1

UNIVERSIDAD AGRARIA DEL ECUADOR

FACULTAD DE CIENCIAS AGRARIAS
INGENIERÍA AGRONÓMICA

ANTEPROYECTO

ESTUDIO DE TRES ALGORITMOS DE IMÁGENES PARA

CONTEO DE POBLACIÓN DE PLANTAS CON EL
SOFTWARE ECOGNITION EN EL CULTIVO DE BANANO
(Musa x paradisiaca)

PROYECTO DE INVESTIGACIÓN Y DESARROLLO

MANEJO DE SISTEMAS DE INFORMACIÓN GEOGRÁFICA

INVESTIGACIÓN DE DESARROLLO DE SOFTWARE ECOGNITION

AUTOR
SOLÓRZANO BRAMUEL MARÍA BELÉN

GUAYAQUIL- ECUADOR
2016
 2

ÍNDICE GENERAL
1. Introducción……………………………..…………….……….…..…………..….….…….4

2. Problema objeto de estudio……………………………..…………..….…………………..5

2.1 Planteamiento del problema………………………………………….…..……….….…….5

3. Objetivo general y específicos………………………………………….………………….7

3.1 Objetivo general……………………………..…………………….…...…..…………....…7

3.2 Objetivos específicos……………………………...………………….…...….…..…….….7

4. Justificación……………………………..……….…………………..……..……..….….....7

4.1 Hipótesis……………………………..……….………………….…….……...……..…….8

5. Marco teórico……………………………..….……………………….……..…….…..……9

5.1 Estado del arte……………………………...…………………………………….…….......9

5.2 Bases teóricas……………………………..……………………………….……...……….10

5.3 Marco Legal……………………………..…………………….………………….............17

6. Metodología ……………………………………………………………………….….......19

6.1 Ubicación del ensayo ……………………………..…………………….…….…..............19

6.2 Coordenadas UTM……………………………..……………………….…………...…….19

6.3 Características del Lugar……………………………..……………………………....……19

6.4 Tipo de Investigación……………………………..…………………….…….….…..……19

6.5 Nivel de Investigación……………………………..…………………….…….…….........19

6.6 Hipótesis Investigativa …………………………..…………………….…….……..........20

6.7 Características del ensayo……………………………..……………………….…….........20

6.8 Variables. …….………………………………..…………………….……………....…....20

 3

6.8.1 Variable dependiente……………..…………………….…………...….......................20

6.8.2 Variable independiente……………..…………………….…………...…....................21

6.9 Variables a evaluar….……………..…………………….…………...…...........................21

6.10 Limite espacial………………………..………………………….…………………....21

6.11 Límite temporal………………..………..………………………..……………...….…21

7. Aspectos administrativos……………………………..…………………………….….….22

7.1 Cronograma de actividades……………………………..………...……………….............22

7.2 Presupuesto tentativo ……………………………..…………………………….......….....22

7.2.1 Recursos Económicos……………………………..…………………………………..22

7.2.2 Materiales y equipos……………………………..……………………………..……..23

7.2.3 Recursos humanos……………………………..…………….……..................…..…..24

8. Bibliografía……………………………..……………..……….………….………............25

9. Anexos……………………………..…………………….……………………..……....…27
 4

1. INTRODUCCIÓN

A través de la historia la tecnología ha ido de la mano con la agricultura,

proporcionando innumerables mejorías al manejo y producción de los cultivos a nivel
mundial , incrementándose en los últimos años la agricultura de precisión por
percepción remota el cual se ha ido ganando el interés como una herramienta
indispensable para que el agricultor pueda analizar con mayor determinación , eficacia
y rapidez las áreas afectadas por diversos factores agronómicos , observándose a
través de imágenes raster o satelitales con una determinada interpretación y toma de
decisiones sobre los datos digitales en estudio en conjunto con la tecnología de
vehículo aéreo no tripulado por sus siglas en ingles UAV(Unmanned Aerial Vehicules)
llegando a realizar inspecciones y trabajos que se procede con técnicas muy costosas ,
tardías y con errores significativos ; logrando minorar el precio y tiempo de la labor
asignada. “Aunque la percepción remota ha sido usada en aplicaciones agronómicas
desde la década de 1930, esta práctica sufre todavía un gran desarrollo como una
herramienta de manejo para la producción vegetal” (INTA Manfredi, 2007).
Debido al gran avance tecnológico experimentado en la ingeniería óptica y visión
computacional, la robótica, aviónica, sistemas de navegación/control y en la
fabricación en miniatura de aviones, helicópteros, multi-rotores, globos, dirigibles y
otras aeronaves no tripuladas ,es posible hoy en día disponer de una solución
fotogramétrica versátil, de rápido despliegue en lugares remotos y que entregue
información detallada. (GeoSoluciones, 2012)
Por lo cual, este tipo de tecnología tiene el propósito dentro de la agricultura de facilitar

el trabajo de reconocimientos de diversas características referente de un determinado

cultivo, sin perder la eficacia del trabajo manual que se realiza en campo, obteniendo la

identificación de número de plantas, detección de plantas bajo estrés, plantas enfermas ,

control de su crecimiento o realización de funciones útiles para el manejo de los cultivos ,

en base a imágenes con bandas espectrales de infrarrojo cercano mediante el Software

Ecognition que permitirá la clasificación y exportación de los datos de la imagen de un

determinado espacio para su debida interpretación y criterio por parte del profesional en el

Área.
 5

El método de obtención de información a través de imágenes multiespectrales por

vehículo aéreo no tripulado por sus siglas en ingles UAV (Unmanned Aerial
Vehicules) es fundamental para la identificación de árboles o cultivos enfermos o
especies invasoras tratando de solucionar problemas de plagas, analizar la eficacia de
los tratamientos aplicados y observar su evolución a lo largo del tiempo. El uso de
sistemas de vehículos aéreos no tripulados en agricultura es también de gran utilidad en
la inspección de los sistemas de regadío y su mantenimiento en grandes extensiones y,
gracias a su posibilidad de vuelos programados, es posible determinar una ruta para los
puntos a inspeccionar para realizar vuelos rutinarios. (ACRE Surveying Solutions,
2012)
2. PROBLEMA OBJETO DE ESTUDIO

Es importante empezar por entender que la agricultura no se puede deslindar de la

tecnología ya que se crearía una deficiencia en la actualización o innovación de nuevas

técnicas para el aumento de producción, disminución de costos y aplicación de productos

químicos u orgánicos como fertilizantes, pesticidas, herbicidas, etc. de una manera precisa

sin desperdicio o de una forma invasiva y excesiva en los cultivos junto a la contabilidad del

número de población de plántulas, ganando rentabilidad en el manejo del mismo.

En este contexto, el origen de la problemática es por el efímero uso de este tipo de

tecnología como el Software para Agricultura de precisión eCognition, para obtener datos

precisos sobre vigorosidad de la planta, posteriormente realizar labores que sean exactas y

eficiente a la hora de aplicar productos para el buen manejo agronómico del cultivo.

2.1. PLANTEAMIENTO DEL PROBLEMA

En muchos cultivos se presentan determinadas afectaciones y problemáticas en cuanto a

la focalización de la causa de pérdidas en producción por condiciones limitantes en el

 6

substrato, minerales, drenaje, riego, desbalance nutricional o aplicación errónea de

fertilizantes, o un excesivo número de población en una superficie determinada, etc.

Con las imágenes de percepción remota tomadas por vehículo aéreo no tripulado por sus

siglas en ingles UAV(Unmanned Aerial Vehicules) y luego por el desarrollo de algoritmos

del Software eCognition , realizando el procedimiento de discriminación y/o clasificación

de plantas/suelo e edificaciones , podrán ser utilizados para llevar el conteo de población y

determinar la vigorosidad del cultivo, brindando la información más completa y segura de

las condiciones actuales del cultivo, evitando pérdidas significativas y a su vez brindando al

agricultor los datos reales y dimensionales de los problemas que atraviesa la plantación,

para evitar un perjuicio ,mayor en cuanto a la producción o calidad del producto agrícola.

Una vez obtenida la información proveniente de la imagen se procederá a trabajar en la

imagen por medio de algoritmos realizando la discriminación entre suelo, tipo de

vegetación y la vigorosidad de la planta, obteniendo polígonos de la superficie cultivada o

de la copa de árboles, incluyendo la diferenciación entre planta y maleza por medio del

Índice de Vegetación de diferencia normalizada por sus siglas en ingles NDVI (Normalized

Difference Vegetation Index).

Se podrá identificar el estado de vigor o afección de las plantas , ya que las imágenes

reflejadas con la banda de Infrarrojo cercano por sus siglas en inglés NIR (Near Infra Red) ,

identifican con más intensidad cuando la vegetación posee un color verde intenso ,ya que se

presenta una gran reflectividad a presencia del Clorofila y cuando la plantación presenta

estrés o debilitamiento , la reflexión de NIR , disminuye , por el cual se ha obtenido una

 7

relación entre las bandas espectrales de NIR y Roja , para encontrar los algoritmos que

permitan realizar esta función de clasificación de la imagen.

3. OBJETIVO GENERAL Y ESPECÍFICOS.

3.1 OBJETIVO GENERAL

Análisis de los algoritmos para la identificación y cuantificación de plantas de banano, que

permita administrar y almacenar los datos obtenidos del procesamiento de la imagen.

3.2. OBJETIVOS ESPECÍFICOS

 Identificar el proceso algoritmos de clasificación y segmentación para conteo de plantas

en tres resoluciones espaciales.

 Determinar las diferencias en precisión en conteo de plantas en función de la resolución

espacial (3, 5 y10 cm/pixeles).

 Interpretar los resultados de las imágenes clasificadas para realizar el manejo

agronómico de precisión.

4. JUSTIFICACIÓN

El estudio involucra la tecnología en el campo del agro por medio de la agricultura de

precisión con utilización de Software especializados para obtener datos específicos para la

interpretación por parte de un profesional en el área y el agricultor, aminorando el tiempo de

estudio de un sector en campo y costos de la actividad en estudio.

 8

Por lo cual se propone obtener con estas tres resoluciones de imagen precisión de 3, 5 y

10 cm/pixel determinando cuál de ellas es la más ventajoso al momento de la interpretación

por parte del agricultor o profesional, con lo que se pretende generar una alternativa en plan

de manejo de la plantación con un eficaz monitoreo del cultivo y sus afectaciones.

El estudio permitirá disponer de una correcta resolución de imagen para la

identificación, deducción y entendimiento de la información obtenida por medio de

algoritmos a través del Software Ecognition para lograr una agricultura de precisión con

adeptos tecnológicos modernos en el sector a estudiar. Al concluir este estudio se

determinará la resolución de imagen más provechosa para el análisis de datos.

4.1. HIPÓTESIS

Se obtendrá diferencias en el número total del conteo de población de banano,

determinando con precisión por medio de la visualización de la imagen en sus tres

resoluciones de 3 cm/pixel, 5 cm/pixel y 10 cm/pixel, junto al desarrollo de procesos y/o

algoritmos con el Software Ecognition.

 9

5. MARCO TEÓRICO

5.1. ESTADO DEL ARTE

Peña J. M. (2013) afirma que el uso de imágenes remotas capturadas por vehículos
aéreos no tripulados tiene un potencial tremendo para diseñar detalladamente sitios en
específicos para el conteo de plantas de un cultivo. Un fuerte análisis de imagen
basados en un objeto por sus siglas en ingles OBIA (Object Based Image Analysis),
procederá a ser desarrollado en series de imagen UAV usando una cámara de bandas
multi espectrales con el rango de visible (Rojo, Verde, Azul) y el rango de Infrarrojos
con el objetivo de la generación de un mapa en un campo de estudio. El procedimiento
de OBIA combina contexto, jerarquía y características basadas en objetos y consiste
de tres fases consecutivas:
1. Clasificación por hileras del cultivo para la aplicación de un dinámico y auto
adaptiva clasificación de enfoque
2. La discriminación de cultivo y suelo con la base de las posiciones relativas con
referencia de las hileras del cultivo
3. La generación de un mapa (…) con una estructura de cuadricula o grid. (p.1)

Análisis de imagen basado en objetos (OBIA)

El procedimiento de OBIA computariza múltiples puntos de información y estadística
derivados de los outputs de clasificación, permitiendo el cálculo (…) de plantas o
requerimientos de productos agrícolas y la estimación de las operaciones de manejo del
recopilar y procesar la información espacial en el campo de cultivo. Tecnología de
sensores remotos pueden desempeñar un papel como un método eficiente y repetible
para obtener información de los campos de cultivo. (Peña J. M., 2013, pág. 1)
En la agricultura de precisión, la detección de la vegetación en los cultivos es un
primer paso crucial antes de abordar otros objetivos, tales como contar las plantas para
el control de la germinación o implementación de manejo agronómico por la etapa de
desarrollo o fisiológica que está atravesando la plantación. (Torres, 2015, pág. 43)

Imagen tomada por vehículos aéreos no tripulados

La ultra resolución de las imágenes del UAV, y las poderosas herramientas
proporcionadas por el Objeto de Imagen Basado en Análisis (OBIA) son la clave para
lograr este objetivo. Junto con la descripción general del procedimiento, se aplica
específicamente para la detección de la vegetación en las imágenes de sensores
remotos capturadas con dos sensores (una cámara convencional visible y una cámara
multiespectral) montado en un vehículo aéreo no tripulado. (Torres, 2015, pág. 43)
 10

Vehículos Aéreos No tripulados

El uso de la nueva generación de plataformas remotas conocidos como vehículos
aéreos no tripulados (UAV) o sistemas aéreos no tripulados (UAS). UAV puede operar
a altitudes bajas y capturar imágenes a una resolución muy alta resolución espacial
(unos pocos cm), lo cual no es factible con plataformas remotas convencionales. Por
otra parte, los UAV pueden trabajar en la demanda de una gran flexibilidad en los
momentos críticos, en función de los objetivos agronómicos involucrados. Esto es
crucial para la detección de pequeñas plantas de malezas y cultivos en las primeras
etapas en la mayoría de los campos. La tecnología UAV ha sido adaptada y utilizada
por diversos grupos interesados en la investigación agrícola, y algunos estudios han
reportado el uso de vehículos aéreos no tripulados en la evaluación de población de
cultivos. (Peña J. M., 2013, pág. 2)
Procedimiento de Software eCognition
Torres (2015) , afirma que la segmentación de la imagen mediante el algoritmo de
segmentación de resolución múltiple implementado en eCognition, se inicia con
objetos de un píxel y los fusiona a través de un proceso iterativo que minimiza la
heterogeneidad ponderado interna de cada objeto. En cada iteración, los objetos se
fusionan si el objeto recién generado no excede un umbral definido por la
heterogeneidad de los siguientes ajustes de algoritmo: (1) parámetro de escala, (2)
Color o forma, y (3) la suavidad o compacidad.
Estos factores pueden ser controlados por el usuario:
1. Parámetro de escala, lo que limita la heterogeneidad de los objetos finales
2. Color de pesos / forma, que controlan la cantidad de la segmentación se basa en la
imagen espectral (color) la información vs información de la forma del objeto
3. Suavidad / pesos de compacidad, que controlan la cantidad de la forma del objeto
tiende a ser espacialmente compacta vs espectralmente homogénea (liso), pero menos
compacta. (p.44)

5.2. BASES TEÓRICAS

La agricultura de precisión se define como el manejo de la variabilidad espacial y

temporal a nivel de subparcela de campo, para mejorar el retorno económico y reducir
el impacto ambiental. Para caracterizar esta variabilidad se utilizan herramientas
tecnológicas como los Sistemas de Posicionamiento Global, conocidos popularmente
como GPS, sensores planta-clima-suelo e imágenes multiespectrales obtenidas a partir
de satélites, aviones o UAS/RPAS. Los datos captados por todos estos sensores se
almacenan digitalmente en forma de tablas y mapas, a partir de los cuales se genera la
información que ayuda al agricultor en la toma de decisiones en campo (fertirrigacion,
podas o aclareos). El objetivo último y más importante de la agricultura de precisión es
la obtención de mayores rendimientos económicos, medio ambientales y sociales,
 11

aumentando la competitividad a través de una mayor eficacia en las prácticas agrícolas.

(Diaz Garcia Cervignon, 2015, pág. 7)

Sistemas de Información Geográfica

Los sistemas de información geográficas complementan el tratamiento y uso de
imágenes satelitales, como herramienta orientada a la medición y visualización del
territorio, permite combinar capas de información territorial, según la orientación y
finalidad de nuestra investigación, con los datos extraídos de las diferentes capas
espectrales que entregan los sensores remotos se interpretan las imágenes satelitales , la
tecnología GPS (global position system) ubica y coordina los diferentes puntos de
interés para completar los estudios con datos y material de campo. La Investigación
puede centrarse en aspectos espaciales, comparando diferentes lugares y realidades
territoriales en un mismo periodo de tiempo o aspectos temporales, comparando la
misma ubicación espacial de los fenómenos, mediante análisis en diferentes unidades
de tiempo, cambios en los recursos naturales, seguimiento de enfermedades en la
vegetación así como periodos de helada y sequia, impactos socioeconómicos,
comparación de los cultivos en diferentes latitudes, entre otros. (Instituto de
Investigaciones Agropecuarias de Chile, 2013, pág. 3)

Teledetección
La teledetección espacial para la observación de la Tierra obtiene información acerca
de cualquier elemento terrestre (líquido, sólido y gaseoso) mediante el análisis de
imágenes capturadas en el espectro óptico, preferentemente desde satélites para la
observación de la Tierra , que ha ido revolucionado las ciencias ambientales y de la
tierra mediante la captura de una vasta gama de imágenes de todo el planeta,
permitiéndoles acceder a niveles de información y conocimiento sin precedentes. (Peña
M. A., 2014, pág. 1)

SIGMUR(2012) afirma que en el caso la teledetección la interacción que se produce va

a ser un flujo de radiación que parte de los objetos y se dirige hacia el sensor. Este flujo
puede ser, en cuanto a su origen, de tres tipos:
 Radiación solar reflejada por los objetos (luz visible e infrarrojo reflejado)
 Radiación terrestre emitida por los objetos (infrarrojo térmico)
 Radiación emitida por el sensor y reflejada por los objetos(p.181)

Análisis de Imágenes basada en objetos

Las imágenes de teledetección tienen que ser convertidas en información tangible que
puede ser utilizada junto con otros datos, a menudo en Sistemas de Información
Geográfica (GIS). Los tamaños de pixel se mantuvo típicamente más grueso que, o en
el mejor, de tamaño similar a los objetos de interés, se puso énfasis en el análisis por
píxel, o incluso análisis sub-pixel para esta conversión, pero con el aumento de la
resolución espacial , se ha destinado a derivar objetos que se encuentran compuesto de
varios píxeles. El método más común utilizado para la construcción de objetos es la
 12

segmentación de imágenes, que se remonta de la década de 1970. Alrededor del año

2000, SIG y procesamiento de imágenes comenzó a crecer rápidamente a través de
análisis del objeto basándose en la imagen (OBIA - o GEOBIA de análisis de imágenes
basada en objetos geoespaciales). En contraste con Landsat, que poseen resoluciones
típicas, las imágenes de alta resolución soportan varias escalas dentro de sus imágenes.
(Blaschke, 2010, pág. 1)

La capacidad de la cognición humana es traducida en un lenguaje computacional. Los

objetos de imagen se clasifican después de la información de píxeles y se comprime en
una capa de regiones homogéneas que están separadas si son significativamente
diferentes a partir de las características adyacentes. la resolución espacial de la
Teledetección de imágenes ha llevado a la necesidad de extraer más información de
estos conjuntos de datos y un análisis orientado a objetos que permite obtener
información de características en una imagen teniendo en cuenta datos contextuales. La
segmentación es el proceso clave para pasar de píxeles objetos. Agrupa pixeles
homogéneos en sentido objetos utilizando criterios espectrales y espaciales. El análisis
orientado a objetos permite construir una estructura jerárquica, es decir una red de los
diferentes objetos y entidades que se presentan en una imagen. (Wageningen
University , 2013, págs. 2-30)

Clasificación de técnicas de Teledetección

Las técnicas basadas en los dos primeros tipos se conocen como teledetección pasiva y
la última como teledetección activa. La radiación (solar reflejada, terrestre o emitida
por el sensor y reflejada) que llega de la superficie terrestre y que ha atravesado la
atmósfera, es almacenada en formato digital. Una vez recuperados los datos en el
centro de control del satélite, permitirán obtener información acerca de la superficie
terrestre y de la atmósfera. El tipo de información que se obtiene dependerá de la
longitud de onda en la que el sensor capte radiación y el reflejo de la misma sobre la
imagen, así llegando a determinar la detección de la información gracias a este
fenómeno. El análisis de esta información permite el reconocimiento de las
características de los objetos observados y de los fenómenos que se producen en la
superficie terrestre y oceánica y en la atmósfera. Por tanto son muchas las ciencias
naturales y sociales que están interesadas en su uso y se relacionan con ellas como la
Geografía, Geología, Meteorología, Agronomía, Oceanografía, etc. (SIGMUR, 2012,
pág. 1)

Teledetección y fenología
Una de las aplicaciones más importantes de la teledetección es el seguimiento de los
procesos que ocurren en la tierra. Las imágenes de teledetección pueden utilizarse para
el análisis de procesos breves, por ejemplo para el seguimiento del ciclo decrecimiento
de los cultivos y evaluación de los rendimientos de una cosecha. Se estudian con este
propósito las imágenes captadas en diversas etapas del cultivo. Permiten conocer los
 13

procesos vegetales y edáficos de plazo mediano o largo. (Meneses-Tovar, 2011, pág.

40)

Es básico en teledetección que la relación entre las bandas del Infra-rojo cercano y el
rojo constituyen un test de comprobación del vigor de la vegetación o por el contrario,
su débil vitalidad. La presente comunicación es parte de un proyecto más completo
sobre la aplicación del índice de vegetación a un amplio espacio del sur de España.
Además de conocer el vigor o debilidad de la vegetación, el índice puede ser un
elemento de diferenciación de cultivos y lo mismo en vegetación natural, con una
identificación en la imagen que se mantiene con toda nitidez. Además, ésta no pierde la
respuesta espectral de cada pixel. (Manrique, 1999, pág. 1)

Espectro electromagnético
La luz y radiación forman parte de un rango muy amplio, que no tiene límite inferior
o superior, denominado el Espectro Electromagnético. Este espectro se ha dividido en
diferentes regiones, pero que no tienen fronteras rígidas entre regiones adyacentes. Se
utilizan dos parámetros comunes para referirse al espectro electromagnético:
frecuencia y longitud de onda. El espectro electromagnético ha sido dividido en
diferentes regiones cuyos límites son más o menos arbitrarios y dependen en buena
medida en nuestra capacidad de poder producir o detectar esas regiones del espectro. El
descubrimiento y especialmente el desarrollo de las aplicaciones prácticas de las
diferentes regiones han dependido de la capacidad tecnológica de producir fuentes de
radiación apropiadas y detectores o medidores. (Fontal, 2005, pág. 7 y 16 )
Se denomina espectro visible a la región del espectro electromagnético que el ojo
humano es capaz de percibir. A la radiación electromagnética en este rango de
longitudes de onda se le llama luz visible o simplemente luz. No hay límites exactos en
el espectro visible; un típico ojo humano responderá a longitudes de onda desde 400 a
700 nm aunque algunas personas pueden ser capaces de percibir longitudes de onda
desde 380 a 780 nm. (Facultad de Artes y Diseño , FAD, 2013, pág. 1)

Reflectividad
De cara a la identificación de objetos y procesos en la superficie terrestre, lo que nos
interesa es la reflectividad de estos objetos respecto a las diferentes longitudes de onda.
Cada tipo de material, suelo, vegetación, agua, etc. reflejará la radiación incidente de
forma distinta, lo que permitirá distinguirlo de los demás si medimos la radiación
reflejada. A partir de medidas de laboratorio se ha obtenido la reflectividad para las
distintas cubiertas en diferentes longitudes de onda. (SIGMUR, 2012, pág. 6)

Vegetación y reflectividad
La vegetación sana tiene una reflectividad baja en el visible aunque con un pico en el
color verde debido a la clorofila, ese pigmento aparece en concentraciones entre 5 y 10
veces mayores que otros como el caroteno). La reflectividad es muy alta en el
 14

infrarrojo reflejado o próximo debido a la escasa absorción de energía por parte de las
plantas en esta banda. En el infrarrojo medio hay una disminución especialmente
importante en aquellas longitudes de onda en las que el agua de la planta absorbe la
energía (…) en el caso de la vegetación enferma en la que disminuye el infrarrojo y
aumenta la reflectividad en el rojo y azul. (SIGMUR, 2012, pág. 7)
Contenido de agua y reflectividad
Se observa también que la reflectividad de una planta depende de su contenido en
agua. Cuando el contenido de agua aumenta disminuye la reflectividad ya que aumenta
la absorción de radiación por parte del agua contenida en la planta. (SIGMUR, 2012,
pág. 7)

Suelo y reflectividad
Las propiedades espectrales del suelo son relativamente simples, la transmisión es
nula, por tanto toda la energía se absorbe o refleja. La reflectividad es relativamente
baja para todas las bandas aunque aumentando hacia el infrarrojo, El contenido en
materia orgánica también afecta a la reflectividad, cuanto mayor sea su contenido y
cuanto menos descompuesta se encuentre más oscuro resulta el suelo (menor
reflectividad). La composición química y mineralógica también va a influir en la
respuesta espectral, así por ejemplo el contenido en óxidos de hierro va a incrementar
la reflectividad en el rojo. (SIGMUR, 2012, pág. 8)

Resoluciones
SIGMUR(2012) afirma que la salida de radiación (emitida o reflejada) de la superficie
terrestre es un fenómeno continuo en 4 dimensiones (espacio, tiempo, longitud de onda
y radiancia). Un sensor debe muestrear en este continuo discretizándolo en cada una de
esas dimensiones. El modo en que esta discretización se lleva a cabo define los cuatro
tipos de resolución con los que se trabaja en teledetección:
 Resolución espacial (tamaño de pixel)
 Resolución temporal (tiempo que tarda el satélite en tomar dos imágenes del mismo
sitito)
 Resolución espectral (capacidad de discriminar entre longitudes de onda vecinas en
el espectro, así como el número de bandas disponible).
 Resolución radiométrica (número de intervalos de intensidad que puede captar el
sensor (p.9)

Análisis de Imágenes
Tradicionalmente se ha dividido el análisis de imágenes de satélite en dos fases, un
análisis visual y un análisis digital. El primero es similar en muchos aspectos a la
fotointerpretación clásica con las ventajas que aporta la fotografía digital en cuanto a
las posibilidades de retocar y realzar las imágenes. Sin embargo una imagen de satélite
en bruto presenta un aspecto bastante apagado, por lo que el análisis visual no resulta
 15

sencillo. En teledetección se han desarrollado diferentes técnicas que permiten resaltar

determinados aspectos para facilitar este análisis. (SIGMUR, 2012, pág. 191)

Banda RGB (Red, Green, Blue)

Aunque el espectro electromagnético abarca un amplio número de regiones y el ojo
humano tiene una gran capacidad de discriminación de estos colores, podemos
descomponer cualquier color en tres componentes (azul, verde y rojo) que
corresponden a tres regiones del espectro visible. Los dispositivos de visualización de
imágenes (monitores, televisiones, etc.) forman sus imágenes mediante la combinación
de diferentes niveles de intensidad en estos tres colores. Cada pixel en pantalla es
representado mediante 3 puntos de luz, rojo, verde y azul (composición RGB) al
dispositivo encargado de pintar todos los puntos de un color se le denomina cañón. De
este modo existen el cañón del rojo, el del verde y el del azul. Se puede ver la
descomposición de una imagen de colores vivos en 3 imágenes que reflejan la
intensidad en el azul, el verde y el rojo. Una imagen de satélite tiene varias bandas,
algunas de ellas responden a estos colores y otras a regiones fuera del espectro visible.
Para visualizarlas podremos pasar las diferentes bandas por cada uno de los cañones o
por todos a la vez (imagen en blanco y negro). (SIGMUR, 2012, pág. 192)

Software eCognition
Software eCognition es una solución para el análisis y la extracción de información a
partir de datos geoespaciales colectados a través de plataformas aéreas, de satélite y de
mapeo móvil. Es posible integrar capas de datos de forma más eficiente gracias a las
herramientas SIG (Sistema de Información Geográfica) del software. Con un
framework (marco de referencia) más avanzado, eCognition puede resolver una gama
más grande de consultas geoespaciales y obtener resultados más precisos. (Hein, 2014,
pág. 1) .
ECognition de Trimble es un software que combina todo tipo de datos geoespaciales
para realizar diversos análisis y comparaciones. Puede importar imágenes (aéreas o
satélites), nubes de puntos, información vectorial, datos provenientes de un SIG, etc.
Tiene un gran número de aplicaciones como, por ejemplo, detección de cambios, usos
del suelo, clasificación de datos, detección de masas arbóreas, tipos de vegetación, etc.
Dispone de infinidad de algoritmos predefinidos, que el usuario puede combinar y
ajustar a sus necesidades y de acuerdo al tipo de datos que esté utilizando. Los usuarios
avanzados pueden además desarrollar sus propios algoritmos o añadir nuevas
capacidades ya que el software incorpora un equipo de desarrollo del Software con sus
siglas en ingles SDK (Software Development Kit). Utiliza análisis basado en objetos,
esto es, agrupa píxeles de imágenes con características similares de acuerdo a una
parametrización dada. (Gtb Iberica, 2012, pág. 1)
 16

Características destacadas del Software eCognition

El software de análisis de datos geoespaciales basado en objetos, soportando todo tipo
de datos geoespaciales que pueden combinarse para realizar todo tipo de análisis con la
incorporación de un gran número de algoritmos que el operador puede utilizar para
definir sus propias estrategias permitiendo un amplio abanico de aplicaciones.
Existiendo cuatro versiones diferentes de eCognition entre ellas eCognition Developer
que es un módulo que permite combinar los algoritmos existentes y definir las
estrategias que se aplicarán sobre los datos geográficos utilizados. (Gtb Iberica, 2012,
pág. 4)

NDVI

El índice de vegetación de diferencia normalizada conocida por sus siglas en ingles NDVI

(Normalized Difference Vegetation Index), es un parámetro utilizado para medir por medio de

la reflectividad de la Vegetation hacia el receptor de la imagen, que sirve para identificar el

índice de clorofila presente en la vegetación, identificando la vigorosidad de la misma por

medio de la firma espectral del infrarrojo cercano que intervienen valores de 0,7 um a 1,1um ,

la cual es reflectada por la mayoría de especies vegetales.

El NDVI permite identificar la presencia de vegetación verde en la superficie y

caracterizar su distribución espacial así como la evolución de su estado a lo largo del
tiempo. Esto está determinado fundamentalmente por las condiciones climáticas. La
interpretación del índice debe asimismo considerar los ciclos fenológicos y de
desarrollo anuales para distinguir oscilaciones naturales de la vegetación de los
cambios en la distribución temporal y espacial causados por otros factores. El Índice de
Vegetación Diferencial Normalizado se calcula mediante la siguiente expresión: donde
IRC es la reflectividad en el infrarrojo cercano y R es la reflectividad en el rojo.
Respecto a otros índices de vegetación más complejos, el NDVI tiene las ventajas de
tener una gran sencillez de cálculo y de facilitar la interpretación directa de los
parámetros biofísicos de la vegetación. Además permite la comparabilidad entre datos
obtenidos por diferentes investigadores. Por otro lado tiene el inconveniente de que
posee poca capacidad de minimizar la influencia del suelo y de la atmósfera. (DPA,
2016, pág. 1)

El NDVI mide la relación entre la energía absorbida y emitida por los objetos
terrestres. Aplicado a las comunidades de plantas, el índice arroja valores de intensidad
del verdor de la zona y da cuenta de la cantidad de vegetación presente en una
 17

superficie y su estado de salud o vigor vegetativo. El NDVI es un índice no

dimensional y por lo tanto sus valores van de -1 a +1. Los valores que están por debajo
de 0,1 corresponden a los cuerpos de agua y a la tierra desnuda, mientras que los
valores más altos son indicadores de la actividad fotosintética de las zonas de matorral,
el bosque templado, la selva y la actividad agrícola. (Meneses-Tovar, 2011, pág. 40)

Las plantas absorben radiación solar en la región espectral de radiación fotosintética

activa y es usada como fuente de energía en el proceso de fotosíntesis. Las células
vegetales han evolucionado para dispersar la radiación solar en la región espectral del
infrarrojo cercano. Se basa en la siguiente fórmula: NDVI: (IR Cercano – ROJO)/ (IR
Cercano + ROJO). (Instituto de Investigaciones Agropecuarias de Chile, 2013, pág. 2)

Procedimiento de algoritmos de Ecognition

El procedimiento OBIA para la identificación y clasificación de hileras de cultivo fue
desarrollado utilizando el software comercial eCognition, fueron segmentados las
imágenes UAV en objetos homogéneos de varios píxeles utilizando el algoritmo
multirresolución (multiresolution).Dos niveles de Segmentación se utiliza de forma
independiente a lo largo del Procedimiento. En ambos casos, el resto de los parámetros
que intervienen en la segmentación eran 0,9, 0,1, 0,5 y 0,5 para el color, la forma, la
suavidad y la compacidad, respectivamente. Después de la segmentación, el árbol de
procesos en general es formado por los siguientes pasos: el cálculo de la orientación de
fila de siembra, discriminación entre los objetos de vegetación, la definición de plantas
germinadas, identificación y clasificación de la línea de siembra, e identificación y
clasificación del cultivo restante. (Peña J. M., 2012, pág. 427)

5.3. MARCO LEGAL

Capítulo I, Ley de Cartografía Nacional

El Instituto Geográfico Militar da conocimiento sobre la disposición del Consejo Suprema de

Gobierno (2016) afirmando que la ley de cartografía nacional estipula puntos en específico

sobre el manejo y toma de imágenes para el estudio de una determinada zona, elaborando

cartas detalladas por parte del técnico o software por lo que impone en sus artículos lo

siguiente:

a) Art. 20 .- La introducción al país de cámaras aero fotogramétricas de aviones y más

instrumental para ser empleada en la toma de fotografía aérea, equipos de radar y

 18

otros destinados a la toma de imágenes y registros del territorio nacional será

autorizado por el Ministerio de Defensa Nacional, previo opinión favorable del

Instituto Geográfico Militar.

b) Art. 21.- Las personas naturales o jurídicas, las instituciones públicas o privadas que

elaboren cartas especiales o temáticas deberán utilizar la cartografía básica

proporcionada por el Instituto Geográfico Militar.

c) Art. 29.- El incumplimiento de los Artículos 19 y 20 de la presente Ley acarreará de

hecho el decomiso de las cámaras fotográficas a más de la multas de 12 sueldos

básicos, impuestas de conformidad con el Artículo 27 y 28 de la presente Ley.

 19

6. METODOLOGÍA

6.1. UBICACIÓN DEL ENSAYO

El presente trabajo de investigación se realizara en los Laboratorios de Computación

de la Facultad de Ciencias Agrarias de la Universidad Agraria del Ecuador.

6.2. COORDENADAS UTM

17 M 622822, 9752369

6.3. CARACTERÍSTICAS DEL LUGAR

Prefectura del Guayas (2011), afirma que “La climatología del Cantón Guayaquil

posee las siguientes características:”

Altitud: 6 y 22 msnm

Temperatura: 25°C

Humedad relativa anual: 76%

Precipitación anual: 1500 mm. (p.1).

6.4. TIPO DE INVESTIGACIÓN

Se manejará en el presente estudio el tipo de metodología investigativa, deductiva,

descriptiva y analítica, con su correspondiente Desarrollo de algoritmos en el Software

Ecognition en imagen del cultivo de banano de la Hacienda Ciudad de Oro ubicada en el

cantón Progreso en la Provincia de Santa Elena en el año 2016.

6.5. NIVEL DE INVESTIGACIÓN

La metodología se realizara en su totalidad en forma práctica y dinámica a través del

Software eCognition, desarrollando los métodos investigativos, teórico, deductivo, y

analítico para llevar los registros de los algoritmos que nos irán brindando datos sobre la
 20

imagen en estudio sobre el conteo de plantas por medio de polígonos en el cultivo de

banano y sus respectivos resultados en cuanto al número de población. El eco tipo bajo

estudio será: Imágenes en tres diferentes resoluciones para conteo de planta de banano.

6.6. HIPÓTESIS INVESTIGATIVA

Ho: No existe diferencia en el total de número real de plantas de banano entre el conteo

total de plantas por medio de algoritmos en sus tres resoluciones.

Hi: Existe diferencia en el total de número real de plantas de banano entre el conteo total

de plantas por medio de algoritmos en sus tres resoluciones.

6.7. CARACTERÍSTICAS DEL ENSAYO

El procedimiento constará en diseñar y desarrollar el procedimiento para obtener los

polígonos del cultivo de banano, observando los algoritmos que se vayan creando a

medida que se avance en el trabajo. Luego de realizada esta actividad, se procederá a la

exportación de datos hacia Arc Map para una visualización del trabajo realizado sobre el

conteo de población, para obtener una conclusión sobre los rendimientos de la imagen en

tres diferentes resoluciones que serán de 3 , 5 y 10 cm/pixel. Luego del desarrollo y

conclusión del trabajo se realizara la verificación descriptiva y el estudio de los diferentes

resultados a observar en cada una de las resoluciones.

6.8. VARIABLES

6.8.1. VARIABLE DEPENDIENTE

Desarrollo de algoritmos para la identificación y segmentación de polígonos

correspondientes al cultivo de banano.

 21

6.8.2. VARIABLES INDEPENDIENTES

Imagen en resoluciones de 3 cm/ pixeles, 5 cm/pixeles y 10cm/pixeles.

6.9. VARIABLE A EVALUAR

Para estimar el valor del desarrollo de los algoritmos en la investigación se evaluaran

los siguientes datos:

a) Número total de plantas

Se procederá a un conteo de plantas por medio del desarrollo de tres algoritmos sobre

la imagen en sus diferentes resoluciones.

b) Resolución espacial

Se determinará la mejor resolución para detalles del cultivo en tres formatos de 3, 5 y

10 cm/pixel.

c) Algoritmos

Se realizará a la elaboración de tres procesos del Software eCognition para realizar el

respectivo conteo de población en determinadas resoluciones, que serán: Índice de

vegetación de diferencia normalizada (NDVI), Conteo por rango de altura,

Identificación de polígono o centro de gravedad.

6.10. LIMITE ESPACIAL

El presente trabajo se realizara en la Finca Ciudad de Oro del Cantón Progreso en la

Provincia de Santa Elena.

6.11. LÍMITE TEMPORAL

El trabajo de investigación tendrá una duración de 3 meses.

 22

7. ASPECTOS ADMINISTRATIVOS

7.1. CRONOGRAMA DE ACTIVIDADES

7.2. PRESUPUESTO TENTATIVO

7.2.1. RECURSOS ECONÓMICOS

Tabla 1.Guía de Recursos económicos requeridos para desarrollo de Anteproyecto en

estudio.

Material / Recurso Costo Unidad Cantidad Total

Computadora 500,00 Unidad 1 500,00

Internet(mes) 18,00 Mes 3 54,00

Memoria externa 36 GB 21,00 Unidad 1 21,00

Software Ecognition 0,00* Unidad 1 0,00*

Licencia Software 1.250,00* Unidad 1 0,00*

Transporte 24,00 Mes 3 72,00

 23

Alimentación 20,00 Mes 3 60,00

Impresiones 0,10 Unidad 500 50,00

Total 757,00*

Fuente: Autor 2016

*Software eCognition y Licencia auspiciada por Empresa AgricPress

7.2.2. MATERIALES Y EQUIPOS

Tabla 2. Guía de Materiales y Recursos requeridos concerniente al Anteproyecto en

estudio.
Material /Recurso Cantidad

Computadora 1

Internet(mes) 3

Memoria externa 36 GB 1

Software Ecognition 1

Licencia Software 1

Transporte(mes) 3

Alimentación(mes) 3

Impresiones 500

Fuente: Autor 2016

*Software eCognition y Licencia auspiciada por Empresa AgricPress

7.2.3 RECURSOS HUMANOS

 24

Tabla 3: Guía de Recursos Humanos requeridos para desarrollo de Anteproyecto en

estudio.

Institución Personal Cargo

AgricPress Ing. Agr. Alex Morales Jefe Administrativo

UAE Ing. Agr. Manuel Jiménez Docente -Tutor

Fuente: Autor 2016

8. BIBLIOGRAFÍA
 25

ACRE Surveying Solutions. (2012). ACRE. Retrieved from

http://www.unvex14.com/docs/vehiculos-aereos-no-tripulados.pdf

Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, 1.

Consejo Supremo de Gobierno. (2016). Instituto Geográfico Militar. Retrieved from IGM:
http://www.igm.gob.ec/images/2016/pdfs/ley_y_reglamento_cartografia_nacional.pdf

Diaz Garcia Cervignon, J. J. (2015, Junio). Docplayer. Retrieved from

http://docplayer.es/13303200-Universidad-complutense-de-madrid-facultad-de-
geografia-e-historia-master-en-tecnologias-de-la-informacion-geografica.html

DPA. (2016). Departamento Provincial de Aguas de Rio Negro. Retrieved from DPA:
http://www.dpa.gov.ar/clima/informes/NDVI.pdf

Facultad de Artes y Diseño , FAD. (2013, Agosto). Blog de FAD. Retrieved from
http://blogs.fad.unam.mx/asignatura/elva_hernandez/wp-content/uploads/2013/08/
teoria-de-los-colores-luz-y-tipos-de-luz-e.pdf

Fontal, B. (2005, Diciembre). saber.ula.ve. Retrieved from

http://www.saber.ula.ve/bitstream/123456789/16746/1/espectro_electromagnetico.pdf

GeoSoluciones. (2012). GeoSoluciones. Retrieved from http://www.geosoluciones.cl/fotos-

aereas-con-uav/

Gtb Iberica. (2012). GTB iberica. Retrieved from http://www.gtbi.net/ecognition/

Hein, F. (2014, Abril 1). MundoGeo. Retrieved from

http://mundogeo.com/es/blog/2014/04/01/trimble-lanza-nueva-version-del-software-
geoespacial-ecognition-2/

Instituto de Investigaciones Agropecuarias de Chile. (2013, Octubre). Monitoreo Satelital de

Chile. Retrieved from
http://www.monitoreosatelital.cl/wp-content/uploads/2014/11/Manual-Tratamiento-de-
Imagenes-NDVI.pdf

Manrique, E. G. (1999). Asociación Española de Teledetección. Retrieved from AET:

http://www.aet.org.es/congresos/viii/alb52.pdf

Meneses-Tovar, C. (2011, Febrero). FAO. Retrieved from

http://www.fao.org/3/a-i2560s/i2560s07.pdf
 26

Peña, J. M. (2012, Mayo 7-9). Object based approach for crop row characterization in uav
images for site specific weed management. Retrieved from
file:///C:/Users/HP/Downloads/approach_crop_Pena.pdf

Peña, J. M. (2013, Enero 23). PLOS One. Retrieved from

http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0077151

Peña, M. A. (2014, Marzo 12). Ecolyma.cl. Retrieved from http://ecolyma.cl/blog09/wp-

content/uploads/2014/03/Teledeteccion_desafios_Chile-01.pdf

Polysulphate. (2016). Polysulphate.es. Retrieved from http://www.polysulphate.es/necesidad-

de-fertilizar-con-azufre.php

Prefectura del Guayas. (2011). Guayas Gob Ec. Retrieved from

http://www.guayas.gob.ec/cantones/guayaquil

SIGMUR. (2012). Universidad de Murcia.

Torres, S. (2015, Marzo 28). Researchgate. Retrieved from

https://www.researchgate.net/profile/Jose_Manuel_Pena_Barragan/publication/
274879942_An_automatic_object-
based_method_for_optimal_thresholding_in_UAV_images_Application_for_vegetatio
n_detection_in_herbaceous_crops/links/5530b6cd0cf2f2a588ab2819.pdf

Wageningen University . (2013). Object based image classification ( eCognition software).

Netherlands.

9. ANEXOS
 27

9.1 Diagrama de Proceso de algoritmos de Índice de Vegetación de diferencia normalizada. Fuente:

Autor 2016

Modelo
Intensidad Imagen
digital de
de imagen Orto
superficie

Segmentación

Análisis
NDVI

Clasificación

Análisis

Clases Objetivos

Evaluación
de precisión

Edificaciones

9.2 Diagrama de Proceso de algoritmo de clasificación por altura de planta. Fuente: Autor 2016
 28

9.3 Diagrama de Proceso de algoritmo de clasificación por centro de gravedad. Fuente: Autor 2016
 29

Imagen

3cm/pixel 5cm/pixel 10cm/pixel

Extracción de contornos
de referencia y nivelación

Inicialización de posición
del contorno

Optimación de
contorno

Estimación de
optimación

Re-Muestreo de
contorno

Imagen procesada con alta

precisión