Traducido del inglés al español - www.onlinedoctranslator.

com

sensores

Artículo

Calibración de cámara térmica no refrigerada y

optimización del proceso de fotogrametría para
aplicaciones de UAV en agricultura

Krishna Ribeiro-Gomes1 ,david hernandez-Lopez2IDENTIFICACIÓN,JosémiF. Ortega1IDENTIFICACIÓN,RociBallesteros1,

IDENTIFICACIÓN

Tomásas Poblete3 y Miguel A. Moreno1,*

IDENTIFICACIÓN
IDENTIFICACIÓN

1 Centro Regional de Investigación del Agua, Universidad de Castilla-La Mancha, 02071 Albacete, España;
krishnaribeiro@yahoo.com.br (KR-G.); Jose.Ortega@uclm.es (JFO); Rocio.Ballesteros@uclm.es (RB) Instituto
2 de Desarrollo Regional, Universidad de Castilla-La Mancha, 02071 Albacete, España;
David.Hernandez@uclm.es
3 Centro de Investigaciónoy Transferencia en Riegoy Agroclimatologia, Universidad de Talca, Talca 3460000,
Chile; totopoblete@gmail.com
* Correspondencia: MiguelAngel.Moreno@uclm.es ; Tel.: +34-967-599-200

Recibido: 2 de agosto de 2017; Aceptado: 19 de septiembre de 2017; Publicado: 23 de septiembre de 2017

Resumen:La adquisición, procesamiento e interpretación de imágenes térmicas de vehículos aéreos no tripulados

(UAV) se está convirtiendo en una fuente útil de información para aplicaciones agronómicas debido a la mayor
resolución temporal y espacial de estos productos en comparación con los obtenidos de los satélites. Sin embargo,
debido a la baja capacidad de carga del UAV, es necesario montar cámaras térmicas ligeras y no refrigeradas, donde
el microbolómetro no está estabilizado a una temperatura constante. Esto hace que la precisión de la cámara sea
baja para muchas aplicaciones. Adicionalmente, el bajo contraste de las imágenes térmicas hace que el proceso de
fotogrametría sea impreciso, lo que resulta en grandes errores en la generación de ortoimágenes. En esta
investigación, proponemos el uso de nuevos algoritmos de calibración, basados en redes neuronales, los cuales
consideran como datos de entrada la temperatura del sensor y la respuesta digital del microbolómetro. Además,
evaluamos el uso del filtro de Wallis para mejorar la calidad del proceso de fotogrametría utilizando un software de
estructura de movimiento. Con el algoritmo de calibración propuesto, la precisión de la medición aumentó de 3,55◦C
con la configuración de cámara original a 1.37◦C. La implementación del filtro de Wallis aumenta el número de
puntos de enlace de 58 000 a 110 000 y disminuye el error de posicionamiento total de 7,1 m a 1,3 m.

Palabras clave:calibración de cámara térmica no refrigerada; microbolómetro; vehículo aéreo no tripulado; filtrado
de imágenes; estructura del movimiento; gestión del riego

1. Introducción

Los vehículos aéreos no tripulados (UAV) brindan nuevas alternativas a la teledetección tradicional basada en
satélites para obtener imágenes de alta resolución en tiempo real para aplicaciones ambientales y de agricultura de
precisión [1,2]. En comparación con otras plataformas de teledetección, los UAV tienen la ventaja de ser más flexibles,
de menor costo y más independientes de las variables climáticas [1], y pueden proporcionar información de mayor
resolución [3]. Por tanto, estas plataformas ofrecen una resolución adecuada para la observación de la vegetación que
no era posible con las plataformas tradicionales. Diferentes tipos de sensores, como cámaras digitales RGB [4],
cámaras térmicas [5], cámaras multiespectrales e hiperespectrales [6], y otros sensores [7], permitir la extracción de
información útil para la agricultura [8]. Los UAV se han utilizado para predecir varias características de los cultivos,
como la variabilidad del estado del agua, el mapeo de la región del cultivo y la copa de los árboles, el cálculo del índice
de vegetación y el fenotipado de especies, entre otros.5,9–11]. Estimar el rendimiento de los cultivos es uno de los
principales desafíos que enfrenta hoy en día el análisis de vegetación basado en UAV.

Sensores2017,17, 2173; doi:10.3390/s17102173 www.mdpi.com/journal/sensores

Sensores2017,17, 2173 2 de 23

Con este objetivo, la exitosa detección de tomates mediante imágenes UAV llevada a cabo por [12] parece
prometedor. Adicionalmente, se ha propuesto el uso de la información térmica obtenida de estos dispositivos en
aplicaciones agrícolas, principalmente enfocadas en el fenotipado de cultivos bajo condiciones de estrés [13–17]. Sin
embargo, dependiendo del sensor térmico utilizado, la calibración térmica es un problema crucial que debe
resolverse, ya que las mediciones de temperatura de los sensores no refrigerados cambian constantemente [18]. Cada
vez son más frecuentes las investigaciones sobre el uso correcto de las cámaras térmicas en aplicaciones agrícolas,
principalmente para el desarrollo de estudios que muestren las posibilidades del uso de estos equipos en el
seguimiento de cultivos. Rud et al. [19] afirmó que el uso de imágenes generadas por cámaras térmicas es una
herramienta muy efectiva para evaluar la disponibilidad de agua en el cultivo de papa. Möller et al. [20] afirmó que el
uso de cámaras térmicas junto con el uso de cámaras digitales proporciona muy buena precisión en la determinación
de datos fisiológicos para viñedos. De Jonge et al. [21] en estudios con plantas de maíz, afirmó que el monitoreo y
cuantificación del estrés hídrico mediante la evaluación de la temperatura del dosel mediante el uso de termometría
puede ser útil en la detección del estrés de las plantas.
El uso de información térmica es una técnica de teledetección que se está desarrollando para interpretar el
estado de los cultivos, la detección de plagas y enfermedades relacionadas con el contenido de humedad, y la
determinación del balance energético y, por tanto, de las necesidades hídricas, a través de la uso de datos obtenidos
de cámaras térmicas y multiespectrales. Los métodos de balance de energía generalmente exigen datos de
reflectancia superficial detectados de forma remota en las regiones visible e infrarroja cercana del espectro para
determinar la banda térmica e infrarroja.22–24]. Algunos de estos modelos se describen a continuación:

1 El índice de balance de energía superficial (SEBI), desarrollado por [25], se basa en la idea del Crop Water
Stress Index (CWSI) y un aspecto esencial es la variación de la temperatura superficial con respecto a la
temperatura del aire. Es un modelo pionero y muy utilizado.
2 El modelo de dos fuentes (TSM), descrito en [26], es muy utilizado, destacando su uso en el caso de
la viña.
3 Agrupado (modelo de tres fuentes: transpiración de la cubierta, evaporación del suelo de la hilera,
evaporación del suelo entre hileras), generado a partir de los trabajos de [27], se ha utilizado en viñedos
con buenos resultados, aunque es necesario mejorar la precisión de algunos parámetros (caracterización
de la arquitectura de la cubierta o parametrización de la humedad del suelo) [28].
4 Surface Energy Balance Algorithm for Land (SEBAL), uno de los modelos más utilizados, desarrollado por [23],
calcula la evapotranspiración como residuo del balance energético de la superficie. Dentro de los modelos más
utilizados, SEBAL está diseñado para calcular los componentes del balance energético, tanto a nivel local como
regional, con datos mínimos de suelo [29,30].
5 El Índice de Energía Superficial Simplificado (S-SEBI) es un método basado en una simplificación del SEBI [
25]. Se basa en el contraste entre una temperatura de reflectancia superficial máxima y mínima (albedo)
para condiciones secas y húmedas. Así, divide la energía disponible en flujos de calor sensible y latente. Si
las temperaturas superficiales máximas y mínimas están claramente disponibles en la imagen, no
requiere datos meteorológicos adicionales, lo que se convierte en una ventaja.
6 El Sistema de Balance de Energía de Superficie (SEBS) es una modificación de SEBI para estimar el balance de energía
en la superficie [31]. SEBS estima los flujos de calor sensible y latente a partir de datos satelitales y datos
meteorológicos comúnmente disponibles (temperatura del aire y velocidad del viento).
7 El Mapeo de Evapotranspiración en Alta Resolución y con Calibración Internalizada (METRIC) es un
modelo ampliamente utilizado y propone la modificación de algunos parámetros del modelo SEBAL [22,
32]. Está calibrado internamente con la inclusión en las imágenes de dos superficies de referencia (píxeles
secos o húmedos y píxeles calientes o fríos) que permite fijar las condiciones de contorno en el balance
de energía y simplificar la necesidad de correcciones atmosféricas.
8 El balance de energía superficial para medir la evapotranspiración (MEBES) es un desarrollo de SEBAL realizado
por [33] para su aplicación en una amplia zona de España. MEBES es una versión desarrollada para aplicaciones
en regiones donde la disponibilidad de datos meteorológicos es limitada (datos incompletos).
Sensores2017,17, 2173 3 de 23

MEBES también fue validado con una medición lisimétrica a nivel local. Además, se compararon los
valores locales reales de evapotranspiración (ETa) utilizando el método de Penman-Montieth. La
9 Teledetección de Evapotranspiración (ReSET) es un modelo SEB, propuesto por [34] sobre los
mismos principios que METRIC y SEBAL, pero con algunas mejoras, como poder integrar datos de
diferentes estaciones meteorológicas.

Cada uno de estos modelos tiene sus ventajas y desventajas [30], pero permiten conocer ETa con
diferentes estrategias de manejo de riego y cultivo [35], pudiendo aproximarse a muchos parámetros
que determinan los criterios para la programación del riego [36]. Con el uso de estas metodologías, y en
base a parámetros de termometría, se puede obtener el estado hídrico del cultivo y el estrés. Se dispone
de muchos trabajos para diferentes especies herbáceas o leñosas con diferentes escalas espaciales pero,
en general, están enfocados al estudio de amplios territorios como sistemas de apoyo a la gestión de los
recursos hídricos [29,33,37,38].
Todos estos modelos se basan en que la temperatura de la copa es un indicador del estado hídrico
de la planta, que a su vez está ligado a la conductancia estomática. Se han desarrollado varios índices de
estrés hídrico de los cultivos en función de la temperatura del dosel. El índice de estrés hídrico de cultivos
(CWSI) fue desarrollado por [39] y se utiliza cada vez más para decidir sobre la gestión del riego [40].
Otros indicadores están siendo implementados y aplicados para tratar de mejorar la gestión del riego.

Para desarrollar una metodología funcional que utilice imágenes adquiridas con cámaras térmicas en
UAV, es imperativo que estos sensores proporcionen información cuantitativa de temperatura y que esta
temperatura se mida con alta precisión, lo que exige una calibración radiométrica adecuada. Otro problema
importante relacionado con el uso de imágenes térmicas es el mosaico en el proceso fotogramétrico debido al
bajo contraste de este tipo de imágenes. Este hecho provoca fallas en los algoritmos utilizados para la
detección automática y emparejamiento para la orientación relativa de las imágenes.
Las cámaras térmicas se utilizan en una amplia gama de aplicaciones diferentes y, en comparación con los
sensores convencionales, no dependen de ninguna fuente de energía externa [41]. Estos dispositivos se pueden
clasificar según el tipo de detector de imagen que posean, clasificándose en refrigerados o no refrigerados. Las
cámaras infrarrojas térmicas enfriadas tienen el mayor uso en la detección remota porque este tipo de cámara es
muy sensible y precisa.42], pero el uso de sensores enfriados tiene algunos problemas porque son grandes, caros y
consumen una gran cantidad de energía. Debido a este hecho, las cámaras térmicas refrigeradas no suelen montarse
en vehículos aéreos no tripulados pequeños [42,43]. Por el contrario, el uso de cámaras no refrigeradas acopladas a
vehículos aéreos no tripulados es viable porque son más ligeras [5]. Una desventaja del uso de sensores no
refrigerados es que estos microbolómetros no son tan sensibles y precisos como en los sistemas refrigerados y la
mayoría de ellos no están calibrados, pudiendo medir únicamente las temperaturas relativas de una escena (imagen).
Para la mayoría de las aplicaciones de teledetección, se requieren temperaturas superficiales precisas, lo que exige
una cámara térmica calibrada desde el punto de vista espectral y geométrico [5,43].
En las cámaras térmicas no refrigeradas, que montan microbolómetros sin refrigerador termoeléctrico (TEC), el
microbolómetro no se estabiliza a una temperatura constante. Este hecho hace que la temperatura del sensor fluctúe
junto con la temperatura de la cámara, lo que debe tenerse en cuenta en cualquier modelo de calibración de cámara
que se utilice [44]. Además, existen otras causas que exigen una calibración de los sensores infrarrojos sin TEC [44]:

1 Corrección de no uniformidad, que se refiere a los diferentes puntos de operación de los píxeles individuales de
un microbolómetro. Normalmente, en las cámaras térmicas no refrigeradas actuales se lleva a cabo un proceso
de suavizado que intenta igualar su rendimiento.
2 Corrección de píxeles defectuosos, que se refiere a píxeles que no funcionan o cuyos parámetros
varían mucho de la media. Esta es una característica del sensor, que debe ser especificada por el
fabricante. La corrección de estos píxeles se basa en su ubicación y su interpolación en función de
los datos obtenidos de los píxeles vecinos. El objetivo principal de esta corrección es tener una
imagen visual de alta calidad en lugar de un valor radiométrico de alta calidad.
Sensores2017,17, 2173 4 de 23

3 Corrección del obturador, que se refiere a la corrección requerida debido a la luminosidad del interior de la cámara que
también varía con la temperatura del sensor. Las cámaras térmicas no refrigeradas actuales realizan una corrección
automática del obturador en función de la hora o el cambio en la temperatura del sensor.
4 Calibración radiométrica, que se refiere a establecer la relación entre la respuesta del sensor y
la temperatura del objeto. Es posible aproximar la señal de salida del sensor con una curva de
Planck.
5 Corrección de dependencia de la temperatura, que se refiere al efecto de la temperatura del sensor en la
respuesta del sensor. Para realizar este tipo de corrección, normalmente se usa una corrección lineal que
considera la señal del objeto y la señal de la cámara (dependiendo de la temperatura de la cámara).

En las cámaras térmicas no refrigeradas actuales, las tres primeras fuentes de imprecisión son corregidas
por el firmware incluido en el sistema. La cuarta corrección en dispositivos es corregida por el sistema de
adquisición digital, si está incluido en el sensor. Sin embargo, la quinta corrección generalmente no se realiza,
lo que genera errores en las mediciones de temperatura que no son aceptables para muchas aplicaciones,
como algunas aplicaciones agrícolas o ambientales. Descubrimos que la respuesta digital de la cámara se ve
afectada por la temperatura de la cámara de manera no lineal. Así, compararemos modelos clásicos lineales y
no lineales (modelos polinomiales) para calibrar la cámara térmica. Además, implementaremos modelos de
Redes Neuronales Artificiales para calibrar la cámara debido a su desempeño adecuado para resolver
problemas altamente no lineales [45].
Otras fuentes de imprecisiones en las mediciones térmicas con cámaras sin TEC son [46]: efecto tamaño
de la fuente, efecto distancia y efectos ambientales, entre otros, que también están presentes en las cámaras
enfriadas.
El procedimiento de generación del mosaico de ortoimágenes resuelve el método general de la
fotogrametría a partir de las imágenes originales, obteniendo el efecto de obtener una perspectiva ortogonal y
cubriendo toda el área de estudio, lo que amplía el campo de visión de las cámaras [47] sin introducir una
deformación indeseable de la lente [48]. Diferentes tipos de software de fotogrametría, como PhotoScan®
(Agisoft, San Petersburgo, Rusia), Pix4D®(Pix4D, Lausana, Suiza), Apero-MicMac [49], VisualSfM [50] y Paquete [
51], se utilizan para obtener productos geomáticos a partir de UAV, como ortoimágenes georreferenciadas y
modelos digitales de elevación (DEM). Estos paquetes de software requieren una calidad de imagen adecuada
para obtener productos geomáticos precisos con el proceso de fotogrametría.
Algunos problemas relacionados con la obtención de ortoimágenes a partir de imágenes térmicas son los
siguientes: (1) la resolución espacial de las cámaras térmicas comerciales aún es baja, con resoluciones de productos
comerciales que varían de 160×120 a 1280×1024 [41], (2) los microbolómetros de óxido de vanadio tienen un nivel de
ruido más alto en comparación con otros sensores [52], (3) en comparación con las imágenes ópticas, las imágenes
térmicas tienen una resolución baja y un contraste local débil [53], y (4) en el caso particular de cámaras no
refrigeradas, la adquisición de una serie temporal de imágenes térmicas puede fluctuar debido a cambios en la
temperatura del sensor [54]. Otro problema del uso de imágenes térmicas en el proceso fotogramétrico es que las
imágenes presentan muy bajo contraste debido a la baja variación de la temperatura en los objetos observados. El
bajo contraste de las imágenes dificulta que los algoritmos de visión por computadora detecten puntos clave
automáticamente. Este problema implica que no hay suficientes puntos de coincidencia y el proceso de orientación
relativa, con o sin autocalibración, no es capaz de orientar todo el conjunto de imágenes por lo que el mosaico de
imágenes, si se consigue, tiene imperfecciones destacadas. Además, puede dar lugar a imprecisiones en el proceso de
calibración geométrica de la cámara.
Para minimizar estos problemas se han desarrollado filtros para el tratamiento de imágenes. Estos
filtros, de forma simplificada, se describen como parte de procedimientos matemáticos que consisten en
aislar los componentes de interés, para reforzar o suavizar los contrastes espaciales del nivel de gris que
integran una imagen. Se realiza transformando los niveles de gris originales de cada píxel de forma que
aumenten la diferencia con sus vecinos correspondientes. Los filtros se pueden clasificar según el efecto
que producen a las imágenes, pudiendo ser de paso bajo, de paso alto, de medio, o direccionales, entre
otros [55]. La finalidad de la aplicación de estos filtros en la
Sensores2017,17, 2173 5 de 23

El contexto del problema en estudio es facilitar el procedimiento fotogramétrico, principalmente en la búsqueda de

puntos de enlace.
Estudios relacionados con el preprocesamiento de imágenes mediante el uso de filtros relacionan su
funcionalidad y efectos en las imágenes. Kou et al. [56] desarrolló un algoritmo de mejora de detalles para producir
una imagen detallada, mediante el cual los detalles finos se pueden amplificar ampliando todos los gradientes en la
imagen de origen, excepto los de los píxeles en los bordes. A partir de algoritmos de mejora de detalles finos, se
pueden mejorar los detalles finos mientras se evitan los artefactos de halo y los artefactos de inversión de gradiente
alrededor de los bordes. Guidi et al. [57] analizó los efectos del preprocesamiento óptico con filtros polarizadores y el
preprocesamiento digital con imágenes de alto rango dinámico (HDR) para mejorar la conducción del modelado
automatizado 3D basado en la estructura del movimiento (SfM) y la coincidencia de imágenes. Sin embargo, estos
autores observaron que el objeto metálico no conserva las polarizaciones de la luz y, en consecuencia, no se ve
afectado por dicha mejora. También se han analizado técnicas basadas en HDR, revelando una mejora moderada en el
objeto de cerámica probado, del orden del 5%, en comparación con las imágenes estándar, pero definitivamente un
mejor resultado en el objeto de metal (+63%).
En este contexto, el objetivo de este trabajo es desarrollar un procedimiento y un algoritmo, basados en
aprendizaje automático, para la calibración radiométrica de cámaras térmicas no refrigeradas. Además, se evalúa el
filtrado de imágenes térmicas para mejorar la solución de fotogrametría.

2. Materiales y métodos

Para obtener productos térmicos precisos de alta resolución utilizables en agricultura de precisión, se propone una
metodología integrada. Esta metodología se centra en la precisión de los datos adquiridos, mediante la implementación de
un novedoso proceso de calibración, junto con el tratamiento adecuado de los datos durante el proceso de creación de
mosaicos para evitar artefactos de posprocesamiento.

2.1. Equipo utilizado

Los diferentes tipos de aeronaves tienen diferentes capacidades, con ventajas o desventajas dependiendo
de la aplicación [1]. Se deben hacer concesiones entre la facilidad de vuelo, la estabilidad contra el viento, el
manejo de fallas de vuelo, la distancia recorrida, la capacidad de carga y los requisitos de despegue/aterrizaje.
En este estudio se utilizó un Microdrone md4-1000 (Microdrones, Inc., Kreuztal, Alemania). Es un cuadricóptero
de despegue y aterrizaje vertical (VTOL) (Figura1). El acrónimo VTOL denota la capacidad de un vehículo de
vuelo para despegar y aterrizar nuevamente en dirección vertical sin necesidad de una pista. Emplea cuatro
rotores o hélices sobre ejes verticales, montados en un nivel de la carrocería. El tamaño del UAV es de 1.030 m
de motor a motor.
En cuanto al rendimiento de vuelo, este UAV tiene una tasa máxima de ascenso de 7,5 m.·s–1, una
velocidad horizontal máxima de 12 m·s–1, un peso máximo al despegue (MTOW) de 6 kg y una carga máxima
de 1,2 kg. La autonomía del UAV alcanza los 40 min en condiciones climáticas óptimas gracias a la batería 6S2P
LiPo, 22,2 V, 13.000 mAh. Con estas características, puede volar un área de aproximadamente 80 ha por vuelo
utilizando un sensor que pesa 0,3 kg.

(a) (b)

Figura 1.Vehículo aéreo no tripulado, Microdrone MD4-1000 (a) y cámara térmica no refrigerada (b).
Sensores2017,17, 2173 6 de 23

Los objetivos de referencia utilizados para analizar el error de los productos geomáticos, especialmente
diseñados para aplicaciones térmicas como se describe a continuación, se midieron utilizando receptores Leica
System 1200 GNSS (Leica Geosystems AG, Wetzlar, Alemania), que son sistemas de doble frecuencia que reciben datos
de Los satélites de constelación del Sistema de Posicionamiento Global (GPS) y el Sistema Global de Navegación por
Satélite (GLONASS) y permiten la medición en un modo cinemático en tiempo real (RTK) mientras las observaciones
estáticas se registran en el receptor base. Durante el paso de posprocesamiento posterior, las coordenadas de los
puntos medidos se obtuvieron en un sistema global con una precisión de nivel centimétrico. Este equipo actualizó su
posición con una frecuencia de 20 Hz (0,05 s) para minimizar la posibilidad de registrar coordenadas falsas. La
precisión en modo RTK fue de 0,02 m en elXyYejes, y 0,03 mm en elZeje.
La cámara térmica utilizada para obtener las imágenes térmicas fue la FLIR Tau2 (FLIR Systems, Inc., Wilsonville,
OR, EE. UU.) (Figura1), las principales características de esta cámara son una focal de 9 mm (FOV 69◦×56◦); un
microbolómetro no refrigerado de 640 (H)×520 (V), un tamaño de píxel de 17µmetro; una banda espectral que oscila
entre 7,5 y 13,5µm, y un peso aproximado de 72 g sin lente.

2.2. Adquisición de datos de calibración radiométrica

Se realizó una calibración radiométrica de las cámaras térmicas utilizando una fuente de cuerpo negro
Hyperion R Model 982 (Isothermal Technology Limited, Pine Grove, Southport, Merseyside, UK), con un
diámetro de 50 mm y una profundidad de 150 mm. El rango de temperatura del cuerpo negro es de−10 a 80◦C.
La cámara térmica se instaló en una posición fija contra el cuerpo negro a una distancia de 0,5 m (Figura2). La
temperatura del sensor se midió y registró para cada evento de adquisición de imágenes. Las temperaturas de
cuerpo negro utilizadas en el proceso de calibración oscilaron entre 5 y 65◦C en pasos de 5◦C, que cubre el
rango de temperaturas que se encuentran en las aplicaciones agrícolas. Para obtener diferentes valores de la
temperatura de la cámara, el experimento se realizó en un cuarto de refrigeración y en un cuarto normal en el
que se modificó la temperatura para inducir bajas y altas temperaturas con el sistema de refrigeración/
calefacción. Así, se logra un amplio rango de temperatura del sensor para generalizar el modelo de calibración
para cualquier condición de temperatura. Para cada temperatura del cuerpo negro se obtuvieron imágenes
para temperaturas del sensor que oscilan entre 5 y 31◦C (Figura3).
Se obtuvo un menor número de mediciones para temperaturas del sensor inferiores a 20◦C, que se
corresponde con los obtenidos en la cámara frigorífica. Algunos problemas relacionados con la condensación
de agua en el cuerpo negro y para alcanzar temperaturas constantes en el cuerpo negro (se fijó cada 10◦do de
5 a 65◦C) lo hizo una tarea difícil. Con estos datos, se asegura que un amplio rango de temperaturas durante el
proceso de calibración cubre todos los escenarios durante las aplicaciones agrícolas. Para facilitar el proceso de
calibración de la cámara, los autores desarrollaron un software llamado TermCal en MatLab.®
(Mathworks, Natick, MA, USA) en el que el usuario puede seleccionar un área representativa de la temperatura
del cuerpo negro captada por la cámara térmica y determinar la respuesta digital de la imagen, asignando un
valor de temperatura del sensor y realizar la calibración de la cámara con el diferentes modelos descritos en
este trabajo.

Figura 2.Eliminación del cuerpo negro y la cámara para la calibración.

Sensores2017,17, 2173 7 de 23

Figura 3.Se analiza el rango de temperatura de la cámara térmica y la temperatura del cuerpo negro.

2.3. Algoritmos analizados para calibración radiométrica

En este trabajo se analizaron tres tipos de modelos para realizar la calibración de la cámara: (1) modelos lineales
(Ecuación (1)), (2) modelos polinómicos (Ecuaciones (2)–(4)), que son los modelos que tradicionalmente aplicado para
la corrección de la variación de temperatura de la cámara [44], y (3) una red neuronal artificial [45], debido a su
adecuado desempeño para resolver problemas de regresión altamente no lineal. Para determinar el mejor modelo se
utilizó el 65% de los datos para la calibración y el 35% para la validación. Los subconjuntos de calibración y validación
se seleccionaron aleatoriamente para garantizar que ambos conjuntos de datos cubran todo el rango de mediciones:

BTB = p00 + p10×DL + p01×CT (1)

BTB = p00 + p10×DL + p01×CT + p20×DL2 + p11×DL×CT + p02×TC2 (2)

BTB = p00 + p10×DL + p01×CT + p20×DL2 + p11×DL×CT + p02×TC2 + p30×

(3)
DL3 + p21×DL2×CT + p12×DL×TC2

BTB = p00 + p10×DL + p01×CT + p20×DL2 + p11×DL×CT + p02×TC2 + p30×

(4)
DL3 + p21×DL2×CT + p12×DL×TC2 + p03×TC3

donde TBB es la temperatura del cuerpo negro; DL es la respuesta digital de la cámara; TC es la

temperatura de la cámara; y pij son los coeficientes de regresión.
Las redes neuronales artificiales (ANNs) son modelos matemáticos que simulan el funcionamiento de una
neurona biológica, y estas redes tienen algunas ventajas que hacen posible su uso en diferentes campos de estudio. El
tipo de algoritmo de entrenamiento utilizado en la red neuronal fue el de retropropagación. considerando una
neuronajen capai, la suma de las variables de entrada y los pesos correspondientes (Sj) en el vector de entrada se
puede describir de acuerdo con la Ecuación (5):

Sj=w0j+∑wyo·Xyo
norte

(5)
i=1
Sensores2017,17, 2173 8 de 23

dóndeSjes la suma de las variables de entrada con sus correspondientes pesos en la neuronajde capai;wyoes el peso
asociado a cada una de las neuronas de entrada con respecto a los nodos de la capa oculta;w0jes el peso asociado a la
primera neurona de entrada con respecto a los nodos de la capa oculta;Xyoes el valor de entrada almacenado en cada
neuronai; ynortees el número de variables de entrada.
La ecuación (6) describe la variable de salida de la neuronaj:

yj=F(Sj) (6)

dóndeyjes la salida de la neuronaj; la función de activación.

La función de activación, para una función tangente hiperbólica responde a la Ecuación (7):

yj=tanh(Sj) (7)

dóndeyjes la salida de la neuronaj; y tanh es la tangente hiperbólica.

2.4. Análisis de Residuos

Para analizar los ajustes del modelo se utilizaron los siguientes estadísticos: número de
observaciones (norte); que representa la cantidad de datos a evaluar. en este papelnorte=266 imágenes;
los valores medios de los niveles digitales y la temperatura del sensor, que se da en la Ecuación (8); el
coeficiente de determinación (R2, Ecuación (9)); el error cuadrático medio (RMSE), dado por la Ecuación
(10); el error relativo (RE, Ecuación (11)), y el índice de similitud (SI, Ecuación (12)).

X= i
=1
∑norte Xi (8)
norte

dóndeXes el promedio de todos los valores observados,Xi, ynortees el número de observaciones:

- -2
(Onorte− MO)(Snorte− EM)
R2= -∑nortei=1√
- (9)
i=1
∑norte (Onorte− MO)2∑norte i=1(Snorte− EM)2

dóndeR2es el coeficiente de determinación;Onorteson los valores observados;Snortevalores simulados;meses el

valor medio de lanortevalores observados;EMes el valor medio denortevalores simulados; ynortees el número
de observaciones: √
√
√ norte

√ (Snorte − O)2
√∑i=1 norte

RMSE= (10)
norte

dóndeRMSEes el error cuadrático medio de la raíz (◦C);nortees el número de observaciones;Snorteson los valores
simulados; yOnorteson los valores observados:
( )
RMSE
RE= · 100 (11)
mes

dóndeREes el error relativo (%);RMSEes el error cuadrático medio de la raíz; ymeses el valor medio de lanorte
valores observados: - -
norte

- ∑ ( Snorte−Onorte)2 -
i=1 -
SI=1−- - norte - (12)
∑ ((Snorte− MO) + (Onorte− MO))2
i=1

dóndeSIes el índice de similitud;nortees el número de observaciones;Snorteson los valores simulados;Onorteson

los valores observados; ymeses el valor medio de lanortevalores observados.
Sensores2017,17, 2173 9 de 23

Además de estas estadísticas, el análisis de errores se realizará mediante: (1) análisis de regresión lineal
entre los valores observados y simulados; (2) ajuste de los residuos a la distribución normal; (3)
homocedasticidad; y (4) la distancia de Cook para la detección de valores atípicos.

2.5. Proceso de Fotogrametría y Filtrado de Imágenes

El procedimiento para adquirir productos geomáticos georreferenciados incluye: (1) planificación de vuelo, que
considera datos fotogramétricos que son proporcionados por software de planificación de vuelo; (2) ubicar puntos de
control terrestre (GCP) a lo largo del área observada; (3) medir GCP con un GNSS-RTK; (4) ejecutar vuelos que sigan el
plan de vuelo cargado; (5) seleccionar visualmente el mejor conjunto de imágenes para el procesamiento posterior
eliminando las imágenes borrosas; (6) ingresar las imágenes y las coordenadas de los objetivos en el software de
fotogrametría, que autocalibrará la cámara con el método de ajuste de paquetes; y (7) obtener una ortoimagen
georreferenciada, una nube de puntos densa y un modelo digital del terreno (DTM) [8,58].

Como se indicó en la sección de introducción, el proceso de fotogrametría utilizando imágenes térmicas

es una tarea desafiante debido a la falta de contraste en las imágenes y la dificultad de ubicar los GCP en las
imágenes. Para solucionar el bajo contraste de la imagen proponemos aplicar el filtro Wallis [59] sobre
termografía, que se ha aplicado con éxito en otros casos con imágenes visibles cuando la escena presenta
poco contraste [60–62]. Este filtro aplica una mejora de contraste a cada zona de la imagen ajustando los
valores de brillo en áreas específicas de la imagen para que la medida y la desviación estándar coincidan con
los valores predeterminados del usuario. Esta mejora consigue un buen contraste local en toda la imagen
(Figura4a,b), lo que permite una mejor detección de los puntos clave y el emparejamiento correspondiente,
además de permitir al operador mejorar la fotointerpretación de los GCP.

(a) (b)

Figura 4.Ejemplo de fotointerpretación en imágenes no filtradas (a) e imágenes filtradas (b).

A partir del conjunto de imágenes térmicas resultantes del vuelo de planificación, se crean tres conjuntos de imágenes:
(1) el conjunto de imágenes térmicas originales, (2) el conjunto de imágenes térmicas filtradas después de aplicar el
filtro de Wallis al conjunto de imágenes térmicas, y (3) el conjunto de imágenes térmicas calibradas
radiométricamente después de aplicar el radiom térmicocalibración métrica al conjunto original de imágenes
térmicas originales . El procesamiento fotogramétrico se realizó con Agisoft PhotoScan®(Agisoft, San Petersburgo,
Rusia) usando los parámetros descritos en la Tabla1.
Sensores2017,17, 2173 10 de 23

Tabla 1.Parámetros utilizados en Agisoft PhotoScan®.

Parámetros de alineación

Precisión Alto
Preselección de pareja Genérico
límite de puntos clave 40.000
Límite de punto de enlace 4.000
Ajuste del modelo de cámara adaptable sí
Parámetros optimizados f, b1, b2, cx, cy, k1–k4, p1, p2
Nube de puntos densa
Calidad Medio
Filtrado de profundidad Templado

Modelo

tipo de superficie Arbitrario

Datos fuente Nube densa
Recuento de rostros Alto
Interpolación Activado
ortomosaico
Modo de mapeo Ortofoto
Modo de fusión Mosaico

Para los procesos de alineación de las imágenes, determinación de la nube densa de puntos y creación de
la malla, se utilizó el conjunto de imágenes térmicas tratadas con el filtro de Wallis. Para texturizar y generar
las ortoimágenes finales, estas imágenes fueron reemplazadas por el conjunto de imágenes calibradas
radiométricamente. Para aplicar el filtro de Wallis a las imágenes se utilizó el programa GRAPHOS [61]. En
proceso de autocalibración de la cámara térmica con Agisoft PhotoScan®software se determinaron los
siguientes parámetros:

f: que es la distancia focal medida en píxeles.

cx y cy: que son las coordenadas del punto principal. b1, b2:
que son los coeficientes de transformación sesgados. k1, k2,
k3, k4: que son los coeficientes de distorsión radial. p1, p2: que
son los coeficientes de distorsión tangencial.

Además de los resultados del procedimiento de autocalibración, se calcularon errores en los GCP.
El error total enX,Y, yZse calculó a partir de la Ecuación (13):
√ [( )( )( ) ]-
√-
√
√ Xi,est − Xi,en+Yi, est − Yi, en+Zi,est − Zi,in
error total =√-∑
norte

- (13)
norte
i=1

dóndeXies el valor estimado de laXcoordenada para la posición de la cámarai;Xyo, enes el valor de entrada
para elXcoordenada para la posición de la cámarai;Yyo, estes el valor estimado de laY coordenada para la
posición de la cámarai;Yyo, enes el valor de entrada para elYcoordenada para la posición de la cámarai;Z
yo, estes el valor estimado de laZcoordenada para la posición de la cámarai; y Zyo, enes el valor de entrada
para elZcoordenada para la posición de la cámarai.
El procesamiento fotogramétrico se realizó para tres situaciones diferentes: (1) uso de las
imágenes obtenidas de la cámara con la configuración de fábrica, sin filtrado y sin calibración
radiométrica; (2) uso de imágenes filtradas sin calibración radiométrica; y (3) uso de imágenes
filtradas y corregidas radiométricamente. El análisis de estos casos permitió ilustrar las mejoras
que aporta la metodología propuesta, al comparar los resultados en el procesamiento
fotogramétrico de las imágenes filtradas y corregidas radiométricamente con los obtenidos con el
mismo software al utilizar el conjunto de imágenes térmicas originales (sin filtrar y sin
Sensores2017,17, 2173 11 de 23

calibración radiométrica). Además, se analizó la diferencia en la medición de la temperatura mediante el uso de

imágenes corregidas y no corregidas radiométricamente.
Se evaluó el número de puntos de enlace obtenidos con las imágenes filtradas y sin filtrar y el
número de pares estereoscópicos generados, lo que influye significativamente en la precisión de la
aerotriangulación con autocalibración y, en consecuencia, en la calidad de los productos geomáticos
obtenidos.

2.6. Aplicación a un estudio de caso

La metodología propuesta se implementó en un viñedo ubicado en Iniesta (Cuenca, España) regado con
agua de la unidad hidrogeológica (HU) 08.29. (Figura5). Esta unidad está situada en el sureste de España, en la
vertiente oriental de la llanura manchega, con una superficie total de 8500 km2y con características
agronómicas relativamente uniformes. Esta zona se clasifica como semiárida según el índice de aridez (IA)
descrito por [63] (IA = 0,36). Por lo tanto, una adecuada gestión del agua para riego es fundamental para el
desarrollo rural. La temperatura del aire y otras variables meteorológicas se registraron desde una estación
agrometeorológica ubicada a 7 km de la parcela. Para la temporada 2015, la precipitación fue de 268,4 mm año
−1y la evapotranspiración de referencia anual (ETo) fue de 1321,4 mm año−1.
La superficie total de la parcela es de 17,8 ha. Las variedades cultivadas en esta parcela fueron Sauvignon Blanc,
Garnacha Tintorera y Syrah. Las parcelas se regaron mediante sistemas de riego por goteo, aplicando un promedio de
800 m3decir ah−1, lo que significa un riego deficitario debido a la escasez y restricción hídrica en la zona. El sistema de
riego está dividido en 12 sectores. Las técnicas de cultivo aplicadas se consideraron prácticas típicas de los viñedos.

Figura 5.Ubicación del caso de estudio, y detalle de la ortoimagen obtenida con el UAV. Los cuadrados negros
son medidas terrestres de puntos de validación (PNOA, 2015).

Los cuadrados negros son las ubicaciones de las mediciones del suelo, que se realizaron sobre
viñedos vecinos de secano (cuadrados del este), viñedos irrigados que fueron irrigados la noche anterior
al vuelo (cuadrados centelleados) y viñedos irrigados siete días antes del vuelo. Además, se obtuvieron
medidas de suelo en los tres emplazamientos.
Sensores2017,17, 2173 12 de 23

2.7. Planificación de vuelo y adquisición de datos UAV

El objetivo de la planificación de vuelo fue generar un archivo de navegación que guíe al UAV para capturar
imágenes automáticamente, con superposición y superposición lateral adecuadas, de acuerdo con los requisitos del
producto final (principalmente GSD) y los requisitos del flujo de trabajo de fotogrametría [58]. En este caso de estudio,
el GSD empleado fue de 0,20 m.
Se estableció superposición en un 60% y superposición lateral en un 40%. Para garantizar estos valores, la
planificación de vuelo debe considerar los errores de GPS, ángulos de cámara, etc. El software de planificación de
vuelo fotogramétrico Microdrone (MFLIP) fue desarrollado por los autores en colaboración con la empresa ICOM 3D
(Asturias, España) para la planificación de vuelo UAV, introduciendo todos los parámetros de fotogrametría necesarios
para cada vuelo. El resultado principal de la planificación del vuelo es un archivo ASCII en el que cada línea incluye una
orden para el UAV. Este archivo se copia en la tarjeta microSD del UAV. Además, genera una base de datos con las
huellas teóricas de las imágenes, superponiéndolas, entre otros datos, en archivos SHP que se pueden abrir con QGIS
o un programa similar. Esta información es útil en el flujo de trabajo de fotogrametría.

Con el doble objetivo de georreferenciar los productos geomáticos generados y calibrar

geométricamente la lente de la cámara, se localizaron y midieron mediante GNSS-RTK un total de ocho
GCP. Para permitir la medición de los GCPs en las imágenes térmicas se evaluó combinaciones de
materiales adecuados para la elaboración de los blancos térmicos, con material de goma EVA de
dimensiones 0.60×eligiéndose para su fabricación 0,80 m, con placa de aluminio pulido de 0,34×0,29 m
(Figura6) en el centro. La lámina de aluminio pulido permite reflejar la temperatura del cielo, que
obviamente es muy baja en comparación con la temperatura del suelo. Por lo tanto, fue fácil detectar los
objetivos en las imágenes térmicas mediante fotointerpretación.

Figura 6.Tipo de GCP utilizados en imágenes térmicas.

2.8. Adquisición de temperatura del suelo para validación

Para validar la metodología propuesta, se tomaron diferentes medidas de temperatura en diferentes

vides y suelos justo después del vuelo. Para determinar el estrés hídrico en las plantas se obtuvieron
mediciones térmicas en diferentes sectores. Como el intervalo de riego era de una semana, se tomaron
medidas en viñas regadas desde una semana antes del vuelo (cinco medidas en el sector 3) hasta la noche
anterior (cinco medidas en el sector 9). Además, se obtuvieron viñas vecinas de secano (cinco medidas) y suelo
(cinco medidas). Las mediciones se realizaron en campo con una cámara térmica refrigerada FLIR B660 (FLIR
Systems, Inc., Wilsonville, OR, EE. UU.). La emisividad se fijó en 1 para poder comparar ambas medidas. Se
utilizó un sistema portátil Leica Zeno GNSS-RTK (Leica Geosystems AG) para capturar las coordenadas de cada
uno de los puntos de muestra de temperatura seleccionados inmediatamente después del vuelo, así como las
plantas y el suelo, para ubicar los puntos de muestra en las ortoimágenes generadas. . Estos valores de
temperatura se compararon con los valores de temperatura obtenidos a partir de las ortoimágenes generadas
a partir del procedimiento fotogramétrico utilizando las imágenes térmicas corregidas radiométricamente.
Sensores2017,17, 2173 13 de 23

3. Resultados

3.1. Análisis de errores de la cámara térmica no refrigerada

Obtuvimos una serie de datos de 266 imágenes de esta cámara que fueron analizadas a medida
que fueron capturadas con las configuraciones del fabricante. Estas mismas imágenes se utilizaron en la
comparación de los ajustes de los modelos lineal, polinomial y la RNA. Mesa2muestra las estadísticas que
determinan la precisión de medición de la cámara. Se puede observar que la precisión de la medida con
los parámetros por defecto de la cámara es muy baja, con un RMSE de 3,55◦C y una RE media de 8,47%.
Al utilizar redes neuronales artificiales se puede observar que el RMSE disminuyó hasta 1.37◦C y un RE del
8%.

Tabla 2.Principales índices estadísticos de la configuración del fabricante, modelo lineal, modelos polinómicos
(P1–P4) y el modelo de red neuronal artificial.

Configuración del fabricante Lineal P1 P2 P3 P4 ANA

Datos 266 95 95 95 95 95 95
R2 0,96 0.99 0.99 0.99 0.99 0.99 0.99
RMSE,◦C 3.55 1.81 1.81 1.49 1.51 1.51 1.37
Error relativo, % 8.47 5.59 5.57 4.59 4.66 4.66 4.22
Índice de similitud 0.99 1.00 1.00 1.00 1.00 1.00 1.00

Se puede observar que el RMSE decrece drásticamente desde la configuración del fabricante al
modelo polinomial e incluso al lineal (desde 3.55◦C a 1,49◦C). Según el fabricante, esta cámara debería
tener una precisión final esperada de±2◦C en mediciones de temperatura absoluta. Hay un aumento del
RMSE para los modelos polinómicos 3 y 4, lo que podría deberse a un sobreajuste del modelo. Sin
embargo, estas diferencias son muy leves. Así, en este caso, el mejor modelo clásico es el polinomio 2
con un RMSE de 1,49◦C. Sin embargo, al aplicar el modelo ANN, un RMSE de 1.37◦Se puede llegar a C. La
ligera diferencia no justifica el uso de modelos complejos basados en aprendizaje automático sobre los
modelos polinómicos tradicionales. Sin embargo, se debe realizar un análisis profundo de los residuos
del modelo para seleccionar el mejor modelo. Figura7muestra el análisis de error para la configuración
del fabricante, polinomio 2 y ANN, respectivamente. Se puede observar que los errores de medida son
muy elevados y no se distribuyen aleatoriamente, siendo no homocedásticos. Estos errores ponen en
duda la utilidad de la cámara en su configuración original para aplicaciones agronómicas y demuestran
la necesidad de un proceso de calibración adecuado para aumentar la precisión de la medición.
En aplicaciones agronómicas, utilizando datos derivados de satélites y datos meteorológicos no locales, se
observó que un 2◦El error C en la temperatura del suelo (Ts) corresponde a un error de 0.23 en el flujo de calor latente
(LE), un 1◦El error C en la temperatura del dosel (Tc) corresponde a un error de 0.10◦C en LE para datos satelitales, un
error de 1◦C en Ts corresponde a un error de 0,11 en LE, y un error de 0,5◦C en Tc corresponde a un error de 0.06◦C en
LE para datos meteorológicos no locales [64]. El RMSE obtenido tras la calibración (1,4◦C) podría ser aceptable para
aplicaciones agronómicas, utilizando la configuración del fabricante (3.55◦C) podría dar lugar a graves errores en el
modelo de balance energético. Por ello, es fundamental realizar una calibración adecuada de las cámaras térmicas no
refrigeradas.
Adicionalmente, para implementar el modelo de balance energético a partir de imágenes térmicas obtenidas
con UAVs, se recomienda realizar una calibración vicaria con mediciones de temperatura del suelo. Incluso si la
cámara se enciende antes del vuelo durante unos 30 minutos y se estabiliza con las condiciones climáticas, podría
aparecer una gran variación de la temperatura del sensor durante el vuelo. Por lo tanto, la calibración vicaria podría
convertirse en una tarea difícil, requiriendo diferentes puntos para la medición del suelo a lo largo de la parcela,
aumentando el costo de esta actividad. Aquí, proponemos una calibración considerando la temperatura del sensor y
realizar una calibración indirecta en puntos accesibles y fáciles de medir.
Sensores2017,17, 2173 14 de 23

Figura 7.Análisis de errores para la cámara FLIR Tau2 de 9 mm con la configuración original (columna 1), el
modelo polinomial 2 (columna 2) y el modelo de red neuronal artificial (columna 3).

3.2. Resultados de la aplicación del filtro Wallis

Las características de vuelo obtenidas del proceso fotogramétrico en Agisoft PhotoScan®para cada una de
las comparaciones realizadas se describen en la Tabla3.
El número de imágenes es el número total de imágenes cargadas en el proyecto; la altura de vuelo es la altura
promedio sobre el nivel del terreno calculada en el procedimiento fotogramétrico en Agisoft PhotoScan®; la resolución
del suelo es la resolución de campo promediada en todas las imágenes alineadas; el área de cobertura es el tamaño
del área de estudio; el número de imágenes orientadas se refiere a las imágenes para las que se ha corregido la
orientación fotogramétrica; proyecciones es el número total de proyecciones de puntos de enlace válidos; y el error de
reproyección es la media cuadrática del promedio de errores de reproyección en todos los puntos de enlace en todas
las imágenes. El error de reproyección es la distancia en la posición en la imagen, en píxeles unitarios, entre la
posición detectada por visión computacional y el resultado de aplicar la ecuación de colinealidad desde la posición en
el sistema modelo (terreno para orientación relativa o absoluta).
Sensores2017,17, 2173 15 de 23

Tabla 3.Características de cada uno de los procedimientos fotogramétricos realizados para cada una de las
situaciones descritas.

Imágenes sin filtrar Imágenes filtradas

Número de imágenes 1154 1154

Altura de vuelo (m) 81.1 80.4
Resolución de suelo (cm pix−1) 13.8 13.5
Superficie cubierta (km2) 0.366 0.364
Número de imágenes orientadas 1.148 1.151
puntos de amarre 58,193 110,089
Proyecciones 272,078 445,291
Error de reproyección (pix) 0.504 0.442

Los resultados presentados en la Tabla3muestran que al aplicar el filtro de Wallis en las imágenes el número de
puntos de enlace aumenta en un 89% para las imágenes filtradas en comparación con las imágenes sin filtrar.
También se observa que el número de proyecciones aumenta cuando se aplica el filtro, con un incremento del 63%.
Mesa3también muestra que el error de reproyección disminuye después de filtrar las imágenes. Estos resultados
demuestran que la aplicación del filtro de Wallis a las imágenes permite una mejora en el procesamiento de las
imágenes por el mayor número de puntos de enlace de imagen reconocidos en el software fotogramétrico utilizado.

Los resultados obtenidos a partir de la detección de puntos de interés (puntos clave) y sus correspondencias
(puntos de conexión o coincidencia) sobre las imágenes con el filtro de Wallis han mejorado mucho los resultados.
Figura8muestra una comparación entre el número de puntos de enlace en el proceso de alineación usando las
imágenes originales (X-eje), y el número de puntos coincidentes para las imágenes filtradas (Y-eje).

Figura 8.Comparación de los puntos de enlace de las imágenes filtradas y las imágenes originales.

Para evaluar la significación estadística de la diferencia, se obtuvo un diagrama de cajas y bigotes (Figura
9), lo que resultó en una diferencia significativa.
Sensores2017,17, 2173 16 de 23

Figura 9.Diagrama de caja y bigotes del número de puntos de enlace de filtrado y sin filtrar.

Además, Figura10muestra cómo el porcentaje de aumento de los tie-points resultante del proceso
de filtrado es mayor para aquellas imágenes con un bajo número de puntos, cuestión clave que permite
orientar estas imágenes y explica que pueden no serlo si se utiliza esta técnica. no se aplica. De esta
forma, se confirma la eficacia del filtro de Wallis en la detección automática de tie-points para
termografía, lo que se traduce en una mayor precisión en la calibración geométrica de la cámara y en la
aerotriangulación relativa y absoluta, lo que se traduce, finalmente, en productos geomáticos de alta
calidad.

Figura 10.Aumento de puntos coincidentes tras la aplicación del filtro de Wallis.

Los errores calculados enX,Y, yZse muestran en tablas4y5, mostrando que la precisión obtenida en
los GCP después de la orientación absoluta es mejor para el filtrado y calibrado geométricamente
Sensores2017,17, 2173 17 de 23

imágenes, con reducciones de 2,66 a 0,60 m enX, 2,45 a 0,43 m enY, y de 6,19 a 0,98 m enZ. El error 3D alcanza
los 7,2 m si no se implementa el proceso de filtrado y se reduce a 1,2 al filtrar. El principal error se obtiene enZ,
lo que significa que el producto geomático obtenido es exacto en planimetría, pero inexacto en altimetría. Por
lo tanto, solo la ortoimagen térmica es un producto utilizable, mientras que la nube densa no se puede utilizar
para obtener el volumen del dosel. Así, una solución interesante sería instalar juntas cámaras multiespectrales,
RGB y térmicas para obtener diferentes productos en los mismos vuelos.

Tabla 4.Puntos de control de imágenes no filtradas y no calibradas geométricamente.

PCG Error X (mm) Error Y (mm) Error Z (mm) Total (mm) Imagen (píxel)

1 1.00 − 1.12 0.80 1.70 0.58 (34)

2 − 3.81 − 0.33 2.78 4.73 0.97 (49)
3 4.82 1,65 − 10.87 12.01 0.74 (32)
4 2.69 1.41 5.83 6.57 0.65 (30)
5 0.53 3.56 2.36 4.30 0.36 (32)
7 − 2.41 − 5.36 − 6.14 8.50 0.56 (26)
8 − 1.60 0,68 4.89 5.19 0.86 (24)
9 − 1.48 0.33 − 8.92 9.05 0.53 (31)
Total 2.66 2.45 6.20 7.18 0.70

Tabla 5.Puntos de control de las imágenes filtradas y calibradas geométricamente.

PCG Error X (mm) Error Y (mm) Error Z (mm) Total (mm) Imagen (píxel)

1 − 0.37 0.46 − 0.98 1.14 0.57 (34)

2 − 0.19 − 0.24 − 0.04 0.32 1.65 (49)
3 0.02 0.32 0.13 0.35 0.64 (31)
4 0.05 − 0,64 1.33 1.48 0.87 (32)
5 1.32 0,61 1.00 1.77 0.38 (32)
7 − 0.98 − 0.32 − 1.78 2.05 0.67 (27)
8 − 0.20 0.28 0.90 0.97 0.78 (23)
9 0.08 − 0.39 − 0.17 0.43 0.51 (31)
Total 0,61 0.43 0.98 1.23 0,92

El producto geomático obtenido presenta una mejor calidad además de estar bien georreferenciado, como se puede
observar en la Figura11.

Figura 11.Ortoimagen generada a partir de imágenes calibradas y filtradas.

En algunas áreas, la diferencia de temperatura entre las ortoimágenes corregidas y no corregidas

alcanza−5.06◦C y hasta 1.93◦C.
Sensores2017,17, 2173 18 de 23

3.3. Resultados de las mediciones de temperatura en el caso de estudio

Mesa6muestra la comparación de tres fuentes de información para temperaturas en las superficies de

validación: las mediciones con la cámara térmica portátil FLIR B660 realizadas después del vuelo térmico como
verdad sobre el terreno, las obtenidas por medición en las imágenes sin calibrar y las obtenidas en las
imágenes resultantes de la calibración térmica, ambos obtenidos a partir de las ortoimágenes generadas. Las
mediciones, tal como se describe en la metodología (Figura5), se obtuvieron en viñedos vecinos de secano (RV),
viñedos regados el día anterior al vuelo (IV), viñedos regados siete días antes del vuelo (7d-IV), y en suelo. Se
obtuvieron imágenes para cada condición.

Tabla 6.Resultados obtenidos de los puntos muestreados.

Cámara portatil Configuración original Datos corregidos

Significar Dakota del Sur Significar Dakota del Sur Significar Dakota del Sur

RV 1 30.2 0.3 32,0 0.1 29.7 0.1

RV 2 29.2 0.2 33.8 0.0 31.7 0.1
RV 3 27.7 0.3 33.8 0.2 31.6 0.2
autocaravana 4 29.3 0.3 32.7 0.4 30.5 0.4
autocaravana 5 29.2 0.3 31.4 0.1 29.1 0.2
IV 1 27.4 0.1 28.3 0.0 25.8 0.0
IV 2 26,8 0.3 28.2 0.3 25.6 0.3
IV 3 28.6 0.2 27.2 0.0 24.6 0.0
IV 4 27.4 0.2 28.1 0.5 25.5 0.5
IV 5 26,0 0.2 28.5 0.3 26,0 0.3
7d-IV 1 28.2 0.3 33.4 0.0 31.4 0.0
7d-IV 2 26.7 0.3 32.7 0.3 30.6 0.3
7d-IV 3 28.3 0.1 32.5 0.2 30.4 0.2
7d-IV 4 27.1 0.1 31.4 0.1 29.3 0.1
7d-IV 5 28.3 0.1 30,9 0.0 28.8 0.0
Suelo 1 42.8 0.2 42.2 0.1 40.7 0.1
Suelo 2 42.3 0.3 41.6 0.1 40.1 0.1
Suelo 3 41.7 0.3 40.6 0.1 39.0 0.1
Suelo 4 43.2 0.5 40.1 0.1 38.4 0.1
Suelo 5 41.3 0.2 39.2 0.0 37.5 0.0

Figura12muestra el ajuste de los datos medidos con la cámara térmica de mano y la cámara
calibrada utilizando el procedimiento desarrollado y el proceso de ortomosaico descrito. Se puede
observar que el ajuste entre los valores no es el adecuado, con un RMSE de 2.6◦C, un error máximo de 4.7
◦C y una SD de 2.7◦C. Estos errores pueden deberse a que: (1) el proceso fotogramétrico de ortoimagen
cambia los valores de temperatura en cada píxel debido a la necesidad de aplicar una operación similar
al método de remuestreo, lo que implica que el valor asignado a cada píxel de la la ortoimagen es el
resultado de un promedio de valores cercanos de las diferentes imágenes involucradas, no permitiendo
que el software empleado solicite el uso del método vecino más cercano a la imagen óptima, lo cual sería
ideal según los principios de la teledetección; (2) la cámara de mano no es el mejor método para realizar
una calibración indirecta, ya que su precisión de medición, aunque notablemente mayor que la del
sensor no refrigerado del UAV, no es inferior a 1◦C. Así, en futuros estudios utilizaremos un
espectrorradiómetro que mida en las bandas térmicas. Adicionalmente, se implementará un método
para seleccionar la imagen más nadiral del conjunto de imágenes que mide el mismo punto. Así, la
temperatura se obtendrá de esta imagen y no de la ortoimagen.
Sensores2017,17, 2173 19 de 23

Figura 12.Comparación de los datos obtenidos en campo con los datos obtenidos del producto geomático
generado.

4. Conclusiones

Para realizar mediciones precisas de temperatura con cámaras térmicas no enfriadas es necesario realizar
una calibración adecuada de la cámara que considere el efecto de la temperatura del sensor en la medición.
Además, se debe implementar un proceso de fotogrametría adecuado para generar mosaicos de alta calidad a
partir de imágenes térmicas de bajo contraste. El procedimiento de calibración de cámaras térmicas no
refrigeradas propuesto, basado en el uso de redes neuronales artificiales, que considera como datos de
entrada el nivel digital de cada píxel y la temperatura del sensor, mejora notablemente la precisión. La
temperatura del sensor tiene un gran efecto en la precisión de medición del sensor térmico. Sin errores de
calibración se pueden obtener cerca de cuatro grados mientras que calibrando con la metodología propuesta
se puede reducir el error de medición a aproximadamente 1.5◦C.
La aplicación del filtro de Wallis a la termografía mejora significativamente la solución fotogramétrica,
proporcionando una ortoimagen térmica de alta calidad. Otros investigadores han encontrado problemas
similares que utilizaron cámaras similares [sesenta y cinco]. Encontraron diferencias de temperatura entre
− 5◦C a 20◦C dependiendo de la hora del día. Realizaron una calibración vicaria pero no tuvieron en
cuenta una calibración de cámara de laboratorio como la presentada en este manuscrito.
Las aplicaciones basadas en mediciones de temperatura con microbolómetros no refrigerados deben considerar
una calibración precisa de la cámara, sistemas adecuados para medir la temperatura del microbolómetro y una
metodología rigurosa para realizar vuelos de UAV que garantice la precisión de la medición. Además, el tratamiento
de imágenes en el flujo de trabajo de fotogrametría debe realizarse con cuidado para evitar imprecisiones
geométricas. Todos estos aspectos, incrementan el coste de obtención de un producto térmico fiable.
Con esta investigación detectamos la necesidad de mejorar la calidad de la calibración vicaria con
espectrorradiómetros precisos y la necesidad de obtener nuevas metodologías para obtener valores de temperatura
a partir de la imagen mejor posicionada para cada punto. Centraremos nuestra investigación futura en estas dos
líneas de investigación recientemente detectadas.
Sensores2017,17, 2173 20 de 23

Expresiones de gratitud:Los autores desean expresar su agradecimiento al Ministerio de Educación y Ciencia de España
(MEC) por financiar el proyecto AGL2014-59747-C2-1-R (cofinanciado por FEDER) y a IBRASIL Erasmus Mundus por financiar la
beca de doctorado de el primer autor. Parte de estos resultados se han obtenido gracias a la financiación de la Fundación
BBVA con la subvención “Beca Leonardo a Investigadores y Creadores Culturales 2017”.

Contribuciones de autor:Todos los autores contribuyeron por igual a este estudio.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias

1. Zhang, C.; Kovacs, JM La aplicación de pequeños sistemas aéreos no tripulados para la agricultura de precisión: una revisión. Resumen. agricola
2012,13, 693–712. [Referencia cruzada]
2. Ballesteros, R.; Ortega, JF; Garzaandez, D.; Moreno, MA Aplicaciones de imágenes georreferenciadas de alta resolución obtenidas
con vehículos aéreos no tripulados. Parte II: Aplicación a cultivos de maíz y cebolla de una región semiárida de España.Resumen.
agricola2014,15, 593–614. [Referencia cruzada]
3. Laliberté, AS; Rango, A. Procedimientos de clasificación y procesamiento de imágenes para el análisis de imágenes subdecimétricas
adquiridas con una aeronave no tripulada sobre pastizales áridos.GISci. Sensores remotos2011,48, 4–23. [Referencia cruzada]

4. Majidi, B.; Bab-Hadiashar, A. Interpretación de imágenes naturales aéreas en tiempo real para la navegación autónoma de drones de
guardabosques. En Proceedings of the Digital Imag Computing Techniques and Application (DICTA 2005), Cairns, QLD, Australia,
6–8 de diciembre de 2005; págs. 448–453.
5. Berni, JAJ; Zarco-Tejada, PJ; doarez, L.; Fereres, E. Teledetección térmica y multiespectral de banda estrecha para el
monitoreo de vegetación desde un vehículo aéreo no tripulado.Trans. IEEE. Geosci. Sensores remotos2009,47, 722–738.
[Referencia cruzada]
6. Zarco-Tejada, PJ; Berjon / A.; Lopez-Lozano, R.; Miller, JR; Mercadoin, p.; Cachorro, V.; gonzalezalez, MR; De Frutos, A.
Evaluación del estado del viñedo con índices hiperespectrales: simulación de reflectancia de hojas y dosel en un dosel
discontinuo estructurado en hileras.Sensores Remotos Entorno.2005,99, 271–287. [Referencia cruzada]
7. Kingston, DB; Beard, AW Estimación de posición y actitud en tiempo real para UAV pequeños utilizando sensores de bajo
costo. En Actas de la 3.ª Conferencia técnica ilimitada no tripulada sobre talleres y exposiciones de la AIAA, Chicago, IL,
EE. UU., 20–23 de septiembre de 2004.
8. Ribeiro-Gomes, K.; Hernández-López, D.; Ballesteros, R.; Moreno, MA Georreferenciación aproximada y detección
automática de imágenes borrosas para reducir los costos del uso de UAV en aplicaciones ambientales y
agrícolas.biosist. Ing.2016,151, 308–327. [Referencia cruzada]
9. Baluja, J.; Diago, MP; Balda, P.; Zorer, R.; Meggio, F.; Morales, F.; Tardaguila, J. Evaluación de la variabilidad del estado hídrico del
viñedo mediante imágenes térmicas y multiespectrales utilizando un vehículo aéreo no tripulado (UAV). Riego ciencia2012,30,
511–522. [Referencia cruzada]
10. Zaman-Allah, M.; Vergara, O.; Araus, JL; Tarekegne, A.; Magorokosho, C.; Zarco-Tejada, PJ; Hornero, A.; Albaa,AH; Das, B.;
Craufurd, P.; et al. Imágenes multiespectrales basadas en plataformas aéreas no tripuladas para el fenotipado de maíz
en el campo.métodos de planta2015,11, 35. [Referencia cruzada] [PubMed]
11. Senthilnath, J.; Kandukuri, M.; Dokania, A.; Ramesh, KN Aplicación de plataforma de imágenes UAV para análisis de
vegetación basada en métodos espectrales-espaciales.computar Electrón. agricola2017,140, 8–24. [Referencia cruzada]
12. Senthilnath, J.; Dokania, A.; Kandukuri, M.; Ramesh, KN; Anand, G.; Omkar, SN Detección de tomates utilizando métodos
espectrales-espaciales en imágenes RGB de detección remota capturadas por UAV.biosist. Ing.2016,146, 16–32. [
Referencia cruzada]
13. Bellvert, J.; Marsal, J.; Gerona, J.; Zarco-Tejada, PJ Evolución estacional del índice de estrés hídrico del cultivo en variedades de vid
determinada con imágenes térmicas de teledetección de alta resolución.Riego ciencia2014,33, 81–93. [Referencia cruzada]

14. Bellvert, J.; Zarco-Tejada, PJ; Gerona, J.; Fereres, E. Mapeo del índice de estrés hídrico del cultivo en un viñedo de “Pinot-noir”:
Comparación de mediciones en el suelo con imágenes de sensores remotos térmicos de un vehículo aéreo no tripulado.
Resumen. agricola2014,15, 361–376. [Referencia cruzada]
15. Elvanidi, A.; Katsoulas, N.; Bartzanas, T.; Ferentinos, KP; Kittas, C. Evaluación del estado del agua del cultivo en un ambiente
controlado utilizando mediciones de temperatura y reflectancia del cultivo.Resumen. agricola2017,18, 332–349. [
Referencia cruzada]
Sensores2017,17, 2173 21 de 23

16. Ortega-Faricomo, S.; Ortega-Salazar, S.; Poblete, T.; Kilic, A.; Allen, R.; Poblete-Echeverriuna, C.; Ahumada-Orellana, L.; Ztu
ñiga, M.; Septulveda, D. Estimación de los componentes del balance energético en un olivar regado por goteo utilizando
cámaras térmicas y multiespectrales colocadas en un vehículo aéreo no tripulado (UAV) basado en helicóptero.Sensores
remotos2016,8, 638.
17. Santesteban, LG; Di Gennaro, SF; Herrero-Langreo, A.; Miranda, C.; Royó, JB; Matese, A. Imágenes térmicas basadas en
UAV de alta resolución para estimar la variabilidad instantánea y estacional del estado del agua de la planta dentro de
un viñedo.agricola Gestión de agua2017,183, 49–59. [Referencia cruzada]
18. Gomez-Candon, D.; Virlet, N.; labbmi,S.; Jolivot, A.; Regnard, JL Fenotipado de campo del estrés hídrico a escala de árbol mediante imágenes
detectadas por UAV: nuevos conocimientos para la adquisición y calibración térmicas.Resumen. agricola2016,17, 786–800. [Referencia
cruzada]
19. Rud, R.; Cohen, Y.; Alchanatis, V.; Levi, A.; Brikman, R.; Shenderey, C.; Heuer, B.; Markovitch, T.; Dar, Z.; Rosen, C.; et al. Índice de
estrés hídrico del cultivo derivado de imágenes térmicas terrestres y aéreas de varios años como indicador del estado hídrico de
la papa.Resumen. agricola2014,15, 273–289. [Referencia cruzada]
20. Möller, M.; Alchanatis, V.; Cohen, Y.; Merón, M.; Tsipris, J.; Naor, A.; Ostrovsky, V.; Sprintsin, M.; Cohen, S. Uso de imágenes
térmicas y visibles para estimar el estado hídrico de cultivos de vid irrigada.Exp. J. Bot.2007, 58, 827–838. [Referencia
cruzada] [PubMed]
21. De Jonge, KC; Taghvaeian, S.; Trucha, TJ; Comas, LH Comparación de los índices de estrés hídrico basados en la temperatura del
dosel para el maíz.agricola Gestión de agua2015,156, 51–62. [Referencia cruzada]
22. Allen, RG; Tasumi, M.; Morse, A.; Treza, R.; Wright, JL; Bastiaanssen, W.; Kramber, W.; Lorita, I.; Robinson, CW
Balance de energía basado en satélites para mapear la evapotranspiración con calibración internalizada
(MÉTRICA)—Aplicaciones.J. Irrig. Fuga. Ing.2007,133, 395–406. [Referencia cruzada]
23. Bastiaanssen, WGM; Menenti, M.; Fedes, RA; Holtslag, AAM Un algoritmo de balance de energía superficial de detección remota
para la tierra (SEBAL). 1. Formulación.J. Hydrol.1998,212, 198–212. [Referencia cruzada]
24. Gowda, PH; Chávez, JL; Colaizzi, PD; Evett, SR; Howell, TA; Tolk, JA ET mapeo para la gestión del agua
agrícola: estado actual y desafíos.Riego ciencia2008,26, 223–237. [Referencia cruzada]
25. Roerink, GJ; Su, Z.; Menenti, M. S-SEBI: Un algoritmo simple de teledetección para estimar el balance de energía superficial.física
química Tierra Parte B Hidrol. Océano. atmósfera2000,25, 147–157. [Referencia cruzada]
26. Norman, JM; Kustas, WP; Humes, KS Enfoque de fuente para estimar los flujos de energía del suelo y la vegetación en las
observaciones de la temperatura superficial radiométrica direccional.agricola Para. Meteorol.1995,77, 263–293. [Referencia
cruzada]
27. Brenner, AJ; Incoll, LD El efecto de la aglutinación y la respuesta estomática en la evaporación de matorrales con escasa
vegetación.agricola Para. Meteorol.1997,84, 187–205. [Referencia cruzada]
28. Poblete-Echeverriuna, C.; Ortega-Farias, S. Estimación de la evapotranspiración real para un viñedo de merlot con riego por goteo utilizando
un modelo de tres fuentes.Riego ciencia2009,28, 65–78. [Referencia cruzada]
29. Allen, R.; Irmak, A.; Treza, R.; Hendrickx, JMH; Bastiaanssen, W.; Kjaersgaard, J. Estimación de ET basada en satélites
en agricultura utilizando SEBAL y METRIC.Hidrol. Proceso.2011,25, 4011–4027. [Referencia cruzada]
30. Liou, YA; Kar, SK Estimación de la evapotranspiración con sensores remotos y varios algoritmos de balance de energía superficial:
una revisión.Energías2014,7, 2821–2849. [Referencia cruzada]
31. Su, Z. The Surface Energy Balance System (SEBS) para la estimación de flujos de calor turbulentos.Hidrol. Sistema Tierra ciencia2002
,6, 85–100. [Referencia cruzada]
32. Allen, RG; Tasumi, M.; Morse, A. Evapotranspiración basada en satélites de METRIC y Landsat para la gestión del agua en los
estados del oeste.EE.UU. Bur. Reclamar Taller de Evapotranspiración2005, 1–19. [Referencia cruzada]
33. Ramos, JG; Cratchley, CR; Kay, JA; Casterad, MA; Mercadoinez-Cob, A.; dominguez, R. Evaluación de estimaciones de
evapotranspiración satelital utilizando datos meteorológicos terrestres disponibles para el distrito de Flumen en el valle
del Ebro del NE de España.agricola Gestión de agua2009,96, 638–652. [Referencia cruzada]
34. Elhaddad, A.; García, LA; Chavez, JL Uso de un modelo de balance de energía superficial para calcular la
evapotranspiración real distribuida espacialmente.J. Irrig. Fuga. Ing.2011,137, 17–26. [Referencia cruzada]
35. Poblete-Echeverriuna, C.; Ortega-Farias, S. Calibración y validación de un algoritmo de detección remota para estimar los
componentes del balance de energía y la evapotranspiración real diaria en un viñedo de Merlot con riego por goteo. Riego
ciencia2012,30, 537–553. [Referencia cruzada]
36. Allen, RG; Pereira, LS; Raes, D.; Smith, M. Evapotranspiración de cultivos: Directrices para calcular los requisitos de
los cultivos FAO Irrigation and Drainage Paper No. 56.FAO Roma1998,300, D05109.
Sensores2017,17, 2173 22 de 23

37. Awan, Reino Unido; Anwar, A.; Ahmed, W.; Hafeez, M. Una metodología para estimar la equidad del uso del agua del canal y del agua
subterránea en diferentes escalas espaciales y temporales: un enfoque de geoinformática.Reinar. Ciencias de la Tierra 2016,75, 1–13. [
Referencia cruzada]
38. Mahmud, SH; Alazba, AA Un sensor remoto acoplado y los algoritmos basados en Balance de energía superficial para estimar la
evapotranspiración real sobre las regiones occidental y meridional de Arabia Saudita.J. Asian Earth Sci. 2016,124, 269–283. [
Referencia cruzada]
39. Idso, SB; Jackson, DR; Pinter, PJ; Reginato, RJ; Hatfield, JL Normalización del parámetro de estrés-grado-día para la
variabilidad ambiental.agricola Meteorol.1981,24, 45–55. [Referencia cruzada]
40. Rey, BA; Shellie, KC Evaluación del modelado de redes neuronales para predecir la temperatura de la hoja sin estrés hídrico en la
uva para vino para el cálculo del índice de estrés hídrico del cultivo.agricola Gestión de agua2016,167, 38–52. [Referencia
cruzada]
41. Gade, R.; Moeslund, TB Cámaras térmicas y aplicaciones: una encuesta.Mach. Vis. aplicación2014,25, 245–262. [Referencia
cruzada]
42. Sheng, H.; Chao, H.; Coopermans, C.; Han, J.; McKee, M.; Chen, Y. Detección remota infrarroja térmica basada en UAV de
bajo costo: plataforma, calibración y aplicaciones. En Actas de la Conferencia internacional IEEE/ASME de 2010 sobre
aplicaciones y sistemas integrados mecatrónicos (MESA), Qingdao, China, 15 al 17 de julio de 2010; págs. 38–43.

43. Jensen, AM; McKee, M.; Chen, Y. Procedimientos para el procesamiento de imágenes térmicas utilizando cámaras microbolómetro
de bajo costo para pequeños sistemas aéreos no tripulados. En Actas del Simposio Internacional de Geociencias y Teledetección
IEEE 2014, Qumibec City, QC, Canadá, 13 a 18 de julio de 2014; págs. 2629–2632.
44. Budzier, H.; Gerlach, G. Calibración de cámaras infrarrojas térmicas no refrigeradas.J. Sens. Sens. Sist.2015,4, 187–197. [
Referencia cruzada]
45. Bishop, CM Redes neuronales para el reconocimiento de patrones.Mermelada. Estadística Asoc.1995,92, 482.
46. Mcevoy, H.; Simpson, R.; Machin, G. Termografía infrarroja cuantitativa Revisión de las instalaciones, prácticas y
procedimientos actuales de calibración y evaluación de temperatura de imágenes térmicas en EURAMET.
En Actas de la 11.ª Conferencia internacional sobre termografía infrarroja cuantitativa (QIRT 2012), Nápoles,
Italia, 11 al 14 de junio de 2012.
47. Botterill, T.; Molinos, S.; Green, R. Mosaico de imágenes aéreas en tiempo real. En las Actas de la Conferencia Internacional
Image and Vision Computing New Zealand, Queenstown, Nueva Zelanda, 8 y 9 de noviembre de 2010; págs. 1 a 8.

48. Ghosh, D.; Kaabouch, N. Una encuesta sobre técnicas de creación de mosaicos de imágenes.J. Vis. común Imagen Representar.2016,34, 1–11. [Referencia

cruzada]

49. Pierrot-Deseilligny, M.; Clery, I. Apero, un software de ajuste de paquetes de código abierto para la calibración y
orientación automáticas de un conjunto de imágenes. En Actas del Simposio ISPRS, 3DARCH11, Trento, Italia, 2 al 4 de
marzo de 2011.
50. Wu, C. VisualSFM: una estructura visual del sistema de movimiento. Disponible en linea:http://ccwu.me/vsfm/doc. html
(consultado el 21 de septiembre de 2017).
51. Snavely, N.; Seitz, SM; Szeliski, R. Fototurismo: exploración de colecciones de fotos en 3D.ACM Trans. Grafico. 2006,25, 835–
846. [Referencia cruzada]
52. Kastek, M.; Dulski, R.; Trzaskawka, P.; Bieszczad, G. Detección de francotiradores mediante cámara infrarroja:
posibilidades técnicas y limitaciones. EnSPIE Defensa, Seguridad y Detección; Sociedad Internacional de Óptica y
Fotónica: Orlando, FL, EE. UU., 2010.
53. Hartmann, W.; Tilch, S.; Eisenbeiss, H.; Schindler, K. Determinación de la posición del Uav mediante procesamiento automático de
imágenes térmicas.ISPRS-Int. Arco. Fotograma. Escupida de sensores remotos. información ciencia2012,XXXIX-B6, 111–116. [
Referencia cruzada]
54. Smoorenburg, M.; Volze, N.; Tilch, S.; Hartmann, W.; Naef, F.; Kinzelbach, W. Evaluación de imágenes infrarrojas térmicas
adquiridas con un vehículo aéreo no tripulado para el estudio de procesos hidrológicos. En Proceedings of the EGU
General Assembly Conference Abstracts, Orlando, FL, EE. UU., 5 de mayo de 2010.
55. P.mirezAlvarez, JA Apuntes de Fotogrametriun II.Centavo. Universidad METROmirida2001,53, 1689–1699.
56. Kou, F.; Chen, W.; Li, Z.; Wen, C. Mejora de los detalles de la imagen adaptable al contenido.Proceso de señal IEEE. Letón.2015, 22, 211–215. [
Referencia cruzada]
57. Guidi, G.; Gonizzi, S.; Micoli, LL Preprocesamiento de imágenes para optimizar el rendimiento de la fotogrametría automatizada.
ISPRS Ana. Fotograma. Escupida de sensores remotos. información ciencia2014,II-5, 145–152. [Referencia cruzada]
Sensores2017,17, 2173 23 de 23

58. Ballesteros, R.; Ortega, JF; Garzaandez, D.; Moreno, MA Aplicaciones de imágenes georreferenciadas de alta resolución obtenidas
con vehículos aéreos no tripulados. Parte I: Descripción de la adquisición y procesamiento de imágenes. Resumen. agricola2014,
15, 593–614. [Referencia cruzada]
59. Wallis, KF Ajuste estacional y relaciones entre variables.Mermelada. Estadística Asoc.1974,69, 18–31. [Referencia
cruzada]
60. Gaiani, M.; Remondino, F.; Apolonio, FI; Ballabeni, A. Una tubería avanzada de preprocesamiento para mejorar las reconstrucciones
fotogramétricas automatizadas de escenas arquitectónicas.Sensores remotos2016,8, 178. [Referencia cruzada]
61. Gonzálezalez-Aguilera, D.; Lopez-helechoandez, L.; Rodríguez-Gonzálvez, P.; Guerrero, D.; Hernández-López, D.; Remondino, F.;
Menna, F.; Nocerino, E.; Toschi, I.; Ballabeni, A.; et al. Desarrollo de una herramienta fotogramétrica libre y polivalente.Internet
de ISPRS Arco. Fotograma. Escupida de sensores remotos. información ciencia2016,41, 31–38.
62. Jazayeri, I.; Fraser, C. Operadores de interés en la reconstrucción de objetos de corto alcance.En t. Arco. Fotograma. Escupida de sensores
remotos. información ciencia Beijing2008,37, 69–74.
63.Atlas mundial de la desertificación del PNUMA, 2ª ed.; Oficina de Publicaciones de la Unión Europea: Luxemburgo, 1997.
64. Sanchez, JM; Kustas, WP; Caselles, V.; Anderson, MC Modelado de flujos de energía superficial sobre el maíz utilizando un modelo de parche
de dos fuentes y observaciones radiométricas de la temperatura del suelo y del dosel.Sensores Remotos Entorno. 2008,112, 1130–1143. [
Referencia cruzada]
65. Torres-Rua, A. Calibración indirecta de imágenes de temperatura del microbolómetro sUAS para la estimación de la temperatura
radiométrica de la superficie terrestre.Sensores2017,17, 1499. [Referencia cruzada] [PubMed]

© 2017 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).