La clasificación de los árboles es compleja, especialmente a gran escala, por la cantidad de trabajo que requiere. Se necesita un equipo de personal cualificado pertrechado de sensores específicos para recoger datos y después analizarlos.

Sin embargo, un trabajo realizado por investigadores de la Universidad de Kyoto, en Japón, ha propuesto un método mucho más sencillo.

Se trata de usar RPAS para clasificar a los árboles. Su sistema, además de novedoso, es relativamente barato de llevar a cabo. Al menos en cuanto a los requerimientos de hardware que se necesitan. Los investigadores han empleado una cámara RGB convencional para tomar fotografías de los árboles desde el cielo.

En otros métodos que se han probado anteriormente se utilizan tecnologías de imagen caras, como cámaras multiespectrales, con el fin de obtener datos más precisos sobre los árboles. Pero estos científicos japoneses se ha decantado por una tecnología al alcance de todos, tanto por precio como por accesibilidad.

Mediante su cámara RGB los drones captan imágenes de la superficie arbolada. Volando sobre el bosque de Kyoto y tras tomar fotografías, los investigadores lograron separar individualmente las copas de los árboles. El siguiente paso es profundizar en la inteligencia artificial utilizada,  en este caso deep learning, para dividir a los árboles en siete categorías.

Los científicos crearon seis categorías específicas de árboles y una séptima que usaron como cajón de sastre, donde entraban todos los que no se clasificaban en ninguna de las seis anteriores. Lo interesante del estudio es que su precisión llega al 89%. Y lo hace con tecnología sencilla y asequible.

La parte principal del trabajo sin duda está en el software de deep learning desarrollado por los investigadores. El trabajo confirma así la tendencia que se viene dando desde hace tiempo en el ámbito de la investigación: en el software es donde hay más margen para mejorar que en el hardware.

Investigadores españoles: “Nuestro sistema produce ahorros de herbicida del 80%”

 
investigacion malas hierbas

La frase es de Ana Isabel de Castro, investigadora del Instituto de Agricultura Sostenible, encuadrado dentro del CSIC (Consejo Superior de investigaciones científicas), y una de las autoras del sistema que permite detectar, con la ayuda de drones, malas hierbas en fases tempranas de los cultivos.

Los drones cada vez afinan más en agricultura de precisión. Y así lo demuestra este sistema desarrollado por investigadores españoles. Para conocer más en profundidad el alcance de este trabajo, Ana Isabel de Castro, que pertenece al Grupo IMAPING, especializado en agricultura de precisión, dentro del Instituto de Agricultura Sostenible.

“El algoritmo que hemos desarrollado permite detectar las malas hierbas existentes en el cultivo, no solo entre las líneas, como se ha realizado hasta ahora en investigaciones anteriores, sino también dentro de las mismas”, explica de Castro, quien destaca que el procesamiento es totalmente automático y elimina los errores surgidos de tareas manuales practicadas con subjetividad.

“La detección y el mapeo se lleva a cabo en los estadios tempranos del cultivo, que es cuando la competencia entre malas hierbas y cultivo es mayor y, por tanto, se pueden producir las mayores pérdidas de cosecha debido a la presencia de estas malas hierbas”, apunta de Castro.

investigadores malas hierbas

El equipo de investigadores que ha desarrollado el sistema

Beneficios para una agricultura de precisión

Los drones vuelan sobre el cultivo y toman imágenes. A partir de estas, el algoritmo desarrollado por los investigadores del Instituto de Agricultura Sostenible crea un mapa, donde define las áreas que necesitan tratamiento con herbicidas y las que no. “El paso final del algoritmo consiste en elaborar mapas de tratamiento localizado en función de la abundancia y posición de las malas hierbas. Estos mapas que son generados en el momento óptimo de tratamiento e indican al agricultor donde debe realizar el tratamiento”.

Según explica de Castro, el algoritmo se ha probado durante varios años en cinco parcelas diferentes, en estado inicial de crecimiento de girasol y algodón. “En estos casos, los ahorros en el uso de herbicida respecto a la aplicación convencional en toda la parcela llegaron hasta el 80%”, destaca la investigadora especializada en agricultura de precisión.

El gasto de herbicidas en España en 2015 ascendió a 312 millones de euros, lo que representa el 36% del gasto total en fitosanitarios de ese año. Esta tendencia se ha mantenido durante los últimos 20 años. Con estas cifras justifica de Castro la necesidad del sistema desarrollado: “Cualquier medida o desarrollo tecnológico aplicado al control localizado de malas hierbas para reducir el uso de herbicida podría suponer grandes beneficios tanto a nivel económico como medioambiental”.

mapas tratamiento

Mapa de tratamiento localizado que ofrece el software

Cómo es el software

El algoritmo que han desarrollado estos investigadores españoles combina técnicas fotogramétricas, con inteligencia artificial (machine learning) y técnica de análisis de imagen basado en objetos.

La fotogrametría se emplea para generar la orto-imagen y el modelo tridimensional de la parcela. De aquí se extrae información sobre la posición, altura y tamaño de cada planta en los cultivos, así como de las malas hierbas. La inteligencia artificial (un tipo de esta, que se denomina machine learning o aprendizaje automático) realiza la selección automática de muestras para entrenar el algoritmo, utilizando como variable discriminatoria la altura de las plantas. De forma, que el software termine por ser capaz de distinguir, especialmente en base a la altura, entre malas hierbas y cultivo.

“Las técnicas de análisis de imagen basado en objetos permiten solventar el problema de similitud espectral, ya que el cultivo y las malas hierbas presentan el mismo color en estos estados iniciales de crecimiento”, explica de Castro sobre el sistema que han desarrollado.

El papel de los drones

El papel de la aviación no tripulada es esencial para el funcionamiento de este sistema. “Los drones permiten volar a baja altura y obtener imágenes de alta resolución espacial, cargar diferentes sensores que permitan abordar diversos objetivos, flexibilidad en la realización de los vuelos para adquirir las imágenes en momentos críticos del cultivo y con grandes solapes para la generación de modelos en 3D de las parcelas”, apunta la investigadora española.

Una de las ventajas que tienen los drones respecto a los aviones tripulados o los satélites es la alta resolución de sus cámara y su vuelo bajo. “Para la detección de malas hierbas dentro y fuera de las líneas del cultivo es necesario obtener imágenes de muy alta resolución espacial”, incide de Castro. “Además, el momento de la toma de las mismas tiene que coincidir con estados iniciales de crecimiento del cultivo”.

En este caso, el dron tiene que poder cargar con un sensor de 420 gramos, una cámara convencional modificada que los investigadores han usado para nutrir a su algoritmo.

Cómo se puede utilizar en un cultivo

La investigadora del Instituto de Agricultura Sostenible asegura que el sistema supone un ahorro económico para el agricultor, por la reducción en el uso de herbicida, que ya no se aplicaría en toda la parcela. (De ahí que también sea un beneficio para el medio ambiente en comparación con los tratamientos convencionales). Además, se evitan pérdidas de producción a causa de estas malas hierbas.

clasificacion plantas

En verde, los cultivos; en rojo, las malas hierbas

“El momento fenológico en que se lleva a cabo la toma y análisis de las imágenes y la generación del mapa de tratamiento es cuando el cultivo es más sensible a la competencia de la mala hierba, cuando mayores pérdidas de producción podrían generarse en caso de no controlar dicha infección”, señala de Castro.

El sistema deja unas instrucciones claras. “El agricultor recibiría un mapa de tratamiento en el momento idóneo de aplicación del herbicida, indicándole las zonas donde debe realizarse el tratamiento”.

Una tecnología abierta a todos

El trabajo ha sido publicado en la revista Remote Sensing. En ella se detalla el procedimiento a seguir para reproducir el algoritmo. Esto quiere decir que un usuario experto en teledetección podría desarrollar el sistema y utilizarlo. Así, cualquier empresa interesada en emplear esta tecnología puede hacerlo e incluso trabajar con los investigadores para ponerla en práctica, como apunta de Castro.

“Desde el grupo imaPing estamos abiertos a realizar colaboraciones que permitan explotar  este procedimiento de manera útil a cualquier agricultor, cooperativa o empresa de gestión que esté interesada”, es su mensaje para invitar al mundo de la agricultura y las empresas de servicios drones a explorar las posibilidades del nuevo sistema.

Aplicaciones de drones a las masas forestales.

Proyecto elaborado por: Mª José Checa Alonso, Mª del Rosario Escudero Barbero, Francisco José Lario Leza y Pilar Porcel Prado (Tragsatec –  Grupo Tragsa).

masas forestales y drones

Introducción

Durante los años 2013 y 2014, el Grupo Tragsa ha formado parte del consorcio internacional a cargo del proyecto SUDOE FORRISK, cofinanciado con ayuda FEDER por el programa Interreg IVB SUDOE, con referencia FORRISK–Soe3/p2/F523.

Este proyecto pretende conocer el estado y los riesgos que afectan a las masas forestales del sudeste europeo (incendios, plagas, etc.), con el objetivo de probar y desarrollar innovaciones técnicas que contribuyan a reducir los daños forestales producidos por factores bióticos y abióticos.

Dentro del Grupo Tragsa, el Departamento de Teledetección de Tragsatec ha empleado las técnicas de la teledetección para explorar la utilidad de distintos tipos de datos de observación de la Tierra, en el seguimiento fitosanitario de las masas forestales. El desarrollo del trabajo se ha basado en la utilización de diversos índices espectrales, que proporcionan información sobre el estado de la vegetación, y que han sido contrastados con datos de verdad terreno.

Este proyecto de I+D+I , se ha planteado a dos escalas de trabajo, una regional, para la que se han utilizando datos de observación de la tierra procedentes de plataformas basadas en satélite, y otra local, a partir de imágenes adquiridas con sensores a bordo de sistemas de aeronave pilotada por control remoto (RPAS). en este artículo, solamente se aborda el trabajo realizado a escala local, con datos adquiridos utilizando plataformas basadas en RPAS.

Zona de estudio

La zona de estudio comprende un polígono de 13 hectáreas, ubicado en el paraje Pena de Francia, en el municipio pontevedrés de dozón. La masa forestal en la parcela de estudio está compuesta mayoritariamente por Pinus pinaster, de unos 14 años de edad, en estado de latizal y afectados por Armillaria mellea, según estudios previos, Figs. 1 y 2.

masas forestales y drones

masas forestales y drones

La infección por Armillaria mellea afecta al sistema radicular de los árboles. Las plantas enfermas se desarrollan más lentamente y muestran un decaimiento general, con hojas más pequeñas y cloróticas. Cuando el sistema radicular está completamente afectado, se produce el rápido decaimiento de la copa del árbol y su muerte, pudiendo pasar muchos años hasta que los síntomas se hacen evidentes.

La vía de propagación más habitual es por contacto de los rizomorfos con las raíces de los árboles sanos a su alrededor, lo que provoca un patrón característico de grupos de árboles muertos, como se aprecia en la parte inferior izquierda de la Fig. 2.

Datos de observación de la tierra

Como ya se ha comentado, el estudio comprende dos escalas de trabajo: regional y local. para el trabajo a escala regional, se han utilizado dos imágenes de verano (años 2010 y 2014), adquiridas por el satélite WorldView 2. Los datos proporcionados por esta plataforma incluyen una banda pancromática, con una resolución espacial de 50 cm, y ocho bandas multiespectrales, de dos metros de resolución espacial. El ancho de barrido del sensor es de 16 km.

La configuración de las bandas multiespectrales proporcionadas por WorldView 2 abarca desde el espectro visible, hasta el infrarrojo cercano, lo que permite la caracterización y seguimiento del estado de la vegetación. en cuanto al trabajo a escala local, se utilizaron dos plataformas basadas en RPAS de ala móvil, de tipo multirrotor (Microdrones Gmbh, MD4-200 y MD4-1000), al ser el tipo de aeronave más adecuada para un entorno forestal, debido a las limitaciones del espacio disponible para el despegue y aterrizaje.

Respecto a los sensores embarcados, fueron una cámara digital, RGB, de pequeño formato (Canon IXUS 125 HS) y una cámara multiespectral Tetracam Mini-MCA6. ésta última, dispone de seis canales, de banda estrecha (ancho de banda de 10 nm), con una configuración espectral adaptada a los estudios de vegetación.

masas forestales y drones

Simultáneamente al vuelo de los RPAS, se tomaron puntos GPS, utilizados en el proceso de georreferenciación de las imágenes, y se realizaron medidas de la intensidad de la luz, con un fotómetro solar, usadas en la corrección atmosférica de las imágenes multiespectrales.

Campaña de campo

En diciembre de 2013, se realizó una primera campaña de campo, en colaboración con la estación Fitopatológica de Areeiro, que consistió en el análisis fitopatológico sobre presencia/ausencia de Armillaria en el suelo, y de otros hongos en la parte aérea de los pinos.

Los resultados de esta campaña no fueron clarificadores, debido a que Armillaria estaba extendida por toda la zona de estudio, sin que exista ninguna diferencia en la incidencia entre las zonas definidas, inicialmente, como afectadas y como sanas. en verano de 2014, se realizó una segunda campaña de campo, con el objetivo de establecer relaciones experimentales entre variables fisiológicas asociadas al estrés hídrico (los síntomas de la infección por Armillaria mellea son similares a los del estrés por sequía) y los índices de vegetación derivados de las imágenes multiespectrales.

masas forestales y drones

Control de calidad de los datos adquiridos con RPAS

Las imágenes adquiridas con plataformas RPAS fueron suministradas por la empresa Zumain Ingenieros, S.L., en colaboración con el IAS-CSIC de Córdoba.

En cuanto al control de calidad realizado en el departamento de teledetección de Tragsatec sobre esos productos Tabla 3, se centró en dos aspectos fundamentales, geometría (precisión planimétrica de los datos) y radiometría.

masas forestales y drones

Como resultado de estos controles, se comprobó que la calidad geométrica era suficiente para el objetivo del estudio, mientras que no sucedía lo mismo con la calidad radiométrica de las imágenes. tanto éstas, como los productos derivados, presentan una serie de deficiencias, que dificultan su utilización en este tipo de proyectos:

  • Desalineación de las bandas en el mosaico multiespectral, posiblemente debido al proceso de generación del mosaico (Fig. 9.3, parte superior izquierda).
  • Desalineación de las bandas multiespectrales en las escenas individuales, probablemente ocasionada por el diseño del sensor, con 6 cámaras independientes, que presentan un desplazamiento físico entre ellas y una posible falta de sincronización en los obturadores. Este efecto es más marcado en el borde de las escenas multiespectrales (Fig. 3, parte inferior derecha).
  • Blurring o desenfocado, originado por vibraciones transmitidas al sensor, como consecuencia de un aislamiento deficiente del posicionador. Este problema se observa tanto en las imágenes RGB, como en las multiespectrales, en las que es especialmente relevante (Fig. 4 izquierda, y Fig. 5 izquierda).
  • Vignetting o diferencias de iluminación radiales entre las zonas centrales y marginales de la imagen. Este problema denota una baja calidad óptica del sensor, afecta a las imágenes multiespectrales y es muy notable en algunas de las bandas (ver figura 4 derecha).
  • El modelo digital de superficies presenta zonas con muy baja densidad en la nube de puntos, debido a problemas de correlación de las imágenes durante el proceso de aerotriangulación (Fig. 5 derecha).

masa forestales y drones

masa forestales y drones

masa forestales y drones

Análisis de las imágenes

La metodología aplicada para el análisis de las imágenes consistió en:

  • Extracción de una máscara de arbolado, con el fin de facilitar el análisis de la vegetación objeto de estudio.
  • Cálculo de índices de vegetación relacionados con distintos parámetros con significado biofísico.
  • Análisis de los índices de vegetación y correlación con los datos de parámetros medidos en campo.

Extracción de la máscara de arbolado

La extracción de la máscara de arbolado se llevó a cabo por clasificación de las bandas multiespectrales, en el caso de las escenas adquiridas con la cámara Tetracam.

Debido a las características de la zona de estudio, cubierta por un sotobosque muy heterogéneo y de gran desarrollo, se produjeron frecuentes confusiones entre los distintos tipos de vegetación (matorral y arbolado). Con el fin de depurar la máscara de arbolado, se evaluó el uso de un modelo de altura de la vegetación, derivado del modelo digital de superficie (MDS). En este último caso, los resultados no fueron satisfactorios, como consecuencia de las numerosas imprecisiones del MDS, especialmente en las transiciones entre el arbolado y el sotobosque, y allí donde había pies de árboles aislados.

Cálculo de índices de vegetación

Cada tipo de cobertura presenta una firma espectral típica, directamente relacionada con sus características de composición, geometría, etcétera. de esta forma, la proporción de luz incidente que es reflejada, absorbida o transmitida depende de las características de la cobertura del suelo y de la longitud de onda analizada.

La firma espectral de la vegetación está condicionada por la presencia de pigmentos, la estructura de la hoja y su contenido en agua, que variará en función de la especie, su estado fenológico, salud, y otros factores. En el espectro visible (400 a 700 nm), los pigmentos fotosintéticos son los que condicionan la respuesta espectral de la vegetación, mientras que en la región del infrarrojo cercano (700 a 1.350 nm), es la estructura interna de la hoja el factor condicionante.

Normalmente, las concentraciones altas de clorofila se relacionan con una buena salud de las plantas, mientras que, un incremento en la concentración de carotenos y antocianinas se vincula a situaciones de estrés o senescencia (tonos amarillos y rojos de las hojas; Fig. 6 izquierda).

Los índices que se han aplicado sobre las imágenes multiespectrales se pueden agrupar en tres categorías:

  • Índices relacionados con la concentración en pigmentos, como el ArI (Anthocyanin Reflectance Index, Gitelson, et al., 2001), que informa sobre la concentración en antocianinas.
  • Índices estructurales relacionados con la actividad fotosintética de las plantas, como el NDVI (Normalized Difference Vegetation Index, Rouse, et al., 1973).
  • Índices relacionados con la eficiencia en el uso de la luz, como el PRI (Photochemical Reflectance Index, Gamon, et al., 1992).

MASAS FORESTALES Y DRONES

Muchos de estos índices fueron diseñados originalmente para trabajos con imágenes hiperespectrales y se calculan utilizando bandas espectrales estrechas (2 – 10 nm). estos índices están diseñados específicamente para ver picos de absorción muy concretos y en la mayoría de las ocasiones, con rangos de variaciones muy pequeños, por lo que requieren datos y mediciones muy precisas.

MASAS FORESTALES Y DRONES

Como se observa en la Fig. 7, los índices calculados a partir de bandas espectrales cuyas diferencias en los valores de reflectividad son muy pequeños (PRI y ARI, Fig. 6 derecha), la información aportada queda enmascarada por las fuentes de ruido del sensor (vignetting, principalmente). Por ello, estos índices no se pueden considerar fiables cuando se calculan con imágenes de tan poca calidad radiométrica.

Sin embargo, otros índices en los que intervienen bandas espectrales con rangos amplios de valores de reflectividad, como el NDVI (Fig. 6 derecha), sí muestran una gradación de valores entre los árboles sanos y los enfermos.

Correlación con los datos de campo

Aunque en el momento de escribir este artículo no ha concluido el análisis de correlación entre los parámetros fisiológicos medidos en campo y los índices de vegetación derivados de las imágenes multiespectrales, lo que sí podemos afirmar del análisis a nivel de árbol es que existe un gradiente desde las zonas centrales de los claros, con presencia de árboles muertos y pies más dispersos, a las zonas de la plantación menos afectadas o sanas. como se ve en la Fig. 8, los valores de NDVI más altos se corresponden con los árboles con mayor vigor vegetal, situados en las zonas más densamente arboladas, mientras que los valores de NDVI más bajos se registran en los árboles más aislados en la zona central (muy afectada por la infestación) y en los bordes de los claros, situados en lo que sería el frente de avance del hongo.

MASAS FORESTALES Y DRONES

Conclusiones

Las principales columnas a las que se ha llegado durante el desarrollo de los trabajos son los siguientes:

  • Este proyecto ha permitido explorar el potencial de los datos RPAS junto con otros datos de observación de la Tierra en aplicaciones de sanidad forestal. Para este tipo de estudios, se recomienda hacer el seguimiento a escala regional de la masa forestal utilizando sensores multiespectrales a bordo de satélites, mientras que para el seguimiento frecuente, a escala local, de los puntos de interés, que requieran gran nivel de detalle, se recomienda el uso de sensores embarcados en RPAS.
  • Los RPAS pueden ser una alternativa viable, tanto desde el punto de vista técnico, como económico, frente a los sensores aerotransportados y las imágenes de satélite de muy alta resolución espacial, en los casos en que la superficie a estudiar sea pequeña (decenas de hectáreas).
  • A la hora de elegir esta tecnología, hay que valorar sus ventajas (alta disponibilidad, facilidad de operación) y sus inconvenientes, ligados a las limitaciones operacionales (reducida autonomía, condiciones meteorológicas, limitaciones legales) y a la escasa oferta de sensores.
  • Para aplicaciones de teledetección, es necesario desarrollar metodologías de trabajo adaptadas a las particularidades de este tipo de datos, incluyendo el proceso de captura y la preparación de las imágenes. también se requieren nuevas herramientas informáticas, que permitan su uso eficiente y rentable en un entorno productivo.

Fuentes: http://www.todrone.com/

                 http://drones.uv.es/