantacions intensives d'ametllers i oliveres amb índexs de vegetació índexs derivats d'imatges de satèl·lit. L'objectiu final és poder estendre la informació mesurada amb el LiDAR a tota una plantació o finca, difícil de caracteritzar encara a partir de LiDAR pel volum de dades a processar. Això pot tenir un gran interès per utilitzar la informació obtinguda en el suport a la decisió d'operacions com ara la poda diferencial o l'aplicació de productes fitosanitaris, entre d'altres; i per facilitar la delimitació de zones de gestió dins de les parcel·les.

Un exemple és el treball de Sandonís-Pozo, et al. (en premsa) (Figura 11), on s'analitza la relació entre els paràmetres geomètrics i estructurals com amplada, secció transversal i porositat en relació al NDVI, tant amb imatges de Sentinel-2 com de PlanetScope. Aquests índexs després serveixen per definir zones amb diferències significatives d'aquestes propietats.

 

Figura 11. Relació entre el NDVI derivat d'imatges Sentinel-2 i PlanetScope a una plantació intensiva d'ametllers amb els paràmetres geomètrics amplada màxima i secció transversal, i amb la porositat del dosser foliar. Font: Sandonís-Pozo et al. (en premsa).

 

Referències bibliográfiques

Jensen, R.R., Perry, J., Galilea, E., Martínez-Casasnovas, J.A., Hpokins, A. 2021. Unmanned Aerial Vehicles (UAVs) in Precision Agriculture. In: R. Kerry & A. Escolà (eds.), Sensing Approaches for Precision Agriculture, Springer Nature, Cahm, Switzerland, pp 253-274, https://doi.org/10.1007/978-3-030-78431-7

Martínez-Casasnovas, J.A., Ramos, M.C., Balasch, C. 2013. Precision analysis of the effect of ephemeral gully erosion on vine vigour using NDVI images. In: J. Stafford (ed.), Precision Agriculture’13, Wageningen Academic Publishers, Wageningen (The Netherlands), pp 777-783.

Maresma, A., Ariza, M., Martínez, E., Lloveras, J., Martínez-Casasnovas, J.A. 2016.  Analysis of Vegetation Indices to Determine Nitrogen Application and Yield Prediction in Maize (Zea mays L.) from a Standard UAV Service. Remote Sensing 2016, 8, 973; https://doi.org/10.3390/rs8120973

Martínez-Casasnovas, J.A., Escolà, A., Arnó, J. 2018.  Use of Farmer Knowledge in the Delineation of Potential Management Zones in Precision Agriculture: A Case Study in Maize (Zea mays L.). Agriculture 2018, 8, 84; https://doi.org/10.3390/agriculture8060084

Sandonís-Pozo, L., Plata-Moreno, J.M., Llorens, J., Escolà, A., Pascual-Roca, M., Martínez-Casasnovas, J.A. 2022. PlanetScope Vegetation Indices to Estimate UAV and LiDAR-derived Canopy Parameters in a Super-Intensive Almond Orchard. In: FRUTIC 2022, June 29-July 1 2022, Valencia, Spain. 5 pp.

Sandonís-Pozo, L., Llorens, J., Escolà, A., Arnó, J., Pascual, M., Martínez-Casasnovas, J.A., en premsa. Satellite Multispectral Indices to Estimate Canopy Parameters and Within-Field Management Zones in Super-Intensive Almond Orchards. Precision Agriculture, Springer Nature.