Skip main navigation

New offer! Get 30% off one whole year of Unlimited learning. Subscribe for just £249.99 £174.99. New subscribers only. T&Cs apply

Find out more

Vista aérea de los cultivos

En este artículo, Yasmin Van Brabant, Stien Hermans, Irene Borra Serrano, Wouter Saeys y Ben Somers, de KU Leuven hablan sobre los drones y la producc
Silhouette of hovering drone taking pictures of green meadows and hills at sunset
© Storyblocks

Drones: mucho más que un juguete infantil.

Un artículo de Yasmin Van Brabant, Stien Hermans, Irene Borra Serrano, Wouter Saeys y Ben Somers, de KU Leuven.

Estoy seguro de que muchos de ustedes han experimentado con un dron, un modelo de avión pilotado por control remoto equipado con una cámara, a la venta en cualquier juguetería o gran superficie. Sin embargo, los drones también se utilizan en un contexto profesional, por ejemplo, para obtener información sobre el estado de los cultivos en el campo. Estos sistemas de drones más profesionales, también denominados vehículos aéreos no tripulados (UAV) o sistemas de aeronaves pilotadas remotamente (RPAS), están disponibles en todas las formas y tamaños. Están equipados con un sistema de piloto automático, un GPS, una brújula y un altímetro barométrico que permiten al dron volar de forma plenamente autónoma. Estos drones pueden incluir distintos instrumentos, como una cámara de vídeo o de fotos, o sensores térmicos e infrarrojos. Las imágenes tomadas por drones (véase la figura 1) no solo ofrecen una vista aérea de la explotación. La información recogida también permite obtener una caracterización detallada del estado de los distintos cultivos. Además, a diferencia de las plataformas de detección remota más tradicionales, como los satélites y las aeronaves (tripuladas), los drones pueden brindar imágenes con un nivel de detalle espacial mucho mayor y permitir una mayor flexibilidad en términos de cuándo volar. En conjunto, no debería sorprender que la tecnología de drones ofrezca oportunidades muy interesantes para la agricultura de precisión. A lo largo de este artículo presentaremos algunas de las posibilidades de supervisión de cultivos basada en drones.

Figura 1 – Cubo de imágenes ráster

Los drones suelen facilitar datos de imagen en formato ráster. Un ráster consiste en una matriz de celdas (o píxeles) organizadas en filas y columnas donde cada celda contiene un valor. En el caso de imágenes, estos valores corresponden a la cantidad de luz en una determinada banda de ondas (color) que es reflejada por los objetos situados en el suelo. Para cada banda de onda se crea una capa ráster separada. En el caso de una sencilla cámara fotográfica RGB sensible a la luz roja, verde y azul (como la de su smartphone), el cubo ráster final consta de tres capas, una para cada color o longitud de onda. A diferencia de las fotografías que toma para divertirse, las destinadas a la investigación deben ser científicamente válidas. Esto significa que las imágenes deben someterse a algunos pasos de “procesamiento previo” antes de poder utilizarse para análisis posteriores. Durante el vuelo, el dron toma muchas imágenes superpuestas del campo agrícola que se unen formando un mosaico de imagen grande. El mosaico de imagen resultante se vincula a la ubicación correcta en la Tierra (= georreferenciación). Por último, se eliminan los posibles artefactos relacionados con las características del sensor, las condiciones atmosféricas, la posición del sol en el momento de tomar la imagen y la topografía local (= corrección radiométrica).

Cubo de imágenes ráster (Traducción en español)

Supervisión de la biomasa de los cultivos

Dado que la agricultura guarda relación con la producción de biomasa (comestible), es importante que los agricultores supervisen el desarrollo de los cultivos para tomar decisiones de gestión. Las imágenes facilitadas por los drones resultan muy adecuadas para este tipo de aplicaciones. Uno de los métodos más sencillos consiste en utilizar drones para supervisar la cobertura geográfica de los cultivos (individuales) durante la temporada de crecimiento. Podemos programar algoritmos informáticos para reconocer la diferencia de aspecto entre los píxeles de cultivo y los píxeles no cultivados (por ejemplo, sombra, suelo desnudo y malas hierbas). De este modo, podrán aprender a extraer automáticamente todos los píxeles de cultivo a partir de imágenes de drones. Según la clasificación (cultivo o no cultivo) de los píxeles, se pueden elaborar mapas donde se detecten zonas con menor cobertura de cultivos y se puedan tomar decisiones de corrección (por ejemplo, aplicación de fertilizantes o herbicidas).

El procesamiento de imágenes más avanzado permite estimar la altura de las distintas plantas y utilizar estos datos para calcular la biomasa. De este modo, las imágenes de los drones en 2D se convierten en una representación de los cultivos en 3D (véase la figura 3). A partir de esta representación en 3D, es posible extraer información estructural como la altura y el volumen de la cubierta como indicadores de la cantidad de biomasa. La figura 2 ilustra cómo estas representaciones en 3D, obtenidas a partir de imágenes de drones, permiten supervisar el crecimiento de raigrás perenne, que se puede encontrar en tierras de pasto.

Figura 2 – Cómo las representaciones en 3D obtenidas a partir de imágenes de drones nos permiten supervisar el crecimiento de raigrás perenne

Figura 2 (Clic para ampliar)

Figura 3 – De imágenes en 2D a un modelo de los cultivos en 3D

Al recopilar imágenes drones, a menudo se recogen como una serie de imágenes superpuestas, como se puede observar en la siguiente ilustración.

Figura 3 (Traducción en español)

La razón principal para recopilar imágenes de drones superpuestas es permitir el desarrollo de un modelo en 3D que también incluya información de altura. Un procedimiento comúnmente aplicado para lograrlo es Structure from Motion (SfM). Este enfoque se basa en la teoría de la visión estéreo, imitando la forma en que la visión humana permite la percepción de profundidad. El principio básico es que observa el mismo objeto desde distintas posiciones/ángulos de observación (es decir, diferente posición de ambos ojos en la visión humana frente a diferentes ángulos de visión en caso de imágenes de drones superpuestas).

A continuación, puede ver una ilustración del enfoque SfM aplicado a las imágenes de drones adquiridas sobre un huerto de peras en Bélgica (figura 4). La estructura en 3D de las distintas ramas y hojas resulta evidente.

Figura 4 – Imagen 2D RGB e imagen 3D Point

Figura 4 (Clic para ampliar)

Contando flores y frutas

Las imágenes de drones nos permiten estimar el número de frutas en los huertos de manzana o pera mucho antes de sus fechas reales de cosecha. Esto permite a los fruticultores organizar eficazmente la cosecha y el almacenamiento de sus frutos. En primavera, ya podemos hacernos una primera idea sobre la posible cosecha contando el número de grupos de flores. Dado que hacer este recuento manualmente exigiría demasiado tiempo, los agricultores prefieren aplicar un enfoque más automatizado. En el panel izquierdo de la figura 5, se puede observar que en una imagen de dron, las flores blancas de los perales se diferencian notablemente de su entorno. Esto significa que pueden distinguirse fácilmente con el uso de sencillos algoritmos de clasificación por ordenador. En el panel central, estos píxeles de flores se han resaltado en azul. Dado que varios píxeles corresponden a la misma flor, los más próximos entre sí se agrupan, como ilustra el panel derecho.

Figura 5: Contando flores y frutas

Figura 5 (Clic para ampliar)

Estudio de vitalidad de los cultivos

Para los agricultores, es muy importante supervisar de cerca la salud y vitalidad de sus cultivos, dado que esto les permite responder rápidamente a factores estresantes como sequías, plagas y enfermedades. Las cámaras de los drones pueden captar el mundo en esos colores que apreciamos con nuestros ojos humanos (longitudes de onda visibles), pero también “colores” que resultan invisibles para nosotros, como la luz infrarroja. Cuando las plantas sufren estrés, la composición química de sus hojas y su estructura interna se alteran. Los cambios en la composición química de una planta, especialmente los pigmentos de las hojas como la clorofila y los carotenoides, afectan principalmente a las longitudes de onda visibles, mientras que los cambios en la estructura del tejido afectan mayormente a las longitudes de onda infrarrojas invisibles. Así, la relación de luz infrarroja a luz visible es una buena indicación de la vitalidad o salud de la planta. Se han desarrollado y empleado diversos indicadores fitosanitarios, denominados «índices de vegetación», para lograr la detección temprana del estrés en los cultivos. La siguiente figura ilustra dos de estos índices de vegetación relacionados con los pigmentos de las hojas en un huerto. Sobre la base de los valores del índice de vegetación, las plantas estresadas en la parte superior de la parcela pueden distinguirse claramente de las plantas sanas en la parte inferior.

Figura 6: Estudio de vitalidad del cultivo

Figura 6 (Clic para ampliar)

Conclusión

Como ilustran los distintos ejemplos concretos anteriores, los drones pueden ser una fuente de información muy útil para los agricultores. Pueden ayudarles a representar la variabilidad en el campo en materia de productividad y vitalidad de los cultivos, incluso a nivel de la planta individual. Como tal, pueden indicar a los agricultores dónde, cuándo y cómo (volver a) actuar para optimizar sus cosechas. Además, pueden ofrecer estimaciones de producción a principios de la temporada de cultivo, permitiendo así a los agricultores planificar con antelación en términos de gestión, cosecha y capacidad de almacenamiento.

Para los lectores interesados, incluimos referencias a algunas publicaciones clave que tratan en más profundidad las aplicaciones actuales de drones en la agricultura. Consulte el documento Referencias (References) en la sección Descargas (Downloads), a continuación.

© KU Leuven
This article is from the free online

Revolucionar la cadena alimentaria mediante la tecnología

Created by
FutureLearn - Learning For Life

Reach your personal and professional goals

Unlock access to hundreds of expert online courses and degrees from top universities and educators to gain accredited qualifications and professional CV-building certificates.

Join over 18 million learners to launch, switch or build upon your career, all at your own pace, across a wide range of topic areas.

Start Learning now