1.1 Fotogrametría y teledetección en la agricultura

En la última década, se ha presenciado la fusión de la fotogrametría digital convencional con algoritmos de visión por ordenador, como por ejemplo, el algoritmo de transformación de elementos sin variación de escala (SIFT) (^{Lowe, 2004}), el de estructura a partir de movimiento (SfM) (^{Westoby et al., 2012}) y el de estereopsis basado en vistas múltiples (MVS) (^{Furukawa & Ponce, 2007}), etc., que han mejorado ampliamente el enlace de procesos y que han hecho que la forma en la que se toma las fotografías sea mucho más flexible. Esta técnica es la comúnmente denominada fotogrametría “SfM” o en inglés Structure from Motion. La principal ventaja de la fotogrametría SfM sobre la fotogrametría digital convencional es que permite generar modelos fotogramétricos a partir de imágenes RGB sin un nivel muy riguroso de homogeneidad en sus traslapos, ubicación de sus centros de exposición o sus calibraciones (^{Fonstad et al., 2013}). En contraste con el flujo de trabajo de la fotogrametría convencional, con la fotogrametría SfM se puede resolver simultáneamente la posición de los centros de exposición y la geometría de la escena. Es posible emplear un ajuste de conjunto altamente redundante, fundamentado en la vinculación geométrica de elementos comunes identificados en imágenes con solape. Se puede utilizar un ajuste de conjunto muy redundante basado en el enlace de elementos geométricos de imágenes traslapadas (Westoby et al., 2012). Seguidamente, se implementa el enlace denso entre elementos de imágenes traslapadas con un algoritmo MVS, que permite procesar y generar una nube de puntos densa a partir de las imágenes orientadas y por tanto permite obtener una geometría 3D. La principal ventaja de este tipo de procesamiento es su habilidad para obtener resultados con calidad fotorrealista, con una exactitud posicional buena y un alto grado de automatización (^{Frankl et al., 2015}; ^{Micheletti et al., 2015}).

Como se mencionó anteriormente, el flujo de trabajo de la fotogrametría SfM puede en última instancia estimar una nube densa de puntos 3D, muy similar a la producida por la tecnología LiDAR, y a partir de esta se pueden generar otros productos como el modelo digital de superficies, la ortofotografía y con una adecuada depuración de puntos, el modelo digital de elevaciones y las curvas de nivel del terreno. Por ejemplo, a partir de la nube de puntos 3D, se pueden obtener el modelo digital de elevaciones (MDE) y el modelo digital del cultivo (MDC) y calcular alturas de cultivos y diferencias de volúmenes entre ambos (^{Belton et al., 2019}; ^{Calou et al., 2019}; ^{d’Oleire-Oltmanns et al., 2012}).

Las técnicas de fotogrametría aérea han sido recientemente utilizadas para el acopio de información sobre cultivos para mejorar la caracterización y el manejo de zonas con ecosistemas con un alto interés en investigación (^{Cucho-Padin et al., 2020}; ^{Meneses et al., 2015}; ^{Mukherjee et al., 2019}). Este tipo de estudios han permitido la caracterización de áreas con vegetación densa y campos de cultivos permitiendo un manejo eficiente de la información de forma que se pueden mejorar los procesos de conservación y desarrollo de estas áreas (^{Acevo-Herrera et al., 2010}; ^{Guo et al., 2012}; ^{Maresma et al., 2016}).

Los datos multiespectrales e hiperespectrales obtenidos desde plataformas aéreas no tripuladas pueden reemplazar a las técnicas actuales. Las bandas del visible, del infrarrojo cercano (NIR) y del infrarrojo medio (SWIR) han generado una nueva perspectiva en este tópico (^{Jenal et al., 2020}; ^{Hart et al., 2020}). Mediante la construcción de modelos de regresión entre medidas de campo e índices de vegetación (p. ej., NDVI o EVI), se ha podido en algunas ocasiones cuantificar la biomasa aérea en pastos (^{Stroppiana et al., 2015}; ^{Selsam et al., 2017}). Otra de las aplicaciones actuales más novedosas en esta temática son los algoritmos de aprendizaje profundo o deep learning, que hallaron grandes resultados, mejorando la construcción de modelos y la interpretación de resultados en la estimación de biomasa a partir de datos multiespectrales (^{Castro et al., 2020}; ^{Viljanen et al., 2018}; ^{Näsi et al., 2018}; ^{Grüner et al., 2020}).

Entre los diferentes campos de aplicación de la fotogrametría SfM-MVS desde UAV para la agricultura de precisión, la estimación de la biomasa aérea es probablemente uno de los más explorados, ya que está directamente relacionada con la producción primaria neta. Entre los ejemplos de esto se incluyen los realizados en cultivos como la cebada (^{Bendig et al., 2014}), en avena negra (^{Acorsi et al., 2019}), en maíz, (^{Zhu et al., 2019}) o en cebolla (^{Ballesteros et al., 2018}). A pesar de que estos estudios obtuvieron información continua, completa y multitemporal a nivel de parcela, ninguno de los métodos propuestos puede eliminar completamente la necesidad de utilizar métodos destructivos para el muestreo. Por otro lado, un pequeño número de estudios han trabajado específicamente en la estimación de la biomasa en pasto con fotogrametría (^{Batistoti et al., 2019}; ^{Grüner et al., 2019}; ^{Lussem et al., 2020}; ^{Michez et al., 2019}) utilizando la correlación entre la altura del cultivo obtenida con el MDE y el MDC y la toma de muestras en campo. La mayoría de los resultados mostraron que la altura del cultivo es un estimador muy robusto de la biomasa aérea, y la alta resolución espacial de los conjuntos de datos MDE y MDC ayudó mucho a la correcta estimación de la biomasa (Zhu et al., 2019). ^{Gil-Docampo et al. (2020)} propuso la utilización del factor de densidad (FD) como un método simplificado de enlazar los datos de campo con los datos de volumen que se obtienen de restar el MDC del MDE. Este método relaciona el peso de la muestra de campo con el volumen de vegetación en cada punto de muestreo, de esta forma se proporciona una relación empírica entre los volúmenes de vegetación de cada parcela con la biomasa aérea total.

Existen diversos estudios en los que se pretende dar seguimiento al desarrollo de la palma, como es el caso de ^{Zheng et al. (2021)} o ^{Tugi et al. (2015)}, en los que a través de UAV logran monitorear el crecimiento de la palma de aceite. Aunque ambos acercamientos logran, con cierto éxito, su cometido, el primero emplea simplemente imágenes en RGB y el segundo utiliza imágenes en Infrarrojo cercano con las que calcula índices de vegetación. En este sentido, la detección automática y conteo de palma con algoritmos de machine learning es un tópico habitual dentro de la literatura científica. Un ejemplo de esto es el estudio de ^{Xia et al. (2019)} que logra realizar la detección de palmas en una imagen de 500 x 500 píxeles, en un tiempo de 12.81 ms con un índice de acierto del 90.91%. Por otro lado, Liu et al. (²⁰²⁰), logró la detección de plantas de palma africana con una eficacia de entorno al 97%, pero con técnicas de Deep Learning.

1.2 Definición del problema abordado

El sector agrícola tiene una gran influencia en la economía de Ecuador, pero el nivel educativo y la tecnificación de las labores agrícolas son todavía retos importantes a la hora de maximizar la productividad. En este estudio se han considerado tres cultivos insignia del agro ecuatoriano, el pasto en cuanto a producción de biomasa, el lupino o “chocho” andino y la palma africana.

Hasta hace poco, la mayor parte de los métodos de estimación de biomasa aérea a nivel local se basaban en métodos de muestreo destructivo (^{Catchpole & Wheeler, 2010}) o simplemente en estimaciones visuales (^{Waite, 1994}). Sin embargo, las nuevas tecnologías basadas en todo tipo de sensores (RGB, multiespectrales, Lidar y Radar) y la aparición de nuevas plataformas que permiten integrar estos sensores, están actualmente ganando mucha popularidad. El bajo rendimiento y alto costo que generalmente requieren los métodos terrestres hace que los vehículos aéreos no tripulados o drones (UAV), se postulen como una alternativa muy apta para este propósito (^{Acorsi et al., 2019}; ^{Niu et al., 2019}; ^{Michez et al., 2020}).

Por otro lado, el lupino es un cultivo susceptible a la antracnosis, una patología generada por un hongo denominado colletotrichum acutatum (^{Falconí et al., 2013}). Este patógeno ataca la zona apical de la planta, haciendo que la planta sea incapaz de producir el grano de forma correcta, de forma que genera pérdidas significativas en la cosecha final (^{Guaytarrilla & Falconí, 2014}). Considerando que no existen variedades de lupino andino con resistencia a la antracnosis (^{Falconí, 2012}), se vuelve indispensable la implementación de métodos alternativos que permitan eliminar o al menos reducir y prevenir la transmisión del hongo a las semillas (^{Falconí & Yánez-Mendizábal, 2019}). En este contexto, es necesario implementar métodos fitosanitarios que mejoren el manejo de las patologías y que, con el apoyo y la aceptación de las comunidades rurales, permitan la erradicación de la antracnosis del lupino andino la agricultura local de las comunidades rurales. Un método de para evaluar la efectividad de estos tratamientos se erige en el análisis espectral. A pesar de que existen estudios que analizan la reflectancia del lupino (^{Mogensen et al., 1996}), en Ecuador y a lo largo de la zona andina, los mencionados estudios son escasos y por tanto las bondades de la espectroradiometría no han sido estudiadas o estos estudios todavía se hayan en fases iniciales. Además, las librerías espectrales oficiales no contienen registros del lupino andino (^{Kokaly et al., 2017}), e incluso en Alemania (^{Wijesingha et al., 2020}), el lupino es considerado una hierba invasiva y se estudia en este sentido.

Por último, en cuanto a la palma africana, se puede mencionar que una de las principales enfermedades que asolan a los cultivos de palma africana en el continente americano es la denominada pudrición de cogollo (PC) o bud rot en inglés. Para Ecuador, es sin duda actualmente, desde un punto de vista económico, el patógeno que genera un mayor número de pérdidas en el cultivo de palma africana. Según el censo palmero nacional realizado en el año 2017, la presencia de la PC había afectado a un total de 148.433,8 ha, lo que representaba el 57,7% de todas las plantaciones de palma africana del país. Estos datos de afectación se pueden materializar en la pérdida de 50.000 empleos directos e indirectos, 200 millones de dólares en pérdidas por daños a plantas maduras que producían fruta en buen estado y 600 millones de dólares en inversiones (^{ANCUPA, 2019}). La detección de patologías en plantas en general y en palma africana en particular es un tópico que actualmente se encuentra en desarrollo, pero para el que todavía no se logran encontrar resultados del todo satisfactorios. Esto es debido a la cantidad de variables que entran en juego en el desarrollo de un cultivo y a la variabilidad de las condiciones climatológicas que se pueden dar a lo largo de un estudio multitemporal, por ejemplo, una patología en muchas ocasiones se puede confundir con otros problemas como la deficiencia de nutrientes o el estrés hídrico. La existencia de estudios referentes a la detección de enfermedades en palma africana mediante cámaras multiespectrales a bordo de UAV es escasa a pesar de los grandes avances de la tecnología actual. Los que existen se centran en la detección de la afectación por el hongo ganoderma, algunos a través de índices espectrales de la región del visible tal y como muestra ^{Wiratmoko et al. (2020)} y otros basados en otras bandas del espectro como el Red Edge o el NIR (^{Izzuddin et al., 2020}). La detección temprana de la enfermedad permite al agricultor implementar medidas oportunas para mitigar la afectación en toda su plantación.

Con la finalidad de demostrar la viabilidad del uso y las potencialidades de las técnicas UAV en el análisis de cultivos que permitan resolver problemáticas del campo agrícola, se plantean en el presente estudio los siguientes objetivos principales: monitorear el crecimiento y la generación de biomasa en cultivos de pasto (Lolium perenne, Lolium multiflorum y Pennisetum clandestinum) mediante fotogrametría de objeto cercano con imágenes captadas desde UAV; evaluar el desarrollo del lupino, Lupinous Mutabilis Sweet, mediante la obtención de firmas espectrales e imágenes multiespectrales con sensores de bajo costo portados por UAV que permitan caracterizar los efectos de la desinfección de las semillas en el desarrollo de la planta; y la detección de forma temprana de enfermedades críticas en el cultivo de palma africana, Elaeis guineensis, mediante el análisis de la variabilidad espectral encontrada en índices de vegetación generados a partir de imágenes obtenidas con sensores multiespectrales a bordo de UAV de bajo costo.

2.1 Materiales

El desarrollo de los estudios se realizó con equipos UAV comerciales de costo relativamente bajo, estos equipos fueron el DJI Phantom 4, DJI Mavic Pro 1 y DJI Matrice 100. Se utilizaron las cámaras RGB propias de cada drone y cámaras RGB modificadas, (RGNIR y BGNIR), para el estudio multiespectral. En el caso del estudio del lupino, también se utilizó un espectrorradiometro de mano. El compendio de software utilizado va desde Pix4D, QGIS, Agisoft Photoscan Profesional, ENVI 5.5, Trimble Bussiness Center, RS3 y Mapir Camera control.

2.2 Áreas de estudio

Dos de las áreas de estudio se ubican en Instituto Agropecuario Superior Andino IASA (Lupino y pasto), Ecuador, perteneciente a la Universidad de las Fuerzas Armadas ESPE y ubicadas a una altitud aproximada de 2722 msnm, una temperatura media anual de 13.89 ºC, precipitación acumulada de 1285 mm y humedad relativa de 69.03% (0° 23’ 20’’S, 78° 24’51’’W). Por otro lado, el estudio sobre palma se realizó en un sector de la costa ecuatoriana, con una altitud aproximada de 400 msnm, una temperatura media anual de 24.5 ºC, humedad relativa cercana al 90% y una precipitación acumulada de 728.8 mm (0.0421° N y 79.41329° W).

2.3 Toma de datos

Para la estimación de biomasa en pasto, se subdividió una parcela de 8210 m2 en 72 subparcelas, de las cuales finalmente se utilizaron 54. Estas parcelas contaron con un tamaño aproximado de 40m2. Se realizó la siembra de ryegrass perenne (Lolium perenne) (RP), ryegrass anual (Lolium multiflorum) (RA) y kikuyo (Pennisetum clandestinum) (Kk), aplicando en el 50% de las parcelas un tratamiento fertilizante compuesto de 10-30-10 de N - P - K con una distribución de los tratamientos completamente al azar.

Se realizaron vuelos con el UAV un día antes de la siembra y a los 3 meses, fecha del primer corte del pasto. La altura de vuelo fueron 70 m. con traslapo 70/80, consiguiendo un GSD de 3.06 cm. Anterior al vuelo se posicionaron 8 puntos de control terrestre (GCP), con tecnología GNSS, para georreferenciar los productos del UAV.

El mismo día del segundo vuelo, se realizó un muestreo aleatorio en campo teniendo en cuenta que todo el material orgánico recolectado estaba dentro de la superficie de las parcelas. Para cada parcela, la muestra fue tomada siguiendo la metodología de Bending et al. (2014). Esta metodología consiste en utilizar un anillo de metal de 0.25 m2 que define los límites de la muestra y georreferenciar para cada caso el punto que se muestrea. Las muestras se llevaron al laboratorio, donde inicialmente fueron pesadas en húmedo y seguidamente en seco, después de haber sido secadas en un horno durante 24 horas. Se tomó una muestra de pasto en cada una de las 54 parcelas, de forma aleatoria dentro de ellas, y se reservaron 10 muestras para verificar los resultados.

Para el estudio del lupino se realizó una parcelación que permitiera contener un total de seis tratamientos con tres repeticiones cada uno. Se empleó una parcela de 200 m2, con parcelas de 8 m2. El detalle de los tratamientos de las semillas puede visualizarse en la Tabla 1.

Los pretratamientos de desinfección de semilla se aplicaron en el entorno de las semillas con radiación UV-B más temperatura ambiente (UV-B 3.6 o 5.4 kJ m-2 ≈ 21°C) y radiación UV-B en un horno solar más temperatura ambiente (UV-B 3.6 o 5.4 kJ m^-2 ≈ 76°C) durante 30 y 45 minutos, respectivamente, como se detalla en ^{Falconí & Yánez-Mendizába (2019)} y desinfección química con Vitavax (Carboxin + Thiram, 2g/kg por semilla) (Falconí & Yánez-Mendizábal 2019). Una vez, sembradas las 18 parcelas se tomaron datos con un espectrorradiometro de mano en cada uno de los estados fenólogicos del cultivo (cotiledonar, desarrollo vegetativo 1 y 2, floración, reproducción y cosecha).

Se utilizó el método de medición radiométrico pasivo, de forma que el cabezal del equipo no estaba en contacto con la planta y utilizó la radiación electromagnética proveniente del sol para la generación de las firmas espectrales. El campo de visión del equipo fue de 8°, lo que permitía la toma de datos sobre la hoja a una distancia de 1.4 cm. En este contexto, un total de 10 mediciones fueron realizadas en cada planta y se pudo estimar que el escenario de escaneo fue similar a la resolución de las imágenes del UAV (1.15 cm). Cabe recalcar, que cada muestra tomada fue georreferenciada con el método de posicionamiento RTK.

Además de las mediciones con espectrorradiometro, se realizaron vuelos fotogramétricos con UAV y cámara multiespectral RGB modificada, modelo Mapir 3W (RGNIR). Se utilizaron 4 GCPs, medidos con GNSS de precisión, para georrefenciar el ortomosaico generado a partir del software SfM. El vuelo se realizó a 30 m de altura, con traslapo 70/80, garantizando un tamaño de píxel en el terreno (GSD) de 1 cm.

Para el estudio de la pudrición de cogollo (PC) en palma, se seleccionaron dos lotes con plantaciones de palma africana, uno de ellos sin afectación detectada de PC (52 ha), Lote CIPAL y otro con un avance de aproximadamente el 30% de la enfermedad (40 ha), Lote Arteaga.

El primero contaba con 6 variedades de palma africana, dos de ellas con una antigüedad de 15 años (INIAP, CIRAD y ASD) y en pleno pico de rendimiento de producción y otras 3 variedades de carácter híbrido Olefifera x guineensis (OxG) con dos años de antigüedad (Taisha, Unipalma y Amazon) a punto de comenzar a producir (véase Figura 1). En el caso del segundo contaba tan solo con palmas de 15 años de antigüedad de variedad INIAP.

Figura 1 Distribución de variedades del Lote CIPAL. 

La toma de datos consistió en realizar vuelos en épocas diferentes para cada lote, con cámaras RGB modificadas.

En el lote CIPAL, se realizaron dos vuelos, con una diferencia de tres meses, con dos sensores diferentes (BRNIR y RGNIR). Los vuelos fueron realizados a 120 m de altura, con traslapo 70/80 generando un GSD de 5 cm.

En el lote Arteaga, se realizaron tres vuelos con cámara RGNIR y una diferencia de entre mes y medio y dos meses entre ellos. Los vuelos fueron realizados con los mismos parámetros en ambos lotes. Para poder comparar entre épocas, se realizó una georreferenciación de las dos últimas épocas, respecto a la inicial, tomando puntos en común entre las imágenes. Las imágenes fueron procesadas en software SfM para obtener los ortomosaicos de las diferentes épocas y se realizó la corrección atmosférica con el algoritmo QUAC ® de ENVI.

Finalmente se georreferenciaron con un GPS navegador los datos de las palmas con diferentes grados de afectación. Esta toma se realizó con la ayuda de expertos en la detección de patologías en palma africana.

2.4 Obtención de datos

Para el estudio en pasto, se calculó El factor de densidad (FD) definido por ^{Gil-Docampo et al. (2020)} es una constante que se deriva de la cantidad de biomasa por unidad de volumen, que permite corregir las variaciones de volumen (suponiendo que se obtiene un mayor volumen si la capa de vegetación es alta y densa, y se obtiene un menor volumen si la capa de vegetación es baja y con calvas) y calcular biomasa en extensiones más grandes.

El FD para cada punto de muestreo se calcula como se muestra en la Ecuación 1.

Donde:

FD: Factor de Densidad [kg · m-3]

BS: Biomasa en el punto de muestreo de 0.25 m² [kg]

VS: Volumen (determinado por la diferencia entre el MDT y el MDC) con el cultivo crecido [m³]

La biomasa aérea fue calculada con base en la diferencia de volumen por parcela que se obtuvo de los MDT Y MDC generados con el UAV y del FD calculada en cada parcela. Extrayendo el ráster de cada parcela en cada uno de los modelos, se pudo calcular el volumen total, parcela a parcela. De este modo, cada parcela obtuvo su volumen correspondiente, con el que se pudo calcular la biomasa total a través de la Ecuación 2.

Donde:

BP: Biomasa de cada parcela [kg]

FD: Factor de Densidad [kg · m-3]

VP: Volumen (determinado por la diferencia entre el MDT y MDC) con el cultivo crecido [m³] en cada parcela

El FD permite la corrección de la correlación entre el peso y la biomasa de acuerdo con el volumen que se extrae de las imágenes del UAV.

Para el proceso de validación del procedimiento, primero se comprobó el acople entre el MDT y el MDC. Esto se hizo a través de la selección de 30 puntos aleatorios, homólogos entre los dos modelos, en zonas de suelo desnudo y se obtuvo el error medio cuadrático para asegurar que se hizo un buen ajuste entre épocas.

Seguidamente, se validó la estimación de la biomasa aérea a través de 10 muestras aleatorias en campo, reservadas para este fin. Se obtuvo la biomasa de estas muestras destinadas a validación, la diferencia entre el MDT Y MDC en estas muestras georreferenciadas y con la Ecuación 2 se pudo obtener la biomasa estimada. Finalmente se aplicó un análisis de correlación a través del coeficiente de correlación de Pearson y estadísticas descriptivas entre los valores medidos y los valores estimados.

Para determinar si el método de estimación de biomasa expuesto en este estudio pudo diferenciar entre tipos de cultivo o entre tratamientos, se aplicó un análisis de varianza ANOVA con test de Fisher a los datos de biomasa obtenidos en cada una de las unidades experimentales. Cabe mencionar que se realizaron pruebas de normalidad y homocedasticidad a los datos para determinar si era factible la aplicación del método paramétrico ANOVA. En la Figura 2 se puede ver un resumen gráfico de la metodología.

Figura 2 Diagrama de flujo para la estimación de biomasa en pasto. 

En cuanto al estudio de lupino, se calcularon los índices de vegetación NDVI, TNDVI, SR-RE y NDRE para cada medición de cada planta. Los resultados obtenidos superaron un proceso de validación estadística mediante el uso de diagramas de cajas y bigotes, con el que se pudieron descartar valores atípicos. Los valores de longitud de onda tomados para el cálculo de estos índices se corresponden a los canales de la cámara multiespectral Parrot Sequoia 550 nm, 660nm, 735 nm, y 790 nm para el azul, verde, rojo e infrarrojo cercano respectivamente.

Seguidamente también se calculó el NDVI para los ortomosaicos generados desde el vuelo del UAV. Se realizó su calibración radiométrica a través de la diana de calibración proporcionada por el fabricante y se extrajeron en el software SIG los valores de NDVI presentes en cada planta muestreada anteriormente. Esto para cada estado fenológico de la planta.

Para finalizar se realizó el análisis bioestadístico de los datos para determinar si la tecnología de análisis espectral fue capaz de diferenciar que tratamiento fue mejor.

En la Figura 3 se puede ver un resumen gráfico de la metodología.

Figura 3 Diagrama de flujo para el análisis espectral del lupino. 

Para el estudio en palma africana, una vez obtenidos los ortomosaicos calibrados atmosféricamente, se calcularon los índices de vegetación NDVI, GNDVI, GVI y VARI. Se realizó además un conteo automático de las plantas con el módulo “Crop science from ENVI”, que permitió obtener una capa vectorial de polígonos, que representan toda la superficie de la planta. Con esta capa, se aplicó una operación de media zonal, para obtener el promedio de los valores de los píxeles de cada planta para cada índice. A estos valores se les aplicó una prueba estadística ANOVA con test LSD de Fisher, para determinar si existían diferencias significativas entre variedades. Este proceso se repitió para el Lote Arteaga, pero en ese caso, las variables que define las clases son los diferentes grados de afectación de la planta.

Finalmente se realizó un estudio multitemporal comparando el valor de los histogramas de los índices y se implementó una validación estadística de los resultados. En la Figura 4 se esquematiza la metodología implementada.

Figura 4 Diagrama de flujo para la detección temprana de la pudrición de cogollo en palma africana.