TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN

EJEMPO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS

HIERBAS EN CULTIVOS DE CEREAL

MARTÍN ISABEL, M. P.1; BARRETO RUÍZ, L.2;

FERNÁNDEZ-QUINTANILLA GALLASTEGUI, C.2
1
Instituto de Economía y Geografía, Consejo Superior de Investigaciones Científicas
Pinar, 25, 28006 Madrid
mpilar.martin@ieg.csic.es
2
Centro de Ciencias Medioambientales, Consejo Superior de Investigaciones Científicas
Serrano, 115, 28006 Madrid
lilianabarreto@portalfio.info; cesar@ccma.csic.es

RESUMEN
En las últimas dos décadas, y gracias a la disponibilidad de nuevas tecnologías
geoespaciales y de la información ha podido hacerse realidad un manejo de precisión de las
explotaciones agrarias, optimizando el uso de los diversos insumos (fertilizantes, fitosanitarios,
semillas). De esta forma ha surgido el concepto de “Agricultura de Precisión (AP)”, definido
como el conjunto de técnicas de cultivo que utilizan tecnologías de la información para ajustar
el uso de semillas y de agroquímicos considerando la diversidad del medio físico y del medio
biológico.
Este trabajo pretende abordar diversos aspectos relacionados con el manejo integrado de
las malas hierbas (A. sterilis y L. rigidum) en cultivos de cereal (trigo y cebada), utilizando para
ello técnicas de teledetección y agricultura de precisión. El objetivo final es reducir el uso de
productos fitosanitarios y mejorar la rentabilidad de la producción.
Se abordó en el trabajo una primera etapa dirigida al análisis/caracterización espectral de
las malas hierbas y los cultivos. Para ello se llevaron a cabo diversos experimentos de
espectroradiometría de campo y laboratorio con objeto de medir la reflectividad de las diversas
especies analizadas. Posteriormente se aplicaron técnicas tradicionales de análisis estadístico
(distancia normalizada y análisis discriminante) así como otras específicas de teledetección
hiperespectral (Spectral Angle Mapper). Estas técnicas nos permitieron evaluar la separabilidad
espectral entre cubiertas y determinar las longitudes de onda (bandas) y combinaciones de
bandas (índices) que más contribuyen a la correcta clasificación de especies.
Por otra parte, con objeto de analizar la potencialidad de los sensores actualmente
disponibles para identificar y cartografíar rodales de malas hierbas en cultivos de cereal, se
adquirió una serie multitemporal de imágenes Quickbird sobre una finca de cebada con
infectación de A. sterilis. El tratamiento de las imágenes incluyó procesos de georeferenciacion
para asegurar el ajuste multitemporal, corrección radiométrica (conversión de niveles digitales a
valores de radiancia y reflectividad), fusión de bandas multiespectrales y pancromática y cálculo
de índices de vegetación.

Palabras clave:
Malas hierbas, cereal, cartografía, espectroradiometría, teledetección hiperespectral,
imágenes Quickbird

ABSTRACT
During the last two decades the increasing availability of geospatial and information
technologies has favoured the importance of the precision management in agriculture fields
optimizing the use of fertilizers, herbicides, seeds, etc. In this way the precision agriculture

977
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

concept has emerged and defined as the collection of cultivation techniques that use new
information technologies to adjust the use of seeds and agrochemical in order to adapt them to
the biodiversity of the agricultural fields.
In this work new technologies such as remotes sensing are applied in the context of
precision agriculture to improve grassweed management in winter cereal crops. The main
objective is provide the information required to reduce the use of herbicides and increase yield
profitability.
In a first methodological phase an spectral characterization of weeds and crops was
accomplished. The potential use of remote sensing to discriminate and map two grassweeds
(Avena sterilis and Lolium Rigidum) growing in winter cereals (wheat and barley) was
evaluated under laboratory and field conditions. Statistical analysis (normalized distance and
discriminant analysis)was applied to the data in order to study the separability between species.
Other hiperespectral techniques such as the Spectral Angle Mapper (SAM) were also applied.
The objective was to define the spectral bands, spectral indices and plant growth stages more
adequate for weed discrimination
On the other hand, in order to explore the potential of commercial satellites to
discriminate and map weeds, a multitemporal series of high spatial resolution images provided
by the Quickbird satellite were acquired over the study area, a barley field infected with A.
Sterilis. Image processing included geometric and radiometric corrections, data fusion and
calculation of spectral indices.

Key Words:
Grassweeds, cereal, mapping, spectroradiometry, hyperspectral remote sensing,
Quickbird images

1. INTRODUCCIÓN
Una mala hierba es una “planta que crece siempre o de forma predominante en
situaciones marcadamente alteradas por el hombre y que resulta no deseable por él en
un lugar y momento determinado” (Pujadas y Hernández, 1988). Las malas hierbas que
proliferan en los campos de cultivo suponen un grave problema para los agricultores, ya
que habitualmente interfieren en el normal crecimiento de los cultivos, lo que se traduce
en un bajo rendimiento de producción. Por tanto, el control de las malas hierbas es una
actividad fundamental en la agricultura si se desea obtener cosechas y rendimientos
adecuados.
En la agricultura convencional, la aplicación de herbicidas se realiza sobre la base
de considerar el campo de cultivo como un espacio uniforme. Por tanto, se aplican los
mismos insumos (fertilizantes, herbicidas, insecticidas, etc) a las mismas dosis en toda
el área. No obstante, la realidad es que cada campo puede variar enormemente, tanto en
términos de fertilidad del suelo, como de la composición, abundancia y distribución
espacial de la flora arvense y de la fauna fitófaga. En este sentido, surge ya hace
algunas décadas el concepto de agricultura de precisión (AP) que propone ajustar el uso
de insumos a las necesidades reales de cada unidad de terreno (Fernández-Quintanilla y
Barroso, 2001). Este concepto, aplicado al control de malas hierbas, implicaría detectar
la localización de las malas hierbas dentro de los campos de cultivos, con el propósito
de generar mapas que muestren su distribución espacial lo que permitiría, de manera
más precisa, la aplicación de los herbicidas en las zonas específicas donde estas se
encuentran y con las dosis requeridas (Brown y Steckler, 1995; Stafford y Miller, 1993;
Thompson et al., 1991). Esto supondría una reducción en el uso de los herbicidas lo que
traería como resultado no sólo una reducción de costes para el agricultor (Medlin y

978
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

Shaw, 2000) sino que además permitiría promover la disminución del daño al
medioambiente (Timmermann et al., 2001).
Las malas hierbas por lo general crecen en zonas definidas, creando límites entre
los cultivos y permitiendo de esta manera determinar las zonas específicas donde se
pueden aplicar los herbicidas. Este patrón espacial favorece, en principio, el uso de la
teledetección como herramienta para obtener información espacial y actualizada sobre
la localización, tipo y densidad de malas hierbas en las cosechas agrícolas (Lamb y
Brown, 2001; Moran et al, 1997; Zwiggelaar, 1998). Las imágenes tomadas desde
sensores aerotransportados o instalados en plataformas espaciales representan un
conjunto de medidas cuantitativas sobre el territorio, con un nivel de resolución espacial
inalcanzable en muestreos de terreno. Sin embargo, para que estas tecnologías sean
aplicables y resulten operativas, hay ciertos requisitos que se deben cumplir (McGowen,
1998):
· Debe haber suficiente diferencia en el comportamiento espectral entre las malas
hierbas, el cultivo y el suelo, de manera que sea posible la discriminación;
· La resolución espectral y espacial del sensor tiene que ser adecuada;
· La resolución temporal debe ser suficiente como para adquirir los datos en los
momentos críticos de las fases de crecimiento de las malas hierbas y cultivos.
· La información del sensor debe poder ser procesada y provista a los usuarios
finales en tiempo y forma, y a un costo competitivo. Esto es particularmente importante
si la información debe adaptarse a su utilización en labores agrícolas.
· Los precios de las imágenes y el coste de su procesamiento no deben ser
superiores a los ahorros conseguidos o a las mejoras de producción.
Se ha demostrado que, los rodales de las cosechas y de las malas hierbas, pueden
ser distinguibles en imágenes captadas por sensores remotos (Menges et al., 1985;
Richardson et al., 1985). La mayoría de los investigadores han utilizado diferentes
algoritmos de clasificación con el fin de delimitar rodales de malas hierbas, basándose
en las diferencias espectrales del suelo, los cultivos y las malas hierbas. Estos
algoritmos de clasificación resultan ser eficaces a la hora de detectar malas hierbas en la
fase de pre-emergencia del cultivo, debido a que la respuesta espectral del suelo
desnudo es diferente a la respuesta espectral de las malas hierbas (Lamb y Weedon,
1998). Sin embargo, en la fase de post-emergencia del cultivo, discriminar la mala
hierba con precisión resulta menos sencillo, debido a que las malas hierbas y los
cultivos durante ese período presentan características espectrales similares (Lamb y
Brown, 2001). Otro problema que presenta la aplicación de la teledetección a la
discriminación de malas hierbas es el efecto del suelo, debido a que la interacción entre
la reflectividad que procede de la cubierta vegetal y del suelo alteran la respuesta
espectral captada por el sensor cuando el porcentaje de cobertura vegetal es bajo o
intermedio (Huete et al., 1985). Lamentablemente, es en esta fase donde el empleo de la
teledetección para la generación de mapas de malas hierbas resulta más interesante pues
permitiría su utilización para la aplicación selectiva de los tratamientos de herbicidas en
la fase de post-emergencia.
A pesar de las dificultades, puede apreciarse un gran potencial en la utilización de
imágenes provenientes de sensores remotos en la detección de las malas hierbas en los
cultivos (Goel et al. 2003b). Diversos estudios han demostrado que es posible utilizar

979
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

fotografías aéreas convencionales a color y/o fotografías color-infrarrojo para identificar

rodales de malas hierbas (Everitt et al., 1996, 1995). Lass y Callihan, (1997) realizaron
un estudio fenológico entre dos malas hierbas perennes y demostraron que se detectaba
claramente su diferencia en la etapa temprana de la floración.
En Canadá, Tahir Waheed (2005), realizó un estudio dirigido a analizar diversos
parámetros (entre ellos la presencia de malas hierbas) en campos de maíz a partir de
datos hiperespectrales. El trabajo se realizó en campos experimentales sobre los que se
aplicaron distintos tratamientos de control de las malas hierbas. Los datos
hiperespectrales fueron registrados con un espectroradiométro que cubría el rango de
400 a 2500 nm, durante tres etapas de crecimiento del cultivo y la mala hierba.
Mediante técnicas estadísticas como el análisis discriminante se obtuvieron acertadas
clasificaciones de las malas hierbas a partir de los datos de reflectividad obtenidos en
campo. En este trabajo se emplearon técnicas innovadoras como la inteligencia artificial
(AI), soporte de máquinas de vectores (SVM), los algoritmos genéticos (GA) y los
árboles de decisión (DT). De las técnicas utilizadas, la SVM fue la que produjo los
mejores resultados (88% a 100% de exactitud).

2. OBJETIVOS
El ahorro económico que supondría la aplicación selectiva de herbicidas, unido a
la gran importancia de la preservación del medio ambiente, justifica la investigación
sobre el potencial de las nuevas tecnologías para abordar la detección de malas hierbas
en los cultivos. Los sistemas de posicionamiento global, la teledetección aeroportada y
espacial y los sistemas de visión artificial son algunas de las nuevas herramientas
capaces de ofrecer información de gran utilidad para la toma de decisiones relativas al
control de malas hierbas. Las técnicas tradicionales de exploración en el campo
utilizadas hasta el momento resultan poco operativas a la hora de realizar estudios de
control de plagas y/o malezas en grandes superficies. En este sentido la teledetección se
presenta como una alternativa potencialmente eficaz para la generación de mapas de
localización de malas hierbas que permitan al agricultor optimizar la aplicación de los
herbicidas. Sin embargo, aunque el planteamiento teórico sobre la capacidad de la
teledetección para generar información espacial precisa y actualizada sobre la
localización de las malas hierbas resulta evidente, es preciso comprobar si, en
condiciones reales, es posible la discriminación espectral entre determinadas especies de
malas hierbas y los cultivos en los que se implantan, así como el potencial de los
sensores comerciales actuales para obtener una cartografía suficientemente precisa de
forma operativa. De acuerdo a este planteamiento, el objetivo principal de este trabajo
es demostrar la capacidad de la teledetección para cartografíar malas hierbas en cultivos
de cereal. Para alcanzar este objetivo general se platean los siguientes objetivos
específicos:
· Caracterizar espectralmente los cultivos de Cebada Nevada, Cebada Barbarrosa,
Trigo Orion y Trigo Astral, y las malas hierbas Lolium Rigidum y Avena Sterilis, a lo
largo de sus ciclos de desarrollo.
· Analizar la separabilidad espectral entre cultivos y malas hierbas, teniendo en
cuenta criterios temporales y espectrales utilizando técnicas estadísticas tradicionales y
nuevos métodos de análisis específicos de datos hiperespectrales.

980
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

· Proponer las bandas o combinaciones de bandas más adecuadas para discriminar

espectralmente las malas hierbas de los cultivos de cereales y explorar el potencial de
los índices de vegetación para realzar esta discriminación.
· Verificar si las imágenes de alta resolución espacial obtenidas por sensores
comerciales (Quickbird), permiten discriminar y cartografiar de forma operativa rodales
de malas hierbas en cultivos de cereales.

3. METODOLOGÍA
Para alcanzar los objetivos propuestos en el estudio se elaboró un planteamiento
metodológico en dos fases: la primera, de caracterización espectral de las cubiertas de
interés, incluye la obtención de datos mediante el diseño y ejecución de diversos
experimentos para la medición de las características espectrales de las especies
analizadas, tanto en laboratorio (a nivel de grupos de hoja y de planta) como en
exteriores, sobre áreas piloto con densidades de cubierta preestablecidas. En esta fase se
abordó además, el tratamiento y análisis de los datos incluyendo la creación de librerías
espectrales. Se utilizaron diversas herramientas estadísticas tradicionales y otras
específicas de datos hiperespectrales con el propósito de determinar la capacidad de la
teledetección para discriminar las especies de malas hierbas de los cultivos de
referencia. En la segunda fase se realizó un análisis de las imágenes de satélite
QuickBird adquiridas sobre la zona de estudio. Los procesos aplicados a las imágenes
(cálculo de índices de vegetación, clasificaciones no supervisadas, entre otros) tenían la
finalidad de determinar si resulta factible discriminar y cartografiar rodales de malas
hierbas en cultivos de cereales, a partir de imágenes de satélite de alta resolución
espacial.

3.1. Fase 1: Caracterización espectral de las cubiertas

3.1.1. Obtención de datos mediante espectroradiometría de campo y laboratorio
La eficacia de la teledetección para estudiar un determinado fenómeno sólo se
garantiza si es posible discriminarlo espectralmente. Como ya hemos mencionado, uno
de los objetivos principales de este estudio era comprobar la capacidad de la
teledetección espacial para la discriminación de rodales de Avena sterilis y Lolium
rigidum en cultivos de trigo y cebada. Se trata de especies que pertenecen a la misma
familia (gramíneas) y, por tanto, muy similares desde el punto de vista morfológico y
fisiológico. Por ello se consideró que el planteamiento metodológico del trabajo debía
comenzar en el análisis y caracterización espectral de las especies estudiadas.
Para conseguir la caracterización espectral de las cubiertas se realizaron
mediciones con espectroradiometro en laboratorio y en el campo. El propósito de
realizar mediciones en laboratorio era obtener espectros de cada una de las especies
estudiadas, aislando los factores externos a la propia cubierta que pueden incidir en la
radiancia final detectada por el sensor. Por su parte, las mediciones de campo nos
permitían simular condiciones más próximas a las reales en caso de trabajar con
imágenes de satélite. En ambos casos el espectro-radiómetro utilizado fue un GER2600,
con un rango espectral de 350 a 2500 nm.
Las medidas de radiometría en laboratorio se tomaron siguiendo dos protocolos: a
nivel de planta, midiendo directamente sobre macetas sembradas a tal efecto con los
cultivos y malas hierbas de interés (Figura. 1), y a nivel de grupos de hojas, colocadas
horizontalmente sobre una superficie plana (Figura. 2).

981
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

Figura 1: Nivel de Planta Figura 2: Grupo de hojas

Por cada maceta (por tanto por cada especie) se realizaron cuatro mediciones,
girando la maceta 90º entre cada medición con objeto de considerar las variaciones de
reflectividad que pudiesen estar relacionadas con la estructura de la planta (inclinación
de las hojas, cobertura del suelo).
Para medir la reflectividad a nivel de grupos de hojas (sin interferencia del suelo),
se cortaron las plantas de cada maceta separando los tallos y, en su caso, las espigas.
Las hojas cortadas se colocaron en una bandeja de cartón forrada de papel carbón para
evitar la reflectividad difusa de la superficie de la bandeja. Las hojas fueron colocadas
de forma ordenada con el haz mirando hacia el objetivo del radiómetro en tres capas
entrecruzadas. Se tomaron igualmente cuatro mediciones por bandeja (por consiguiente
por especie). El propósito de este experimento era simular en lo posible el
comportamiento espectral de las especies a nivel de hoja. En definitiva, obtener los
espectros más “puros” de cada especie que nos permitieran analizar la separabilidad con
el menor nivel de ruido posible.
Durante la campaña 2004, se realizaron, además, mediciones en exteriores sobre
un área piloto, ubicada en la finca La Poveda de Arganda del Rey, Madrid,
perteneciente al Consejo Superior de Investigaciones Científicas. El área piloto estaba
compuesta por 16 parcelas cuyo tamaño y distribución se diseñó con el fin de facilitar
las mediciones con el espectroradiómetro durante todo el ciclo vegetativo de las
especies. Cada parcela tenía un tamaño aproximado de 6m de largo por 3m de ancho y
estaban agrupadas en dos bloques de ocho parcelas cada uno (dos parcelas por especie).
En la parte norte de cada bloque se acondicionó un pasillo de 2m de ancho que permitía
una fácil circulación entre las parcelas para realizar las mediciones
De las 16 parcelas, ocho se sembraron con los cultivos de referencia, cuatro con
las dos especies de malas hierbas y cuatro se dejaron como suelo desnudo. Para todos
los casos, se fijaron densidades de siembra superiores a las estándar con el fin de
obtener un alto porcentaje de cobertura.
El radiómetro se situó a una altura de 207cm lo que genera un FOV con un eje
mayor de 20,9cm y un eje menor de 16,8cm (Figura. 3). Esta disposición se consideró
apropiada para facilitar el manejo del instrumento por parte del operario y al mismo
tiempo observar un área suficientemente representativa.

982
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

Figura 3: FOV sobre parcela en el campo.

De la misma manera que en las mediciones de laboratorio, en el campo se

iniciaron en la tercera semana del mes de enero de 2004, y la última medición se realizó
la tercera semana del mes de mayo de 2004. En general se han cubierto todas las fases
de desarrollo de los cultivos.
Se seleccionaron al azar tres posiciones de medición por parcela y en cada una de
esas posiciones se realizaron tres mediciones. Por tanto, se obtuvo un total de nueve
espectros por parcela, es decir, dieciocho espectros de cada una de las especies
analizadas. Las repeticiones se realizaron para tener en cuenta posibles variaciones en la
reflectividad dentro de cada parcela y obtener así una medida más representativa del
comportamiento espectral de cada especie.

3.1.2. Análisis de los datos: librerías espectrales, índices de vegetación y análisis de

separabilidad espectral
El análisis de los datos de reflectividad obtenidos en laboratorio y en el campo se
realizó tanto desde un punto de vista cualitativo como cuantitativo. En el primer caso se
elaboraron y analizaron los espectros de las distintas mediciones, mientras que, el
análisis cuantitativo se abordó utilizando diversas técnicas estadísticas, dirigidas a
cuantificar la separabilidad espectral de las cubiertas estudiadas. El análisis de la
separabilidad espectral se realizó, tanto sobre los datos originales obtenidos con el
espectroradiómetro en el campo y en el laboratorio, como sobre variables derivadas
obtenidas por transformación de los anteriores.

3.1.2.1. Cálculo de variables derivadas: Índices de vegetación

En este trabajo se abordó el cálculo de algunos índices de vegetación para
comprobar si su capacidad para discriminar especies mejora con respecto a la de las
bandas originales. El cálculo de los índices se realizó tanto para los datos
hiperespectrales (640 bandas medidas con con el espectroradiómetro), como para datos
multiespectrales derivados de los anteriores simulando las bandas del sensor Quickbird1.
Los índices calculados para los datos multiespectrales fueron el NDVI, SAVI y GEMI.

1
Los datos multiespectrales se generaron promediando las mediciones obtenidas con el
espectroradiómetro para las longitudes de onda de las 5 bandas QuickBird.

983
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

. Índice de Vegetación de Diferencia Normalizada (NDVI):

NDVI = (IRC-R) / (IRC+R)

. Soil Adjusted Vegetation Index (SAVI):

SAVI = [( IRC - R ) / ( IRC + R + L )] ( 1 + L)

. Global Environmental Monitoring Index (GEMI):

GEMI = [η ( 1 – 0,25 η ) ] – [ ( R – 0,125) / ( 1 – R ) ]

donde,
η = [ 2 * ( IRC 2 – R 2 ) + ( 1,5 * IRC ) + ( 0,5 * R ) ] / ( IRC + R + 0,5 )

Teniendo en cuenta la disponibilidad en este estudio de datos hiperespectrales

procedentes de las medidas realizadas con el espectroradiómetro, se ensayó la
aplicación de índices específicos para este tipo de datos que combinan ciertas bandas de
interés para realzar o discriminar determinadas características de las cubiertas. De los
diversos índices de este tipo formulados hasta el momento, se decidió aplicar uno que
sirviera para estimar alguno de los parámetros que se consideraban relevantes para
diferenciar espectralmente las especies analizadas. Concretamente nos centramos en el
contenido de clorofila ya que diversos estudios han demostrado la capacidad de
determinados índices espectrales para estimar este parámetro biofísico.
Existen múltiples referencias en la literatura sobre la relación entre índices ópticos
y contenido clorofílico: parámetros espectrales de “eje rojo” relacionados con contenido
clorofílico (Vogelmann et al., 1993) utilizando el punto de inflexión λp (máximo de la
primera derivada de la reflectancia). Entre la amplia gama de índices de “eje rojo”
diseñados en diversos estudios, en este trabajo hemos utilizado los propuestos por
Volgemann (1993): (R740 / R720) y Datt (1998): (R780 - R710) / (780 - R680)
Por otra parte, se seleccionó el índice TCARI (Transformed Chlorophyll
Absorption in Reflectance Index) que utiliza bandas correspondientes a la zona de
mínima absorción de los pigmentos fotosintéticamente activos, correspondiente a los
550 y 700nm, en combinación con la zona de máxima absorción de clorofila a,
alrededor de los 670nm. La elección de los 700nm se debe a su ubicación en el límite
entre la región donde la reflectividad de la vegetación esta dominada por la absorción de
los pigmentos y el comienzo de la porción del limite rojo, donde las características
estructurales de la vegetación tienen más influencia en la reflectividad (Haboudane, et
al. 2002).
TCARI = 3 [ ( R700 - R670 ) - 0.2 ( R700 - R550 ) ( R700 / R670 ) ]
Es, en cierta manera, una medida de la profundidad de la absorción de clorofila a
los 670nm relativa a la reflectividad en los 550 y 700nm. El cociente (R700/R670)
minimiza el efecto combinado de la reflectividad del suelo y de materiales no
fotosintéticos del dosel. Justamente, el efecto de la reflectividad de fondo afecta la
pendiente entre los 700 y 550nm; para compensar este efecto se aplica el cociente
(R700/R670) solamente sobre la diferencia (R700-R550).
Sin embargo, este índice es sensible a las características de reflectividad del suelo,
por lo que resulta difícil de interpretar con valores bajos de LAI. Por ello, se propone su

984
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

combinación con un índice de vegetación ajustado al suelo (Optimized Soil-Adjusted

Vegetation Index: OSAVI).
OSAVI = ( 1 + 0,16 ) ( R800 - R670 ) / ( R800 + R670 + 0,16 )
Este índice no necesita información sobre las propiedades ópticas del suelo y
ofrece buenos resultados en cultivos agrícolas. Su combinación con el índice TCARI
reduce la influencia de la reflectividad del suelo y realza la sensibilidad a las variaciones
relacionadas con el contenido de clorofila.
3.1.2.2 Análisis estadístico
Con el propósito de evaluar la separabilidad espectral entre malas hierbas y
cultivos en las distintas fases de crecimiento se aplicaron a los datos espectrales
recogidos en laboratorio y campo diversas técnicas de análisis estadístico como la
distancia normalizada y el análisis discriminante.
La distancia normalizada se define como el cociente entre el valor absoluto de la
diferencia entre las medias y la suma de las desviaciones típicas de dos conjuntos de
datos. Puede considerarse como una medida de la separabilidad estadística entre clases;
por ello diversos autores la han utilizado como una medida sencilla y efectiva de la
separabilidad espectral entre cubiertas.
Por otra parte, el análisis discriminante es una técnica estadística que permite
asignar un individuo a un grupo definido a priori (variable dependiente) en función de
una serie de características del mismo (variables independientes). Nuestro objetivo al
aplicar esta técnica era, no tanto realizar una clasificación de nuestros datos, sino
analizar cuáles son las variables –longitudes de onda- que contribuyen en mayor grado a
clasificar correctamente cada individuo -medición- en los diferentes grupos establecidos
-especies-. Se aplicó el método de selección de variables “por pasos”, algoritmo que va
introduciendo y eliminando variables del modelo según su nivel de aproximación al
criterio de selección que se establece. En este caso, se ha considerado como criterio el
minimizar el coeficiente Lambda de Wilks (λ). Este estadístico puede tomar valores que
oscilen entre 0 y 1. Una λ=1 significa que no existe diferencia alguna entre las medias
de los grupos en la variable considerada. Valores de λ próximos a 0 significan, por el
contrario, que una gran parte de la variabilidad total es atribuible a la diferencia entre las
medias de los distintos grupos.
Tanto la distancia normalizada como el análisis discriminante se aplicaron sobre
los datos hiperespectrales y también sobre los multiespectrales (simulando las bandas
Quickbird). En el caso de los datos hiperespectrales, para facilitar el análisis, se redujo
el conjunto de datos originales promediando las mediciones a intervalos de 10 nm desde
400 a 1000 nm; y a intervalos de 20 nm desde 1000 a 2500 nm.

3.2. Fase 2: Análisis de las imágenes QuickBird para la cartografía de rodales de A.

sterilis en cultivos de cebada.
Hasta hace muy poco tiempo, la utilización de la teledetección en agricultura se
había centrado en el inventario y estimación de cosechas, debido a que las
características de los sensores disponibles –especialmente en lo que se refiere a
resolución espacial- limitaban su aplicación a estudios sobre áreas extensas donde el
nivel de detalle de la información obtenida era escaso. Sin embargo, la puesta en órbita
de nuevos sensores de muy alta resolución espacial (inferior al metro) ha ampliado

985
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

notablemente el rango de aplicaciones en el ámbito de la agricultura, y más

concretamente en el de la agricultura de precisión. Ikonos y Quickbird son sólo algunos
de estos sensores, cuya característica común es la elevada resolución espacial, que
oscila entre 0,6 y 4 metros, y temporal, variando entre 1 y 3,5 días. En cuanto a la
resolución espectral, tienen una banda en cada una de las porciones más significativas
del espectro electromagnético: azul, verde, rojo e infrarrojo cercano, a lo que se suma
una banda pancromática más ancha que las anteriores y situada entre el visible y el
infrarrojo cercano, que mejora la resolución espacial respecto a las bandas
multiespectrales.
Con objeto de analizar la potencialidad de los sensores actualmente disponibles
para identificar y cartografíar rodales de malas hierbas en cultivos de cereal, se adquirió
una serie multitemporal de imágenes Quickbird sobre una parcela de cebada con
infectación de A. Sterilis situada en la finca La Poveda. Se eligió este sensor por ser el
que ofrece imágenes con una mayor resolución espacial, que oscila entre 0,61 m en la
banda pancromática y 2,4 m en la multiespectral. La resolución espectral también
resulta adecuada para este tipo de estudios pues tiene una banda en cada una de las
porciones más significativas del espectro electromagnético: azul, verde, rojo e infrarrojo
cercano, a lo que se suma una banda pancromática más ancha que las anteriores y
situada entre el visible y el infrarrojo cercano. Las imágenes fueron adquiridas sobre la
zona de estudio, localizada en Arganda del Rey (sureste de la Comunidad de Madrid),
en los días 21 de marzo y 1 de junio de 2004. Para poder contar con una serie
multitemporal de imágenes sobre nuestra zona de interés fue necesario realizar una
programación de las adquisiciones. Este sistema de programación garantiza la
adquisición de los datos en una ventana temporal que puede oscilar entre 2 y 6 semanas.
La fecha exacta de la adquisición de la imagen sólo es facilitada por el proveedor
cuando se confirma la calidad de los datos, por lo que fue imposible realizar mediciones
radiométricas en terreno el día en que fueron adquiridas las imágenes. Las mediciones
que planificamos para la validación de resultados fueron realizadas, por tanto, algunos
días después de la adquisición de cada imagen. Se procuró, en cualquier caso, que la
carencia temporal entre el dato de satélite y el de campo fuera la menor posible para
garantizar la validez de la comparación. Durante los trabajos de campo se tomaron
medidas de biomasa y densidad de malas hierbas en las parcelas de referencia.
El pre-tratamiento de las imágenes incluyó procesos de georeferenciación (para
asegurar el ajuste cartografíco y multitemporal) y corrección radiométrica (conversión
de niveles digitales a valores de radiancia). La corrección geométrica se realizó
mediante puntos de control utilizando como referencia cartografía digital y ortofotos
digitales de la zona a escala 1:5000 facilitadas por la Consejería de Medio Ambiente y
Ordenación del Territorio de la Comunidad de Madrid. Para garantizar el ajuste con los
datos de campo se tomaron además como referencia puntos de control medidos con
GPS en la parcela sobre elementos fácilmente identificables en la imagen. En cuanto a
la corrección radiométrica, se utilizaron los coeficientes de calibración facilitados por
Digitalglobe para conversión de niveles digitales a valores de radiancia para cada banda.
Una vez realizadas las oportunas correcciones se ensayaron diversos algoritmos
de fusión de las bandas multiespectrales y pancromática con el objetivo de mejorar la
resolución espacial de la imagen manteniendo, en lo posible, su calidad espectral.

986
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

En este trabajo ensayamos tres técnicas de fusión implementadas en el programa

ENVI – versión 4.2.: Gram – Schmidt, Componentes Principales y Brovey. Tras aplicar
diversos análisis (correlaciones entre bandas y comparación con las imágenes
originales) para evaluar la calidad del resultado de las fusiones, se seleccionó la imagen
obtenida con la técnica Gram – Schmidt ya que ofrecía los mejores resultados al
conseguir un mejor equilibrio que las restantes entre mejora espacial y calidad espectral.
Sobre las imágenes resultantes de la fusión se calcularon diversos índices
espectrales de los mencionados en 3.1.2.1, concretamente el NDVI y SAVI. Además se
realizó una clasificación utilizando el método denominado Spectral Angle Mapper
(SAM). Se trata de un método de clasificación hiperespectral que permite medir la
similitud entre un espectro desconocido t y uno de referencia r (Kruse et al., 1993; Van
der Meer et al., 1997; Rowan y Mars, 2003). El espectro de referencia puede proceder
de mediciones de laboratorio o de campo o incluso de una imagen hiperespectral. Los
espectros son tratados como vectores en un espacio n-dimensional y SAM mide la
similitud entre ellos calculando el ángulo que forman y que se denomina "ángulo
espectral". Los ángulos (en radianes) más bajos indican que existe una gran semejanza
entre los espectros (en nuestro caso entre las especies), lo que significa que no son
separables espectralmente; mientras que los ángulos más altos indican una escasa
semejanza, por consiguiente, existe una mayor distancia espectral entre las especies.
Este método es insensible a la iluminación puesto que el ángulo entre los vectores es
independiente de su longitud. En nuestro caso el método no se utilizó para clasificar
sino mas bien para analizar la capacidad de discriminación entre malas hierbas
(concretamente A. Sterilis) y cultivos (cebada) utilizando como espectros de referencia
los obtenidos en campo en la fecha más próxima a la adquisición de las imágenes.
Aunque esta es una técnica específicamente desarrollada para imágenes
hiperespectrales, consideramos que podría ofrecer también resultados de interés en
imágenes multiespectrales.
Finalmente se aplicaron análisis de regresión múltiple y logística para evaluar la
capacidad de las bandas originales, los índices de vegetación y las imágenes con el
cálculo de los ángulos resultante del SAM para discriminar la mala hierba A. Sterilis del
cultivo de cebada. Para llevar a cabo este análisis se tomaron como referencia datos de
densidad de malas hierbas tomados en campo para una parcela de nuestra zona de
estudio. Los datos de densidad de malas hierbas se recogieron para una malla de 90
puntos clasificando la densidad en 5 categorías: 0, 0.1, 1, 10 y 100 plantas/cm2
En el caso de la regresión logística, al requerir una variable dependiente
dicotómica, fue necesario dividir la variable densidad en dos únicas categorías. Se
realizaron tres análisis diferentes agrupando las categorías de densidad de la siguiente
forma:
. densidad inferior o igual a 1= 0 y densidad 10 = 1. Para evaluar la capacidad de
discriminar entre densidades bajas y medias.
. densidad inferior o igual a 1 = 0 y densidad 100 = 1. Para evaluar la capacidad de
discriminar entre densidades bajas y altas.
. densidad 10 = 0 y densidad 100 = 1. Para evaluar la capacidad de discriminar
entre densidades medias y altas.
En todos los casos, el modelo se construyó con el 60% de los puntos muestreados
en campo dejando el 40 % restante para validación.

987
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

4. RESULTADOS
4.1. Fase 1: Caracterización espectral de las cubiertas
Lolium Rigidum Especies
18 M ayo 2 0 0 4
80,00
80,00

60,00
L.Rig_21/ 01/ 04 60,00 C. Nev
L. Rig_12/ 02/ 04 T. Ast
40,00 L. Rig_15/ 03/ 04 L. Rig
40,00
L. Rig_14/ 04/ 04 C. Bar
L. Rig_18/ 05/ 04 A. Ste
20,00
20,00 T. Or ion

0,00 0,00
400 700 1000 1300 1600 1900 2200 2500 400 700 1000 1300 1600 1900 2200 2500

Figura 4. Curvas espectrales de lolium rigidum para las distintas fechas (izquierda) y de
todas las especies para el 18 de mayo (derecha). Mediciones de campo.

La primera aproximación al análisis de los datos obtenidos en laboratorio y campo

fue meramente cualitativa a partir de la representación de los gráficos de curvas
espectrales. Estos gráficos muestran, por una parte, la evolución temporal de las
especies y, por otra, las diferencias entre especies en cada fecha de medición tanto para
los experimentos de laboratorio (macetas y bandejas), como para los de campo.
Al analizar la evolución temporal de las curvas espectrales, destaca la influencia
del factor suelo en las tres primeras mediciones (Figura 4). En esas fechas el porcentaje
de cobertura es aún bajo y, por tanto, la señal medida por el radiómetro es una mezcla
de la reflectividad procedente de la vegetación y el suelo. Se trata de curvas espectrales
más planas que tienen una diferencia de reflectividad mucho menos marcada, que la
característica en el caso de la vegetación vigorosa, entre las regiones VIS, IRC y SWIR
del espectro.
En cuanto a las diferencias entre especies para una misma fecha. En el gráfico de
la figura 3 podemos observar que las diferencias más notables corresponden al lolium y
la avena sterilis mientras que los cultivos presentan unos espectros muy similares entre
si. No obstante hay que tener en cuenta que el gráfico presenta los resultados de la
última medición cuando las diferencias entre las malas hierbas y los cultivos son más
evidentes.
Por lo que respecta al análisis cuantitativo, los resultados del cálculo de la
distancia normalizada muestran los valores de separabilidad más altos para avena
sterilis en todas las fechas salvo para la última medición (mayo), donde la separabilidad
total de Lolium rigidum con respecto a los cuatro cultivos considerados –cebada
Nevada, cebada Barbarrosa, trigo Astral y trigo Orion- es considerablemente mayor.
Esta separabilidad es especialmente alta con el trigo Orión. A. Sterlilis también presenta
buenas separabilidades con trigo orión en la última fecha y con cebada nevada en las
fechas anteriores aunque el valor de separabilidad es siempre menor al de lolilum con
trigo orión.
Con los datos hiperespectrales, las bandas que presentan las mayores
separabilidades pertenecen a las regiones del IRC y el SWIR en casi todos los casos.
Sin embargo, para los datos multiespectrales los mejores resultados se obtienen con las
bandas del Rojo e IRC.

988
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

Por último, los índices espectrales, en general, superan los valores de distancia
normalizada obtenidos con las bandas originales, tanto en el caso del análisis
hiperespectral como en el multiespectral. De los índices calculados, el TCARI ofrece los
mejores resultados para datos hiperspectrales y el NDVI para multiespectrales. En la
tabla 1 se pueden observar los resultados obtenidos del cálculo de la distancia
normalizada entre lolium rígidum y los cultivos de referencia con datos hiperespectrales.

Tabla 1. Análisis de distancia normalizada para lólium rígidum. Datos hiperespectrales

obtenidos con mediciones de campo. Se han resaltado los valores de distancia más altos
entre los índices.

Estos resultados se confirman en el análisis discriminante, donde tanto A. Sterilis

como Lolium rigidum presentan el mayor porcentaje de casos correctamente
clasificados ( > 85 % en validación cruzada) en las últimas fechas. A. sterilis presenta
porcentajes de acierto en la clasificación relativamente altos pero ofrece confusiones
con casi todos los cultivos mientras que Lolium rígidum sólo presenta confusiones con
cebada nevada y orión en las primeras fechas y con cebada barbarrosa en la última.
Estos datos se refieren al análisis hiperespectral. En el caso de los datos
multiespectrales, las tendencias son similares pero los porcentajes de acierto en la
clasificación disminuyen.
En la tabla 2 aparecen las longitudes de onda seleccionadas para cada fecha.
Como se puede observar, en la mayor parte de los casos estas longitudes de onda
pertenecen a la región del IRC y el SWIR, especialmente en la última medición. En esta
fecha aparecen también seleccionadas tres bandas del visible, una de ellas situada en la
región del “eje rojo”.
El límite rojo es la frontera entre los procesos de absorción de clorofila en la
región del rojo y de dispersión de la energía en función de la estructura de la hoja en la
región del IRC. La longitud de onda exacta del eje rojo depende de la concentración de
clorofila y ha sido señalada por numerosos autores como una región potencialmente útil
para la discriminación de especies vegetales (Smith y Blackshaw, 2003)
Los resultados obtenidos indican que el comportamiento espectral de las malas
hierbas analizadas es muy similar al de los cultivos en casi todas las etapas del ciclo
fenológico, especialmente si limitamos la resolución espectral a la de las bandas
disponibles en los sensores comerciales. No obstante, la discriminación de especies
mejora a partir de datos hiperespectrales siendo las longitudes de onda de las regiones

989
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

del IRC y SWIR las que ofrecen los mejores resultados. En el caso de los índices, la
mejor separabilidad entre malas hierbas y cultivos se observó con índice TCARI basado
en datos hiperespectrales y diseñado originalmente para la estimación del contenido en
clorofila de los cultivos. En general las mayores diferencias espectrales se encuentran
entre lolium rígidum y trigo orión, siendo más complicada la discriminación en el caso
de A. sterilis, que presenta un comportamiento más similar al de los cultivos,
especialmente a cebada nevada y trigo astral.
Tabla 2. Longitudes de onda seleccionadas en el análisis discriminante. Datos
Hiperespectrales de campo
Medición Banda seleccionada
Primera 765 IRC
1990 SWIR
2170 SWIR
2190 SWIR
2210 SWIR
Segunda 405 A
435 A
485 A
625 R
685 R
1410 SWIR
1930 SWIR
2010 SWIR
Tercera 415 A
425 A
505 V
585 V
595 V
1490 SWIR
2170 SWIR
Cuarta 405 A
435 A
535 V
705 IRC
1510 SWIR
1930 SWIR
2230 SWIR
Quinta 425 A
565 V
645 R
715 IRC
775 IRC
965 IRC
1090 IRC
1210 SWIR
2250 SWIR
2410 SWIR

990
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

4.2. Fase 2: Análisis de las imágenes QuickBird para la cartografía de rodales de

A. sterilis en cultivos de cebada.
Los resultados de las regresiones múltiples entre las variables espectrales (bandas,
índices y SAM) extraídos de la imágenes para los 90 puntos muestreados en campo y
los datos de densidad de mala hierba medidos en esos puntos sobre el terreno muestran
que las correlaciones lineales entre densidad de avena sterilis y datos de satélite son
bajas tanto para la imagen de marzo como para la de junio con valores de R2 inferiores a
0.20. En cuanto a las regresiones múltiples los valores de R2 mejoran notablemente en la
imagen de junio (0.61) mientras que se mantienen bajos en la de marzo (0.20). Las
variables seleccionadas por el modelo de regresión múltiple para la imagen de junio son
la banda del verde, el SAVI y la imagen de ángulos resultante del SAM.
Los resultados de la regresión logística, en la que se incluyeron todas la bandas
más el NDVI y la imagen de ángulos del SAM, muestran que la imagen de marzo no
permite una correcta clasificación de las distintas densidades. Especialmente conflictiva
es la separación entre densidades bajas (menor o igual a 1 planta/cm2) y medias (10
planta/cm2). Sin embargo, en la imagen de junio los aciertos en la clasificación de los
tres rangos de densidad son altos aunque persisten las dificultades para la
discriminación de los rangos antes mencionados. Las tablas de clasificación de la
imagen de junio muestran el potencial de estos datos para cartografiar malas hierbas en
cereal. Para confirmar la validez de los resultados, los modelos de regresión logística
obtenidos con el 60 % de la muestra se aplicaron al 40 % restante. Los resultados
obtenidos son similares a los conseguidos con el 60 % de los datos excepto en el caso
de la clasificación de los rangos de densidad medio (10) respecto al alto (100). Como
cabria esperar, la imagen permite clasificar correctamente las densidades mas altas
respecto a las mas bajas, mientras que presenta ciertas dificultades para clasificar los
rangos intermedios. Aún así los porcentajes de acierto en la clasificación son altos para
todos los casos (superiores al 70 % en el peor de los casos).
Si bien estos resultados deberían completarse con una serie más larga de datos,
parece confirmarse la potencialidad de las imágenes de alta resolución espacial para la
cartografía de rodales de malas hierbas en cultivos de cereal. No obstante, la aplicación
operativa de estas imágenes para la aplicación selectiva de herbicidas resulta discutible
ya que se ha demostrado que la capacidad para discriminar las malas hierbas en el
momento idóneo para aplicar el tratamiento es muy limitada debido a la influencia del
suelo en la señal captada por el sensor.

5. CONCLUSIONES
En síntesis, los resultados obtenidos han permitido confirmar la potencialidad de
la teledetección para discriminar espectralmente los cultivos de las malas hierbas y, por
tanto, para la discriminación de rodales en campos infectados. Se han puesto de
manifiesto las dificultades que entraña la discriminación de especies similares como es
el caso de la Avena sterilis y las distintas variedades de trigo y cebada. No obstante, se
ha demostrado la posibilidad de realizar una discriminación aceptable al final del ciclo
del cultivo. Las imágenes Quickbird han demostrado su capacidad para la cartografía de
rodales de A.sterilis en cultivos de cereal cuando la densidad de mala hierba es
suficientemente alta. Aunque esta información no resulta operativa para la aplicación
del herbicida en la época idónea para el tratamiento puede servir para la obtención de
mapas de rodales que permitan predecir su distribución espacial. Además, los

991
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

experimentos realizados han proporcionado una valiosa información sobre la región

espectral más idónea para abordar esta discriminación y el período temporal más
apropiado para ello.

6. AGRADECIMIENTOS
El presente trabajo ha sido realizado en el marco del proyecto “Biología espacial
de gramíneas arvenses en cereales; aproximaciones para su detección y control
mediante tratamientos localizados” AGL2002-04468-C03-03 financiado por el
Ministerio de Educación y Ciencia. Nuestro agradecimiento a la Universidad de Alcalá
que puso a nuestra disposición el equipo de espectroradiometría y el laboratorio en el
que se realizaron las mediciones. Expresamos además nuestro agradecimiento al
personal de la finca experimental del CSIC “La Poveda” por el apoyo prestado en la
obtención de los datos de campo.

7. BIBLIOGRAFÍA
Brown, R. B. and Steckler, J. -P. G. A. (1995) “Prescription maps for spatially variable
herbicide application in no-till corn”, Transactions of the ASAE, 38,6, pp. 1659-
1666.
Datt, B., (1998), “Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and
total carotenoid content in Eucalyptus leaves”. Remote Sensing of Environment.
66, pp. 111-121.
Everitt, J.H., Escobar, D.E., Alaniz, M.A., Davis, M.R., and Richerson, J.V. (1996).
“Using spatial information technologies to map Chinese tamarisk (Tamarix
chinensis) infestations”. Weed Science, 44,1, pp 194-201.
Everitt, J.H., Anderson, G.L., Escobar, D.E., Davis, M.R., Spencer, N.R., and
Andrascik, R.J. (1995). “Use of remote sensing for detecting and mapping leafy
spurge (Euphorbia esula)”. Weed technology, 9,3, pp 599-609.
Fernandez-Quintanilla, C., Barroso, J. (2001) “La evaluación de malezas dentro de la
agricultura de precisión.”, Revista de investigaciones de la Facultad de Ciencias
Agrarias, 1,1, pp. 49-62.
Goel, P.K., S.O. Prasher, J.A. Landry, R.M. Patel, R.B. Bonnell, A.A. Viau, and J.R.
Miller. (2003b) “Potetial of airborne hyperspectral remote sensing to detect
nitrogen deficiency and weed infestation in corn”. Computers and Electronics in
Agriculture, 38,2, pp 99-124.
Haboudane, D., Miller, J., Tremblay, N., Zarco-Tejada, P., Dextraze, L. (2002),
“Integrated narrow-band vegetation indices for predictioin of crop chlorophyll
content for application to precision agriculture”, Remote Sensing of Environment
81, pp. 416-426.
Huete, A. R., Jackson, R. D. and Post, D. F., (1995), “Spectral response of a plant
canopy with different soil backgrounds” Remote Sensing of Environment, 17, pp.
37-53.
Kruse, F.A., Boardman, J.W., Lefkoff, A.B., Heidebrecht, K.B., Shapiro, A.T., Barloon,
P.J., and Goetz, A.F.H. (1993), “The Spectral Image Processing System (SIPS) –
Interactive Visualization and Analysis of Imaging Spectrometer Data”. Remote
Sensing of Environment, 44, pp.145-163.

992
 TELEDETECCIÓN Y AGRICULTURA DE PRECISIÓN: UN EJEMPLO DE APLICACIÓN A LA CARTOGRAFÍA DE MALAS
HIERBAS EN CULTIVOS DE CEREAL

Lamb, D. W. and Weedon, M. (1998), “Evaluating the accuracy of mapping weeds in

fallow fields using airbone digital imagery: Panicum effusum in oilseed rape
stubble”, Weed Research, 38, pp. 443-451.
Lamb, D. W. and Brown, R. B. (2001), “Remote-sensing and mapping of weeds in
crops”. Journal of Agricultural Engineering Research, 78,2, pp. 117-125.
Lass, L.W., and Callihan, R.H. (1997). “The effect of phenological stage on
detectability of Yellow Hawkweed (Hieracium pratense) and Oxeye Daisy
(Chrysanthemum leucanthemum) with remote multispectral digital imagery”.
Weed Technology, 11,2, pp 248-256.
McGowen, I. J., (1998), “Remote sensing: background to the technology and
opportunities for mapping pasture weeds”, Precision weed management in crop
and pastures, Proceedings of a workshop held on 5-6 May 1998 at Charles Sturt
University, Wagga Wagga, New South Wales, Australia, pp. 36-47.
Medlin, C. R. and Shaw, D. R. (2000), “Economic comparison of broadcast and site-
specific herbicide applications in nontransgenic and glyphosate-tolerant Glycine
max”. Weed Science, 48, pp. 653-661.
Menges, R. M., Nixon, P. R. and Richardson, A. J. (1995), “Light reflectance and
remote sensing of weeds in agronomic and horticultural crops”, Weed Science,
33,4, pp. 569-581.
Moran, M. S., Inoue, Y. and Barnes, E. M. (1997), “Opportunities and limitations for
image-based remote sensing in precision crop management”. Remote Sensing of
Environment, 61, pp. 319-346.
Pujadas Salva, A. y Hernández Bermejo, J. E. (1998) “Concepto de mala hierba”, ITEA,
75, pp. 47-56.
Richardson, A. J., Menges, R. M. and Nixon, P. R. (1985), “Distinguishing weed from
crop plants using video remote sensing”, Photogrammetric Engeneering and
remote Sensing, 51,11, pp. 1785-1790.
Rowan, L.C. and Mars, J.C. (2003), “Lithologic mapping in the Mountain Pass,
California area using Advanced Spaceborn Thermal Emission and Reflection
Radiometer (ASTER) data”. Remote Sensing of Environment, 84, pp. 250-266.
Smith, A., Blackshaw, R., (2003), “Weed-Crop discrimination sing remote sensing: a
deatached leaf experiment”, Weed Technology, 17, pp. 811-820.
Stafford, J. V. and Miller, P. C. H. (1993). “Spatially selective application of herbicide
to cereal crops”, Computers and electronics in Agriulture, 9, pp. 217-229.
Thair, W. (2005). “Artificial Intelligence Analysis of Hyperspectral Remote Sensing
data for Management of water, weed, and nitrogen stresses in corn fields”. Tesis
Doctoral.
Timmermann, C., Gerhards, R., Krohmann, P., Sokefeld, M. and Kuhbauch, W. (2001),
“The economical and ecological impact of the site-specific weed control”.,
Grenier, G. and Blackmore (Ed), In: Proceedings of the 3rd European Conference
on Precision Agriculture, Montpellier-France, Agro Montpellier, 2, pp. 563-568.
Thompson, P. S., Stafford, J. V. and Miller, P. C. H. (1991), “Potential for automatic weed
detection and selective herbicide application”, Crop Protection, 10, pp. 254-259.
Van der Meer, F., Vasquez-Torres, M., and Van Dijk, P.M. (1997), “Spectral
Characterization of Ophiolite Lithologies in the Troodos Ophiolite Complex of

993
 EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 977-994

Cyprus and its Potential in Prospecting for Massive Sulphide Deposits”.

International Journal of Remote Sensing, 18,6, pp. 1245-1257.
Vogelmann, J. E., et al. (1993), “Red edge spectral measurements from sugar maple
leaves”. Int. J. Remote Sensing, 14, pp. 1563-1575.
Zwiggelaar, R. (1998), “A review of spectral properties of plants and their potential user
for crop/weed discrimination in row crops”. Crop Protection, 17,3, pp. 189-206.

994