Percepción remota como herramienta de competitividad de la agricultura

Remote sensing as a tool for competitiveness of agriculture

Noé Aguilar Rivera§

Universidad Veracruzana-Facultad de Ciencias Biológicas y Agropecuarias. Pañuela Amatlán S/N, Centro, Amatlán de los Reyes, Veracruz, Veracruz. C. P. 94945. §Autor para correspondencia: naguilar@uv.mx.

* Recibido: octubre de 2014
Aceptado: enero de 2015

Resumen

La percepción remota es un componente determinante de diversas aplicaciones a través de disciplinas transversales como sistema de soporte a la toma de decisiones, al combinar información de múltiples fuentes y puede ser útil en aplicaciones agrícolas para detectar o evaluar factores limitantes, discriminación de cultivos, inventarios, etapas de crecimiento, vigor vegetal, necesidades nutrimentales, variación espacial de la productividad, estimación de la biomasa y rendimientos, superficies y muestreo de propiedades físicas y químicas del suelo en complejos entornos biofísicos mediante imágenes satelitales. Puede proporcionar a administradores de predios datos que les permitan tomar decisiones rápidas sobre sus operaciones a distintas escalas espaciales. Sin embargo, los datos derivados de esta técnica, no se han utilizado a su máximo potencial para la gestión de los cultivos, en gran parte, debido a que estos datos no están disponibles para los investigadores y agricultores, y a la comprensión de las características de los sensores como resolución espacial, espectral y radiométrica, fecha de adquisición al integrarla con información convencional, derivada de estudio de campo con datos de percepción remota. La agricultura de precisión (PA) con el uso de percepción remota (PR), sistemas de información geográfica (SIG) y sistemas de posicionamiento global (GPS) es potencialmente, una de las más poderosas herramientas, procesos y técnicas para la competitividad de la agricultura. El objetivo de este trabajo fue revisar la situación actual y el desarrollo de las aplicaciones documentadas, ventajas, limitaciones, estrategias y perspectivas del futuro de la percepción remota, con especial énfasis en la agricultura, la contribución de los componentes bioquímicos de la vegetación en la señal espectral y los índices espectrales, se comparan y se resumen en detalle.

Palabras clave: cultivos agrícolas, modelos, química foliar, teledetección.

Abstract

Remote sensing is a key component in different applications through transverse disciplines as support system for decision making, by combining information from multiple sources and may be useful in agricultural applications to detect or assess limiting factors, crop discrimination, inventories , stages of growth, plant vigor, nutrient needs, spatial variation in productivity, estimation of biomass and yields, surfaces and sampling of physical and chemical soil properties in complex biophysical environments using satellite images. It can provide land administrators data to help them make quick decisions about their operations at different spatial scales. However, data derived from this technique has not been used to its full potential for crop management, largely because these data are not available for researchers and farmers, and to the understanding of sensors characteristics like spatial, spectral and radiometric resolution, acquisition date when integrated with conventional information derived from field study with remote sensing data. Precision agriculture (PA) using remote sensing (PR), geographic information systems (GIS) and global positioning systems (GPS) is potentially one of the most powerful tools, processes and techniques for the competitiveness of agriculture. The aim of this study was to review the current situation and development of documented applications, advantages, limitations, strategies and perspectives for the future of remote sensing, with special emphasis on agriculture, the contribution of biochemical components of vegetation in spectral signal and spectral indices are compared and summarized in detail.

La aplicación de técnicas geomáticas como percepción remota (PR), sistemas de información geográfica (SIG) y geoposicionamiento global (GPS) en el contexto de la agricultura de precisión, tienen la ventaja según Ustin et al. (2010) de integrar información procedente de disciplinas como climatología, edafología, agronomía, fisiología vegetal, etc. y es potencialmente útil en: 1) clasificación, mapeo y cartografía de cultivos con información georeferenciada; 2) identificación de etapas fenológicas y grados-día de crecimiento; 3) discriminación de variedades; 4) monitoreo del riego y estrés nutricional; 5) detección de daños por insectos plaga y enfermedades; y 6) predicción de rendimientos con el objetivo de incrementar la productividad (rendimientos, y calidad de la cosecha) con la reducción de los costos de producción para mercados competitivos (Seelan et al, 2003; Liaghat, 2010; Meng et al, 2011; Mahlein et al, 2012; Mulla, 2013; Vibhute y Gawali, 2013) . Sin embargo, a pesar de las ventajas que presentan, los agricultores todavía se basan en la tradición sin la interacción de consultores profesionales y/o de extensión universitaria.

En este sentido, Fourty (1996) establecieron que el conocimiento de la información bioquímica del dosel puede proporcionar información crítica para describir y predecir la productividad y los procesos de descomposición y ciclo de nutrimentos en el sistema atmosfera, vegetación y el suelo en ambientes agrícolas y el conocimiento de respuestas espectrales in situ es útil para caracterizar las condiciones de las parcelas en producción (Gebbers y Adamchuk, 2010; Ahamed et al, 2011; Lobell, 2013; Eerens et al, 2014) . Elwadie (2005) y Broge y Mortensen (2002) han reportado numerosos índices útiles para hacer estimaciones cuantitativas de parámetros biofísicos y bioquímicos de los cultivos tales como, área foliar, porcentaje de biomasa verde, población y altura de plantas, biomasa, productividad y actividad fotosintética del dosel.

Para Baret et al (1994); Elwadie (2005); Curran (2001, 1990); Ustin et al. (2010) y Jia et al. (2011) medir e interpretar las propiedades espectrales de las plantas, al describir la interacción de la energía radiante de la hoja y la bioquímica foliar derivada de esta, asociados a niveles de estrés nutricional e hídrico, permitirá comprender las complejas interacciones entre los múltiples factores que afectan el crecimiento del cultivo, como base de cualquier sistema de gestión y manejo agrícola y requiere una comprensión de cómo los mecanismos físicos, ambientales y bioquímicos de las hojas y el dosel interactúan con el suelo para producir la señal medida por los sensores respectivos (Asner, 1998; Bowyer y Danson, 2004).

En consecuencia, las propiedades espectrales son función de los cambios dinámicos que se dan en la interacción suelo-vegetación; y son dependientes de la geometría del dosel agrícola y de las diferencias entre las plantas individuales, particularmente para cultivos con baja cobertura del suelo (Zarco-Hidalgo et al, 2008 y Eerens et al, 2014). Por lo tanto, la manipulación de la energía radiante en función de la geometría del campo de cultivo, (orientación de filas y distancia entre surcos) puede crear condiciones eficientes de saturación de luz y energía solar en el dosel del cultivo para la producción agrícola; es decir, la interacción de la radiación solar con las células foliares de las plantas define la reflectancia en el espectro visible (VIS) e infrarrojo (IR) (Hunt Jr. et al, 2013).

Los componentes bioquímicos (pigmentos, proteínas, grasas, hemicelulosas, celulosa, almidón y agua), morfología de la hoja (mesófilo) y arquitectura, influyen en la tendencia de las plantas para absorber, transmitir y reflejar la radiación solar de distintas longitudes de onda desde 280 a 2800 nm y están directa o indirectamente relacionados a los ciclos biogeoquímicos, macro y micro nutrimentos y la fotosíntesis (Yoder y Pettigrew-Crosby, 1995; Curran et al., 2001; Shengyan et al, 2002; Huber, 2008; Thorp, 2010; Hunt et al., 2013). Con este fin, los mecanismos de transporte de fotones dentro del tej ido foliar, hacen necesario comprender los fenómenos biológicos, características estructurales, componentes que constituyen el tejido foliar y factores, tales como la presencia y distribución de pigmentos en el interior de los tejidos que propagan y absorben la luz. Estos pigmentos son la clorofila Cl y los carotenoides.

El más importante y abundante de estos es la clorofila (considerado como un bioindicador genérico del estado de salud, productividad, estrés y senescencia de las hojas y el dosel) y se clasifican en tipo a y b (Cla y Clb). Los carotenoides son otro grupo de pigmentos que, en las plantas superiores, son de color rojo, naranja, amarillo o marrón, y se asocian con la clorofila en los cloroplastos y su contenido en las hojas de las plantas es un indicador de su capacidad fotosintética y productividad, así como de la presencia de un estrés o enfermedad, así mismo da una estimación indirecta de la situación de los nutrimentos (Liew et al., 2008).

En percepción remota, el espectro de reflectancia de plantas adultas y sanas en el visible (VIS) se caracteriza por una fuerte absorción (baja reflectancia) en el azul (400-500 nm), un incremento en la reflectancia en el verde (500-600 nm), como pico máximo a 0.54 nm y no excede de 20% del total de la radiación incidente (Yoder y Pettigrew-Crosby, 1995); absorción en el rojo (600-700 nm) y una fuerte reflectancia y transmitancia (50%) en la meseta del infrarrojo cercano (NIR) de 700 a 1 500 nm.

La respuesta en reflectancia en la región VIS (400-700) está regulada por el efecto y comportamiento de las clorofilas, carotenos (α y β-caroteno y xantofilas) y antocianinas que son pigmentos rojos de las plantas, previenen el foto envejecimiento y la foto inhibición a través de la absorción de la radiación solar excesiva, que de otro modo sería absorbida por los pigmentos de los cloroplastos, que son mayormente abundantes en hojas juveniles y su distribución en los tejidos de la hoja varía considerablemente entre los cultivos, como regla general, se localizan en las vacuolas celulares debajo de la epidermis adaxial, parénquima en empalizada y el mesófilo esponjoso (Merzlyak, 2008; Hunt et al, 2013).

La senescencia foliar produce significativas fluctuaciones en tres regiones del espectro en el rango de 450 y 2500 nm: 1) entre 450 y 750 nm derivados de los cambios cambios en concentración o estructurales de la clorofila y otros pigmentos (425, 450 y 480 nm ß-caroteno, 420, 440 y 470 nm α caroteno y 425, 450 y 475 nm para xantofilas); 2) entre 750 y 1 400 nm en el cual la estructura geométrica interna y dimensiones de las hojas, por cambios en la orientación y disminución del área foliar y del dosel, es el factor dominante principalmente en los cloroplastos y vacuolas; y 3) entre 1 400 y 2 500 nm derivado del contenido de agua como consecuencia del secado de las plantas y el incremento de los valores del suelo al ser expuesto por disminución del follaje del dosel (Figura 1).

En relación a lo anterior, Knipling (1970); Zhao et al. (2010); Hunt Jr. et al. (2013) y Ustin (2013) definieron que a nivel celular, el conocimiento de la cantidad de clorofila en hojas y el dosel es fundamental tanto en estudios forestales o agronómicos como ambientales, debido a que puede ser usada como indicador de la capacidad fotosintética y productividad. Por ello, de acuerdo a Hunt Jr. et al. (2013), se han desarrollado distintos métodos hiperespectrales para su estudio y aplicación para el monitoreo de productividad agrícola, tanto a nivel de hoja (espectrofotometría), como por percepción remota (teledetección) y se emplean una gran variedad de índices que relacionan la reflectividad obtenida por sensores a diversos tipos de arquitecturas del dosel en distintas bandas.

Diversos autores como Fourty (1996);Asner (1998); Curran (2001; 1989) concluyeron que la respuesta espectral, bioquímica foliar y su relación con la productividad se debe al estiramiento y flexión de los enlaces covalentes del grupo OH^- y transición de electrones a diversas longitudes de onda (0.97, 1.2, 1.4, 1.94 nm) así como fuertemente en el ultravioleta (< 0.4 nm) y en el infrarrojo medio (> 2.4 nm) derivado de las vibraciones de los enlaces (β 1→4, β 1→3, ß-O-4, α-Ο-4, 4-O-5) entre los átomos de hidrógeno (H), oxigeno (O), nitrógeno (N) y carbono (C) y entre las moléculas de azucares (D-xilosa, L-arabinosa, D-galactosa, D-manosa, L-ramnosa, fructosa, α y β glucosa), lignina (alcohol p-cumarílico, coniferílico y sinapílico), celulosa (β-D-glucosa), hemicelulosas (glucuronoxilano acetilado, β-D-xilopiranosa, α-L-Fucosa, glucomananos, arabinoglucuronoxilanos, galactoglucomananos), ácidos uronicos (ácido D-glucuronico, y acido D-galacturonico), resinas (extraíbles lipófilicos e hidrofílicos), pectinas y proteínas, al ion central magnesio (Mg⁺²) en la molécula de clorofila y a la presencia de un grupo metilo en la clorofila a en lugar de un grupo aldehido en la clorofila b en la posición C-7 que establece las diferencias en las longitudes de onda de absorción para cada grupo funcional (669 y 644 nm) y (432 y 455 nm) respectivamente (Fourty, 1996; Curran, 1989; Ustin, 2013)

Conclusiones

Como modelo de gestión, la agricultura de precisión (AP) puede proporcionar información bioquímica del dosel agrícola, como elemento crítico para describir y predecir la productividad y los procesos de descomposición y ciclo de nutrientes en el sistema atmosfera-vegetación-suelo, donde los cambios bioquímicos del dosel pueden ser rastreados e interpretados de manera precisa a través del tiempo, inclusive con modelos matemáticos para obtener resultados confiables, para la toma de decisiones en relación al manejo de insumos y las prácticas de gestión.

Ahamed, T.; Tian, L., Zhang, Y. and Ting, K. C. 2011. A review of remote sensing methods for biomass feedstock production. Biomass Bioenergy. 35(7):2455-2469.         [ Links ]

Asner, G. P. 1998. Biophysical and biochemical sources of variability in canopy reflectance. Remote Sens. Environ. 64(3):234-253.         [ Links ]

Baret, F.; Vanderbilt, Vern C.; Steven, D. and Jacquemoud, S. 1994. Use of spectral analogy to evaluate canopy reflectance sensitivity to leaf optical properties. Remote Sens. Environ. 48:253-260.         [ Links ]

Blackburn, G. A and Ferwerda, J. G. 2008 Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis. Remote Sens. Environ. 112:1614-1632.         [ Links ]

Bowyer, P. and Danson, F. M. 2004. Sensitivity of spectral reflectance to variation in live fuel moisture content at leaf and canopy level. Remote Sens. Environ. 92(3):297-308.         [ Links ]

Broge, N. H. and Mortensen, J. V. 2002. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data. Remote Sens. Environ. 81:45-57.         [ Links ]

Curran, P. J. 1990. Exploring the relationship between reflectance red edge and chlorophyll content in slash pine. J. Tree Physiol. 7:33-48.         [ Links ]

Curran, P. J. 2001. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry. Remote Sens. Environ. 76(3):349-359.         [ Links ]

Curran, P. J. 1989. Remote sensing of foliar chemistry. Remote Sens. Environ. 30:271-278.         [ Links ]

Eerens, H.; Haesen, D.; Rembold, F.; Urbano, F. and Tote, C. 2014. Image time series processing for agriculture monitoring. Environ. Modelling Software. 53:154-162.         [ Links ]

Fourty, Th.; Baret, F.; Jacquemoud, F.; Schmuck, G. and J. Verdebout. 1996. Leaf optical properties with explicit description of its biochemical composition: direct and inverse problems. Remote Sens. Environ. 56:104-117.         [ Links ]

Gebbers, R. and Adamchuk, V. I. 2010. Precision agriculture and food security. Science.327(5967):828-831.         [ Links ]

Huber, S. 2008. Estimating foliar biochemistry from hyperspectral data in mixed forest canopy. Forest Ecol. Manag. 256:491-501.         [ Links ]

Hunt, Jr., E. R.; Doraiswamy, P. C.; McMurtrey, J. E.; Daughtry, C. S.; Perry, E. M. and Akhmedov, B. 2013. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. Int. J. Appl. Earth Obs. Geoinf. 21:103-112.         [ Links ]

Jia, K.; Wu, B.; Tian, Y.; Zeng, Y. and Li, Q. 2011. Vegetation classification method with biochemical composition estimated from remote sensing data. International. J. Remote Sens. 32(24):9307-9325.         [ Links ]

Knipling, E. B 1970. Physical and physiological basis for the reflectance of visible and near-infrared radiation from vegetation. Remote Sens. Environ. 1(1):55-1 59.         [ Links ]

Liew, W. and Ching, P. 2008. Signature optical cues: emerging technologies for monitoring plant health. Sensors. 8:32053239.         [ Links ]

Lobell, D. B. 2013. The use of satellite data for crop yield gap analysis. Field Crops Res.143:56-64.         [ Links ]

Mahlein, A. K.; Oerke, E. C.; Steiner, U. and Dehne, H. W. 2012. Recent advances in sensing plant diseases for precision crop protection. Eur. J. Plant Pathol. 133(1):197-209.         [ Links ]

Matloobi, M. 2012. Light harvesting and photosynthesis by the canopy. Agricultural and biological sciences. "Advances in photosynthesis - fundamental aspects". Mahdi, N. M. (Ed.). http://www.intechopen.com/books/advances-in-photosynthesis-fundamental-aspects.         [ Links ]

Meng, J. H.; Wu, B. F.; Du, X.; Zhang, F. F.; Zhang, M. and Dong, T. F. 2011. A review and outlook of applying remote sensing to precision agriculture. Remote Sens. Land Res. 23(3):1-7.         [ Links ]

Merzlyak, L. 2008. Light absorption by anthocyanins injuvenile, stressed, and senescing leaves. J. Exp. Bot. 59(14):3903-3911.         [ Links ]

Monteith, J. L. 1965. Light distribution and photosynthesis in field crops. Ann. Bot. 29(1):17-37.         [ Links ]

Mulla, D. J. 2013. Twenty five years of remote sensing in precision agriculture: key advances and remaining knowledge gaps. Bios. Eng. 114(4): 358-371.         [ Links ]

Seelan, S. K.; Laguette, S.; Casady, G. M. and Seielstad, G. A. 2003. Remote sensing applications for precision agriculture: a learning community approach. Rem. Sens. Environ. 88(1):157-169.         [ Links ]

Shengyan, D.; Jidong, G. and Lexiang, Q. 2002. Assessment of biochemical concentrations of vegetation using remote sensing technology. J. Geographical Sci. 12(3):321-330.         [ Links ]

Thorp, K. R. 2010. Assimilating leaf area index estimates from remote sensing into the simulations of a cropping systems model. J. Am. Soc. Agric. Biol. Eng. 53(1):251-262.         [ Links ]

Ustin, S. L. 2013. Remote sensing of canopy chemistry. Proceedings of the national academy of sciences. 110(3):804-805.         [ Links ]

Ustin, S. L. and Gamon, J. A. 2010. Remote sensing of plant functional types. New Phytologist. 186:795-816.         [ Links ]

Vibhute,A. D. and Gawali, B. W. 2013. Analysis and modeling of agricultural land use using remote sensing and geographic information system: a review. Int. J. Eng. Res. Appl. 3(3):081-091.         [ Links ]

Yoder, B. J. and Pettigrew-Crosby, R. E. 1995. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400- 2500 nm) at leaf and canopy scales. Remote Sens. Environ. 53(3):199-211.         [ Links ]

Zarco-Hidalgo, A.; Paz-Pellat, F. and Palacios-Vélez, E. 2008. Modeling of the spectral scale effect in the soil-vegetation system. Agrociencia. 42:193-204.         [ Links ]