See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/339524014

Manual de interpretación y aplicación de imágenes multiespectrales en

cultivos de importancia agrícola en el norte del Huila

Book · February 2020

CITATIONS READS

0 2,550

4 authors:

David Saavedra Mora Leidy machado cuellar

University of the Amazon University of the Amazon
16 PUBLICATIONS   4 CITATIONS    10 PUBLICATIONS   10 CITATIONS   

SEE PROFILE SEE PROFILE

Diego Andrés Méndez Pastrana Valentín Murcia Torrejano

Servicio Nacional de Aprendizaje SENA Servicio Nacional de Aprendizaje SENA
3 PUBLICATIONS   1 CITATION    9 PUBLICATIONS   2 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Adaptation of beans to acid soils and high temperatures View project

Manejo sostenible de los suelos tropicales View project

All content following this page was uploaded by David Saavedra Mora on 27 February 2020.

The user has requested enhancement of the downloaded file.

 Manual de interpretación
y aplicación de imágenes
multiespectrales en cultivos de
importancia agrícola en el norte
del Huila
 Manual de interpretación y aplicación de
imágenes multiespectrales en cultivos de
importancia agrícola en el norte del Huila
 Manual de interpretación y aplicación de
imágenes multiespectrales en cultivos de
importancia agrícola en el norte del Huila

David Saavedra Mora

Leidy Machado Cuellar

Diego Méndez Pastrana

Valentín Murcia Torrejano

Diego Alejandro Vargas

Centro de Formación Agroindustrial La Angostura

Servicio Nacional de Aprendizaje
(SENA-Regional Huila)

2019
Manual de interpretación y aplicación de imágenes multiespectrales
en cultivos de importancia agrícola en el norte del Huila
ISBN: 978-958-15-0521-0

© David Saavedra Mora, Leidy Machado Cuellar, Diego Méndez Pastrana,

Valentín Murcia Torrejano, Diego Alejandro Vargas
© SENA
© Centro de Formación Agroindustrial La Angostura
Servicio Nacional de aprendizaje

Directivos SENA
Carlos Mario Estrada Molina Isaías Farfán Collazos
Director General Coordinador Formación Profesional Centro de
Formación Agroindustrial La Angostura SENA
Farid de Jesús Figueroa Torres Regional Huila
Director de Formación Profesional y Coordinador
Grupo de Gestión Estratégica de la Investigación, Sergio Andrés Orduz Tovar
Desarrollo Tecnológico e Innovación (SENNOVA) Líder SENNOVA
Centro de Formación Agroindustrial La Angostura
Fermín Beltrán Barragán
Gloria Maritza Sánchez Alarcón
Director Regional (E) - SENA Regional Huila
Coordinadora Académica
Cándido Herrera González Centro de Formación Agroindustrial La Angostura
Subdirector - Centro de Formación Agroindustrial Andrea Melisa Vásquez Riascos
La Angostura - SENA Regional Huila Dinamizadora Tecnoparque
Germán Barrios Cruz Centro de Formación Agroindustrial La Angostura
Coordinador Académico - Centro de Formación
Agroindustrial La Angostura
SENA Regional Huila

Coordinación editorial: Sílaba Editores SAS

Corrección de textos: Rubelio López
Diseño y diagramación: Juan Carlos Vélez S.

Centro de Formación Agroindustrial La Angostura

Dirección: Kilómetro 38 vía al sur de Neiva, Campoalegre (Huila)
Teléfonos: (578) 8380191 - 8385060
http://sena.edu.co/regionales-y-centros-de-formacion/zona-andina/Huila/Paginas/Huila.aspx
www.centroagroindustrial.blogspot.com.co
www.centroagroindustrial.blogspot.com
Se autoriza la reproducción total o parcial de la obra para fines educativos siempre y cuando se cite la fuente.
4

Sobre los autores

David Saavedra Mora: Investigador SENNOVA, Grupo de

Investigación Agroindustrial La Angostura. Correo
electrónico: saavedra.deivi60@gmail.com.

Leidy Machado Cuellar: Investigadora SENNOVA, Grupo

de Investigación Agroindustrial La Angostura. Co-
rreo electrónico: leidymachadocuellar@gmail.com.

Diego Méndez Pastrana: Instructor-SENA, Grupo de In-

vestigación Agroindustrial La Angostura. Correo
electrónico: damendez4@misena.edu.co.

Valentín Murcia Torrejano: Investigador SENNOVA, Grupo

de investigación Agroindustrial La Angostura. Co-
rreo electrónico: vmurcia4@misena.edu.co.

Diego Alejandro Vargas: Tecnólogo en Producción Agrí-

cola, Semillero de Investigación Agrícola La An-
gostura. Correo electrónico: diegovargas11may@
gmail.com.
 Contenido

Presentación .................................................................. 6

Introducción.................................................................... 7

Capítulo 1: Generalidades: Levantamiento

de datos y procesamiento de imágenes............... 10

Capítulo 2: Modelos de digitalización

y determinación de índices
de vegetación en cultivos..........................................34

Capítulo 3: Determinación de variables

edáficas...........................................................................56

Capítulo 4: Modelos para el rendimiento

de cultivos......................................................................68

Referencias bibliográficas.........................................76
6

Presentación

El Servicio Nacional de aprendizaje (SENA) y el

Centro de Formación Agroindustrial La Angostura (CE-
FA), a través del Programa de Investigación, Desarrollo
Tecnológico e Innovación (SENNOVA), buscan la forma-
ción y la prestación de servicios a toda la región norte
del departamento del Huila, ofreciendo capacitaciones,
eventos de desarrollos tecnológicos, giras de campo,
en diferentes niveles de educación, con miras a resolver
problemas y dar soluciones al sector agropecuario a
partir de diversas herramientas y tecnologías que se
han desarrollado para tal fin. Para el presente caso se
trata de la toma de imágenes aéreas multiespectrales
y RGB, a través de vehículos no tripulados (drones),
para el análisis, interpretación y aplicación a cultivos
de importancia agrícola, realizada con base en inves-
tigaciones y en la experiencia de los autores, y que
contribuirá a las instituciones de investigación, univer-
sidades, asistentes técnicos y productores como una
herramienta agronómica fundamental en la toma de
decisiones, que permita mejorar la productividad y la
calidad de los diversos sistemas productivos agrícolas
del país, y especialmente del departamento del Huila.
 7

Introducción

El desafío de la agricultura, según la Organización

de las Naciones Unidas para la Alimentación (FAO) en
la Agenda 2030, es que los productores aumenten la
productividad promoviendo sistemas productivos in-
tegrados, haciendo uso de tecnologías, con el fin de
reducir las exploraciones de los suelos agrícolas y re-
sistir a los cambios climáticos, como un instrumento
para garantizar la demanda de alimentos, debido al
crecimiento de la población y al desarrollo económico
mundial. En los planes y objetivos de la Organización
de las Naciones Unidas para la Educación, la Ciencia
y la Tecnología, mediante la agenda 2030, se resalta
que el desarrollo sostenible de la agricultura debe re-
ducir los costos y ser resiliente a los fenómenos de las
variaciones climáticas.

En el contexto de la “Agenda 2030: transformando

Colombia”, para la adopción y cumplimiento de los
objetivos de la UNESCO y la FAO, Colombia adopta la
agricultura sostenible con la implementación de tec-
nologías para el uso eficiente de recursos energéticos
y agropecuarios; así mismo, en el Plan Nacional de
Adaptación al Cambio Climático (PNACC) las metas
son reducir los riesgos ambientales y los impactos so-
cioeconómicos asociados a la variabilidad y el cambio
8

climático, buscando sistemas productivos adaptados

al uso de tecnologías que garanticen la disminución
de los impactos ambientales.

En este contexto, la agricultura de precisión permite el

manejo diferenciado de los cultivos a partir de la varia-
bilidad espacial y temporal, que mejora la producción y
minimiza los impactos ambientales. Para la caracteri-
zación de la variabilidad se requiere el uso de Sistemas
de Posicionamiento Global mediante sensores de me-
dición planta-clima-suelo e imágenes multiespectrales
obtenidas a partir de satélites y aviones o UAS/RPAS.
El avance con los sistemas de drones permite la cap-
tura de grandes cantidades de información de manera
precisa y rápida que aporta elementos para la toma de
decisiones de los agricultores, contribuyendo a optimi-
zar la dispersión de compuestos fitosanitarios (herbi-
cidas, fertilizantes y pesticidas) en áreas de interés, en
función de las condiciones climáticas y para reducir
el consumo de recursos hídricos; adicionalmente, se
puede determinar variables como las enfermedades,
las plagas, las arvenses y los posibles efectos futuros
causados por las variaciones climáticas, como las he-
ladas o las sequías, entre otros.

La recolección, procesamiento y análisis de imágenes

satelitales y aviones, o UAS/RPAS, por medio de la te-
ledetección de los cultivos, es una herramienta que
permite el modelamiento de escenarios de rendimiento
de cultivos y a la vez la toma de decisiones de los agri-
cultores. Esta cartilla se dividirá en cinco capítulos que
recogerán de forma general conceptos y técnicas para
 9

la aplicación y análisis en la interpretación de imágenes:

1. “Generalidades”, que contiene el levantamiento de da-
tos y el procesamiento de imágenes; 2. “Determinación
de índices de vegetación y modelos de digitalización”;
3. “Determinación de variables edáficas”; 4. “Modelos
para el rendimiento de cultivos”; y 5. “Estudios de casos
en diferentes coberturas”. Cabe resaltar que los autores
deben profundizar en cada uno de los temas antes
mencionados, para lograr generar aplicaciones reales
acordes a los cultivos y según la especie y la región.
10

Capítulo 1

Generalidades:
Levantamiento de datos
y procesamiento de
imágenes
 11

RESUMEN

La revolución de las tecnologías es de

gran interés en la transformación de la agricul-
tura tradicional o convencional en una agricultura
basada en la vigilancia, monitoreo y supervisión
para minimizar los costos de producción y garan-
tizar sistemas sostenibles. Existen evidencias del
uso de las fotografías para el análisis de diversas
variables en los cultivos; aunque la toma de fo-
tografías, el uso de drones y la selección de los
sensores han sido inadecuados. A continuación,
se mencionan algunas recomendaciones y cri-
terios que se debe tener en cuenta al momento
de la toma de fotografías.

1. Equipos, sensores y software en la

teledetección
1.1 Drones
Los drones, o UAS/RPAS, son aeronaves sin tripulación
a bordo, controladas remotamente por un piloto me-
diante un sistema de control. Tiene dos segmentos: el
12

segmento de vuelo, formado por el vehículo aéreo y

los sistemas de recuperación (aterrizaje sobre ruedas
o patines, red, cable, paracaídas, etc.), y el segmento
formado por la estación de control que está en tierra,
donde se recibe la información y a la vez se envía ór-
denes, como también los sistemas lanzadores, que
pueden ser hidráulicos, neumáticos, entre otros. Ac-
tualmente, se conocen diferentes drones por su forma,
fijación de las alas y uso.

Según su uso, hay drones militares tácticos y estraté-

gicos (MQ-1 Predatorr, Mosquito israelí IAI Malat, US
Aurora Flight Sciences Skate, RQ-11 Raven, US Aero-
vironment, La Sombra RQ-7), y drones de uso civil en
agricultura, turismo, competición, para acrobacias y
trucos; dependiendo del uso, cambian los accesorios y
el diseño del dron, como aquellos que tienen gasolina,
nitrógeno, bombas de fumigación, cámaras de vigilan-
cia y seguimiento, sensores ambientales, entre otros.

1.1.1 Drones con ala rotatoria o multirotor

La mayoría de los drones son cuadricópteros, es decir,
tienen 4 rotores con hélices, aunque también existen
de seis (hexacópteros), o incluso de 8 hélices. Los de
cuatro hélices funcionan de la siguiente manera: dos
hélices giran en el sentido de las agujas del reloj y las
otras dos en sentido contrario, creando una fuerza de
empuje necesario para que el dron ascienda o pueda
mantenerse estable en un mismo sitio. Entre algunas
referencias encontradas en el mercado está el dron DJI
Matrice 600, entre otros (figura 1).
 13

Figura 1. Dron con alas rotatorias. Fuente: David Saavedra mora.

Las ventajas de este tipo de drones es que tienen un

despegue y aterrizaje vertical, reduciendo así las nece-
sidades de espacio, y a la vez generan una precisión
de vuelo en puntos estacionarios que permite las apli-
caciones de inspección dentro del cultivo y pueden
desviarse para evadir aves que puedan dañar el dron.
Entre las desventajas está el ruido, que no es aerodi-
námico, que está limitado en el tiempo de vuelo (entre
25 y 50 minutos), así como que no le es posible volar
mientras haya lluvia o fuertes vientos.

1.1.2 Drones con ala fija

Este tipo de drones de ala fija se caracterizan por ser
más eficientes que los multirotores, aunque tienen la
misma operatividad. También alcanzan una mayor
velocidad, lo que les permite cubrir una mayor super-
ficie de área de monitoreo para el levantamiento de
14

cartografías; por otro lado, su huella sonora es menor,

lo que permite trabajos de vigilancia y seguimiento, y
además favorece el trabajo en el rango de meteorología
de temperatura, viento y lluvia (figura 2).

Figura 2. Dron con ala fija de referencia ACG Prosk T1. Fuente: Acgdrone,
2019.

Entre las desventajas para este tipo de drones es que

necesitan zona plana para el despegue y el aterrizaje,
se requiere un riel lanzador, no puede mantener vuelos
estáticos suspendidos y difícilmente entra a lugares
cerrados.
 15

1.2 Cámaras
Para seleccionar las cámaras para el levantamiento
de fotografías se debe revisar la resolución espectral,
es decir, la habilidad de los sistemas de percepción de
distinguir y diferenciar entre la radiación electromagné-
tica de distintas longitudes de onda, siendo el número
y la anchura de las bandas espectrales lo que, básica-
mente, puede discriminar el sensor: a mayor resolución
espectral, más útil será la información que pueda ser
deducida. En cuanto a las resoluciones espectrales,
existen diversos tipos de cámaras o sensores, como el
RGB estándar, el multiespectral, el hiperespectral, la in-
frarroja o térmica, los ópticos, los 3D y la fluorescencia,
todos los cuales permiten la caracterización de índices
de vegetación (IV) (Mahlein, 2016; Khan et al., 2018).

1.2.1 Cámaras multiespectrales

Estas cámaras generalmente captan información en-
tre 3 y 7 bandas, cada una de unos 100 nm de ancho.
Entre las bandas espectrales que determinan están la
verde (550 nm de longitud de onda, ancho de banda
de 40 nm, Green), la roja (660 nm de longitud de onda,
ancho de banda de 40 nm, Red), la banda roja (735
nm de longitud de onda, ancho de banda de 10 nm,
Red Edge) y la infrarrojo cercano (longitud de onda 790
nm, ancho de banda de 40 nm, Nir). Algunas cámaras
encontradas en el mercado son las siguientes:

Multispec 4C de AIRINOV
Cámara multiespectral con una resolución en suelo de
5 – 15 cm/px y que está equipada con un lente gran
16

angular; además, permite la corrección de la señal de

reflectancia.

Figura 3. Cámara Multispec 4C de AIRINOV. Fuente: Directindustry, 2019.

Sequoia
Esta cámara tiene tres principios: precisión excepcio-
nal, tamaño y peso mínimo y facilidad de uso. Maneja
las cuatro bandas: verde, rojo, borde rojo e infrarrojo
cercano.
 17

Figura 4. Cámara multiespectral Sequoia. Fuente: Parrot, 2019.

1.2.3 Cámaras hiperespectrales

Este tipo de cámara o sensor es más avanzado porque
capta la información comprendida entre los 400 nm y
los 1000 nm, tomando datos hasta 300 bandas, con
lo que se consigue la máxima información espectral
correspondiente a la vegetación, pudiendo precisar la
geométrica, la calibración radiométrica y la corrección
atmosférica; de ahí que se la denomine “cubo hiperes-
pectral”, porque cada pixel de la imagen cuenta con
todos los datos recogidos, con aproximadamente 300
valores en las bandas de 2 nm de ancho (García-Cer-
vigón et al., 2014).

1.2.4 Cámaras térmicas

Las cámaras térmicas permiten determinar la radiación
del espectro luminoso, como también las radiaciones
18

para estudios de visión infrarroja térmica, entre las 8 y

las 14 micras, con resoluciones máximas de 640×512
pixeles. A continuación, se describe una referencia
comercial.

ThermoMAP
Es un sensor térmico que permite capturar videos e
imágenes fijas para crear mapas térmicos completos
del cultivo.

Figura 5. Sensor ThermoMap. Fuente: Tecnitop, 2019.

1.3 Sensores ambientales

Algunos investigadores han equipados los drones
(aunque otros vienen diseñados de esta forma) con
sensores compactos capaces de proporcionar informa-
ción en cualquier eje tridimensional, con la creación de
una malla 3D del área de estudio, y de visualizar datos
sobre modelos 3D georreferenciados para una mayor
 19

compresión de la distribución de los contaminantes del

aire. Entre algunas variables que pueden medir están la
temperatura del aire, la presión atmosférica, la hume-
dad, el CO, el CO2, el SO2, el O3, el NO2 y el NH3. Entre
los sensores con estas características disponibles en
el mercado están los siguientes:

1.3.1 Detector modelo Fire BOX I y II

Determina variables de toxicidad producto de incendios
con el fin de establecer parámetros de generación de
seguridad, de manera que recoge datos de dióxido y
monóxido de carbono, oxígeno, ozono, temperatura,
presión atmosférica, y humedad relativa; tiene proce-
samiento de GPS.

1.3.2 Detector modelo Air y Agri BOX II - IV

Permite la detección de emisiones de contaminación
urbanas y agrícolas. Algunas de las variables que de-
termina son las siguientes: tolueno, etanol, hidrógeno,
sulfuro de hidrógeno, amoníaco (NH3), y metano, así
como la temperatura, la presión atmosférica y la hu-
medad relativa.

1.4 Softwares de procesamiento

1.4.1 Pix4DMapper
Realiza corrección de imágenes, con él se puede eli-
minar las imágenes que presentan mayores errores o
corregirlas manualmente; separa las imágenes RGB de
las imágenes TIFF. Este software genera el ortomosaico
DSM (Modelo Digital de Superficie), así como los índices
20

Red, Green, NearRed, Infrared y NDVI; también permite

crear nuevos índices.

1.4.2 SuperMap GIS

SuperMap GIS 7C es una nueva generación de software
de plataforma integrada de terminal en la nube. Basado
en tecnologías multiplataforma, integración 2D y 3D e
integración de terminal en la nube, proporciona un po-
tente portal GIS en la nube, un servidor GIS y platafor-
mas de distribución de servicios SIG, así como produc-
tos de terminal ricos que incluyen PC, Web, móvil y
SDK. Permite la carga y visualización de datos masivos
heterogéneos, como imágenes del terreno, mapas,
vectores, datos de modelado manual, tuberías subte-
rráneas, modelos fotográficos de inclinación, BIM, nu-
bes de puntos láser, datos de campo 3D, etc. Propor-
ciona efectos de superficie del agua en tiempo real,
partículas, animación ósea, animación de nodos, sím-
bolos de seguimiento de banda tridimensional, textura
dinámica y otras características.

1.5 Levantamiento de datos y criterios para

el análisis de fotografías
1.5.1 Permiso para la realización de vuelos
La normatividad para el uso de drones y demás ae-
rolíneas no tripuladas está vigilada por el Ministerio
de Transporte de Colombia, mediante la Unidad Ad-
ministrativa Especial de Aeronáutica, y la Resolución
N.º 04201 de 2018, “Por la cual incorporan a la norma
RAC 91 de los Reglamentos Aeronáuticos de Colombia
(RAC) unas disposiciones sobre operación de sistemas
 21

de aeronaves no tripuladas UAS y se numeran como

Apéndice 13, y se adoptan otras disposiciones”, entre
las que están el tener en cuenta las normas y proce-
dimientos recomendados expedidos por la OACi. Co-
rresponden al contenido de los 19 Anexos al Convenio
sobre Aviación Civil Internacional de 1944 (SARPs). A
nivel general, algunas recomendaciones en la operación
son las siguientes:

\\ No volar en áreas congestionadas, edificaciones o

aglomeraciones de personas, como tampoco en
los aeropuertos en un radio de 5 km a la redonda.

\\ El operador siempre debe llevar visible el dron, no

se permite volar más de 750 metros del operador o
del lugar de lanzamiento, o por encima de los 152
metros sobre el terreno o sobre el agua.

\\ Si el dron pesa por encima de los 25 kg, se reco-

mienda tener un seguro de responsabilidad por
eventuales daños a terceros y debe estar debida-
mente registrado ante la Dirección de Operaciones
Áereas.

\\ No se permite drones con alas metálicas, los cuales

serán debidamente sancionados.

\\ Cuando la visibilidad o condiciones de luz solar se

reduzcan, no podrán realizar vuelos, o se requerirá
de permisos; desobedecer esta recomendación se
podrá identificar como espionaje.
22

\\ Son sancionables los vuelos sobre la cordillera; se

debe permanecer a por lo menos 9.2 km de distan-
cia de las fronteras con otros países.

El Estado colombiano verificará las certificaciones de

los operadores para pilotar las naves no tripuladas;
siguiendo la normatividad, aquellos deben cumplir mí-
nimamente con los siguientes requisitos:

\\ Disponer de todos los documentos relacionados

con el dron a utilizar.

\\ Elaborar un manual de operaciones del operador,

es decir, los criterios y procedimientos que va a
utilizar para operar de manera segura durante los
diferentes tipos de vuelos.

\\ Realizar vuelos de pruebas cumpliendo con lo des-

crito en el manual de operaciones y con la norma-
tividad colombiana.

\\ El operador o la institución debe contar con póliza

de seguro por posibles daños a terceros.

\\ Disponer de horas de vuelo certificadas.

1.5.2 Toma de puntos de GPS

Los puntos de georreferenciación nos permiten deter-
minar el área o cultivo a monitorear; en muchas ocasio-
nes las aplicaciones para el diseño de vuelo requieren
estar conectadas al Internet para visualizar mapas del
lugar, lo que dificulta ir directamente a campo y des-
de allí diseñar el vuelo. Cuando realice los puntos de
GPS se debe tener en cuenta los siguientes puntos de
 23

referencia, que ayudará a los análisis e interpretación

no supervisada:

\\ Estructuras de casas, áreas en construcción y es-

tablos, o cualquier otra infraestructura.

\\ Vías que posiblemente no aparezcan en el ma-

pa, como carreteras destapadas o caminos de
herradura.

\\ Zonas de contaminación, botaderos de residuos

sólidos y corrientes de aguas residuales.

\\ Periferia o croquis del cultivo o áreas a monitorear,

que dependerán del tamaño o del objeto de estudio.

\\ Entradas o salidas de aguas por sistemas de riego,

o encharcamientos dentro del área de estudio, que
al momento del análisis no sean visibles.

Mientras esté realizando el levantamiento de la georre-

ferenciación es importante que tenga disponible una
agenda de campo, donde escriba las observaciones
encontradas y la historia del cultivo. Algunas aprecia-
ciones a tener en cuenta son el tipo de cultivo, la edad,
la aplicación de fertilizantes, los controles fitosanitarios,
el uso del suelo (sistemas rotatorios, cultivos perma-
nentes), y cualquier otro que se considere necesario en
el momento para el posterior análisis de datos.

1.5.3 Diseño de vuelo y toma de fotografías

En la toma de fotografías con drones es muy impor-
tante tener en cuenta diferentes factores que la pue-
24

den afectar y, de esa forma, posteriormente limitar el

análisis de las imágenes:

Objetivos y usos de las fotografías

Antes de ir al levantamiento de fotografías, realice una
planificación para evitar retrasos en el trabajo de campo
y el análisis de fotografías; para ello tenga en cuenta el
uso y aplicación de las imágenes:

\\ Topografía aérea: Se generarán ortofotos, modelos

de curvas de nivel y elevaciones, obteniendo car-
tografía, superficies, cubicaciones y mediciones.

\\ Multimedia: Toma de videos, fotografías y segui-

mientos de obras que, en su mayoría, tiene como
finalidad la divulgación publicitaria.

\\ Agricultura de precisión: Detección del estado

hídrico de las plantas; detección del estrés nutri-
cional a través de la determinación de índices de
vegetación; detección temprana de plagas y enfer-
medades (insectos, ácaros, hongos) que permite la
aplicación focalizada de fungicidas o insecticidas;
identificación y cuantificación de árboles enfermos
y especies invasoras; daños ocasionados por con-
diciones atmosféricas; y determinación de modelos
de rendimiento. También se pueden determinar va-
riables edáficas, nutricionales y físicas.

\\ Operaciones industriales: Verificaciones termográ-

ficas para la industria, realizando chequeos, monito-
reo de redes eléctricas y distribución de conexiones,
 25

como torres de alta tensión, aerogeneradores, entre

otros, lo que permite la vigilancia y, a la vez, una
rápida reparación con ocasión de posibles daños.

\\ Edificaciones: Seguimiento en construcciones que

se pueden convertir en fotografías con realidad vir-
tual; distribución de áreas; planificación de ordena-
miento en las ciudades; inspección de desarrollos
turísticos; por otra parte, la inclusión de las imáge-
nes en bases de datos se convierte en estudios de
mercado, por el tráfico de personas dentro y fuera
de las edificaciones, como centros comerciales, y
así disponer de procesos de marketing.

\\ Conservación y patrimonio natural: Recopilación

de datos sobre sitios turísticos para la catalogación
de monumentos históricos, logrando obras de man-
tenimiento y documentación, así como también de
sitios arqueológicos, siendo espacios de mercados
turísticos.

\\ Gestión forestal: Detección de incendios, estudios

de hidrología, zonas de protección ambiental, levan-
tamiento de zonas protegidas en la verificación de
focos de deforestación, así como también áreas de
contaminación hídrica por procesos industriales.

\\ Análisis de variaciones atmosféricas y contami-

nación: Los drones se convierten en una herramien-
ta para el monitoreo de masas de aire de conta-
minación por gases de efecto invernadero, fruto
de la producción primaria en ganadería, cultivos
26

o procesos industriales. De igual forma, focos de

contaminación en ciudades. Estos datos permiten a
las instituciones formalizar nuevos proyectos para
la disminución de impactos ambientales y generar
alternativas acordes a los problemas en cada región
específica.

1.5.4 Área del levantamiento de datos

Si la dimensión del cultivo es superior a 20 hectáreas,
el diseño del vuelo será con diferentes fotografías para
cubrir el área total, para luego proceder a la realización
de un ortomosaico y lograr un procesamiento según
el objetivo del productor o investigador; no obstante,
hay que tener en cuenta que esto podrá limitar el aná-
lisis de las fotografías por la cantidad de fotos y las
bajas capacidades que tienen los computadores y los
softwares de procesamiento, que en su mayoría son
versiones con licencias compradas para este tipo de
análisis. De manera que, al tomar una foto, se facilitará
el procesamiento en softwares que tengan versiones
libres. En caso de que se trate de grandes extensiones
donde no pueda llegar el dron, se recomienda el uso
de imágenes satelitales para los respectivos análisis y
correlación de datos, o drones con alas fijas.

1.5.5 Cultivo o sitio a monitorear

Se recomienda que la toma de datos para cultivos se
haga entre las 11:30 am y las 13:00 pm, ya que es el
momento del día con mayor actividad fotosintética,
debido a la radiación solar incidente y, de igual mane-
ra, es cuando aumenta la reflectancia. Aunque esto
 27

dependerá del objetivo de las fotografías, el tipo de

cultivo, el ciclo vegetativo y las variables que se desean
determinar.

1.5.6 Topografía del terreno

El porcentaje de la pendiente donde está establecido
el cultivo o los ecosistemas naturales afectará signifi-
cativamente la interpretación de las curvas de nivel, el
análisis de índices de vegetación y la clasificación de
especies vegetales. Para evitar lo más que se pueda
interpretaciones erróneas, realice el diseño de vuelo con
aplicaciones con factor de corrección de altura del dron,
donde se permita obtener una sola georreferenciación y
la superposición de las imágenes no generen áreas con
efecto de borde o pérdidas de las mismas; también tén-
gase en cuenta los puntos de georreferenciación con
el GPS antes mencionado. En caso de tomar muestras
de suelo, es necesario georreferenciar el lugar.

1.5.7 Condiciones atmosféricas

Tenga en cuenta que las variables atmosféricas, co-
mo la nubosidad, tienen un efecto en las fotografías y
se podrían considerar al momento del análisis como
errores en la georreferenciación de las imágenes frente
al área de estudio; aunque algunos programas tienen
herramientas para realizar la corrección, puede existir
pérdidas de datos. No se recomienda realizar vuelos
con fuertes vientos, pues se generan riesgos de perder
el dron y ocasionar daños a terceros. Evite el levanta-
miento de datos en cultivos donde exista la presencia
de humo proveniente de incendios.
28

1.5.8 Calibración de la cámara

Uno de los problemas que afecta el análisis de las fo-
tografías es el movimiento o vibración causado por
el dron, sumado a factores como ráfagas de viento.
Muchos drones vienen equipados con estabilizadores
y soportes para la cámara, pero si no se cuenta con
esto, puede tener fotografías borrosas o con georre-
ferenciación errónea, lo que limitará la realización de
modelos de elevación, curvas de nivel y estudios de
ortomosaicos que incluyan índices de vegetación.

1.5.9 Preparación del equipo

Asegúrese, antes de ir a tomar las fotografías, de revisar
las condiciones técnicas del dron, especialmente la
carga de las baterías, la cual dependerá de la referencia
del dron, pues algunos tiene una duración de entre 20
y 60 minutos de recorrido; observe que las conexio-
nes eléctricas estén debidamente conectadas y que el
GPS del equipo esté recibiendo la señal del sistema de
control de tierra, porque podría perder señal durante el
vuelo; de igual forma, verifique el IMU, las hélices y las
tarjetas de memoria de la cámara (figura 6).
 29

Figura 6. Preparación del dron para la toma de fotografías en cultivo de

café. Fuente: Leidy Machado Cuellar.

A continuación, se describe un ejemplo del diseño de

vuelo realizado para el cultivo de arroz, con el fin de
determinar los índices de vegetación:

Ejemplo:

“Para el diseño del vuelo se usó la aplicación con licencia

de uso gratuita Precision Flight, que facilita la planifica-
ción automática del vuelo, permitiendo la recolección
de los datos de forma correcta; además, permite la im-
portación de la misión en los dispositivos para volar sin
conexión a internet. Los criterios para realizar el vuelo
30
fueron: una altura de 80 m y una velocidad de 3,4 cm/px.
Según el área de evaluación, se necesitaron 12 minutos
para realizar el recorrido de las 11,9 hectáreas” (figuras
7 y 8) (Saavedra et al., 2018).

Figura 7. Diseño del área y recorridos en el cultivo de arroz. Figura 8. Selec-

ción de criterios del vuelo. Fuente: Elaboración propia a través del software
Pix4DMapper.

1.6 Tratamiento y clasificación de

fotografías
En el procesamiento de imágenes UAV para la genera-
ción de análisis se combinan estrategias empleadas en
fotogrametría tradicional y en visión por computador,
procesadas por diferentes softwares fotogramétricos.
Por tanto, se cuenta con una diversa cantidad de méto-
 31

dos (Gini et al., 2013). De manera que al momento de

descargar las imágenes hay que tener en cuenta para
el análisis la clasificación de las mismas, que pueden
ser supervisadas y no supervisadas. Estas técnicas
de clasificación de imágenes digitales se usan para
agrupar píxeles con valores similares en varias bandas
de imágenes (Basterra, 2011).

1.6.1 Clasificación supervisada

La clasificación supervisada utiliza firmas espectrales
obtenidas de las muestras de capacitación para cla-
sificar una imagen, con la ayuda de la barra de herra-
mientas “Clasificación de imagen”. En esta clasificación
se conoce la identidad y localización de los elementos
(cobertura, aspectos urbanos, etc.). Los sitios elegidos
representan ejemplos homogéneos, como áreas de en-
trenamiento, puesto que las características espectrales
del mismo servirán para “entrenar” el algoritmo de cla-
sificación. Para cada área, se calculan los parámetros
estadísticos (media, desviación estándar, covarianza),
para luego evaluar cada píxel de la imagen, separarlo y
asignarlo a una respectiva clase (Gutiérrez et al., 2005;
Basterra, 2011).

1.6.2 Clasificación no supervisada

La clasificación no supervisada busca clases espectra-
les, o grupos, en una imagen de varias bandas y sin la
intervención del analista. Este método se utiliza cuando
no se conocen las características del terreno, o cober-
tura, debido a que la calidad espectral de la superficie
no está claramente definida en la imagen, y consiste en
32

realizar una agrupación automática de los píxeles en

distintas clases, dependiendo del criterio estadístico.

La ventaja de esta clasificación es que, al seleccionar

un criterio teóricamente homogéneo, el agrupamiento
determina tipos puros de cobertura y se obtiene un
agrupamiento espectral más cercano de la zona. La
desventaja es que pueden obtenerse agrupaciones de
las cuales no se pueda conocer el significado (Gutiérrez
et al., 2005; Basterra, 2011).

Recomendaciones al descargar las

imágenes
Una vez tenga las imágenes según el objetivo del estu-
dio, elimine todas aquellas que fueron tomadas duran-
te el despegue y aterrizaje del vuelo, para solo incluir
imágenes con georreferenciación y estabilidad en la
cámara. En caso de haber tomado una sola foto por
cultivo, escoja la que tenga mayor resolución, profun-
didad en la cámara y estabilidad. A continuación se
describe de forma general los pasos a tener en cuenta:

\\ Determine los puntos de control (Check Point). Pos-

teriormente, realice un análisis multitemporal de
diferentes variables, utilizando colector de datos;
este análisis de variables, junto con la cartografía
base, dará puntos de control específicos, con ubi-
cación en el espacio y el valor de dicha variable.

\\ Realice la creación de mapas especialmente repre-

sentativos. Desde cada punto de control (Check
Point) se extraen valores específicos, obteniendo
 33

una nube de puntos, los que luego, según modelos

espaciales, son representados como mapas con
escalas y estadísticas específicas.

\\ En la construcción de los mosaicos RGB y NIR

del área de estudio, georreferencie y procese las
fotografías, detectando zonas con menores fotos
(rojo) y mayores fotos (azul), número de fotografías
asociadas con cada color y errores registrados en
el proceso de captura de fotos por desviaciones
posiblemente ocasionadas por ráfagas de vien-
to; luego realice el Digital Surface Model (DSM),
o modelado en 3D del área, y el modelo digital de
elevación (DEM).

\\ Cuando tenga definida la construcción de los or-

tomosaicos, calcule y determine los indicadores o
variables según el objetivo del estudio.
34

Capítulo 2

Modelos de
digitalización y
determinación de
índices de vegetación
en cultivos
 35

Resumen

Los modelos de digitalización e índices de

vegetación son una herramienta que le permite al
agricultor tomar decisiones en los cultivos, para
optimizar los costos de producción, pero a su vez
realizar un seguimiento y vigilancia del estado
fitosanitario, ciclo vegetativo y condiciones nu-
tricionales a nivel de la hoja, que permite aplica-
ciones de enmiendas o fertilizantes focalizadas
según las necesidades encontradas en campo.
En este capítulo se describe los principales índi-
ces de vegetación y su aplicación en la agricultura
de precisión, sumado a los modelos de superficie
digital obtenidos a partir de espectro en cámaras
multiespectrales.

2.1 Modelo de superficie digital (MDS)

El modelo de superficie digital (DMS) es obtenido a par-
tir de la interpolación de todas las imágenes capturadas
en el vuelo con la cámara multiespectral. Donde cada
píxel contiene el dato de elevación más alto, corres-
36

pondiendo a un árbol, construcción o suelo. La gene-

ración de estos análisis se realiza mediante el software
Pix4Dmapper, el cual genera los mapas indexados y los
ortomosaicos para permitir el reconocimiento digital
(Pavez, 2016) (figura 9).

Figura 9. Modelo de superficie digital (DSM) disperso correspondiente a

antes de la densificación. Fuente: Elaboración propia a través del software
Pix4DMapper.

2.2 Bandas espectrales para determinación

de índices de vegetación
Las bandas espectrales adquiridas por la cámara mul-
tiespectral son equivalentes a las bandas requeridas
por cada índice, y se presentan en los siguientes ti-
pos: rojo (Red), verde (Green), infrarrojo cercano (NIR)
y borde rojo (Red Edge); estas imágenes son tomadas
por la cámara multiespectral, a través del vehículo no
tripulado (dron).
 37

2.2.1 Banda roja

La reflectancia del suelo depende de la composición,
es por ello que los suelos con alto contenido de óxido
de hierro tienen una alta reflectancia en esta banda
debido a su color. La banda roja se ha utilizado para
discriminar entre los objetos y la vegetación (figura 10).

Es una banda de absorción de clorofila, muy útil para

la clasificación de la cubierta vegetal. La longitud de
onda es de 0.64 a 0.67 µm (Basterra, 2011; Franz, 2018).

Figura 10. Ortomosaico de reflectancia de banda roja (Red) en cultivo de

cacao. Fuente: Elaboración propia a través del software Pix4DMapper.

2.2.2 Banda verde

La parte verde de reflectancia cubre el pico de las su-
perficies foliares, por eso observamos el color verde;
esta banda verde se utiliza para discriminar amplias
clases de vegetación y el material vegetal. Es por ello
38

por lo que las superficies foliares se resaltan en el pico

de esta banda espectral (Reuter, 2011).

Por lo tanto, esta banda está especialmente diseñada

para evaluar el vigor de la vegetación sana, midiendo
su pico de reflectancia (o radiancia) verde. La longitud
de onda es de 0.53 a 0.59 µm (Franz, 2018) (figura 11).

Figura 11. Ortomosaico de reflectancia de banda verde (Green) en cultivo

de cacao. Fuente: Elaboración propia a través del software Pix4DMapper.

2.2.3 Banda infrarrojo cercano (NIR)

Una de las características de esta banda es que per-
mite clasificar la vegetación saludable, ya que con la
reflectancia NIR es más fácil discriminar el agua, la
vegetación y otros objetos. Esto debido a que el espec-
tro del infrarrojo cercano (NIR) de las plantas sanas lo
reflejan, mientras que la radiación del infrarrojo cercano
es absorbida más por el agua u otros objetos.
 39

Por otro lado, el infrarrojo cercano se utiliza en firmas

espectrales para medir la salud de las plantas, debido
a que la estructura interna de la clorofila sana refleja
la radiación infrarroja cercana y, a la vez, la respuesta
del infrarrojo cercano disminuye cuando las plantas
se marchitan y finalmente mueren (Basterra, 2011).
También es útil para determinar el contenido de bioma-
sa en la delimitación de cuerpos de agua. La longitud
de onda es de 0,76 a 0,90 µm (Basterra, 2011; Franz,
2018) (figura 12).

Figura 12. Ortomosaico de reflectancia de banda infrarrojo cercano (NIR)

en cultivo de cacao. Donde los valores cercanos al 0.78 µm son vegetación
del cultivo de cacao y los valores cercanos a 0.03 µm son suelo desnudo.
Fuente: Elaboración propia a través del software Pix4DMapper.

2.2.4 Banda borde rojo (Red Edge)

Esta banda se encuentra entre la banda roja y la banda
infrarrojo cercano. Tiene una alta reflectividad, lo cual
indica la salud y vitalidad de las plantas; la respuesta de
40

la vegetación desde el borde rojo es a menudo mayor

tanto para el contenido de clorofila como para la es-
tructura de la hoja. La banda de borde rojo es aplicada
en la agricultura para identificar los tipos de cultivos
y su nutrición.

La longitud de onda es de 0.705 a 0.745 µm (Basterra,

2011; Franz, 2018) (figura 13).

Figura 13. Ortomosaico de reflectancia de banda borde rojo (Red Edge)

en cultivo de cacao. Fuente: Elaboración propia a través del software
Pix4DMapper.

2.3 Determinación de índices de

vegetación
Para definir los píxeles de la cobertura se utilizan los
índices de vegetación que se clasifican de la siguiente
manera: Índices básicos de vegetación, Índices que
abordan la reflectancia del suelo e Índices agrícolas
(Abd et al., 2019).
 41

2.3.1 Índices básicos de vegetación

Índice de Vegetación Ratio (RVI)
Este índice puede usarse para estimar y monitorear la
biomasa aérea, pues es muy efectivo para la estimación
de la biomasa, especialmente en áreas con vegetación
densa. Fue propuesto por Pearson y Miller (1972), y es
sensible a los efectos atmosféricos cuando la cubierta
vegetal es inferior al 50 %, el cual se calcula según la
siguiente ecuación: (Xue et al., 2017; Mehrotra y Srini-
vasan, 2019) (figura 14).

Rojo
RVI=
Infrarrojo cercano

Figura 14. Ortomosaico de reflectancia del Índice de Vegetación Ratio

(RVI) en cultivo de cacao. Fuente: Elaboración propia a través del software
Pix4DMapper.
42

Índice de Vegetación de Diferencia (DVI)

Según Mehrotra y Srinivasan (2019) y Muñoz (2013),
el DVI se desarrolló para distinguir entre el suelo y la
vegetación. Este índice se expresa mediante una di-
ferencia entre bandas rojas e infrarrojas cercanas, es
muy sensible a los cambios del suelo y tiene aplica-
bilidad en el monitoreo del ambiente ecológico de la
vegetación. Fue propuesto por Richardson y Wiegand
(1977) (figura 15).

Infrarrojo cercano
DVI=
Rojo

Figura 15. Ortomosaico de reflectancia del índice de vegetación de dife-

rencia (DVI) en cultivo de cacao. Fuente: Elaboración propia a través del
software Pix4DMapper.
 43

Índice de vegetación relacionado con NDVI (RG)

Con este índice pretendemos calcular un índice que
excluya la banda del infrarrojo cercano y determinar
la relación entre las bandas roja y verde con el índi-
ce de vegetación normalizado (NDVI); fue propuesto
por García-Cervigón et al. (2015). Su cálculo se realiza
mediante la siguiente fórmula (Mehrotra y Srinivasan,
2019) (figura 16):

Rojo
RG=
Verde

Figura 16. Ortomosaico de reflectancia del índice de vegetación relacionado

con NDVI (RG) en cultivo de cacao. Fuente: Elaboración propia a través del
software Pix4DMapper.
44

Índice de vegetación de diferencia normalizado

(NGRDI)
Este índice intenta predecir los valores de NDI utilizando
solo bandas rojas y verdes. Por lo tanto, se puede aplicar
a las imágenes recopiladas de cualquier sensor RGB.
Los valores también oscilan entre -1 y +1, como en el NDI,
sugiriendo los más altos la presencia de plantas más sa-
ludables, lo cual fue propuesto por Gitelson et al. (2002).
Sin embargo, no es tan preciso como el NDVI y necesita
ser calibrado usando información terrestre para ser
realmente útil (Mehrotra y Srinivasan, 2019) (figura 17).

El cálculo del NGRDI implica el uso de una simple fór-

mula con dos bandas, la verde y la roja, y se determina
mediante la siguiente fórmula:
Verde - Rojo
NGRDI =
Verde + Rojo

Figura 17. Ortomosaico de reflectancia del índice de vegetación de diferen-

cia normalizado (NGRDI) en cultivo de cacao. Fuente: Elaboración propia
a través del software Pix4DMapper.
 45

Índice de vegetación de exceso de rojo (ExR)

Este índice se utiliza para determinar los píxeles, ya
que es capaz de separar los píxeles de la planta en
píxeles de fondo, y de esta manera segmentar las regio-
nes foliares del fondo. Se calcula mediante la siguiente
fórmula (Mehrotra y Srinivasan, 2019) (figura 18):

ExR= 1.4*Rojo-Verde

Figura 18. Ortomosaico de reflectancia del índice de vegetación de exceso

de rojo (ExR) en cultivo de cacao. Fuente: Elaboración propia a través del
software Pix4DMapper.

2.3.2 Índices basados en pendiente

Índice de vegetación normalizado diferencial
(NDVI)
Dado que el índice se calcula a través de un procedi-
miento de normalización, el rango de valores NDVI está
46

entre 0 y 1, y tiene una respuesta sensible a la vegeta-

ción verde, incluso en áreas cubiertas de vegetación
baja. Este índice se usa a menudo en investigaciones
relacionadas con evaluaciones de vegetación regiona-
les y globales y se demostró que está relacionado no
solo con la estructura del dosel y el LAI sino también
con la fotosíntesis del dosel. Sin embargo, el NDVI es
sensible a los efectos del brillo del suelo, el color del
suelo, la atmósfera, la nube, la sombra de la nube y la
sombra del dosel de la hoja, por lo que requiere cali-
bración de detección remota.

Asimismo, las plantas vivas bien nutridas absorben la

luz roja y reflejan la luz del infrarrojo cercano. Sin embar-
go, también tiene en cuenta el hecho de que la vegeta-
ción estresada o muerta absorbe relativamente menos
luz roja que la vegetación saludable, el suelo desnudo
refleja tanto la luz roja como la del infrarrojo cercano
de manera casi igual, y el agua abierta absorbe más
infrarrojo que la luz roja. El NDVI se usa ampliamente
debido a su simplicidad, y se han desarrollado varios
índices para replicarlo o mejorarlo. Fue propuesto por
Rouse et al. (1973). Se calcula mediante la siguiente
ecuación (Gracia et al., 2014; Mehrotra y Srinivasan,
2019) (figura 19):
 47

Infrarrojo cercano - Rojo

NDVI=
Infrarrojo cercano + Rojo

Figura 19. Ortomosaico de reflectancia del índice de vegetación normalizado

diferencial (NDVI) en cultivo de cacao. Fuente: Elaboración propia a través
del software Pix4DMapper.

Índice de vegetación de diferencia transformada

(TVI)
El índice TVI muestra la misma sensibilidad que el
Índice de Vegetación Ajustada del Suelo (SAVI) a las
propiedades ópticas del suelo desnudo subyacente a
la cubierta vegetal, pero tiene la ventaja de que no se
satura como el SAVI (Bannari et al., 2002). Fue propues-
to por Deering y colaboradores (1975) y se desarrolló
para detectar vegetación en entornos urbanos donde
el NDVI a menudo está saturado. El valor de 0.5 evita
resultados negativos. La raíz cuadrada intenta corregir
48

valores que se aproximan a una distribución, no elimina

todos los valores negativos. Además, muestra una alta
linealidad en función de la tasa de cobertura vegetal,
como se muestra en la siguiente ecuación (Muñoz,
2013) (figura 20):

Infrarrojo cercano - Rojo

TVI= √ ( Infrarrojo cercano + Rojo )+0.5

Figura 20. Ortomosaico de reflectancia del índice de vegetación de dife-

rencia transformada (TVI) en cultivo de cacao. Fuente: Elaboración propia
a través del software Pix4DMapper.

2.3.3 Índices que abordan la reflectancia del

suelo
Se desarrollaron índices para abordar los efectos de
la variabilidad de la reflectancia del suelo, en el jardín
clonal de cacao del Centro de Formación Agroindustrial
La Angostura (CEFA).
 49

Índice de vegetación ajustado al suelo (SAVI)

Este índice es una versión modificada del NDVI diseña-
da específicamente para áreas con muy poca cubierta
vegetal, generalmente menos del 40 % por área. De-
pendiendo del tipo y el contenido de agua, los suelos
reflejan cantidades variables de luz roja e infrarroja.
El SAVI explica esto suprimiendo los píxeles de suelo
desnudo; asimismo, se desarrolló para minimizar las
influencias del suelo en los espectros del dosel, incor-
porando un factor de ajuste del suelo (L = 0.5) en el
denominador de la ecuación del índice de vegetación de
diferencia normalizada (NDVI) (Huete, 1988) (figura 21),
lo cual se describe en la siguiente ecuación (Mehrotra
y Srinivasan, 2019):

(Infrarrojo cercano - Rojo)

SAVI= * (1 + L)
(Infrarrojo cercano + Rojo) + L

Figura 21. Ortomosaico de reflectancia del índice de vegetación ajustado

al suelo (SAVI) en cultivo de cacao. Fuente: Elaboración propia a través del
software Pix4DMapper.
50

Índice de vegetación de borde rojo normalizado

(NDVIre)
Este índice de vegetación se implementa para estimar
la salud de la vegetación mediante la banda de borde
rojo. Es para realizar estimaciones de la salud de los
cultivos en las etapas media y tardía del crecimiento, en
las cuales la concentración de clorofila es alta (figura
22). Asimismo, este índice puede usarse para identificar
la variabilidad del nitrógeno en las hojas de los cultivos
y, de esta manera, comprender mejor las necesidades
de fertilizantes de los sistemas productivos. Fue pro-
puesto por Gitelson y Merzlyak (1994), y se calcula
mediante la siguiente fórmula (Kross et al., 2015):

(Infrarrojo cercano - Borde Rojo)

NDVIre=
(Infrarrojo cercano + Borde Rojo)

Figura 22. Ortomosaico de reflectancia del índice de vegetación de borde

rojo normalizado (NDRI) en cultivo de cacao. Fuente: Elaboración propia a
través del software Pix4DMapper.
 51

2.3.4 Índices de vegetación específicos de la

tarea
Los índices tienen como objetivo determinar problemá-
ticas en el cultivo; dependiendo del índice, puede ser
apropiado para un uso específico, lo que depende del
propósito del estudio y la fuente de las imágenes. La
siguiente sección enumera los índices desarrollados
para satisfacer las necesidades de los requisitos de
investigación específicos (Mehrotra y Srinivasan, 2019).

Índices de vegetación contenidos en clorofila y

actividad fotosintética
Índice de vegetación verde (GVI)
El índice de vegetación GVI es sensible a la concentra-
ción de clorofila en la hoja y a la actividad fotosintética
de la cubierta. Es decir, es el cociente entre la reflectivi-
dad en el infrarrojo cercano (NIR) y la reflectividad en la
banda del verde. Fue propuesto por Sripada et al. (2006)
y Richardson y Wiegand (1977). Sin embargo, tiene
un problema: carece de valores normalizados (figura
23). Este índice suele usarse en zonas forestales. Se
determina a partir de la siguiente fórmula (Mehrotra y
Srinivasan, 2019):
52

Infrarrojo cercano
GVI=
Verde

Figura 23. Ortomosaico de reflectancia del índice de vegetación verde

(GVI) en cultivo de cacao. Fuente: Elaboración propia a través del softwa-
re Pix4DMapper.

Índice de vegetación diferencia verde normalizada

(GNDVI)
El Índice GNDVI determina el verde de la planta o acti-
vidad fotosintética. Es uno de los índices de vegetación
más utilizados para determinar la captación de agua
y nitrógeno en el dosel del cultivo. Los valores arroja-
dos por dicho índice también oscilan entre -1 y 1. Por
otra parte, los valores entre -1 y 0 están asociados a
la presencia de agua o suelo desnudo. Fue propuesto
por Kemerer (2007) (figura 24). Este índice se emplea
fundamentalmente en la etapa intermedia y final del
ciclo del cultivo y se determina mediante la siguiente
fórmula (Mehrotra y Srinivasan, 2019):
 53

(Infrarrojo cercano - Verde)

GNDVI=
(Infrarrojo cercano + Verde)

Figura 24. Ortomosaico de reflectancia del índice de vegetación diferencial

verde normalizada (GNDVI) en cultivo de cacao. Fuente: Elaboración propia
a través del software Pix4DMapper.

Índice de vegetación de clorofila de la hoja (LCI)

Este índice se desarrolló con el fin de evaluar el conte-
nido de clorofila en áreas de cobertura completa de la
hoja (figura 25). Se determina a través de la siguiente
fórmula (Mehrotra y Srinivasan, 2019):
54

(Infrarrojo cercano - Borde Rojo)

LCI=
(Infrarrojo cercano + Rojo)

Figura 25. Ortomosaico de reflectancia del índice de vegetación de clorofila

de la hoja (LCI) en cultivo de cacao, en donde los valores cercanos al 0,55
son la vegetación (árboles de cacao) y los cercanos a -0,32 son valores
de suelo desnudo y otros objetos. Fuente: Elaboración propia a través del
software Pix4DMapper.

Índice de vegetación modificado de absorción de

clorofila en reflectancia (MCARI)
Este índice se desarrolló para determinar el estado de
la vegetación. El índice de absorción de clorofila en
reflectancia se diseñó inicialmente para distinguir el
material no fotosintético de la vegetación fotosintéti-
camente activa. El MCARI es una modificación de este
índice y se define como la profundidad de absorción
de clorofila en la región roja del espectro, en relación
con la reflectancia en las regiones verde y borde rojo
(figura 26).
 55

El MCARI determina la profundidad de la absorción de

clorofila a 670 nm con respecto a la reflectancia a 550
nm y 700 nm. Al igual que la mayoría de los índices, se
calcula a través de una fórmula que contiene las bandas
de borde rojo y rojo, como se describe a continuación
(Mehrotra y Srinivasan, 2019):

MCARI=(Borde rojo- Rojo)-0.2*(Borde rojo - Verde)

*(Borde rojo/Rojo)

Figura 26. Ortomosaico de reflectancia del índice de vegetación modifica-

do de absorción de clorofila en reflectancia (MCARI) en cultivo de cacao.
Fuente: Elaboración propia a través del software Pix4DMapper.
56

Capítulo 3

Determinación de
variables edáficas
 57

Resumen

Las propiedades físicas y químicas del

suelo juegan un papel importante para el esta-
blecimiento de nuevos cultivos. En la agricultura
de precisión, realizar el seguimiento topográfico
ayudará a los productores a tomar decisiones en
la aplicación de fertilizantes y la disposición de
sistemas de riego de acuerdo a las condiciones
atmosféricas de cada región. En el desarrollo de
este capítulo se describe algunas variables, co-
mo la humedad del suelo y el levantamiento de
curva de nivel, que facilitarán las densidades de
siembra, la erosión del suelo y la salinidad. Para
estudios detallados se recomienda la toma de
análisis de suelo para luego realizar el procesa-
miento de imágenes no supervisado del área.

3.1 Determinación de variables edáficas

Hoy en día, el uso de vehículos aéreos no tripulados
(UAV) constituye una herramienta fundamental en la
agricultura moderna, en la cual se tiene en cuenta facto-
58

res esenciales para el desarrollo sostenible de sistemas

productivos, tales como la variabilidad espacial, las
condiciones climáticas, la hidrología, y las propiedades
edafológicas (Young et al., 2010; Parvage et al., 2013;
López-Granados, 2013), lo que ayuda tomar decisio-
nes específicas en el manejo integrado del cultivo y la
optimización de los recursos.

El uso de imágenes multiespectrales generado por los

UAV, en colaboración con los softwares específicos,
permite obtener información detallada de los sistemas
de producción, desde la caracterización y/o mapeo de
suelos y de índices de vegetación, hasta la presencia o
ausencia de niveles de nutrientes, la predicción del cre-
cimiento y productividad de los cultivos, la fisiología del
cultivo, la detección de impurezas, entre otros (Young
et al., 2010; Rossini et al., 2013; Torres-Sánchez et al.,
2014) siendo aspectos importantes en la planificación
de los sistemas productivos.

El suelo juega un papel fundamental en el desarrollo

de los cultivos y en los rendimientos de producción; sin
embargo, por ser un recurso de alto aprovechamiento
en procesos de mecanización, del laboreo, de aplica-
ción de síntesis químicas, entre otras, tiende a carecer
de nutrientes esenciales para la planta (baja fertilidad)
(Zinck, 2005; Keesstra et al., 2016; Fei et al., 2019). En
ese sentido, la incorporación de técnicas de UAV en
relación con el uso de la tierra permite detallar con
veracidad la dinámica de los suelos y de qué manera
esta aporta al desarrollo y a los índices de cosecha en
los sistemas productivos.
 59

3.2 Levantamiento fotogramétrico en

suelos agrícolas
Para la obtención de imágenes multiespectrales se de-
be realizar una planificación de vuelo, haciendo uso de
un software que permita tener control en tierra y según
las funciones específicas del proyecto (Kharuf-Gutié-
rrez et al., 2018). En este sentido, el levantamiento de
puntos geográficos (GPS) es un factor fundamental en
la georreferenciación del área de estudio y la ruta de
vuelo, pues de este depende que los UAV realicen con
mayor precisión la recolección de información detallada
en el área de trabajo, y que el error de vuelo sea mínimo.

Por otro lado, para que la determinación de las propie-

dades físicas y químicas del suelo se haga con mayor
exactitud, se debe realizar en suelos desnudos, por
su manera de analizar y emplear índices con mayor
normalidad. La reflectancia del suelo aumenta progre-
sivamente desde el visible al infrarrojo medio, y puede
variar a través de elementos detectables tales como la
materia orgánica, la humedad del suelo, el color, entre
otros (Ojeda et al., 2016).

El uso de cámaras y el procesamiento de las imágenes

para determinar las variables del suelo depende del
tipo de modelamiento que se desee realizar, es decir,
las cámaras RGB se utilizan para el modelamiento de
elevación del terreno y la cuantificación de plantas en
sistemas productivos; en el caso de la cámara NIR, se
emplea para determinar las propiedades del suelo, el
análisis de la humedad y el estrés por deficiencia de
60

nutrientes en suelos, así como el balance hídrico de la

planta, la erosión de suelos y el conteo de plantas (Me-
neses et al., 2015), siendo un método eficiente para la
detección de cambios en la planta y el suelo en función
de la variabilidad climática y el manejo agronómico.

3.3 Contenido de humedad en el suelo

El contenido de humedad del suelo (SM) es considerado
como una de las variables más importantes en relación
con las condiciones edafoclimáticas en los sistemas
agropecuarios, permitiendo estimar los requerimientos
hídricos en cultivos agrícolas (Pino, 2019). Sin embar-
go, los valores fluctuantes de la humedad en el suelo
dependen del tipo de suelo, el contenido de materia or-
gánica y la profundidad (Karimi y Bastiaanssen, 2015).

El conjunto de datos y el análisis y la interpretación

mediante el uso de imágenes multiespectrales en el
SM en función de tiempo proporciona información pre-
cisa sobre la variabilidad climática y el aumento de la
temperatura en la superficie de la tierra; y, asimismo,
permite tomar decisiones en los sistemas productivos
en cuanto a la disponibilidad hídrica (Natsagdorj et al.,
2017).

A pesar de que la medición y la estimación de la hu-

medad del suelo en una superficie objeto de estudio
resulta bastante compleja, principalmente por la gran
extensión espacial y el cambio de la humedad de suelo
en periodos de ciclos cortos (Bolaños-González et al.,
2011), estudios realizados por Lobato Sánchez et al.
 61

(2017), para la estimación de la humedad del suelo

por medio de imágenes satelitales, ajustaron el mo-
delo de la distribución de densidad de la probabilidad
a la humedad del suelo, para verificar y/o encontrar el
ajuste mediante variables climáticas de temperatura
y precipitación a partir de la distribución de Normal,
Log-Normal y la generalizada de Valores extremos y
Weibull; los resultados de la distribución Normal y la
probabilidad Log-Normal son estandarizados y mapea-
dos, y permiten obtener condiciones potenciales de
déficit de humedad (estrés hídrico) a nivel de cultivo.

Por otra parte, el espectro electromagnético visible

(azul, verde y rojo) y el infrarrojo cercano (NIR) con
el uso de drones demuestran la mayor eficacia de la
información sobre el contenido volumétrico de agua
en el suelo en presencia y/o ausencia de la vegetación
(Hassaballa y Matori, 2011).

Para la estimación de la humedad del suelo se ajustó

el modelo de trapezoide a partir de imágenes multies-
pectrales combinadas, lo que permite derivar el espa-
cio sobre cada píxel del clima, evidenciando que esta
es capaz de llenar espacios vacíos en relación con el
método tradicional; lo anterior permite determinar en
su totalidad el área objeto de estudio. Valores cercanos
a 0,5 m3/m3 se debe a la presencia de suelo con alto
contenido de humedad, y valores <0,2 m3/m3 demues-
tran déficit hídrico a nivel de suelo (Leng et al., 2017)
(figura 27).
62

Figura 27. Humedad del suelo por método tradicional de características VIT
(a) y método ajustado trapezoide de imágenes multiespectrales combinados
(b). Fuente: Leng et al., 2017.

3.4 Curvas de nivel

Las curvas de nivel son líneas en una superficie del
terreno que unen puntos de la misma altitud por en-
cima o por debajo de una superficie específica, con el
fin de reflejar la forma tridimensional de la superficie
de la tierra en un mapa bidimensional (Cabezas, 2013).

Las curvas de nivel se generan a partir de la combi-

nación espectro (RGB) y el procesamiento de datos
en software especializado como Agisoft Photscan,
Pix4Dmapper, QGIS, Arcgis, etc. (figura 28), realizando
modelos por rectificación, el cual consiste en determi-
nar la intersección entre la foto orientada y el modelo
digital del terreno (Vergara y Duarte, 2017). A partir del
procesamiento de las imágenes multiespectrales en
el modelo digital de la superficie se obtiene el modelo
digital de elevación y las curvas de nivel, indicando las
diferencias en la altitud del terreno, así como la concavi-
dad de la imagen procesada en 3D (Fernández-Lozano
y Gutiérrez-Alonso, 2016).
 63

Figura 28. Modelo digital de elevación (izquierda) y curvas de nivel (derecha)

mediante el software Pix4D. Fuente: Collazos Caycedo, 2018.

3.4 Erosión del suelo

La erosión del suelo es un proceso físico que se efectúa
por las condiciones climáticas (agua y viento) y el cam-
bio de la estructura del paisaje por la actividad antrópica
y agropecuaria, permitiendo el arrastre y acumulación
de las partículas del suelo y limitando la producción
agropecuaria y la pérdida de nutrientes esenciales en el
desarrollo de las plantas (Mateos et al., 2007; Salazar e
Hincapié, 2013; Restrepo y Juan, 2015). Por otra parte,
el grado significativo en actividades de laboreo en culti-
vos transitorios a través de procesos de mecanización
(arado, volteo de suelo) lleva a la modificación de las
propiedades físicas y biológicas del suelo, reduciendo
el potencial productivo y el grado de erosión (Ponvert
Delisles y Quan, 2013).

La utilización de vehículos aéreos no tripulados consti-

tuye una herramienta pertinente en la vigilancia y mo-
nitoreo de la erosión, debido a la resolución espacial y
64

temporal que esta puede alcanzar (D’Oleire-Oltmanns

et al., 2012; Martínez-Torres et al., 2018). Asimismo,
cuantifica la degradación y/o cambio de la estructura
de paisaje resultante de los procesos de erosión (Sch-
neider et al., 2012).

En la figura 29 se observa el nivel de erosión (cárcavas)

del monte del Pardo de España, aplicando el modelo
digital de terreno con filtros de ajuste de convolución
y mejora radiométrica, mediante la ecualización del
histograma. Los tonos claros, entre grises y/o blan-
cos, equivalen a suelos altamente erosionados (Pérez
y García, 2013).

Figura 29. Nivel de erosión en monte del Pardo, España. Fuente: Pérez
García, 2013.
 65

3.5 Salinidad
La degradación de suelos en Colombia constituye al-
rededor del 12,5 % de la superficie de la tierra, equiva-
lente a un área aproximada de 14.041.833 h; la mayor
concentración de niveles de salinidad en suelos se evi-
dencia en las zonas costeras, las llanuras de la región
Caribe y en los valles interandinos (IDEAM, 2017). Los
procesos de salinización de suelos son causados por
las actividades antropogénicas y de procesos naturales
(Kurtulus, 2009; IDEAM, 2015), limitando el crecimien-
to y rendimiento de producción de cultivos, debido al
estrés hídrico que estas sales provocan a las plantas
(Narváez et al., 2014). La teledetección y el procesa-
miento de imágenes es una herramienta compleja
y fundamental en el monitoreo y la estimación de la
concentración de suelos salinos (Ponvert Delisles y
Quan, 2013). Sin embargo, esta técnica presenta ciertas
limitaciones que vienen relacionadas por la resolución
espacial y espectral de la cámara y del satélite (imá-
genes satelitales) y, a su vez, por la variabilidad de los
suelos agrícolas (Física, 2007).

El uso de imágenes multiespectrales y de UAV permite

distinguir los rangos de absorbancia y reflectancia del
suelo que corresponde a los rasgos del espectro elec-
tromagnético, dependiendo de diversos factores aso-
ciados, como las propiedades del suelo, la vegetación
existente y el recurso hídrico en la zona (Viscarra Rossel
et al., 2006). De esta manera, cada proporción del es-
pectro electromagnético proporciona información pre-
cisa de ciertos atributos de la superficie terrestre, que
66

son útiles para estimar la salinidad de los suelos en

función del tiempo y el espacio (Giron-Rios et al., 2009).
Estudios reportados por Pérez y García (2013) demos-
traron que las bandas individuales de canal visible azul
y verde, y las combinaciones de las bandas del espectro
(5-3-1, 2-1-7, 4-3-2 y 3-1-7), empleando canales visibles
y el infrarrojo medio, permite resaltar suelos con altas
concentraciones de salinidad.

Estudios realizados por Meza y Acuña (2013) estimaron

la salinidad del suelo implementando una red neuronal
artificial con datos de entrada de imágenes NDVI y de
conductividad eléctrica del suelo en predios de la región
de Lambayeque (Perú), donde se ajustó el índice de
Kappa y el índice de exactitud global para determinar
la presencia de sales solubles en el área de estudio
(figura 30).
 67

Figura 30. Salinidad de suelos mediante el índice de vegetación de diferencia

normalizada (NDVI). Fuente: Meza y Acuña, 2013.
68

Capítulo 4

Modelos para el
rendimiento de cultivos
 69

Resumen

El uso de vehículos aéreos no tripulados

(UAV), conocidos popularmente como drones,
está actualmente en crecimiento en la agricul-
tura. Muchos agricultores están adoptando esta
nueva tecnología como apoyo ante los retos de
incrementar los rendimientos, mientras que se
mejora la eficiencia en el uso de los recursos
ambientales e insumos y se reduce el impacto
ambiental de las explotaciones productivas.

4.1 Modelos de correlación y ortomosaico

Con la llegada de los UAV, gracias a la disminución
de cobertura que permiten en terrenos específicos,
en comparación con los satélites, que tienen alta co-
bertura, se ha logrado aumentar el nivel de detalle en
la captura de imágenes aéreas, evitando la perturba-
ción de fenómenos atmosféricos y, además, ganando
resolución de píxeles en las imágenes obtenidas. No
obstante, el procesamiento digital de imágenes cap-
turadas por un UAV ha sido empleado en numerosas
70

aplicaciones, generando nuevos desafíos, tales como

las correcciones geométricas y la generación de mosai-
cos útiles para el sector y las aplicaciones específicas.

Por esta razón, con el aporte desde diferentes campos

del conocimiento ha surgido la tarea de incorporar en la
agricultura técnicas de teledetección y procesamiento
de imágenes. Dicha tarea se debe ejecutar con rigor
para que la producción tenga los rendimientos espera-
dos y, por lo tanto, favorables al negocio. Debido a eso,
acelerar dichas contribuciones de mejoramiento en los
cultivos tiene un gran impacto en el sector agrícola, por
ejemplo, los métodos de fenotipos de alto rendimien-
to, en comparación con los tradicionales, representa
una herramienta de monitoreo en tiempo real (Lorduy
Hernández, 2017).

4.2 Modelos de estimación respecto a

niveles fenológicos
La estructuración, formulación y aplicación de modelos
de simulación en la agricultura se ha usado amplia-
mente en los últimos años debido a su utilidad como
herramienta en la toma de decisiones sobre el manejo
apropiado de los cultivos (Salazar, 2006).

Para la modelación y simulación de un sistema de

producción agrícola, Jones et al. (1987) plantean el
siguiente procedimiento:

\\ Establecer un objetivo claro, definir el problema

y la información que se pretende obtener con la
simulación.
 71

\\ Definir los componentes del sistema, sus límites,

entradas y salidas.

\\ Efectuar una amplia revisión de la información

disponible.

\\ Desarrollar el modelo a través de diagramas que

representen los componentes del sistema y sus
interrelaciones.

\\ Organizar en computador a través de códigos.

\\ Verificar, calibrar y validar el modelo. La verificación

consiste en evaluar la precisión con que los códigos
de cómputo representan el modelo; la calibración
se refiere a la estimación de los parámetros; y la va-
lidación es el proceso que compara los resultados
de la simulación con datos que no se han utilizado
previamente en la calibración o en cualquier fase
del desarrollo del modelo.

\\ Analizar la sensibilidad, identificar los parámetros

que mayor peso tienen en el modelo y verificar qué
tanto cambia una salida al cambiar un parámetro.

\\ Aplicar del modelo.

4.3 Firmas de fotometría o espectrales

Las firmas espectrales hacen referencia al perfil espe-
cífico de radiancia emitida por los objetos situados en
la superficie de la Tierra. Tiene en cuenta unos valores
de emisión específicos en función del tipo de objeto, su
temperatura o la textura, entre otros factores. Gracias
72

al mapeo del territorio con ayuda de drones, podemos

discriminar los objetos territoriales por medio de fir-
mas espectrales y elaborar mapas de usos del suelo
o análisis de elementos prioritarios.

Una de las investigaciones más detalladas en la gene-

ración de estos productos a partir de imágenes UAV,
y combinando estrategias de procesamiento en áreas
como la fotogrametría y la visión por computador, es
presentada por Barazzetti et al. (2014). La investigación
se basa en la implementación de un algoritmo llama-
do MGCM (Multi-image Least Squares Marching) que,
apoyado en una nube de puntos dispersa, genera un
modelo más denso de puntos a través de triangulación.
Finalmente, a partir de este modelo denso (mesh) se
realiza la ortorrectificación, considerando los objetos
tridimensionales y las áreas de oclusión en la escena.

La radiación fotosintéticamente activa (PAR) (casi el

28 % de la energía absorbida por la planta) es usada
en la fotosíntesis y para la conversión de compuestos
orgánicos de alta energía. Cerca del 70 % de la radia-
ción solar absorbida por las plantas es convertida en
calor y usada para mantener su temperatura y para el
proceso de transpiración (efectos térmicos) (Slatyer,
1967; Gates, 1965 y 1968).

Las propiedades ópticas de las hojas en la región PAR

dependen de diversos factores: las condiciones de la
radiación, la especie vegetal, el espesor de las hojas,
la estructura de la superficie de la hoja, la clorofila, el
contenido de carotenoides de las hojas (pigmentos
 73

orgánicos que se encuentran en forma natural en las

plantas), el contenido de materia seca por unidad de
área y la estructura interna (Ross, 1981).

La región del espectro visible en la vegetación se carac-

teriza por la baja reflectancia y transmitancia, dada la
fuerte absorción por los pigmentos foliares. Por ejem-
plo, los pigmentos de clorofila absorben la luz viole-
ta-azul y roja por la fotosíntesis. La luz verde es reflejada
para la fotosíntesis, razón por la cual muchas de las
plantas aparecen verdes. El espectro de reflectancia
de la vegetación verde muestra picos de absorción de
alrededor de 420 nm (violeta), 490 nm (azul) y 660 nm
(rojo) (figura 31).

Figura 31. Principales pigmentos encontrados en plantas. Fuente: Fcn,

2016.

El espectro de reflectancia es causado por una fuerte

absorción de la clorofila. La tabla 1 muestra los prin-
cipales pigmentos encontrados en plantas grandes y
su absorción máxima (Meer et al., 2002).
74
Tabla 1. Principales pigmentos encontrados en plantas y
características de absorción máxima (Meer et al., 2002)

Característica de absorción
Tipo de pigmento
máxima (nm)
Clorofila a 420 (violeta), 490 (azul), 660 (rojo)
Clorofila b 435 (violeta), 464 (azul)
β-Caroteno 425 (violeta), 450 (azul), 480 (azul)
Xantofila 425 (violeta), 450 (azul), 475 (azul)

4.4 Estadística de imágenes

En el análisis de imágenes aéreas, los fragmentos del
espectro electromagnético tienen diferentes funciones:
la zona visible del azul ayuda a identificar fenómenos
erosivos y comportamientos de agua; el infrarrojo me-
dio ayuda en análisis geológicos; el infrarrojo próximo
permite desarrollar estudios de vegetación; y las mi-
croondas de onda corta sirven para analizar las cubier-
tas de niveles. Un mosaico corresponde al conjunto de
imágenes tomadas desde una o varias cámaras, que
presentan áreas de traslape entre sí, y que son unidas y
combinadas en una sola imagen para ampliar el rango
de visión de la escena (Cheng et al., 2007). Cuando en
el mosaico se corrigen las distorsiones causadas por
el relieve del terreno y los objetos en que puedan estar
presentes en él, se denomina ortomosaico.

4.5 Estudios de caso en la estimación de

rendimiento de cultivos
4.5.1 Estimación del coeficiente de desarrollo del
cultivo (Kc)
Este cálculo se realiza en función del Índice de vege-
tación normalizado diferencial de vegetación (NDVI);
 75

fue propuesto por Calera y González (2007), y se rea-

liza para cultivos anuales, calculándose mediante la
siguiente fórmula (Zenteno et al., 2017):

Kc= 1.15*NDVI+0.17

4.5.2 Modelo departamental para estimar el

rendimiento del maíz
Los autores De la Casa y Ovando (2007) se basaron,
para realizar la estimación del rendimiento del maíz,
en un modelo empírico según la ecuación propuesta
por Unganai y Kogan (1998), la cual permite analizar
la influencia de cada etapa fenológica:

Donde  R est es el rendimiento departamental

estimado; a y b son coeficientes de ajuste obtenidos
por regresión; ND es el valor promedio departamental
del NDVI de cada subperíodo j; y w es un coeficiente
de ponderación para cada subperíodo j, que a su vez
se obtiene con la siguiente ecuación:

Donde R2 es el coeficiente de determinación de cada

subperíodo j; y el divisor es la suma de los coeficientes
de determinación de los subperíodos considerados.
76

Referencias
bibliográficas

Abd-El Monsef, H.; Smith, S. E.; Rowland, D. L.; y El Ra-

sol, N. A. (2019). “Using multispectral imagery
to extract a pure spectral canopy signature for
predicting peanut maturity”. Computers and Elec-
tronics in Agriculture, 162: 561-572.

Basterra, I. (2011). Cátedra de Fotointerpretación, De-

partamento de Geociencias Facultad de Ingenie-
ría - UNNE. 33 pág.

Cabezas, A. M. G. (2013). Lecciones de topografía y

replanteos. Editorial Club Universitario, 326 pág.

Caseras, I. (2017). Seguimiento de viñas mediante imá-

genes multiespectrales aéreas y de satélite. Uni-
versidad Pública de Navarra. 107 pág.

Collazos Caycedo, J. J. (2018). “Evaluación de modelos

digitales de elevación obtenidos mediante topo-
grafía convencional y topografía con drones para
el cálculo de volúmenes”.
 77

De la Casa, A. y Ovando, G. (2007). “Integración del ín-

dice de vegetación de la diferencia normalizada
(NDVI) y del ciclo fenológico de maíz para esti-
mar el rendimiento a escala departamental en
Córdoba, Argentina”. Agricultura Técnica, 67(4):
362-371.

Escalante T., J. O.; Cáceres J., J. J.; y Porras D., H. (2016).

“Ortomosaicos y modelos digitales de elevación
generados a partir de imágenes tomadas con
sistemas UAV”. Revista Tecnura, 20(50): 119-140.
doi: 10.14483/ udistrital.jour.tecnura.2016.4.a09

Fei, X.; Xiao, R.; Christakos, G.; Langousis, A.; Ren, Z.;
Tian, Y.; y Lv, X. (2019). “Comprehensive assess-
ment and source apportionment of heavy metals
in Shanghai agricultural soils with different fer-
tility levels”. Ecological Indicators, 106: 105508.

Fernández-Lozano, J. y Gutiérrez-Alonso, G. (2016). “El

pliegue de Llumeres: aplicación de los drones
para el estudio geológico estructural 3D”. En: XIX
Congreso Geológico de España. Huelva. Geo-Te-
mas, (pp. 1-4).

Física, G. (2007). “Suelos salinos en la cuenca del río

Cigüela (cuenca alta del Guadina)”. Revista de
Teledetección, 27: 53-58.

Franz (2018). “Las firmas espectrales, conoce sus

bandas espectrales en la Teledetección”. GIS-
Geography. Disponible en: https://acolita.com/
las-firmas-espectrales-conoce-sus-bandas-es-
pectrales-en-la-teledeteccion/
78

Galárraga Cañizares, J. L. (2017). Clasificador de hojas

mediante Deep Learning (Doctoral dissertation,
ETSI Informática).

García-Cervigón, D.; José, J.; Rodríguez, G.; y Del Pilar

Gutiérrez Puebla, M. (2014). “Estudio de índices
de vegetación a partir de imágenes aéreas toma-
das desde UAS/RPAS y aplicaciones de estos a
la agricultura de precisión”. Disponible en: http://
eprints. ucm. es/31423/1/TFM_Juan_Diaz_Cer-
vignon. pdf.

Giron-Rios, Y.; Oleschko-Lutkova, K.; Parrot, J. F.; Her-

nández-Alcantara, J. M.; Camarillo García, E.; y
Velázquez-García, J. J. (2009). “Análisis fractal de
la reflectancia de los suelos salinos”. Agrociencia,
43(4): 403-416.

Gutiérrez, M.; Branch, J.; y Botero, V. (2005). “Clasifi-

cación no supervisada de coberturas vegetales
sobre imágenes digitales de sensores Remotos:
‘landsat–etm+’”. Revista Facultad Nacional de
Agronomía Medellín, 58(1): 2611-2634.

Hassaballa, A. A. y Matori, A. B. (2011). “The estimation

of air temperature from NOAA/AVHRR images
and the study of NDVI-Ts impact: Case study:
The application of split-window algorithms over
(Perak Tengah & Manjong) area, Malaysia”. En:
Proceeding of the 2011 IEEE international con-
ference on space science and communication
(IconSpace). Págs. 20-24.
 79

IDEAM, U.D.C.A (2015). Síntesis del estudio nacional de

la degradación de suelos por erosión en Colombia
2015. IDEAM - MADS. Bogotá D.C., Colombia, 62
págs.

Keesstra, S. D.; Bouma, J.; Wallinga, J.; Tittonell, P.;

Smith, P.; Cerdà, A.; y Bardgett, R. D. (2016). “The
significance of soils and soil science towards
realization of the United Nations Sustainable
Development Goals”. Soil, 2: 111-128.

Khan, Z.; Rahimi-Eichi, V.; Haefele, S.; Garnett, T.; y

Miklavcic, S. J. (2018). “Estimation of vegetation
indices for high-throughput phenotyping of wheat
using aerial imaging”. Plant Methods, 14(1): 20.

Kharuf-Gutierrez, S.; Hernández-Santana, L.; Oroz-

co-Morales, R.; Díaz, A.; y Delgado Mora, I. (2018).
“Análisis de imágenes multiespectrales adquiri-
das con vehículos aéreos no tripulados”. Inge-
niería Electrónica, Automática y Comunicaciones,
39(2): 79-91.

Kurtulus, C.; Canbay, M.; Demir, N.; y Gider, D. (2009).

“Salinity investigation of the region east to the
Izmit Gulf in Izmit-Kocaeli”. Journal of Food, Ag-
riculture and Environment, 7(2): 755-758.

Leng, P.; Li, Z. L.; Duan, S. B.; Gao, M. F.; y Huo, H. Y. (2017).
“A practical approach for deriving all-weather soil
moisture content using combined satellite and
meteorological data”. ISPRS Journal of Photo-
grammetry and Remote Sensing, 131: 40-51.
80

Lobato Sánchez, R.; Pardo García, E.; y Rosario de la

Cruz, J. (2017). Detección de la humedad del suelo
mediante imágenes de satélite: segunda parte.

López-Granados, F. (2013). “Uso de Vehículos Aéreos

no tripulados (UAV) para la evaluación de la pro-
ducción agraria”. Ambienta, (105): 40-52.

Mahlein, A. K. (2016). “Plant disease detection by

imaging sensors - parallels and specific demands
for precision agriculture and plant phenotyping”.
Plant Disease, 2: 241-251.

Martínez-Torres, I. L.; Ojeda-Trejo, E.; Martínez-Menes,

M. R.; y Cajuste-Bontemps, L. (2018). “Fotograme-
tría UAS de la degradación antrópica de suelo de
la nanocuenca 9 La Mesa, Acaxochitlán, Hidalgo,
México”. Agroproductividad, 11(4).

Mateos, R. G.; Haller, V. V.; Ríos, J. G.; Portillo, M. O.;

Solorio, C. O.; y Ramos, F. M. (2007). “Efecto de
la erosión del suelo sobre el rendimiento de maíz
de temporal”. TERRA Latinoamericana, 25(4):
399-408.

Mehrotra, N. y Srinivasan, S. (2019). “Analysing Drone

and Satellite Imagery using Vegetation Indices”.
Disponible en: https://www.techforwildlife.com/
blog/2019/1/22/analysing-drone-and-satelli-
te-imagery-using-vegetation-indices.

Meneses, V. A. B.; Téllez, J. M.; y Velásquez, D. F. A.

(2015). “Uso de drones para el análisis de imáge-
nes multiespectrales en agricultura de precisión”.
@limentech, Ciencia y Tecnología Alimentaria, 13(1).
 81

Meza, R. R. B. y Acuña, J. R. (2013). “Clasificación de

la salinidad del suelo mediante imágenes de sa-
télite y las redes neuronales artificiales”. Revista
ECIPerú, 10(1): 5-5.

Muñoz Aguayo, P. (2013). Apuntes de teledetección:

índices de vegetación. Centro de Información de
Recursos Naturales. 15 pág.

Narváez, H.; Combatt, E.; y Barrera, I. B. (2014). “Distri-

bución espacial de la salinidad en suelos del área
de influencia de la desembocadura del río Sinú
(Córdoba, Colombia)”. Revista UDCA Actualidad
& Divulgación Científica, 17(2).

Natsagdorj, E.; Renchin, T.; Kappas, M.; Tseveen, B.; Dari,

C.; Tsend, O.; y Duger, U. O. (2017). “An integrated
methodology for soil moisture analysisusing
multispectral data in Mongolia”. Geo-Spatial
Information Science, 20(1): 46-55.

Oleire-Oltmanns, S.; Marzolff, I.; Peter, K.; y Ries, J.

(2012). “Unmanned aerial vehicle (UAV) for
monitoring soil erosion in Morocco”. Remote
Sensing, 4(11): 3390-3416.

Parrot, S. (2016). Parrot SEQUOIA. Disponible en: https://

www.parrot.com/us/Business-solutions/
parrotsequoia# parrot-sequoia.

Parvage, M. M.; Ulén, B.; y Kirchmann, H. (2013). “A

survey of soil phosphorus (P) and nitrogen (N)
in Swedish horse paddocks”. Agriculture, ecosys-
tems & environment, 178: 1-9.
82

Pávez Muñoz, D. H. (2016). “Evaluación de la exacti-

tud de modelos digitales de elevación (DEMs),
obtenidos mediante imágenes estereoscópicas
satelitales PLEIADES, ASTER GDEM y SRTM en
un paisaje forestal”.

Pino, V. (2019). “Los drones una herramienta para una

agricultura eficiente: un futuro de alta tecnología”.
Idesia (Arica), (AHEAD), 0-0.

Ponvert Delisles, D. y Quan, A. L. (2013). Uso de las

imágenes de satélites y los SIG en el campo de
la Ingeniería Agrícola. Revista Ciencias Técnicas
Agropecuarias, 22(4): 75-80.

Restrepo, A. y Juan, D. (2015). “The impact of defo-

restation on the erosion in the Magdalena River
drainage basin (1980-2010)”. Revista de la Aca-
demia Colombiana de Ciencias Exactas, Físicas
y Naturales, 39(151): 250-267.

Reuter, F. (2011). Transformaciones de la imagen: cla-

sificaciones supervisadas y no supervisadas.
Facultad de Ciencias Forestales. UNSE. 21 pág.

Rossini, M.; Fava, F.; Cogliati, S.; Meroni, M.; Marchesi,

A.; Panigada, C.; y Colombo, R. (2013). “Assessing
canopy PRI from airborne imagery to map water
stress in maize”. ISPRS Journal of Photogramme-
try and Remote Sensing, 86: 168-177.

Salazar, L. F. e Hincapié, E. (2013). Causas de los movi-

mientos masales y erosión avanzada en la zona
cafetera colombiana.
 83

Schneider, A.; Gerke, H. H.; Maurer, T.; Seifert, S.; Nenov,

R.; y Hüttl, R.F. (2012). “Evaluation of remotely-
sensed DEMs and modification base on plau-
sibility rules and initial sediment budgets of an
artificially - created catchment”. Earth Surf. Proc.
Land. 37(7): 708-725.
Toledo, R.; Saavedra, M. D.; Sánchez, T. Y.; Prado, R.;
Nowaki, R.; y Barbosa Da Silva. J. G. (2018). Diag-
nóstico nutricional de cultivos en Colombia. Sílaba
Editores. 141 p.
Torres-Sánchez, J.; Peña, J. M.; De Castro, A. I.; y López-
Granados, F. (2014). “Multi-temporal mapping
of the vegetation fraction in early-season wheat
fields using images from UAV”. Computers and
Electronics in Agriculture, 103: 104-113.
Vergara, Ó. W. y Duarte, H. (2017). “Generación de mo-
delos digitales mediante fotogrametría, utilizando
vehículos aéreos no tripulados (UAV’s)”. Revista
Tecnología y Productividad, 3(3); 63-69.
Viscarra Rossel, R. A.; Walvoort, D. J. J.; McBratney, A.
B.; Janik, L. J.; y Skjemstad, J. O. (2006). “Visible,
near infrared, mid infrared or combined diffuse
reflectance spectroscopy for simultaneous
assessment of various soil properties”. Geoderma,
131(1-2); 59-75.
Young, S. L.; Wilson, M. J.; Hillier, S.; Delbos, E.; Ali, S. M.; y
Stoltzfus, R. J. (2010). “Differences and common-
alities in physical, chemical and mineralogical
properties of Zanzibari geophagic soils. Journal
of Chemical Ecology, 36(1): 129-140.
84

Zenteno Cruz, G. A.; Palacios Vélez, E.; Tijerina Chávez,

L.; y Flores Magdaleno, H. (2017). Aplicación de
tecnologías de percepción remota para la estima-
ción del rendimiento en caña de azúcar. Revista
mexicana de ciencias agrícolas, 8(7): 1575-1586.

Zinck, A. (2005). “Suelos, información y sociedad”. Ga-

ceta ecológica, (76): 7-22.

View publication stats