 Resumen

La agricultura de precisión (AP) es la aplicación de técnicas y sensores geoespaciales (por ejemplo,

sistemas de información geográfica, sensores remotos, GPS) para identificar variaciones en el campo
y tratarlas mediante estrategias alternativas. En particular, las imágenes satelitales de alta resolución
ahora se usan más comúnmente para estudiar estas variaciones para las condiciones del cultivo y el
suelo. Sin embargo, la disponibilidad y los costos a menudo prohibitivos de tales imágenes sugerirían
un producto alternativo para esta aplicación particular en PA. Específicamente, las imágenes tomadas
por plataformas de detección remota de baja altitud o pequeños sistemas aéreos no tripulados (UAS),
se muestran como una alternativa potencial dado su bajo costo de operación en monitoreo
ambiental, alta resolución espacial y temporal, y su alta flexibilidad en la adquisición de imágenes
programación. No es sorprendente, ha habido varios estudios recientes en la aplicación de imágenes
UAS para AP. Los resultados de estos estudios indicarían que, para proporcionar un producto final
confiable a los agricultores, se requieren avances en el diseño de la plataforma, la producción, la
estandarización de la georreferenciación de imágenes y la creación de mosaicos, y el flujo de trabajo
de extracción de información. Además, se sugiere que tales esfuerzos deben involucrar al agricultor,
particularmente en el proceso de diseño de campo, adquisición de imágenes, interpretación y análisis
de imágenes.
  Introducción

Aunque es un elemento esencial de nuestros medios de vida, la producción agrícola puede tener un
impacto adverso en el entorno, especialmente en lo que respecta a la calidad del agua.
Una característica única de esta industria es que proporciona productos biológicos que son
extremadamente sensibles tanto a las condiciones ambientales como a las prácticas de manejo
(Swain et al. 2007).
Por lo tanto, es fundamental que los agricultores sepan, de manera oportuna, dónde existen
variaciones en sus
campos a fin de ajustar sus prácticas en consecuencia. Por consiguiente, Cualquier técnica que facilite
la estabilización o el aumento de la producción agrícola al mismo tiempo que medie los impactos de
esta actividad en el medio ambiente será un beneficio para la sociedad. Por ejemplo, Los sensores
capaces de detectar la variabilidad del campo, como la tecnología de tasa variable (aplicación) (VRT),
y los monitores de rendimiento de grano se han utilizado en combinación con la GPS de alta precisión
de posición para tratar estos problemas (Stafford 2000; Price 2004; Robertson et al. 2007 ). Dichos
sistemas se encuentran bajo los términos generales de agricultura de precisión (PA), agricultura de
precisión, manejo de cultivos específicos del sitio o incluso agricultura específica del sitio. Estos
términos sugieren que la gestión agrícola se puede practicar con cierto grado de precisión. En
consecuencia, la PA proporciona un medio alternativo y realista para reducir y optimizar el uso de
compuestos potencialmente dañinos y, por lo tanto, puede promover un ambiente más saludable
para los seres humanos. Aunque es beneficioso, hay algunas cuestiones clave en la AP que deben
abordarse, incluida la falta de sistemas adecuados de apoyo a la decisión y el reconocimiento
insuficiente de la variación temporal y la auditoría ambiental (McBratney et al. 2005).
Con el desarrollo de nuevas tecnologías de detección y las aplicaciones cada vez mayores de AP, se
está desarrollando un mayor número de equipos agrícolas de complejidad creciente. Actualmente
VRT es el área más avanzada de PA. Sin embargo, el éxito operacional de la VRT requiere mapas
precisos del crecimiento de los cultivos, malezas, infestaciones de insectos, deficiencias de nutrientes
de los cultivos y otras condiciones de los cultivos y el suelo (Moran et al. 1997). Los profesionales de
la AP usan estos datos para hacer coincidir el suministro de nutrientes (y otras operaciones) con la
variabilidad espacial de las plantas de cultivo (Cook y Bramley 1998; Robertson et al. 2007). Como
tales, los tiempos cortos de revisión son un componente necesario que permite una respuesta rápida
a las condiciones desfavorables del cultivo o del campo. Con la tendencia actual de aumentar el
tamaño de la finca, también es más costoso adquirir conjuntos de datos más grandes para evaluar la
variabilidad del campo (Quilter 1997). Las imágenes satelitales y las fotos aéreas tomadas durante la
temporada de crecimiento se han utilizado para monitorear el crecimiento de los cultivos, el estrés de
los cultivos y para predecir el rendimiento de los cultivos (Stafford 2000; Warren y Metternicht 2005),
pero hasta el momento su uso se ha visto limitado debido a los malos tiempos de revisión y o
resoluciones espaciales gruesas (Moran et al. 1997; Stafford 2000). Por otra parte, el uso de
tripulados aéreos.
las plataformas están limitadas por la alta complejidad operativa, los costos y la entrega prolongada
de productos (Moran et al. 1997; Zhang et al. 2006; Berni et al. 2009a Rango et al. 2009). Con los
avances tecnológicos recientes en ingeniería aeroespacial, el sistema de detección remota de baja
altitud (LARS), un concepto relativamente nuevo de adquisición de imágenes de la superficie de la
Tierra a baja altitud utilizando sistemas aéreos no tripulados (UAS) (Swain et al. 2007), se está
promoviendo como Una plataforma alternativa para este fin. La resolución espacial ultraalta (por
ejemplo, centímetros), los costos operativos relativamente bajos y la adquisición de imágenes en
tiempo casi real (Hunt et al. 2005; Lelong et al. 2008; Nebiker et al. 2008; Rango et al. 2009; Hardin y
Hardin 2010; Xiang y Tian 2011) indicarían que estas plataformas son herramientas ideales para el
mapeo y monitoreo en PA. El propósito de esta revisión es proporcionar información sobre estos
dispositivos en particular definiendo la aplicación de la detección remota en PA y explorando los usos
y limitaciones actuales de UAS en monitoreo ambiental y PA, incluidas las restricciones de plataforma
y cámara, problemas de procesamiento de datos UAS, agricultor participación, y normativa
aeronáutica. Además, se discuten los posibles avances y usos alternativos de los UAS, que pueden
ayudar a facilitar su uso y atraer el interés de los agricultores en su aplicación.
dentro de PA.
 Detección remota y PA
Las etapas generales de la práctica de AP son la recopilación de datos, el mapeo de variabilidad
de campo, la toma de decisiones y, finalmente, la práctica de gestión. Se sugiere que la
detección remota podría participar en las primeras tres de estas etapas (Stafford 2000; Warren
y Metternicht 2005). En particular, es fundamental obtener imágenes / mapas actualizados
durante el proceso de toma de decisiones, por lo que la variabilidad del campo podría
mapearse utilizando imágenes de sensores remotos. La teledetección ambiental esencialmente
utiliza la energía radiante para extraer información sobre las características del terreno a lo
largo de grandes áreas de franjas dentro de un corto período de tiempo. La percepción remota,
junto con otras técnicas geoespaciales, se ha aplicado en la agricultura desde la década de 1950
(Colewell, 1956). Sin embargo, el uso anterior de fotografías aéreas en la década de 1930 por la
Administración de Ajuste Agrícola de los Estados Unidos para mediciones precisas de tierras de
cultivo también se ha documentado (Monmonier 2002). La premisa básica subyacente de las
aplicaciones de detección remota en AP es que las diferencias en el crecimiento del cultivo y la
condición del suelo se pueden detectar a través de variaciones dentro de las respuestas
espectrales (Warren
y Metternicht 2005). Específicamente, los cambios en la reflectancia detectada remotamente
pueden ser
Los síntomas detectados antes, como las infecciones por hongos y hojas de moho, se vuelven
visibles para el ojo humano (Lorenzen y Jensen 1989; Malthus y Maderia 1993).
Las plataformas comunes de detección remota incluyen satélites, aviones, globos y
helicópteros, y una variedad de sensores, como sensores ópticos e infrarrojos cercanos, y
RADAR (Detección y alineación RAdio) instalados en estas plataformas para aplicaciones de
detección remota. La información de diagnóstico derivada de las imágenes recopiladas a partir
de estos sensores a bordo, como la biomasa, el Índice de Área de la Hoja (LAI), las
enfermedades, el estrés hídrico y el alojamiento, pueden ayudar en el manejo de los cultivos, la
previsión de rendimiento y la protección ambiental. Las aplicaciones agrícolas generales que
utilizan sensores remotos incluyen el monitoreo y el mapeo de las propiedades del suelo (por
ejemplo, De Tar et al. 2008; Gomez et al. 2008), clasificación de especies de cultivos (eg, Rao et
al. 2007; Rao et al. 2008), plaga de cultivos gestión (p. ej., Lan et al. 2009), detección de estrés
hídrico de la planta (p. ej., Lelong et al. 1998; Erickson et al. 2004), análisis del contenido
químico de la hoja (p. ej., Wu et al.
2007; Wu et al. 2008) y control de control de malezas (por ejemplo, Lamb y Brown 2001;
Scotford y Miller 2005; Gutiérrez et al. 2008). Muchas especies de cultivos han sido
monitoreadas usando técnicas de detección remota que incluyen canola, maíz, algodón, sorgo y
trigo (por ejemplo, Lelong et al. 1998; Yang et al. 2001; Seelan et al. 2003; Warren y
Metternicht 2005; Zhao et al . 2007). La fotografía aérea se ha utilizado en el mapeo de
rendimiento para identificar la variación de campo (Godwin et al. 2003), pero la mayoría de las
imágenes utilizadas en estos estudios son hiperespectrales en el aire (por ejemplo, Godwin et
al. 2003; De Tar et al. 2008; Lelong et al 1998), satélite hiperespectral (por ejemplo, Rao et al.
2008), o satélite multiespectral (por ejemplo, Gomez et al. 2008; Clevers 1988; Du et al. 2008).
Además, las técnicas hiperespectrales de rango cercano también se han utilizado para examinar
las respuestas espectrales de dosel de campo (por ejemplo, Zhao et al. 2007; Gomez et al.
2008; Rao et al. 2008; Gomez-Casero et al. 2010). Hasta la fecha, el dominante recogido de
forma remota.
Las imágenes para PA han sido ópticas. Sin embargo, imágenes de radar de apertura sintética
(SAR).
recientemente se ha demostrado que son útiles en el mapeo de tipo de cultivo y la evaluación
de la condición, la labranza del suelo y el mapeo de residuos del cultivo, la estimación de la
humedad del suelo, la predicción del rendimiento y el manejo de la zona (McNairn y Brisco
2004). La aplicación limitada de las imágenes de SAR en la agricultura es más probable debido a
los costos, el tiempo y la interpretación de estos datos (McNairnand Brisco 2004). En
comparación con las imágenes satelitales, las imágenes adquiridas con UAS generalmente
tienen mayor resolución temporal (por ejemplo, adquisiciones diarias) y mayores resoluciones
espaciales (por ejemplo, centímetros), lo que hace necesario examinar la aplicación de
imágenes de alta resolución en PA. En lo que respecta a las imágenes de alta resolución, se han
realizado muchos estudios que examinan las condiciones de los cultivos, en particular los
relacionados con LAI. LAI es el parámetro fundamental del dosel en dos procesos fisiológicos
básicos, la fotosíntesis y la evapotranspiración, que dependen más de la radiación solar
(Warren y Metternicht 2005). La mayoría de los modelos de crecimiento de cultivos y
rendimiento de cultivos requieren una estimación del LAI de las copas de los cultivos.
LAI es un parámetro básico que puede vincular la teledetección multiespectral al crecimiento
del cultivo y la condición para las mediciones biológicas (por ejemplo, Wu et al. 2007; Lopez-
Lozano et al. 2009). Otras mediciones estimadas que utilizan datos de detección remota
incluyen propiedades de la superficie del suelo (por ejemplo, Sullivan et al. 2005), estrés hídrico
(Zarco-Tejada et al. 2012), cobertura vegetal (por ejemplo, Laliberte et al. 2005), contenido de
nitrógeno (por ejemplo, Beeri et al. 2005; Zhang et al. 2006; Shou et al. 2007; Bausch and
Khosla 2010), altura del cultivo (p. Ej., Donoghue et al. 2006), biomasa por encima del suelo (p.
Ej., Beeri et al. 2005), cultivo rendimiento (p. ej., Enclona et al. 2004), extensión de malezas (p.
ej., Gomez-Casero et al. 2010),
y especies de cultivos (por ejemplo, Pena-Barragan et al. 2008; Castillejo-Gonzalez et al. 2009).
Estos datos también se han utilizado para controlar otros parámetros biológicos, como el
contenido (o concentración) de clorofila de la hoja y el contenido (o concentración) de
nitrógeno de la hoja a lo largo del tiempo (Stafford 2000; Berni et al. 2009a, b). Muchos de los
parámetros mencionados se determinan utilizando índices de vegetación que se encuentran
entre las herramientas más utilizadas en la teledetección agrícola. En particular, los índices de
vegetación tales como el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de
Vegetación Ajustado del Suelo (SAVI) y el NDVI de G (reen), se han utilizado ampliamente para
estudiar varios parámetros biológicos cuantitativamente (Hunt 2005; Swain et al. . 2007; Lelong
et al. 2008). Sin embargo, un problema común que se encuentra con el uso de estos índices en
estudios agrícolas es la saturación a un nivel alto de IAI (Haboudane et al. 2004). Las
aplicaciones de la teledetección en general han demostrado ser beneficiosas y rentables
(Godwin et al. 2003; Seelan et al. 2003; Tenkorang andDeBoer 2007), pero las aplicaciones
actuales en PA aún son limitadas. Según una encuesta realizada en EE. UU. En 2009, la adopción
de imágenes satelitales y fotos aéreas en AP ha cambiado de 16.1 a 30.3% entre 2004 y 2009
(Whipker y Akridge 2009). Sin embargo, el número de personas que emplean la teledetección
dentro de las tecnologías de AP sigue siendo bastante pequeño (Warren y Metternicht 2005;
Whipker y Akridge 2009). Las limitaciones identificadas para las aplicaciones de los sistemas de
detección remota en la administración de fincas incluyen: la recopilación y entrega de imágenes
de manera oportuna, la falta de datos de alta resolución espacial, la interpretación de imágenes
y los problemas de extracción de datos; y, la integración de estos datos con datos agronómicos
en sistemas expertos (Jackson 1984; Du et al. 2008). Por ejemplo, algunas decisiones
particulares de manejo de granjas, como la detección de malezas y el manejo de malezas,
requieren imágenes de resolución espacial muy altas, a menudo del orden de centímetros
(Robert 1996). Desafortunadamente, los datos de detección remota más fácilmente
disponibles, las imágenes satelitales de resolución media (por ejemplo, LandsatTM, ASTER,
SPOT5), solo son útiles para estudios a gran escala. Además, incluso las imágenes satelitales de
resolución más alta (p. Ej., WorldView-2 y GeoEye-1) no pueden proporcionar datos de alta
frecuencia para situaciones emergentes (p. Ej., Monitoreo de estrés de nutrientes,
enfermedad) con un período limitado de revisión de 1-2 días. También es un impedimento
crítico para las adquisiciones de imágenes satelitales ya que la temporada de crecimiento
también suele ser la lluvia.
temporada. Además de las limitaciones reales de los sensores, las aplicaciones de detección
remota en la agricultura también están limitadas por la interpretación y análisis de los
problemas que surgen cuando se trata de grandes cantidades de datos digitales (Murakami et
al. 2007). Además, se ha percibido una falta de utilidad en el mapeo de cultivos en crecimiento
y relativamente pocos analistas de detección remota confiables o firmas consultoras que
pueden tratar con estos productos (Griffin et al. 2004). Finalmente, se sugiere (Griffin et al.
2004) que una de las principales razones de la baja tasa de adopción de imágenes de sensores
remotos en AP es la falta de disponibilidad de estimaciones económicas confiables de retorno
de la aplicación de
Imágenes de teledetección. Algunos creen (Stafford 2000; Lambet al. 2008) que los costos, la
disponibilidad, la flexibilidad y el procesamiento de imágenes obtenidas por teledetección
desde satélites han hecho que sus aplicaciones sean prohibitivas y, por lo tanto, poco prácticas.
 Pequeños UAS y estudios ambientales/PA
Como se indicó, los costos y la disponibilidad de imágenes satelitales de alta resolución a
menudo limitan sus aplicaciones en AP (Wu et al. 2007). En consecuencia, el UAS podría ser un
sustituto económico y más práctico para los aviones satelitales y de aviación general para los
datos de detección remota de alta resolución. Además, los UAS son accesibles de inmediato
como una herramienta para los científicos y agricultores de la teledetección (Swain et al. 2010).
En los últimos años, pequeños UAS comerciales (\ 50 kg) (Laliberte y Rango 2011) han estado
disponibles para aplicaciones ambientales y agrícolas. Desde el primer caso reportado de
aplicación civil UAS (Tomlins 1983), aeronaves de ala fija, helicóptero y la generación más
reciente de micro UAS de quadrocopter con capacidad de despegue y aterrizaje vertical (VTOL)
se ha demostrado que son instrumentos útiles en la agricultura local. aplicaciones (Nebiker et
al. 2008; Rango y Laliberte 2010). Los pequeños UAS pertenecen a LARS, un conjunto de
herramientas para monitoreo ambiental siempre popular. La flexibilidad en los tiempos de
adquisición y los costos mucho más bajos para la extracción de imágenes podrían dar como
resultado que la pequeña industria de UAS supere la demanda de la aeronave tripulada
tradicional. Las imágenes capturadas utilizando UAS generalmente tienen una resolución
espacial de centímetros y la adquisición de las imágenes es manejable y no está tan
influenciada por la cobertura de nubes. Por lo tanto, las imágenes adquiridas de UAS podrían
ser una alternativa práctica a las fotos aéreas e imágenes satelitales de alta resolución. Aunque
no ha habido muchos
Los estudios de caso de UAS en PA, ejemplos de aplicaciones de UAS en estudios ambientales
se están volviendo cada vez más evidentes en la literatura. Tales estudios pueden proporcionar
una idea de cómo estos instrumentos pueden ser aplicables para varios esfuerzos de AP.
El uso de UAS pequeños ha florecido en la última década con varias plataformas LARS que se
utilizan específicamente para monitorear el cambio ambiental. Actualmente hay una gran
cantidad de estos instrumentos disponibles a varios costos. Algunas de las plataformas LARS
más baratas utilizadas para monitorear las condiciones ambientales incluyen dirigibles (Inoue et
al. 2000; Vericat et al. 2008), globos (Amoroso y Arrosmith 2000; Seang y Mund 2006) y
cometas (Aber et al. 2002; Wundram y Loffler 2007; Aber et al. 2009). Aunque es relativamente
barato, la maniobrabilidad de estas plataformas hace que sea un desafío para el monitoreo de
la condición del cultivo. En consecuencia, la plataforma LARS más popular para estudios
ambientales ha sido la pequeña UAS, que también se conoce como o incluye vehículos aéreos
no tripulados (UAV), vehículos controlados a distancia (RPV), aeronaves operadas a distancia
(ROA) y helicópteros controlados a distancia (RC -Helicóptero) (Eisenbeiss 2004). En los últimos
años, ha habido más aplicaciones utilizando pequeños aviones no tripulados (por ejemplo, Hunt
et al. 2003; Eisenbeiss 2004; Hunt 2005; Johnson et al. 2004; MacArthur et al. 2005; Laliberte et
al. 2007; Huang et al. 2008; Laliberte et al. 2010), helicópteros no tripulados (por ejemplo,
Sugiura et al. 2002; Sugiura et al. 2004; Swain et al. 2007; Berni et al. 2009a, b; Swain et al.
2010), planeadores motorizados ( Lelong et al. 2008), paracaídas motorizado (Lelong et al.
2008; Aber et al. 2010) y cuadrocopters
(es decir, helicóptero cuadrotor) (por ejemplo, Kendoul et al. 2007; Nebiker et al. 2008;
Primicerio et al. 2012) (Fig. 1). Estas plataformas incluyen unidades ensambladas de piezas
listas para usar (por ejemplo, Hardin y Jackson 2005; Xiang y Tian 2011) o completas
disponibles comercialmente
(por ejemplo, Eisenbeiss 2004; Laliberte y Rango 2011). Además de la variedad de plataformas
disponibles, existen numerosos tipos de sensores de detección remota que pueden utilizarse
para la recopilación de datos real. Los sensores para la captura de imágenes incluyen cámaras
de película (por ejemplo, Tomlins 1983; Quilter 1997; Aber et al. 2002; Hunt et al. 2003),
cámaras digitales comerciales (no métricas) de calidad comercial (por ejemplo, Amoroso y
Arrowsmith 2000) Inoue et al. 2000; Quilter y Anderson 2000; Eisenbeiss 2004; Chandler et al.
2005; Seang and Mund 2006; Lewis 2007; Lelong et al. 2008; Nebiker et al. 2008) e incluso
cámaras digitales modificadas con un infrarrojo cercano banda (por ejemplo, Hunt et al. 2008).
También se han desarrollado cámaras UAV específicas, que incluyen la cámara multiespectral
ADC (por ejemplo, Swain et al. 2007; Xiang y Tian 2011; Primicerio et al. 2012) y la cámara de
mapeo MCA (por ejemplo, Berni et al. 2009a, b ; Gomez-candon et al. 2011).
Para obtener imágenes para futuras georreferencias y / o mosaicos u obtener imágenes para
se necesitan puntos predefinidos, datos GPS / INS a bordo del UAS y una estación de control en
tierra con un sistema de planificación de vuelo (Eisenbeiss 2004; Laliberte y Rango 2011; Xiang
y Tian 2011; Primicerio et al. 2012). Las imágenes capturadas pueden transmitirse (es decir, con
un enlace descendente) a la estación de tierra o almacenarse en la memoria del sensor de la
unidad hasta que el vehículo haya aterrizado. También hay componentes de navegación y
control de vuelo para la nueva generación de UAS (Eisenbeiss 2004; Laliberte y Rango 2011;
Xiang y Tian 2011). El componente de navegación se utiliza para controlar la trayectoria de
vuelo del UAS y para monitorear y / o corregir el estado de vuelo (posición y orientación) de la
plataforma. El componente de control de vuelo se utiliza para mantener la estabilidad de la
plataforma a fin de garantizar que la posición de la plataforma sea óptima para la adquisición
de imágenes (Hardin y Jensen 2011; Xiang y Tian 2011). La estación terrestre proporciona una
interfaz de usuario que incorpora planificación de vuelo, control de vuelo
y / o adquisición de imágenes (Laliberte y Rango 2011; Xiang y Tian 2011) (Fig. 2).
Hasta la fecha, las imágenes adquiridas por UAS se han empleado con éxito para estimar el
Grado y extensión de la utilización de arbustos (Quilter y Anderson 2001), para mapear pasto
especies (Hardin y Jackson 2005), para mapear incendios forestales (Hinkleya y Zajkowski
2011), para medir la biomasa de arbustos (Quilter y Anderson 2001; Hardin y Jackson 2005),
para ayudar en el manejo de viñedos (Primicerio et al. 2012) y para mapear la vegetación de los
pastizales (Laliberte y Rango 2009). Con respecto a la agricultura, se han utilizado para detectar
parches de malezas pequeñas en los pastizales (Hardin et al. 2007), para documentar el estrés
hídrico en cultivos (Berni et al. 2009a), para monitorear la biomasa de cultivos (Hunt 2005;
Swain et al. 2010), para cartografiar el vigor del viñedo (Primicerio et al. 2012) y para examinar
los resultados de varios tratamientos de nitrógeno en cultivos (Hunt 2005; Swain et al. 2007).
Los UAS también se han utilizado para evaluar los sistemas de riego a escala de campo (Fig. 3).
Los tipos de cultivos examinados utilizando datos recolectados por UAS incluyen arroz (Swain et
al. 2007; Swain et al. 2010), trigo (Hunt et al. 2010), maíz (Hunt 2005), pasto (Xiang y Tian,
2011), e incluso el café (Johnson et al. 2004). Además, los UAS también se han utilizado para
muestrear polen (Aylor et al. 2006), esporas (Maldonado-Ramirez et al. 2005) y agentes de
enfermedades agrícolas.
(Schmale et al. 2008). Desafortunadamente, a diferencia de la detección remota por satélite, ha
habido un número mínimo de estudios cuantitativos sobre el crecimiento de cultivos basados
en imágenes adquiridas por UAS (Hunt et al. 2005; Hunt 2005; Lelong et al., 2008; Berni et al.
2009a, b; Hunt et al. 2010). Estos estudios examinaron las relaciones de los índices de
vegetación derivados de los sensores basados en UAS con el estado del nitrógeno del maíz y la
biomasa de la soja (Hunt 2005), diversos tratamientos con nitrógeno del arroz (Swain et al.
2007) y con LAI del trigo (Lelong et al. 2008).
 Limitaciones de UAS para aplicaciones de PA

Se ha sugerido que las aplicaciones exitosas de captura de imágenes con soporte UAS podrían
acortar el marco de tiempo necesario para el ajuste de las prácticas agrícolas y que los resultados
de este monitoreo de detección remota podrían superar los de los tratamientos de control
tradicionales (Beeri y Peled 2009). Aunque ya hay una variedad de aplicaciones UAS, todavía
existen problemas en la confiabilidad de la plataforma, la capacidad del sensor, el procesamiento
de imágenes y la difusión de productos finales.
 Plataforma y cámaras
Existen problemas técnicos bien conocidos para UAS pequeños, como la potencia del motor, la
corta duración del vuelo, las dificultades para mantener la altitud de vuelo, la estabilidad de la
aeronave y la maniobrabilidad en vientos y turbulencias (Laliberte et al. 2007; Hardin y Hardin
2010). La confiabilidad es otra preocupación para las aplicaciones UAS (Hardin y Hardin 2010;
Hardin y Jensen 2011). Las principales preocupaciones en la confiabilidad de UAS son fallas de
la plataforma debido a materiales de construcción inadecuados y avería del motor (Hunt et al.
2003; Jones et al. 2006; Hardin and Hardin 2010). Para una explicación técnica detallada de
tales limitaciones para plataformas UAS pequeñas, el lector debe consultar Hardin y Jensen
(2011). Otro problema clave que restringe la selección del sensor es el peso de la carga útil de
UAS. Las limitaciones de peso de la carga útil para UAS son generalmente de 20 a 30% del peso
total del sistema (Nebiker et al. 2008), lo que influye en gran medida en el sistema de sensor
que se puede conectar. En consecuencia, varias cámaras de consumo (no métricas) se habían
probado para el monitoreo de cultivos debido a su bajo peso y bajo costo (por ejemplo, Lelong
et al. 2008). Sin embargo, hay muchos problemas conocidos con estas cámaras, que incluyen
calidad óptica limitada, lentes con zoom, enfoque completamente automático (Nebiker et al.
2008) y, lo más importante para los estudios de vegetación, la falta de una banda de infrarrojo
cercano (NIR). Las cámaras prácticas multiespectrales específicas para UAS pequeños que
tienen la banda NIR, como mini MCA y ADC lite (Tetracam, Inc., Chatsworth, CA, Estados Unidos
de América), son bastante caras. Dependiendo de la plataforma y el sistema de sensor
seleccionado, el costo de un sistema combinado puede ser extremadamente prohibitivo para
las aplicaciones UAS PA. El costo de un UAS equipado con un GPS puede variar hasta US $
100,000 (Rango et al. 2009) y para el de una cámara multiespectral UAS de más de US $ 15,000.
Además, los altos costos de reparación y las ayudas piloto pueden aumentar aún más los costos
asociados con dichas plataformas (Hardin y Hardin 2010). En comparación con un costo
aceptable de $ 8,000 (Lewis 2007) o $ 100 por vuelo (Jones et al. 2006), el
Los costos actuales de tales sistemas pueden intimidar a muchos científicos ambientales.
(Hardin y Hardin 2010), sin mencionar a los practicantes de PA. Sin embargo, se anticipa que
puede producirse una caída repentina en los precios de UAS en un futuro próximo, dada la
creciente competencia entre los productores de UAS y las aplicaciones civiles en aumento de
UAS (Eugster y Nebiker 2007).
 Procesamiento de imágenes UAS
Las imágenes adquiridas por UAS típicamente poseen una mayor homogeneidad radiométrica
que las imágenes de aeronaves o satélites debido a la baja altitud de adquisición (Lelong et al.
2008). Sin embargo, los sistemas UAS también heredan problemas de calidad de imagen únicos.
Por ejemplo, el peso ligero de muchos sistemas UAS significa una posición de la cámara menos
estable que resulta en una resolución espacial diferente y / o ángulos de visión diferentes de
una imagen a otra a lo largo del mismo plan de vuelo (Lelong et al. 2008). La baja altitud de
vuelo de estas naves también puede resultar en una distorsión geométrica severa (Lelong et al.
2008; Xiang y Tian 2011). Además, la baja altitud también resulta en un mayor número de
imágenes UAV para cada campo. También hay problemas técnicos con las imágenes capturadas
por cámaras transmitidas por UAS, incluido el desenfoque por el movimiento de la imagen
hacia adelante de la cámara. Para compensar, el muestreo excesivo se emplea comúnmente,
pero esto resulta en un mayor volumen de datos (Aber et al. 2010). Con la gran cantidad de
imágenes capturadas, el mosaico de imágenes es un paso de preprocesamiento necesario.
Aunque ha habido casos exitosos utilizando la corrección geométrica manual (por ejemplo,
Hardin et al. 2007; Vericat et al. 2008), esto podría no ser factible para la aplicación en AP
donde se deben monitorear áreas más grandes. Con cientos de imágenes capturadas con
frecuencia y la solicitud de una respuesta rápida por parte de los productores, el tiempo de
respuesta (es decir, el tiempo para procesar y entregar los productos finales a los usuarios) se
convierte en una preocupación principal para estos dispositivos. En consecuencia, el
procesamiento automático es a menudo la mayor parte del procesamiento de datos UAS. Un
enfoque fotogramétrico automático o semiautomático (archivo de bloque) puede abordar
mejor los cambios en
roll, pitch y yaw común con UAS (Laliberte y Rango 2011; Xiang y Tian 2011). Sin embargo, la
corrección geométrica y la orto-rectificación también son necesarias antes de que las imágenes
puedan fusionarse debido a la pequeña área de hilera y la inestabilidad de la plataforma. Los
métodos que se han desarrollado para abordar estos problemas incluyen: georreferenciación
manual con GCP recolectados en el terreno, coincidencia de fotos y georreferenciación
automática con datos de navegación junto con un modelo de distorsión de lente de cámara
(Xiang y Tian 2011). Además, se sugiere que para fines prácticos, la calidad de las imágenes
recopiladas de una plataforma UAS se debe examinar primero para que se seleccione la rutina
de preprocesamiento más adecuada (Berni et al. 2009a). Hay muchos otros problemas que
deben abordarse, incluidos los efectos de ángulos múltiples, los efectos de la función de
distribución de reflectancia bidireccional (BRDF), los efectos de viñeteado y los impactos de
nubes y / o sombras (Lelong et al. 2008; Aber et al. 2010) . Aunque Lelong et al. (2008)
propusieron métodos para tratar los efectos de viñeteado y BRDF, se requieren más
experimentos para abordar mejor estos problemas y facilitar la siguiente etapa de extracción
de información. Sin embargo, la detección remota basada en UAS puede ser una buena manera
de probar los modelos BRDF para otras plataformas de detección remota (Aber et al. 2009).
Aunque es un problema, la mayoría de los estudios de UAS hasta la fecha han aplicado muy
poco preprocesamiento de imágenes o simplemente han usado directamente los datos sin
procesar del Brillo (BV). Esto se debe en parte al hecho de que muchas de estas investigaciones
utilizaron cámaras digitales pequeñas de grado de consumidor para capturar datos. Además,
solo unos pocos estudios han convertido la BV a reflectancia antes del cálculo de los índices de
vegetación (por ejemplo, Hunt 2005; Berni et al. 2009b). En consecuencia, las dificultades de
calibración e incluso la corrección geométrica pueden dificultar significativamente el uso de
imágenes aéreas (Moran et al. 1997). Como señalaron Hardin y Jensen (2011), los
procedimientos actuales de procesamiento de imágenes se desarrollaron para una aplicación
específica y no existe un procedimiento generalizado. En resumen, los problemas de la
aplicación de imágenes UAS son generalmente idénticos a los de la
aplicaciones de imágenes aéreas y satelitales tradicionales según lo revisado por Moran et al.
(1997). Estos problemas incluyen: calibración del instrumento, corrección atmosférica,
corrección de viñeteado, corrección de desplazamiento de línea, registro de banda a banda y
mosaico de cuadros. Para la mayoría de las aplicaciones, los procedimientos de procesamiento
de imágenes deben automatizarse para que los productos de imágenes finales se puedan
entregar de manera oportuna. Esto es de suma importancia para la detección remota de UAS
(Hardin y Jensen 2011) dada la cantidad de datos recopilados, la magnitud de las distorsiones y
los tiempos de respuesta requeridos.
 Intereses de los agricultores en la adaptación de UAS
Aunque la práctica de AP está ganando popularidad en todo el mundo (Stafford 2000;
Robertson et al.
2007), el uso de técnicas de teledetección en la agricultura todavía es limitado. Actualmente,
los Estados Unidos y Australia son considerados los dos países más comprometidos en
aplicaciones de AP (Warren y Metternicht 2005). El aumento en el uso de AP por los
agricultores en los Estados Unidos se informó en una encuesta reciente realizada en 2009 por el
Centro para Empresas de Alimentación y Agricultura (Whipker y Akridge 2009). Según este
estudio, los sistemas de guía GPS son la técnica de AP más comúnmente adoptada, y aumentan
constantemente a una tasa de adopción de 61.1–78.6% entre 2003 y 2009. Sin embargo, la
aplicación de otras técnicas, incluida la tecnología de mapeo (SIG y detección remota), Se
demostró que es mucho menor. Según Stafford (2000), el principal impulsor de la AP es
maximizar las ganancias y los agricultores simplemente no están seguros de los beneficios
económicos de invertir en imágenes satelitales y otros productos espaciales. Además, se
necesitan habilidades para el análisis espacial (es decir, la producción de mapas basados en
fuentes de datos integradas), que muchos agricultores carecen (Griffin et al. 2004; Price 2004;
Fisher et al. 2009). Además, la incertidumbre sobre la fiabilidad de los mapas de rendimiento
para
la gestión de cultivos reduce aún más su valor percibido (Stafford 2000) a pesar de que
varios ensayos en fincas han demostrado beneficios de al menos $ 20 / ha según las prácticas
de manejo de zona (Godwin et al. 2003; Seelan et al. 2003; Robertson et al. 2007). Aunque hay
varios estudios sobre la rentabilidad de la adopción de AP (por ejemplo, Lambert y Lowenberg-
Deboer 2000; Silva et al. 2007), hay poca mención en cuanto a los beneficios económicos de la
detección remota UAS para AP (Tenkorang y DeBoer 2007). En consecuencia, Tenkorang y
DeBoer (2007) han sugerido que se deben realizar análisis detallados de costo / beneficio con
suficientes repeticiones en este campo de AP.
El conocimiento del agricultor sobre la variación en sus campos también es un factor
importante que
Influye en la percepción y adopción de las tecnologías de AP (Adrian et al. 2005). Era
encontraron que aquellos individuos con más conocimiento de la variación espacial en las
propiedades del suelo de las tierras alquiladas tenían más probabilidades de reconocer y
adoptar la tecnología de AP (Torbett et al. 2008). Además de la falta de información para los
agricultores sobre el uso de UAS, estudios previos basados en UAS utilizaron campos de cultivos
experimentales y simplemente no involucraron a los profesionales de AP. Estos cultivos de
cultivos fueron diseñados específicamente para asegurar una condición ideal del cultivo para
experimentos de detección remota. Como tal, no es plausible evaluar actualmente la viabilidad
del uso de imágenes adquiridas por UAS por los agricultores en condiciones más realistas.
Afortunadamente, un estudio anterior que utilizó un modelo de participación basado en la
comunidad demostró ser muy exitoso con Landsat y las imágenes satelitales de alta resolución
(Seelan et al. 2003). Para los UAS, esto podría indicar que la investigación actual tiene poco o
ningún impacto directo en la posible adopción de técnicas geoespaciales de los agricultores en
sus prácticas.
 Cuestiones derivadas de las reglamentaciones de aviación
Como señalaron Hardin y Jensen (2011) y Laliberte y Rango (2011), aviación
Las regulaciones podrían ser uno de los impedimentos más importantes para la adopción de UAS
en aplicaciones ambientales y agrícolas. En muchos países, estas regulaciones son bastante
flexibles, como en Alemania, donde no se requiere permiso para UAS con menos de 5 kg de
masa total y sitio de vuelo a 1,5 km de las áreas residenciales y aeródromos (Aber et al. 2010).
Sin embargo, en los EE. UU. Se requiere un Certificado de Autorización (COA), así como un gran
equipo de tierra durante la operación. De manera similar, en Canadá se requiere un Certificado
de Operaciones de Vuelo Especial (SFOC) anualmente y se recomienda un cierto nivel de
entrenamiento de UAS. Como parte del certificado, se requiere un seguro en caso de falla de la
plataforma, que puede causar daños a personas, ganado o edificios. Estos tipos de requisitos se
consideran el mayor obstáculo para la aplicación de UAS en estudios ambientales (Hardin y
Jensen, 2011). Además de los certificados requeridos, otras reglas afectan la operación real del
UAS. Por ejemplo, en Canadá y Estados Unidos, la UAS
siempre debe estar a la vista del operador (es decir, línea de vista) y, en el caso de los EE. UU.,
también se requiere una licencia de piloto del operador. En consecuencia, es necesario tener un
equipo volador (Rango y Laliberte 2010) durante las operaciones, lo que se suma al costo de la
operación UAS. Las regulaciones de altura de vuelo también limitan la resolución espacial y el
área de franja de estas imágenes. La altitud máxima para UAS en Canadá es de 400 pies, o 120
m, aunque se informa que 640 m es la altura mínima para evitar impactos mayores de
turbulencia (Lewis 2007). Se cree que tales regulaciones de aviación deben ser relajadas para
que el uso de UAS en el monitoreo ambiental tenga éxito (Rango y Laliberte 2010).
 Futura aplicación de UAS en PA
Por lo tanto, está claro que la aplicación de UAS en PA todavía está en su infancia y que hay
considerable espacio para un mayor desarrollo en lo que respecta tanto a la tecnología como a
la
Varias aplicaciones potenciales. El acuerdo mejorado entre las imágenes de UAS y los datos
reales de campo, la flexibilidad de los tiempos de adquisición y el costo relativamente bajo
deberían alentar a otros a considerar estos dispositivos como herramientas clave en futuros
esfuerzos agrícolas de precisión. Por ahora, la aplicación exitosa de UAS para monitorear las
condiciones de los pastizales (Rango y Laliberte 2010; Laliberte y Rango 2011) demuestra que el
uso de UAS en AP podría ser la siguiente etapa de éxito en las aplicaciones de detección
remota. Esto podría consolidar la integración de UAS en PA y así facilitar la maduración del
desarrollo tecnológico. Tal como está actualmente, las aplicaciones futuras podrían atribuirse a
la mejora del diseño de UAS, precios más bajos del sistema, métodos / procedimientos de
procesamiento de imágenes mejorados, regulaciones más flexibles para aplicaciones
ambientales y sistemas prácticos de difusión de información para los agricultores.
 Avance de UAS, cámaras y procesamiento de imágenes.
Con todas las deficiencias de UAS resumidas por Hardin y Hardin (2010), incluyendo
La inestabilidad, la distorsión de la imagen, la limitación de la carga útil y los cortos tiempos de
vuelo, estos sistemas aún están ganando considerable popularidad entre los científicos
ambientales, como lo indica la gran cantidad de estudios citados anteriormente. Según lo
sugerido por Hardin y Jensen (2011), la mayoría de los problemas tecnológicos podrían
resolverse con el desarrollo de nuevas tecnologías y con la colaboración entre los científicos
ambientales y los ingenieros de UAS. Se anticipa que en los próximos años aparecerán en el
mercado plataformas más duraderas y más potentes con tecnología de cámara más avanzada
que emplea NIR, y que se desarrollará un procedimiento estandarizado de georreferenciación
automática para la mayoría de los UAS. La actual falta de selección para las cámaras
multiespectrales UAS (Hardin y Hardin 2010) podría resolverse por la capacidad de carga útil
creciente (Nebiker et al. 2008) y por las cámaras multiespectrales disponibles en el mercado.
Esto ha ocurrido con éxito en la industria autónoma de muestreo UAS aerobiológico (Schmale
et al. 2008). Además, se deben realizar experimentos adicionales basados en mediciones
hiperespectrales de campo y adquisición de imágenes UAS para seleccionar las bandas
espectrales que son más aplicables para aplicaciones agrícolas. Las cámaras podrían entonces
personalizarse dando como resultado costos reducidos para
estos dispositivos. Con el crecimiento del mercado civil de UAS, también se anticipa que una
ocurrirá una rápida disminución en los precios de la plataforma (Jones et al. 2006). La
disponibilidad de plataformas de bajo costo y cámaras especializadas podría animar a los
agricultores a adoptar estos sistemas. Con respecto a la cuestión de los grandes volúmenes de
datos en el procesamiento de imágenes UAS, aún se necesita un procedimiento estandarizado
general (es decir, una línea de referencia de georreferenciación) para la integración completa
de UAS en PA (Hardin et al. 2007; Hardin y Jensen 2011). Actualmente, diferentes grupos de
investigación están explorando diversos software para mejorar el procesamiento previo de
imágenes y el mosaico (por ejemplo, Laliberte y Rango 2011; Xiang y Tian 2011). Con el
aumento de la precisión GPS a bordo y los datos de orientación exterior, el flujo de trabajo del
muestreo de campo, el procesamiento y la clasificación de las imágenes adquiridas por UAS
podrían estandarizarse aún más como se ha demostrado recientemente para la gestión de
pastizales (por ejemplo, Laliberte y Rango 2011). Xiang y Tian (2011) también demostraron que
la georreferenciación automática basada en ortofotos es factible para las imágenes adquiridas
por UAS en el manejo de césped. Dicho registro automatizado podría lograrse en PA mediante
la combinación de altitud de plataforma y coordenadas GPS a bordo. Afortunadamente, el
progreso en este procedimiento se ha informado con una precisión de mosaico que ha
cambiado de 20 píxeles (Moran et al. 1997) a menos de 14 píxeles (Xiang y Tian 2011) e incluso
1–2 píxeles (Zhou 2009). Sin embargo, se deben realizar más experimentos en áreas de cultivo
más extensas (es decir, [1 ha) para mostrar la factibilidad de aplicar un procedimiento
estandarizado en AP, particularmente cuando la topografía es ondulada.
 Métodos de extracción de información de imágenes UAS
Al igual que las imágenes satelitales y las fotos aéreas, las imágenes UAS podrían aplicarse en
zonas
mapeo, utilizado para cuantificar variables biológicas y empleado para identificar anomalías en
tierras de cultivo. El mapeo zonal puede ser un componente clave de la PA, ya que es necesaria
información precisa sobre la variación espacial del suelo y del cultivo. Uno de los métodos más
comunes de mapeo zonal para suelos incluye el muestreo del suelo de propiedades físicas y
químicas basadas en una cuadrícula (celda o centro) que luego se puede usar para la
interpolación espacial (Stafford 2000; Flowers et al. 2005; Song et al. 2009). Sin embargo, en
algunos países, como Australia, se emplea una estrategia de muestreo del suelo más dirigida
(McBratney et al. 1997). Long et al. (1995) mostraron que los datos de rendimiento de las
fotografías aéreas eran más precisos que los de los mapas tradicionales de interpolación
geoestadística y estudios de suelos. Los mapas zonales también pueden basarse en varios años
de datos históricos de rendimiento recopilados mediante monitores de rendimiento
(Blackmore 2000; Diker et al. 2004; Flowers et al. 2005). Dichos mapas se han utilizado como
información para los procedimientos de aplicación de fertilizantes y otras prácticas (Moran et
al. 1997). Sin embargo, los datos de los monitores de rendimiento pueden contener muchas
fuentes de error (Lamb et al. 1995). No obstante, el muestreo del suelo es costoso y requiere
mucho tiempo (Stafford 2000) y los mapas zonales basados en el rendimiento necesitan una
mayor aportación de la condición del año actual (Blackmore et al. 2003). En consecuencia, se
han aplicado imágenes satelitales de alta resolución como una alternativa en el monitoreo de la
vegetación y las condiciones del suelo. Por ejemplo, un mapa zonal fue producido
recientemente
utilizando NDVI derivado de IKONOS y se mostró significativamente más barato que los mapas
producido a partir de muestras de suelo basadas en rejillas (Seelan et al. 2003; Song et al.
2009). Por otra parte, Yang et al. (2006) encontraron que había una alta correlación entre los
mapas de clasificación derivados de la teledetección y los mapas de producción. En
consecuencia, un procedimiento de producción de mapas zonales basado en imágenes UAS
podría proporcionar información extremadamente importante para los agricultores. También
se podría establecer un procedimiento automático de identificación de objetivos para
identificar anomalías en el campo de cultivo (por ejemplo, malezas, enfermedades, estrés por
sequía) en las imágenes de UAS. Además, se debe probar la extracción de diversas variables
biológicas (por ejemplo, LAI, la concentración de clorofila en el dosel y el rendimiento) de las
imágenes de UAS. La capacidad de estimar con precisión la concentración de clorofila en la
planta puede proporcionar a los cultivadores información valiosa para estimar el potencial de
rendimiento del cultivo y tomar decisiones con respecto al manejo de N (Swain et al. 2010).
Capturar imágenes de UAS a lo largo de la temporada de crecimiento para un cultivo en
particular también podría ayudar a decidir la fecha crítica de adquisición de imágenes para
muchas variables biológicas.
 Atraer los intereses de los agricultores y realizar análisis rentables.
Con el fin de ampliar las aplicaciones de UAS en PA, los científicos de detección remota podrían
trabajar más estrechamente con los profesionales de PA, mostrando así la capacidad de UAS y
su rentabilidad potencial a través del análisis de costo / beneficio. Muchos agricultores están
ansiosos por aplicar técnicas modernas en sus prácticas (Seelan et al. 2003) para maximizar las
ganancias.
pero, como se indicó anteriormente, los costos, la entrega y la extracción de información
asociada con los datos de detección remota han sido un obstáculo para su uso en prácticas
agrícolas (Stafford 2000). Sin embargo, Seelan et al. (2003) han demostrado que el uso de una
comunidad de aprendizaje que integra a científicos de investigación, agricultores y proveedores
de datos puede reducir el tiempo necesario para la dispersión de la imagen. En su estudio
comunitario, Seelan et al. (2003) usó imágenes de alta resolución y fotos aéreas IKONOS de
Landsat. Las imágenes de alta resolución se utilizaron para interpretación visual, clasificación y
validación y el estudio se basó en una gran escala espacial. Utilizando un UAS disponible, la
rentabilidad para realizar un tipo similar de
programa comunitario integrado de teledetección podría mejorarse significativamente. por
Por ejemplo, Beeri y Peled (2009) mostraron que las aplicaciones que utilizan imágenes
capturadas por UAS podrían acortar el marco de tiempo necesario para el ajuste de las
prácticas agrícolas y que los resultados del monitoreo de la detección remota fueron mejores
que los de los tratamientos de control tradicionales. Además, la demostración de tales
aplicaciones es esencial para convencer a los agricultores de los beneficios del uso de la
tecnología geoespacial en sus fincas. Además, los ejemplos de beneficios económicos y
ambientales también son críticos si se desea convencer a un gran número de usuarios finales de
su importancia. En cualquier caso, se ha demostrado que los primeros adoptadores e
innovadores a menudo motivan a otros a través de sus éxitos (Seelan et al. 2003). En tales
casos, el valor de la tecnología está garantizado ya que la información derivada permite una
decisión que
resulta en una mayor rentabilidad y una administración más responsable. Para lograr esto, se
requieren análisis de costo-beneficio para convencer a los agricultores a adoptar UAS o para
solicitar el servicio de las empresas consultoras que proporcionan imágenes de UAS. Si los
agricultores se integran en las etapas de interpretación y procesamiento de imágenes, puede
ser necesario configurar un SIG basado en la web para compartir imágenes, ingresar y procesar
información.
Los agricultores pueden carecer de las habilidades necesarias para extraer información
confiable de UAS
Las imágenes, pero los científicos de teledetección pueden no estar familiarizados con el campo
y las condiciones del cultivo. Por lo tanto, un enfoque que integre las habilidades tanto de los
científicos de teledetección como de los agricultores podría utilizarse para determinar los
medios más apropiados para explotar una nueva tecnología de AP mientras promueve la
sostenibilidad. desarrollo. Los científicos de teledetección podrían recopilar imágenes
utilizando sensores a bordo de UAS y trabajar estrechamente con los agricultores para
monitorear el crecimiento de los cultivos. La retroalimentación de los agricultores sería esencial
para identificar el uso más óptimo de esta tecnología emergente. Lo más importante es que
esta cooperación puede reducir significativamente el tiempo necesario para extraer
información de las imágenes y, en consecuencia, para que los agricultores ajusten sus prácticas
agrícolas.
 Conclusiones
Durante la última década ha habido un número creciente de ejemplos de aplicación de UAS en
monitoreo ambiental y AP. Las aplicaciones de la detección remota UAS en AP incluyen, entre
otras, mapeo de rendimiento, medición de contenido químico, mapeo de vigor, monitoreo de
estrés de vegetación y evaluación de los impactos de la fertilización en el crecimiento de
cultivos. Sin embargo, todavía hay muchas deficiencias importantes relacionadas con la
detección remota de UAS, incluidos los altos costos iniciales, la confiabilidad de la plataforma,
la capacidad del sensor y la falta de procedimientos estandarizados para procesar grandes
volúmenes de datos. Además, las estrictas regulaciones de la aviación y la simple falta de
interés de los agricultores pueden dificultar la adopción de UAS. Afortunadamente, se espera
que con el avance de la tecnología de plataforma UAS, nuevos diseños de cámaras, menores
costos, mejores técnicas de procesamiento de imágenes y un mayor número de estudios
experimentales de sensores remotos basados en UAS para aplicaciones agrícolas, habrá una
mayor apreciación de los beneficios de estos sistemas en AP y monitoreo ambiental. Además,
se sugiere que si las regulaciones de aviación de UAS se relajaran y los científicos de
investigación estuvieran más comprometidos con la comunidad agrícola, podría ocurrir una
mayor adopción de UAS en PA
 Referencias
https://www.youtube.com/watch?v=Kfb5Rt6T5A0
https://www.youtube.com/watch?v=T32GAtOir8M