Traducido del portugués al español - www.onlinedoctranslator.

com

Vea discusiones, estadísticas y perfiles de autor para esta publicación en:https://www.researchgate.net/publication/349350102

Avances en la detección hiperespectral en agricultura: una revisión Avances en

la detección hiperespectral en agricultura: una revisión

ArtículoenRevista Ciencia Agronómica · Diciembre 2020

CITAS LEE
0 167

4 autores:

Sharon Gómez Ribeiro Jean François Mas

Universidad Federal de Ceará universidad nacional autonoma de mexico

4PUBLICACIONES12CITAS 249PUBLICACIONES8.318CITAS

VER EL PERFIL VER EL PERFIL

Adunias Teixeira Marcio Oliveira

Universidad Federal de Ceará Universidad Federal de Ceará
106PUBLICACIONES859CITAS dieciséisPUBLICACIONES73CITAS

VER EL PERFIL VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Convocatoria de capítulos (en español o portugués) para el libro “Avances en el estudio de islas de calor urban en América Latina”ver Proyecto

Cartografía de cobertura del suelo y vegetación de Méxicover Proyecto

Todo el contenido que sigue a esta página fue subido porMarcio Oliveirael 16 de febrero de 2021.

El usuario ha solicitado la mejora del archivo descargado.

Revista de Ciencias Agronómicas, v. 51, Especial Agricultura 4.0, e20207739, 2020
Centro de Ciencias Agrícolas - Universidad Federal de Ceará, Fortaleza, CE Artículo científico
www.ccarevista.ufc.br ISSN 1806-6690

Avances en la detección hiperespectral en la agricultura: una revisión

Avances en la detección hiperespectral en la agricultura: una revisión

Marcio Regys Rabelo de Oliveira1*, Sharon Gomes Ribeirodos, Jean-François Mas3y Adunias dos Santos
teixeira4

ABSTRACTO -Ante el crecimiento exponencial del volumen de datos que se consideran en la toma inteligente de decisiones, sin duda la
teledetección hiperespectral (HRS) ha traído un mayor dominio sobre los cultivos agrícolas al superar el paradigma de poca información
disponible sobre los cultivos. objetivos En esta revisión del estado del arte de HRS, se agrupan puntos de vista complementarios sobre el
uso de sensores y técnicas analíticas en agricultura durante la última década. Se citan tecnologías de vanguardia y tendencias de
investigación asociadas con cada nivel de recopilación de datos. Todavía queda un largo camino por recorrer en las ciencias agrícolas; sin
embargo, los especialistas en agricultura de precisión son devotos de los valiosos conocimientos que ofrece la mayor disponibilidad de
datos hiperespectrales. En este sentido, esta revisión se organiza de la siguiente manera: La Sección 1 ayuda al lector a contextualizar y
conceptualizar los conceptos básicos de la teledetección; la segunda sección trata sobre los tipos de sensores y sus resoluciones; la
sección 3 presenta cuatro subapartados que muestran aplicaciones recientes de estas tecnologías según su nivel de adquisición;
finalmente, la cuarta sección ofrece al lector una discusión sobre las tendencias positivas logradas en el manejo de la vegetación, los
suelos y los cuerpos de agua en los últimos diez años, así como las necesidades y desafíos de la próxima década.

Palabras clave:sensores Supervisión. Reflectancia.

RESUMEN -Debido al crecimiento exponencial del volumen de datos considerados en la toma de decisiones inteligentes, la teledetección
hiperespectral (SRH) sin duda ha aportado un mayor control sobre los cultivos agrícolas porque supera el paradigma de la poca
información disponible sobre los objetivos. En esta revisión del estado del arte de la SSR se agruparon visiones complementarias sobre el
uso de sensores y técnicas analíticas en la agricultura en la última década. Se citaron tecnologías de punta y tendencias de investigación
asociadas con cada nivel de recopilación de datos. Todavía queda un largo camino por recorrer en las ciencias agrícolas, sin embargo, los
profesionales de la agricultura de precisión se dedican a obtener información valiosa sobre las aplicaciones a partir de la mayor
disponibilidad de datos hiperespectrales. En este sentido, esta revisión se organiza de la siguiente manera: La Sección 1 contextualiza al
lector y conceptualiza los fundamentos de la teledetección. La segunda sección trata sobre los tipos de sensores y sus resoluciones. La
sección 3 trae cuatro subsecciones que presentan aplicaciones recientes de estas tecnologías según el nivel de adquisición. Finalmente, la
cuarta sección ofrece al lector una discusión sobre las tendencias positivas logradas en el manejo de la vegetación, suelos y cuerpos de
agua en los últimos diez años, así como las necesidades y desafíos para la próxima década.

Palabras clave:sensores Supervisión. Reflectancia.

DOI: 10.5935/1806-6690.20200096
Editores de artículos: Profesor Daniel Albiero - daniel.albiero@gmail.com y Profesor Alek Sandro Dutra - alekdutra@ufc.br
* Autor de Correspondencia
1Candidato a Doctor en el Programa de Posgrado en Ingeniería Agrícola, Centro de Ciencias Agrícolas/CCA, Universidad Federal de Ceará/UFC,
Fortaleza-CE, Brasil, marcioregys01@gmail.com (ID ORCID 0000-0002-1150-1498)
dos Estudiante de Maestría en el Programa de Posgrado en Ciencias del Suelo, Centro de Ciencias Agrícolas/CCA, Universidad Federal de Ceará/UFC, Fortaleza-CE,
Brasil, sharonsg13.sg@gmail.com (ID ORCID 0000-0002-3099-550X)
3Investigador Principal-C, Laboratorio de Análisis Espacial, Centro de Investigaciones en Geografía Ambiental, Universidad Nacional Autónoma de México,
Morelia, México, jfmas@ciga.unam.mx (ORCID ID 0000-0002-6138-9879)
4Profesor Titular de Ingeniería Agrícola, Centro de Ciencias Agrícolas/CCA, Universidad Federal de Ceará/UFC, Fortaleza-CE, Brasil, adunias@ufc.br
(ORCID ID 0000-0002-1480-0944)
 MRR Oliveiray otros.
INTRODUCCIÓN
Desde el exitoso lanzamiento del primer satélite
experimental Sputnik en 1957, la humanidad ha
experimentado avances tecnológicos sin precedentes y los ha
aplicado positivamente a la navegación, las comunicaciones y
la observación de la Tierra. Las aplicaciones notables de la
teledetección (RS) incluyen aquellas relacionadas con la
meteorología, la agricultura, la geología, la cartografía, la
planificación urbana, la vigilancia ecológica y los desastres
medioambientales. Aunque se han utilizado principalmente
sensores electro-ópticos visibles, más recientemente la
aplicación de cámaras termográficas, detección y alcance de
luz (LIDAR) y cámaras hiperespectrales ha ganado cada vez
más la atención de la academia y la industria.
Conceptualmente, la RS puede entenderse como un conjunto
de técnicas destinadas a observar, recolectar y registrar
señales propagadas desde objetos durante un período de
tiempo determinado,
El concepto de agricultura de precisión (AP) prioriza
una mejor gestión de insumos agrícolas como agua,
fertilizantes, herbicidas, semillas y combustible, lo que
permite llevar a cabo la gestión adecuada exactamente
donde y cuando se necesita. Considerando que grandes áreas
agrícolas bajo manejo convencional reciben una aplicación
uniforme de insumos, bajo AP estas áreas pueden
subdividirse en zonas de manejo, donde cada una recibe
diferentes insumos, según el tipo de suelo, la altitud o el
historial de requerimientos minerales. El conocimiento de las
propiedades físicas, biológicas y químicas del suelo es
especialmente importante en el diseño e implementación de
estrategias de riego, drenaje, nutrición y control sanitario en
el manejo de cultivos. Así, la AP mejora la productividad y
rentabilidad de un cultivo, junto con una mayor calidad
ambiental (DALE et al.,2013). El axioma que guía toda la
tecnología de AP es adquirir información sobre los cultivos,
en cualquier momento y en cualquier resolución espacial que
sea necesaria para la toma de decisiones. En ese sentido, RS
es, sin duda, una herramienta valiosa para proporcionar esta
información.
Los avances más recientes en RS han allanado el camino
para el desarrollo de sensores hiperespectrales y el
procesamiento de grandes volúmenes de datos. Investigadores
de todo el mundo han reconocido durante mucho tiempo la
necesidad de mapear la cobertura del suelo para la gestión
sostenible y el monitoreo de los recursos naturales, no solo a
escala regional, sino también desde una perspectiva local o global
complementaria (WANG; MASRY, 2010). La ventaja de RS es su
capacidad para proporcionar información periódica (YANet al.,
2017) sin muestreo destructivo de cultivos (WALLACEet al.,2017),
que se puede utilizar para proporcionar información sobre las
copas agrícolas utilizando varios parámetros agronómicos.
Dependiendo de la especificidad de lo deseado
información, RS puede ser un medio alternativo competitivo
dos Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
de adquirir datos sobre grandes áreas geográficas, ya que puede
proporcionar datos rápidos y confiables por una fracción del
costo del método tradicional y, como destaca Yuy otros. (2020),
con la recolección de menos datos de campo. Combinado con los
Sistemas de Información Geográfica, RS es muy beneficioso para
la creación de capas de información en el tiempo y el espacio que
se pueden aplicar con éxito a varios desafíos agrícolas, incluido el
mapeo de llanuras aluviales, modelado hidrológico, cambios en el
uso de la tierra, monitoreo del crecimiento de cultivos y detección
de estrés. (KINGRA et al.,2016).
El principio detrás de la espectrometría de reflectancia
es la percepción de la radiación electromagnética (EMR) para
evaluar las características de un objetivo (JENSEN, 2011).
Como tal, cuando un haz de luz se dirige al objetivo, una
parte interactúa con la muestra y se refleja en su superficie,
mientras que la otra parte es transmitida y absorbida por la
muestra (DAHM; DAHM, 2013). Diferentes objetos exhiben un
comportamiento espectral típico en intervalos dados y se
utilizan para distinguir entre vegetación, suelo expuesto y
cuerpos de agua, así como variaciones dentro de la misma
clase, como suelos arcillosos o arenosos (ALMEIDAet al.,
2020), suelos salinos (MOREIRAet al.,2015), agua con
sedimentos o estudio de eutrofización (KELLERet al., 2018), y
la más diversa arquitectura y oscilaciones fisiológicas en
plantas (NIGAMet al.,2019).
Los cambios metabólicos que ocurren debido a cada tipo de
estrés pueden alterar estos patrones de reflectancia, hecho que puede
detectarse a distancia (SHAMUGAPRIYA, 2019). Los factores etapas de
crecimiento del cultivo y su desarrollo están influenciados por una
variedad de factores, como la humedad disponible del suelo, el
momento de la siembra, la temperatura del aire, la duración del día y
la condición del suelo, y estos a su vez son responsables de la
productividad. Por lo tanto, es necesario monitorear el cultivo a
intervalos regulares de crecimiento para discernir cualquier efecto
adverso del medio ambiente sobre el cultivo (GÜRTLERet al.,2018) y
predecir posibles pérdidas en la producción por factores de estrés (LU
et al.,2020).
Termina una década clave para la transición
tecnológica. Prueba de esta importante incursión en la
agricultura moderna es que 1.688 artículos sobre
datos hiperespectrales en agricultura, publicados
entre 2011 y 2020, se encuentran solo en la destacada
colección principal de Web of Science, en contraste con
los 490 artículos de la década anterior (2001- 2010). La
adopción global masiva de aplicaciones de mapeo y
navegación ha acelerado la evolución de las
aplicaciones para la industria RS, siendo el principal
factor de esta transformación la mejora en las técnicas
de resolución (WEIet al.,2019), precisión (OLIVEIRAet
al.,2018 ), velocidad (VENTILADORet al.,2017) y análisis
(ABDULRIDHAet al.,2019). En este contexto, los
parámetros y logros científicos
 Avances en la detección hiperespectral en la agricultura: una revisión
se presentarán en esta revisión, lo que demuestra que la
detección remota hiperespectral (HRS), la quintaesencia de la
RS tradicional, está lista para desempeñar un papel disruptivo
en la agricultura moderna al ofrecer una alternativa no
destructiva y cada vez más asertiva para el manejo de
cultivos.
SENSORES Y SUS ESPECIFICACIONES
El ojo humano es capaz de ver solo una parte
restringida del espectro electromagnético y puede distinguir
objetos en función de sus diferentes respuestas espectrales
en el estrecho rango espectral visible (VIS) entre 400 y 700 nm
(NOVO, 2010). Para superar estas limitaciones se han
desarrollado sensores de imagen multiespectral que son
capaces de adquirir datos representativos en puntos distintos
al infrarrojo, normalmente entre 400 y 2500 nm. El objetivo
de obtener la señal en un rango espectral mayor permite
construir perfiles de reflectancia (SHANMUGAPRIYA, 2019) y
detectar patrones que discriminan entre los distintos tipos de
objetivos mucho más allá de cualquier coloración visible. Por
lo tanto, se empleó especialmente la banda más allá de lo
visible.
Es fundamental recalcar que el sensor es más
importante que la plataforma a la que se acopla. La
importancia del satélite radica en su altitud. El ruido en los
datos se puede ver en mayor o menor medida a partir de los
efectos físicos del EMR que interactúa con los gases en la
atmósfera. Sin embargo, los factores decisivos para adquirir
datos espectrales de buena calidad son las capacidades y
limitaciones de los sensores.
Tipos de sensores
Los datos hiperespectrales se obtienen utilizando
sensores pasivos. Esencialmente, hay dos tipos de tecnología
en RS que dependen de la fuente de energía: i) RS pasiva (por
ejemplo, óptica) y ii) RS activa (por ejemplo, LiDAR y radar). La
principal diferencia es que el primero requiere una fuente de
energía electromagnética externa al sensor, como el sol
(JENSEN, 2011). Por lo tanto, existe una dependencia directa
de la incidencia de esta fuente de EMR en el área bajo
análisis. El segundo tipo tiene una fuente de EMR interna y,
en este sentido, puede adquirir información sobre el objetivo
de forma independiente.
Naturaleza de los datos
Vale la pena agregar que cuando se hace referencia a la
naturaleza de los datos espectrales, se entiende que pueden ser
recopilados tanto por sensores de imágenes (Figura 1A) como por sensores
que no son de imágenes (Figura 1B). Por lo tanto, si la caracterización por
patrones espaciales es irrelevante, las lecturas pueden ser esencialmente
Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
numérico en lugar de expresado por la intensidad de píxeles. Esto
reduce considerablemente el volumen de datos a procesar.
La idea de un hipercubo para la representación
tridimensional de datos, agrupa pilas de medidas de intensidad
luminosa distribuidas en las dos dimensiones espaciales (X e Y),
mientras que la tercera indica la energía medida en cada longitud de
onda (λ) del sensor. es capaz de capturar. Por lo tanto, hay una
coincidencia para cada unidad espacial (píxel) de estos datos. Cada
valor proporciona lo que se denominan factores de reflectancia
espectral, es decir, el porcentaje de EMR que recibe el sensor después
de reflejarse en la superficie del objetivo (JENSEN, 2011). Por lo tanto,
existe una variación única en la reflectancia entre los píxeles
coincidentes para cada tipo de objetivo. El concepto de una firma
espectral, es decir, el comportamiento individual del objetivo, solo
ocurre en casos muy específicos, como con minerales del suelo, por
ejemplo, mimetita (SWAMYet al., 2017), que incluso en diferentes
paisajes, latitudes y meteorizaciones pueden identificarse fácilmente
(TEKEet al.,2013).
Resolución de datos
Durante un análisis de teledetección, se deben analizar cuatro
parámetros: las resoluciones espectral, espacial, temporal y
radiométrica. Los sensores proporcionan información normalmente
categorizada según su resolución espectral, que puede ser: i)
multiespectral, ii) superespectral o iii) hiperespectral. Los datos
multiespectrales se refieren a sensores de menos de 10 bandas
discretas, cada una de las cuales cubre un amplio rango espectral de
decenas a cientos de nanómetros. Datos superespectrales (COLLINet
al.,2019), a su vez, provienen de sensores que expresan de 10 a 20
bandas, que aún representan amplias porciones del espectro,
mientras que los sensores hiperespectrales, el foco de esta revisión,
transmiten una serie de canales continuos de ancho de banda
espectral estrecho (típicamente menos de 10 nm ), de ahí su capacidad
para expresar matices espectrales que a menudo son imperceptibles
bajo otros enfoques.
En este contexto, los datos multiespectrales, como los
obtenidos por sensores orbitales acoplados a los satélites Landsat (10
bandas) y SPOT (4 bandas), han sido ampliamente utilizados en
estudios agrícolas debido a la pronta disponibilidad de los datos. Ya se
están aplicando técnicas interesantes para estimar la biomasa de
cultivos (DONGet al.,2020), uso y cobertura del suelo (CHAVESet al.,
2020), el contenido de clorofila de un cultivo (ZHOUet al.,2020), o el
mapeo de la degradación del suelo (PHINZI; NGETAR, 2017). Calou et
al. utilizaron una cantidad de bandas aún más pequeñas. (2020) al
clasificar imágenes RGB (Rojo-Verde-Azul) en la detección de sigatoka
amarilla en el cultivo de banano en Ceará, Brasil. Sin embargo, debido
a las limitaciones en la resolución espectral, la precisión de las
variables recuperadas a menudo es limitada y los primeros signos de
estrés en los cultivos, como la deficiencia de nutrientes o las
enfermedades de las plantas, no se detectan lo suficientemente
temprano. Sensores superespectrales, como los de WorldView3 (16
bandas) y
3
 MRR Oliveiray otros.
Figura 1 -A) Representación tridimensional (hipercubo) de datos en imágenes. B) Representación numérica y simplificada de datos
hiperespectrales de vegetación (OLIVEIRAet al.,2020)
Los satélites Sentinel2 (13 bandas), han sido aplicados en la
detección directa de hidrocarburos, compuestos asociados a
la contaminación antropogénica (ASADZADE; SOUZA FILHO,
2015). En este estudio, los investigadores utilizaron las ocho
bandas del visible (VIS) y el infrarrojo cercano (NIR), y las ocho
bandas del infrarrojo de onda corta (SWIR) del satélite
WorldView3 para el monitoreo ambiental en São Paulo, Brasil.
Los datos hiperespectrales, por ejemplo, de EO-1/Hyperion
(242 bandas), Gao-FEN-5 (330 bandas) y AVIRIS (224 bandas),
con cientos de bandas, pueden capturar distorsiones
espectrales más sutiles de la cobertura del suelo, como en
estudios de peonet al.(2017), predecir el carbono orgánico en
áreas quemadas, o el estado fisiológico del maíz (zea maysL.)
a través del fenotipado de alto rendimiento de sus
características bioquímicas (YENDREKet al.,2017) y cómo
cambian con el tiempo.
Es imperativo señalar que lo que diferencia a los datos
multiespectrales de los hiperespectrales es principalmente el
ancho de banda (TESFAMICHAELet al.,2018) utilizado para
representar los datos del espectro electromagnético. Como tal,
este parámetro es más relevante que el número de longitudes de
onda que puede suministrar un sensor. Un sensor de imagen
puede cubrir una amplia gama del espectro electromagnético
(por ejemplo, de 400 a 2500 nm) pero aún así tener una
resolución espectral baja si adquiere una pequeña cantidad de
bandas espectrales anchas. Por otro lado, si un dispositivo es
sensible a un rango más pequeño del espectro electromagnético
(400 a 1000 nm), pero captura una gran cantidad de bandas
espectrales estrechas, se dice que tiene una resolución espectral
alta, lo que le da la capacidad de jerarquizar componentes en
elementos de un patrón espectral similar.
Otro punto importante a destacar son las
dimensiones mínimas que se pueden distinguir en
4 Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
la superficie reflejada por cada sensor, conocida como
su resolución espacial, y generalmente relacionada con
la GSD (Ground Sample Distance). Esta variable es fija
para sensores orbitales, pero puede variar para otros
niveles de recolección. Cuanto menor sea el tamaño
del píxel, más precisos serán los límites y la
caracterización de cada objetivo. Caracterización de la
cobertura del suelo con sensores hiperespectrales
como Hyperion (Estados Unidos), CHRIS (Italia),
GaoFEN-5 (China), En-MPA (Alemania) o HISUI (Japón)
con un GSD de aproximadamente 30 m, expresado en
un solo píxel, el valor representativo de cada elemento
que conforma el paisaje de 900 m². Suponiendo una
cobertura homogénea y continua, como áreas
extensas de producción de productos básicos, este
nivel de detalle sería suficiente para caracterizar la
cobertura del suelo. Sin embargo,
La resolución temporal depende de la órbita que tome la
plataforma que alberga el sensor. Este parámetro es sumamente
relevante, ya que describe el tiempo necesario para volver a
visitar el lugar de interés preciso (PANTERASet al.,2018). En el caso
de la Agricultura de Precisión, el tiempo es una variable crucial a
la hora de tomar decisiones urgentes, como el seguimiento de los
requerimientos hídricos de un cultivo (ZHANGet al.,2019). El
período de revisión de EO-1/Hyperion (inactivo), PROBA-1/CHRIS y
GaoFEN/GF-5 es de alrededor de 16, 7 y 2 días respectivamente.
Este valor generalmente está relacionado con la altura de la
órbita desarrollada, que es estable durante la vida útil del satélite
y limita considerablemente la frecuencia de los análisis orbitales
en la gestión agrícola.
La cuarta resolución a entender es la que expresa
las propiedades radiométricas de un sensor. Este
parámetro describe la capacidad de discriminar muy
 Avances en la detección hiperespectral en la agricultura: una revisión

pequeñas diferencias en la energía medida y, por lo tanto, establece
un intervalo fijo sobre el cual se puede representar todo el rango de
los datos leídos. Los sistemas digitales como el ProsSpecTIR
aerotransportado almacenan datos VIS-NIR en bloques de 12 bits
basados en 4096 (212) posibles valores de intensidad para
representar un objetivo. Un objetivo operativo importante en los
sistemas HRS es la capacidad de ajustar los controles del amplificador
para que un objeto altamente reflectante produzca su valor máximo
dentro del número de bits disponibles.
El mayor desafío radica en el hecho de que la incidencia
solar varía considerablemente a lo largo del día y produce
números digitales (DN) más bajos cuando el sol está fuera del
nadir. Surge entonces la necesidad de cambiar la amplitud de la
banda radiométrica según la latitud, habilidad que ya se
encuentra en los sensores más modernos.
El uso de sensores cuyas variaciones son apenas
perceptibles significa que las diferencias entre espectros
similares no se capturan, ya que se saturan fácilmente, lo que
compromete seriamente la aplicación de índices espectrales
normalizados. Una alta resolución radiométrica es esencial
para las aplicaciones agrícolas, especialmente para modelar
el vigor de los cultivos (BANDYOPADHYAYet al.,2017) y
problemas fitosanitarios con precisión durante las primeras
etapas (VANEGAS et al.,2018), además de identificar cambios
sutiles en el suelo al mapear la humedad (AINIWAERet al.,
2020) y carbono orgánico (GUOet al.,2019).
NIVEL DE RECOGIDA DE DATOS
Las aplicaciones de los datos hiperespectrales en la
agricultura moderna se describen en esta revisión de acuerdo con el
sistema de sensor utilizado, que incluye: i) orbital, ii)
aerotransportado, iii) de corto alcance y iv) proximal.
Sistemas orbitales
El sensor Hyperion a bordo del satélite EO-1 fue el sensor
hiperespectral orbital más utilizado para la agricultura,
recopilando datos en las bandas visible (VIS), infrarrojo cercano
(NIR) e infrarrojo de onda corta (SWIR). Incluso después de su
cierre en 2017, se siguen produciendo resultados significativos a
nivel mundial, como en el trabajo de Moreira et al. (2015) y
Moharana y Dutta (2019), cuando establecieron relaciones entre
el índice de vegetación y el contenido de agua de la hoja en arroz
con base enen el lugarmediciones para investigar el estrés hídrico
en los campos de arroz. En Estados Unidos, Aneece y Thenkabail
(2018) se centraron en las diferencias entre los cinco principales
cultivos mundiales (maíz, soja, trigo, arroz y algodón) durante las
distintas etapas de crecimiento. Para ello, utilizando el Análisis de
Componentes Principales (PCA), los autores construyeron una
biblioteca espectral que contiene las treinta bandas menos
redundantes capaces de realizar esta clasificación (Figura 2A). En
este estudio, utilizando solo 20 bandas estrechas, la mejor
precisión general se mantuvo entre el 75 % y el 95 % para las
diversas etapas de crecimiento.

Tabla 1 -La aplicación de sensores hiperespectrales según el nivel de resolución espacial

Nivel de espacial
Altitud Uso Sensor Solicitud
resolución
- Generalmente lanzado por
clasificación de cultivos
gobiernos para monitorear el
hiperespectral (KHOBRAGADE;
Bajo > 30 metros medio ambiente y los efectos del
Generador de imágenes (HySI) RAGHUWANSHI,
cambio climático global en los
2015)
recursos y agricultura.
- Los múltiples proveedores de estos
sensores están al comienzo de una
Estrés de cobre en
nueva frontera, donde los comerciales
Medio 5 a 30 m EO-1/Hiperión vegetación (ZHANG
las nuevas empresas planean
y otros., 2019)
lanzar constelaciones de nanosatélites
más baratos y accesibles.

- Las fuentes aéreas se están utilizando textura de la tierra

Alto 1 a 5 metros mucho en locales y regionales. ProSpecTIR (ALMEIDAy otros.,

aplicaciones agrícolas. 2020)
- El advenimiento de la
miniaturización de hiperespectral
sensores les permite ser colocados a carotenoide de la hoja
Micro de cabecera
Ultra alto < 1 metro bordo de vehículos aéreos no tripulados, y content(ZARCO-
hiperspec
promete revolucionar la detección TECHOy otros., 2013)
de problemas agrícolas, incluso para
los pequeños agricultores.

Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020 5

 MRR Oliveiray otros.
Mediciones de conductividad eléctrica (CE) en laboratorio,
como las realizadas por Moreiraet al. (2015) emplearon diferentes
métricas para discriminar suelos salinos y no salinos en áreas de
arroz irrigado. En este estudio, los autores encontraron que,
utilizando los datos de Hyperion, el NaCl no produjo bandas de
absorción; sin embargo, el brillo fue la construcción que dio la
mejor representación de la estructura de datos. Por otro lado, la
silvicultura se benefició cuando Limet al.(2019) aplicó datos del
mismo sensor para clasificar los árboles de tres especies en los
bosques chinos utilizando técnicas de aprendizaje automático,
como Random Forest (RF) y Support Vector Machine (SVM), con
una precisión de 0,99 y 0,97 respectivamente. Los datos del
sensor hiperespectral orbital CHRIS a bordo del satélite PROBA-1
se usan comúnmente para estimar el índice de área foliar (LAI),
como en los estudios de Wanget al.(2016), utilizando un índice de
vegetación angular basado enen el lugarmediciones.
En los últimos años, se han lanzado varios sensores
orbitales hiperespectrales o están programados para próximos
lanzamientos. Entre los satélites lanzados recientemente pero
aún no disponibles se encuentran GAOFEN-5 (2018), PRISMA
(2019) y EnMPA (2020). Algunos investigadores han simulado
imágenes y evaluado el desempeño de estos futuros sensores en
el estudio del clima y la gestión agrícola: investigación en la que
Chenet al.(2017) y Tanget al.(2018) datos simulados del satélite
GaoFEN-5 para modelar un algoritmo para predecir la
temperatura de la superficie del suelo y de los cuerpos de agua;
malecet al.(2015) imágenes simuladas de EnMPA para investigar
el grado de erosión del suelo en Costa
Figura 2 -A) Clasificación del tipo de cultivo utilizando 30 bandas estrechas del sensor hiperespectral EO-1/Hyperion (ANEECE;
THENKABAIL, 2018), y B) Conductividad eléctrica (CE) del suelo estimada a partir de imágenes del sensor ProSpecTIR-VS, en base a el
modelo PLSR (ROCHA NETOet al.,2017)
6 Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
rica y castaldiet al.(2015) también realizó simulaciones del sensor
PRISMA a partir de datos espectrales en el laboratorio para estimar el
contenido de arcilla, y trató de reducir la influencia de la humedad del
suelo en estas estimaciones.
Entre los lanzamientos programados está la
misión SHALOM en 2022, una asociación entre las
agencias espaciales israelí e italiana, con una resolución
espacial de 10 m en el rango espectral 400–2500 (STAENZ
et al.,2013). Otro sensor es el HyspIRI de la NASA, que
cubrirá el mismo rango espectral con un intervalo de 10
nm y una resolución espacial de 60 m (LEEet al.,2015).
Sistemas aerotransportados
Si bien los datos satelitales se concentran en estudios
más completos, los sensores aerotransportados suelen preferirse
cuando se estudian las peculiaridades regionales. Las aeronaves
siguen el plan de vuelo a una altitud media-alta (de 1 a 4 km para
CASI; 20 km para AVIRIS) siendo las imágenes adquiridas
generalmente de resolución espacial alta a media (Tabla 1),
aproximadamente 4 m para las imágenes CASI, 5 m para HyMap y
20 m para AVIRIS. Las misiones de adquisición de imágenes
generalmente deben programarse con anticipación, en días
despejados y con un alto costo continuo.
Sirviendo como ejemplo las obras de Rocha Netoet al.(
2017) mapeando la salinidad (Figura 2B) en los suelos de
Ceará, Brasil. En este estudio, los autores sobrevolaron el
área de interés y, durante el mismo período, volvieron a
visitar el área para recolectar muestras de suelo. La
asociación entre la CE del suelo y los factores de reflectancia
 Avances en la detección hiperespectral en la agricultura: una revisión
recopilada por el sensor ProSpecTIR fue posible mediante la
selección de bandas puras y el uso de modelos de regresión PCA
y PLS. En un estudio sobre el estrés de las plantas, Kobayashi et
al.(2016) utilizó el sensor japonés AISA Eagle con bandas
espectrales entre 430 y 1000 nm, para mapear el tizón del arroz,
una enfermedad importante de las panículas de arroz.
Desde que Brasil obtuvo acceso en 2010, cuando el
brasileño FotoTerra®entró en una asociación tecnológica con
la estadounidense SpecTIR®, se han realizado numerosos
estudios en diversas zonas utilizando datos de este sensor,
considerando muchos otros enfoques en vegetación, como el
mapeo de especies invasoras con formaciones leñosas de
Amaralet al.(2015) y mapeo geológico de Amaralet al.(2018).
Sanches también podría implementar técnicas sofisticadas
como la eliminación continua para el valle de absorción a 680
nm.et al.(2014) al estudiar la clorosis en plantas. Los
especialistas en espectros de agua se vieron favorecidos por
los estudios de Streheret al.(2014), corrigiendo el brillo solar
en imágenes de áreas inundadas. Los datos de los sensores
aerotransportados fueron especialmente útiles en los
estudios de Almeidaet al.(2020) para determinar la textura de
un Cambisol en la Chapada do Apodi, Ceará, empleando 357
bandas espectrales (VIS, NIR, SWIR).
Sistemas de corto alcance
La adquisición frecuente de imágenes de alta resolución
espacial a través de satélites comerciales (nadir y fuera del nadir) o
vuelos por contrato puede resultar costosa, especialmente para los
pequeños agricultores. Teniendo en cuenta que la recopilación y el
procesamiento de imágenes en estos sistemas pueden sufrir una
grave pérdida de información debido a que la luz es obstruida por las
copas de las plantas, los sensores de imágenes de corto alcance
generalmente están más cerca del suelo y son capaces de realizar
inspecciones agrícolas estratégicas.
Estos sensores hiperespectrales compactos (de 1 a 2 kg)
contienen cientos de bandas estrechas en el rango NIR y se
pueden implementar rápidamente en diferentes vehículos, tanto
tripulados como no tripulados. Obras innovadoras, como las de
Van De Vijveret al.(2020), apuntan a un nuevo nivel en PA. En este
estudio, los investigadores construyeron un hipercoche (Figura
3A) capaz de atravesar un cultivo de patatas y detectarAlternaría
Solani. Usando la técnica de una red neuronal convolucional
(CNN), solo el tejido foliar dañado se almacena y clasifica en
cuanto a la presencia del hongo, lo que optimiza enormemente el
tiempo y el rendimiento de los algoritmos de procesamiento.
En los últimos años, la notable tendencia hacia la
miniaturización de sensores hiperespectrales y más asequibles
para uso comercial ha llevado a los investigadores a colocarlos a
bordo de vehículos aéreos no tripulados (UAV) para adquirir
imágenes de resolución espacial extremadamente alta en rutas y
direcciones que se reajustan fácilmente. multirotores,
Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
helicópteros y aviones de ala fija se han utilizado en estudios de
vegetación, entre ellos trabajos como los de Kanget al.(2019),
colocando el sensor Headwall Nano-Hyperspec a bordo del DJI
Matrice 600 Pro UAV para inspeccionar la salud de las plantas y la
calidad del agua en Ontario, Canadá. PIKA es otro sensor súper
ligero, cuyo desempeño fue informado por Abdulridhay otros.
(2020), al clasificar las hojas de tomate en sanas y asintomáticas, y
las etapas temprana y tardía de mancha bacteriana y mancha
diana. La principal contribución del trabajo fue enfatizar que los
diagnósticos incorrectos o tardíos son seguidos por decisiones de
manejo inapropiadas o incluso por la aplicación de productos
químicos incorrectos. En este contexto, HRS se vuelve aún más
importante cuando se entiende que los analistas de campo
pueden no notar cambios metabólicos (como las etapas iniciales
de una infección bacteriana), pero pueden confiar en un
dispositivo dedicado para hacerlo.
colmilloet al.(2019), realizando un análisis ambiental,
aplicó PLSR, SVM y ANN a imágenes del sensor Cubert-
UHD185-Firefly para mapear las concentraciones de hierro en
el suelo expuesto. El fenotipado de alto rendimiento
(CHAWADEet al.,2019) y resistencia cuantitativa a
enfermedades en plantas (MAHLEINet al.,2019) utilizando
sensores hiperespectrales ya es una realidad. En este
escenario, es claro que si bien el costo del uso de vehículos
terrestres (FUEet al.,2020) y los UAV a escala comercial aún
requieren una alta inversión, los pequeños y medianos
productores pueden unirse para compartir tecnologías útiles
en el control de plagas y enfermedades entre áreas vecinas,
como el virus Y de la papa (POLDERet al.,2019) o sigatoka
negra en el plátano (FAJARDOet al.,2020).
La posibilidad de obtener datos hiperespectrales más de
una vez al día permite detectar anomalías tempranas. Esta
revolución está claramente explotada en las obras de Gey otros.
(2019) al combinar el aprendizaje automático con imágenes de
UAV para monitorear la humedad del suelo, así como por Taoy
otros. (2020) al estimar los parámetros de la producción de trigo.
Los parámetros del agua requieren una inspección rigurosa en
los estudios de Matsushitaet al.(2016) y Luo et al.(2019) al
monitorear la calidad de los cuerpos de agua, además de las
adaptaciones metodológicas citadas por Kanget al.(2019) al
montar sensores hiperespectrales a bordo de vehículos aéreos no
tripulados. kelleret al.(2018) innovó al combinar el aprendizaje
automático para interpretar las respuestas hiperespectrales al
estimar la clorofila-a, las diatomeas, las algas verdes y la turbidez
en el agua bajo eutrofización.
Sistemas proximales
A pesar de los beneficios sin precedentes, los principales
obstáculos para el uso de imágenes hiperespectrales en
aplicaciones agrícolas incluyen el alto costo de los sensores/
misiones, los desafíos técnicos de la relación señal-ruido
(ventanas atmosféricas) y el procesamiento de grandes
volúmenes de datos en una computadora de escritorio Uno
7
 MRR Oliveiray otros.

Figura 3 -A) Vehículo con sensor hiperespectral embarcado (VAN DE VIJVERet al., 2020), y B) Estrés salino en arroz usando FieldSpec3
(MOREIRAy otros., 2015)

La alternativa objetiva son los dispositivos de lectura
proximal, en los que las medidas numéricas se obtienen casi
en contacto con el objetivo. A pesar de sus limitaciones para
representar la variabilidad espacial en grandes áreas (LUet
al.,2020), estos dispositivos portátiles permiten una
comprensión numérica más precisa y representativa de un
objetivo determinado. Los factores de reflectancia de miles de
longitudes de onda se pueden leeren el lugar, o las muestras
se pueden recolectar y llevar al laboratorio (cuarto oscuro)
equipado con una sola fuente de luz (generalmente una
lámpara halógena).
Los espectrorradiómetros portátiles, como el FieldSpec de
Analytical Spectral Devices Inc., son alternativas compactas y
ampliamente utilizadas en la caracterización espectral (350-2500
nm) de la vegetación, así como para estimar el contenido de
nitrógeno del dosel (WENet al., 2019) en maíz, o deficiencia de
potasio en hojas de algodón (OLIVEIRAet al.,2020). Los
parámetros del suelo también están ricamente detallados, como
en la investigación de Moreira.et al.(2015) (Figura 3B), estimando
la conductividad eléctrica en áreas salinas, Weiet al.(2020)
estimando el contenido de arsénico en el suelo, y por Almeidaet
al.(2020), investigando la granulometría del suelo utilizando una
sonda de contacto.
Al tratarse de un método indirecto de estimación, para
obtener un análisis cualitativo y cuantitativo eficiente, los
métodos de espectroscopia de reflectancia exigen un alto índice
de precisión durante la validación con datos no publicados. Esta
técnica se conoce como quimiometría y utiliza métodos
estadísticos para medir las concentraciones bioquímicas de los
objetos. Estudios, como los de Sankaranet al.(2010) y Pourezzaet
al.(2016), sobre la detección temprana de la enfermedad
incurable Huanglongbing (HLB) en huertos de cítricos, han
demostrado que las concentraciones de almidón son
significativamente más altas en los cultivos infectados.
hojas que en hojas sanas o en aquellas que sufren deficiencia
de nutrientes (Figura 4). Por tanto, es razonable suponer que
la detección de factores de reflectancia por encima de un
cierto nivel de umbral puede inferir la presencia de HLB en el
huerto, incluso antes de la aparición de los síntomas visuales.
Los datos hiperespectrales sin imágenes pueden
proporcionar información superficial, aunque fuertemente
relacionada con la calidad de los alimentos, como la detección
de antracnosis en mangos dulces (indica mangiferaL.)
durante la poscosecha (ARDILAet al.,2020) o incluso al
clasificar la calidad de la miel (CHIENet al.,2019) y leche
(KIMBAHUNE et al.,2016).
DESAFÍOS Y PERSPECTIVAS
PARA EL FUTURO
La solidez en el análisis de datos ofrece más
esperanza para el sector agrícola. En esta breve revisión,
se han explorado poderosos métodos analíticos en
estudios recientes donde HRS podría ser el vínculo entre
los desafíos y la comprensión de los patrones en el
entorno agrícola. La gestión de áreas productivas con
precisión submétrica (ANGELet al.,2020), reconocimiento
de enfermedades de plantas en copa y fruto, clasificación
poscosecha, quimiometría en nutrientes y diferenciación
de variedades de un mismo cultivo (SILVA JUNIORet al.,
2018) son realidades científicamente posibles de la
agricultura moderna.
Los logros enumerados aquí solo fueron
posibles gracias a la mejora de técnicas y
tecnologías que son capaces de organizar RS en un

8 Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020

 Avances en la detección hiperespectral en la agricultura: una revisión
Figura 4 -Comparación del contenido de almidón (SANKARANet al.,2010) y absorbancia hiperespectral (POUREZZAet al.,2016) en hojas
sanas de cítricos bajo deficiencia de nutrientes e infectadas con HLB
forma objetiva, continua y concreta. Las perspectivas para
la Agricultura 4.0 apuntan a revoluciones globales y
locales inminentes. En este escenario, en el que ya se
empieza a hablar del uso de resoluciones ultraespectrales
(KARAS; GRISKANICH, 2020), en el que los softwares de
procesamiento y análisis de datos son inseparables de los
profesionales de las ciencias agrícolas, y en el que la
información multidisciplinar proviene de dominios más
allá lo visible, se entiende que ya llegó una “nueva forma
de hacer agricultura”.
EXPRESIONES DE GRATITUD
Los autores agradecen al programa PASPA (DGAPA
- Universidad Nacional Autónoma de México) por apoyar a
Jean Mas para realizar una estancia en la Universidad
Federal de Ceará.
REFERENCIAS
ABDULRIDA J.y otros. Detección de la enfermedad del mildiú polvoroso en
calabazas en diferentes etapas utilizando imágenes hiperespectrales
basadas en UAV e inteligencia artificial.Ingeniería de Biosistemas,
197:135-48, septiembre de 2020.
ABDULRIDA, J.y otros. Una técnica de teledetección para detectar
la marchitez del laurel en aguacate en presencia de otros estreses
bióticos y abióticos.Informática y Electrónica en la Agricultura,
v. 156, pág. 549-557, 2019.
AINIWAER M.y otros. Estimación del contenido de humedad del suelo a
escala regional basada en parámetros de teledetección de múltiples
fuentes. Revista internacional de teledetección, v. 41, núm. 9, pág. 46-67,
mayo de 2020.
ALMEIDA, ELy otros. Teledetección hiperespectral
aerotransportada aplicada para determinar la textura de
un Cambisol de Chapada do Apodi-CE,Revista de
Ciencias Agronómicas, 2020.
Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
AMARAL, CCy otros. Caracterización de especies arbóreas
indicadoras en ambientes neotropicales e implicaciones para el
mapeo geológico.Detección Remota del Medio Ambiente,
p.385-400, 2018.
AMARAL, CHy otros. Mapeo de especies invasoras y relaciones de
mezcla espectral con formaciones leñosas neotropicales en el
sureste de Brasil. ISPRSRevista de fotogrametría y
teledetección, v. 8, pág. 80-93, 2015.
ANEECE I.; THENKABAIL P. Precisión lograda en la clasificación de cinco tipos
de cultivos líderes en el mundo y sus etapas de crecimiento utilizando
bandas estrechas hiperespectrales óptimas de observación de la tierra-1
hiperión en el motor de Google Earth.Sensores remotos, diciembre de
2018.
ÁNGEL Y.y otros. Georectificación y creación de mosaicos automatizados de
imágenes hiperespectrales basadas en UAV a partir de sensores Push-Broom.
Sensores remotos, v. 2, pág. 34, 2020.
ARDILA CE, RAMIREZ LA, ORTIZ FA Análisis espectral para la detección
temprana de antracnosis en frutos de Sugar Mango (Mangifera
indica).Informática y Electrónica en la Agricultura, v. 173, pág.
345-357, junio de 2020.
ASADZADEH, S.; SOUZA FILHO, CR, Detección remota espectral para la
caracterización de filtraciones en tierra: una descripción crítica. Reseñas de
Ciencias de la Tierra, v. 168, pág. 48-72, 2017.
BANDYOPADHYAY D.y otros. Índice de borde rojo como indicador del
crecimiento y vigor de la vegetación utilizando datos de teledetección
hiperespectral. Actas de la Academia Nacional de Ciencias, India
Sección A:Ciencias fisicas. v. 87, pág. 879-888, diciembre de 2017.
CÁLLATE, VBCy otros. El uso de UAVs en el monitoreo de la sigatoka
amarilla en banano.Ingeniería de Biosistemas, v. 193, pág. 115-125,
2020.
CASTALDI, F.y otros. Reducción de la influencia de la humedad del suelo en la
estimación de la arcilla a partir de datos hiperespectrales: un estudio de caso
utilizando datos PRISMA simulados.Sensores remotos, v. 7, pág. 15561-15582,
2015.
CHAVES, MEDy otros. Aplicaciones recientes de Landsat 8/OLI y Sentinel-2/
MSI para el mapeo del uso de la tierra y la cobertura de la tierra: una
revisión sistemática.Sensores remotos, v. 12, pág. 3062, 2020.
9
 MRR Oliveiray otros.
CHAWADE A.y otros. Herramientas de fenotipado de campo de alto rendimiento
para fitomejoramiento y agricultura de precisión.agronomía, v. 9, pág. 258, mayo
de 2019.
CHEN Y.y otros. Desarrollo de algoritmos para la recuperación de la
temperatura de la superficie terrestre: aplicación a datos chinos Gaofen-5.
Sensores remotos, v. 9, pág. 161, febrero de 2017.
CHIEN HYy otros. Clasificación rápida de miel utilizando espectro
infrarrojo y aprendizaje automático.Biociencias matemáticas e
ingeniería: MBE, v. 16, pág. 6874-6891, julio de 2019.
COLLIN AMy otros. La cosmovisión superespectral/hiperespacial-3
como vínculo entre los sensores hiperespectrales transportados por el
espacio y los sensores hiperespaciales transportados por el aire: el
estudio de caso de la costa tropical compleja. Archivos Internacionales
de la Fotogrametría,Teledetección y ciencias de la información
espacial, junio de 2019.
DAHM, KD; DAHM, DJ Separación de los efectos de dispersión y
absorción utilizando la capa representativa.Revista de
espectroscopia de infrarrojo cercano, v. 21, pág. 351-357, 2013.
DALE, LMy otros. Aplicaciones de imágenes hiperespectrales en agricultura
y control de calidad y seguridad de productos agroalimentarios: una
revisión.Reseñas de espectroscopia aplicada, v. 48, pág. 142-159, 2013.
DONG, T.y otros. Estimación de la biomasa de cultivos utilizando el
índice de área foliar derivado de los datos de Landsat 8 y Sentinel-2.
ISPRSRevista de fotogrametría y teledetección, v. 168, pág. 236-250,
2020.
FAJARDO, JUy otros. Detección temprana de Sigatoka negra en hojas de
plátano mediante imágenes hiperespectrales.Aplicaciones en ciencias de
las plantas, v. 8, pág. 83-113, 2020.
VENTILADOR Y.y otros. Detección rápida de plántulas de arroz infestadas con
barrenador rayado (Chilo supressalis Walker) basada en un sistema de imágenes
hiperespectrales visibles/infrarrojo cercano.sensores, v. 17, pág. 2470, noviembre
de 2017.
FUE, KGy otros. Una revisión extensa de la robótica agrícola móvil para
operaciones de campo: enfoque en la cosecha de algodón.
AgroIngeniería, v. 2, pág. 150-174, 2020.
GE, X.y otros. Combinación de imágenes hiperespectrales basadas en UAV y
algoritmos de aprendizaje automático para el monitoreo del contenido de
humedad del suelo.PeerJ, v. 7, pág. 6926, 2019.
GUO L.y otros. Predicción de las reservas de carbono orgánico del suelo
mediante datos espectrales de laboratorio e imágenes hiperespectrales
aéreas. geodermo. v. 337, pág. 32-41, 2019.
GÜRTLER S.y otros. Determinación de los cambios en los espectros de
hojas y copas de plantas cultivadas en suelos contaminados con
hidrocarburos de petróleo. ISPRSRevista de fotogrametría y
teledetección, v. 146. pág. 272-288, diciembre de 2018.
JENSEN, JR, Teledetección del Medio Ambiente: Una Perspectiva
sobre los Recursos de la Tierra, São José dos Campos-SP,
Paréntesis, 582p., 2011.
KANG KKy otros. Procedimientos Operativos y Calibración de un
Sensor Hiperespectral A Bordo de un Sistema de Aeronave Pilotada
Remotamente para Monitoreo de Agua y Agricultura. En: IGARSS
10 Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
2019-2019,Simposio internacional de geociencia y
teledetección del IEEE, PAG. 9200-9203, julio de 2019.
KARAS BY, GRISHKANICH AS Espectrómetro de láser dual Raman
portátil para petróleo y gas. EnEfectos ambientales sobre la
propagación de la luz y los sistemas adaptativos III,Sociedad
Internacional de Óptica y Fotónica, v. 11532, pág. 1153-1206,
septiembre de 2020.
KELLER S.y otros. Datos hiperespectrales y aprendizaje automático
para estimar CDOM, clorofila a, diatomeas, algas verdes y turbidez.
revista internacional de investigacion ambiental y salud publica, v.
15, pág. 1881, septiembre de 2018.
Keller, S.y otros. Datos hiperespectrales y aprendizaje automático
para estimar CDOM, clorofila a, diatomeas, algas verdes y
turbidez.revista internacional de investigacion ambiental y
salud publica, v. 15, pág. 1881, 2018.
KHOBRAGADE, AN; RAGHUWANSHI, MM Enfoques contextuales
de clasificación blanda para la identificación de cultivos utilizando
datos de teledetección multisensoriales: perspectiva de
aprendizaje automático para imágenes satelitales.Perspectivas y
aplicaciones de la inteligencia artificial; Springer: Cham, Suiza,
p. 333-346, 2015.
KIMBAHUNE S.y otros. Análisis basado en sensores hiperespectrales
para determinar la adulteración de la leche. Sensores de imágenes
hiperespectrales: aplicaciones innovadoras y estándares de sensores,
Sociedad Internacional de Óptica y Fotónica, v. 9860, pág. 986,
mayo de 2016.
KINGRA, PKy otros. Aplicación de sensores remotos y SIG en
agricultura y manejo de recursos naturales bajo condiciones
climáticas cambiantes.Agrícola Res J, v. 53, pág. 295-302, 2016.
KOBAYASHI T.y otros. Evaluación de la enfermedad del añublo de la panícula del
arroz utilizando imágenes hiperespectrales aéreas.El Diario de Agricultura
Abierta. v. 10 de junio de 2016.
LEE CMy otros. Una introducción a la misión y las actividades preparatorias
del generador de imágenes infrarrojas hiperespectrales (HyspIRI) de la
NASA.Detección Remota del Medio Ambiente. 15 de septiembre; 167:6-19,
2015.
LIM J., KIM KM, JIN R. Clasificación de especies de árboles utilizando
datos de Hyperion y Sentinel-2 con aprendizaje automático en Corea
del Sur y China. ISPRSRevista internacional de información
geográfica, v. 8, pág. 150, marzo de 2019.
LU B.y otros. Avances recientes de la tecnología de imágenes
hiperespectrales y aplicaciones en la agricultura.Sensores remotos, v.
12, pág. 26-59, enero 2020.
LUO H., CHAI X., CHEN C. Basado en control remoto hiperespectral de
varias escalas cerca del suelo para detectar la calidad del azufaifo del
sur de Xinjiang. Simposio InFifth sobre nuevas tecnologías y
aplicaciones de detección optoelectrónica.Sociedad Internacional de
Óptica y Fotónica, v. 12, pág. 110-232, 2019.
MAHLEIN AKy otros. Fenotipado cuantitativo y cualitativo de la resistencia a
enfermedades de los cultivos mediante sensores hiperespectrales: ¡se
necesita una interconexión perfecta de fitopatología, sensores y
aprendizaje automático!.biología vegetal, v. 50, pág. 156-162, agosto de
2019.
 Avances en la detección hiperespectral en la agricultura: una revisión
MALEC, S.y otros. Capacidad de la misión EnMAP hiperespectral transportada por
el espacio para mapear la cobertura fraccional para el modelado de la erosión del
suelo.Sensores remotos, v. 7, pág. 11776-11800, 2015.
MATSUSHITA, b.y otros. Monitoreo de la calidad del agua con datos de
imágenes de teledetección. Teledetección para la Sostenibilidad;Prensa
CRC, PAG. 163-189. 2016.
MOHARANA, S.; DUTTA, S., Estimación de la variabilidad del estrés hídrico
para un sistema de agricultura de arroz a partir de imágenes de hiperión
transportadas por el espacio.Gestión del agua agrícola, v. 213, pág.
260-269, 2019.
MOREIRA, LCJy otros. Potencial de datos multiespectrales e
hiperespectrales para detectar suelos expuestos a salinidad en
Brasil. Ciencia SIG y Teledetección, v. 52, pág. 416-436, 2015.
NIGAM, R.y otros. Detección y evaluación del añublo del trigo que
combina datos hiperespectrales terrestres y multiespectrales
basados en satélites. Archivos Internacionales de la
Fotogrametría,Teledetección y Ciencias de la Información
Espacial, v. 42, 2019.
NUEVO, EMLM Teledetección: principios y aplicaciones. 4ª
ed. San Pablo.blucher, 2010.
OLIVEIRA RAy otros. Georreferenciación en tiempo real y
posprocesada para teledetección hiperespectral de drones.
Los archivos internacionales de fotogrametría,
teledetección y ciencias de la información espacial, 2018.
OLIVEIRA, M.R.R.y otros. Espectrometría de reflectancia aplicada al
análisis de deficiencia de nitrógeno y potasio en algodón. Revista de
Ciencias Agronómicas, v. 51, pág. 1-10, 2020.
PANTERAS G.; CERVONE G. Mejora de la resolución temporal de la
generación de extensión de inundación basada en satélites utilizando datos
de colaboración colectiva para el monitoreo de desastres.Revista
internacional de teledetección. v. 39, pág. 1459-1474, 2018.
PEÓN J.y otros. Evaluación de las características espectrales de cinco sensores
hiperespectrales y multiespectrales para la estimación de carbono orgánico del
suelo en áreas quemadas. IRevista internacional de incendios forestales. v. 30,
pág. 230-239, 2017.
PHINZI K., NGETAR NS Mapeo de la erosión del suelo en una
cuenca cuaternaria en el Cabo Oriental utilizando un sistema de
información geográfica y sensores remotos.Revista sudafricana
de geomática. v. 8, pág. 11-29, 2017.
POLDER G,y otros. Detección del virus Y de la papa en semillas de papa usando
aprendizaje profundo en imágenes hiperespectrales.Fronteras en la ciencia de
las plantas, v. 10, pág. 209, marzo de 2019.
POURREZA A.y otros. Identificación de la enfermedad de Huanglongbing de los
cítricos en la etapa presintomática utilizando la técnica de imagen polarizada.
Documentos de la IFAC, v. 49, pág. 110-115, 2016.
ROCHA NETO, TOCy otros. Detección remota hiperespectral para
detectar la salinización del suelo utilizando imágenes aéreas frente a
prospectos y simulación de sensores.Sensores remotos, v. 9, pág. 42,
2017.
SANCHES, DNI; SOUZA FILHO, CR; KOKALY, RF Detección
espectroscópica remota del estrés de las plantas a nivel de la hoja y el
dosel utilizando la función de absorción de clorofila de 680 nm con
Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020
eliminación continua. ISPRSRevista de fotogrametría y
teledetección, v. 97, pág. 111-122, 2014.
SANKARAN S.y otros. Espectroscopía de infrarrojo medio para la detección
de Huanglongbing (reverdecimiento) en hojas de cítricos.Talanta, v. 83,
pág. 574-581, 2010.
SHANMUGAPRYA, P.y otros. Aplicaciones de la teledetección en la
agricultura-A Review. En t. J. Microbiol actual.aplicación ciencia, v. 8,
pág. 2270-2283, 2019.
SILVA JUNIOR, CAy otros. Discriminación de variedades de soja
utilizando un sensor hiperespectral sin imágenes.Física y tecnología
de infrarrojos, v. 89, pág. 338-350, 2018.
STAENZ K, MUELLER A, HEIDEN U. Descripción general de las
misiones de espectroscopia de imágenes terrestres.IEEE
Geociencia Internacional y Teledetección -IGARSS, v. 21, pág.
3502-3505, 2013.
SWAMY S., ASUTKAR SM, ASUTKAR GM. Clasificación HSI
de detección remota y estimación de firmas espectrales
minerales MIMETITE de ISRO, India.Congreso
Internacional de Tendencias en Electrónica e
Informática (ICEI), 2017.
TANG BH; LI ZL Estimación de la temperatura de la superficie terrestre a
partir de los datos del satélite chino Gaofen-5. InIGARSS 2018-2018.IEEE
Geociencia internacional y teledetección, v. 22, pág. 2559-2562, julio de
2018.
TAO, H.y otros. Estimación de parámetros de crecimiento de cultivos utilizando
datos de teledetección hiperespectral basados en UAV.sensores, v. 20, pág.
1296, 2020.
TEKE, M.y otros. Un breve estudio de las aplicaciones de la teledetección
hiperespectral en la agricultura. En 2013 6toConferencia Internacional
sobre Avances Recientes en Tecnologías Espaciales, PAG. 171-176, junio
de 2013.
TESFAMICHAEL SGy otros. Espectrorradiómetro de campo y bandas
multiespectrales simuladas para discriminar especies invasoras de
plantas cohabitantes morfológicamente similares.Ciencia SIG y
Teledetección. v. 55, pág. 417-436, 2018.
VAN DE VIJVER, R.,y otros. Detección en campo de Alternaria
solani en cultivos de papa utilizando imágenes hiperespectrales.
Informática y Electrónica en la Agricultura, v. 168, pág.
105-106, 2020.
VÁNEGAS F.y otros. Una metodología novedosa para mejorar la vigilancia de
plagas de plantas en viñedos y cultivos utilizando datos espaciales e
hiperespectrales basados en UAV.sensores, v. 18, pág. 260, 2018.
WALLACE, L.y otros. Estimación no destructiva de la biomasa
aérea y cercana a la superficie utilizando técnicas de teledetección
terrestre 3D.Métodos en Ecología y Evolución, v. 8, pág.
1607-1616, 2017.
WANG, N.; MASRY, G. Detección de hematomas en manzanas
utilizando imágenes hiperespectrales.Ingeniería Agricola, PAG.
295-320, 2010.
WANG, Q.y otros. El potencial de inversión de biomasa forestal basado en
índices de vegetación utilizando datos CHRIS/PROBA multiángulo. Sensores
remotos, v. 8, pág. 891, 2016.
11
 MRR Oliveiray otros.

WEI L.y otros. Fusión espacial-espectral basada en campos aleatorios
condicionales para la clasificación fina de cultivos en imágenes
hiperespectrales de teledetección transmitidas por UAV.Sensores remotos.
v. 11, pág. 780, junio de 2019.
WEI, J.y otros. Estimación de concentraciones de PM25 con una resolución de 1 km
en toda China utilizando el enfoque de bosque aleatorio de espacio-tiempo.
Detección Remota del Medio Ambiente, v. 231, pág. 111-221, 2019.
WEI, L.y otros. Estimación del Contenido de Arsénico del Suelo
con Teledetección Hiperespectral.sensores, v. 20, pág. 40-56,
2020.
WEN PFy otros. Estimación de la concentración de nitrógeno foliar
considerando etapas de crecimiento de maíz no sincronizadas con la técnica
hiperespectral del dosel.Indicadores ecológicos. v. 107, pág. 575-590,
diciembre de 2019.
Yan, X.y otros. Monitoreo de los cambios en los humedales tanto fuera
como dentro de las áreas de reclamo para el manejo costero de la
bahía norteña de Liaodong, China.Humedales, v. 37, pág. 885-897,
2017.
YENDREK CRy otros. Fenotipado de alto rendimiento de los rasgos
fisiológicos y bioquímicos de la hoja de maíz mediante reflectancia
hiperespectral.Fisiología de las plantas. v. 173, pág. 614-626, 2017.
ZARCO-TEJADA PJ, GUILLÉN-CLIMENT ML, R. HERNÁNDEZ-
CLMENTE ET Estimación del contenido de carotenoides foliares en
viñedos utilizando imágenes hiperespectrales de alta resolución
adquiridas desde un vehículo aéreo no tripulado (UAV),
Meteorología Agrícola Forestal, v. 171, pág. 281-294, 2013.
ZHANG C.y otros. Evaluación de la aplicación del índice de vegetación de
tensión de cobre en la imagen Hyperion en la mina de cobre Dexing, China.
Diario de Percepción Remota Aplicada, v. 13, pág. 501-511, 2019.
ZHAN L.y otros. Mapeo del estrés hídrico del maíz basado en sensores
remotos multiespectrales UAV.Sensores remotos. v. 11, pág. 605,
2019.
ZHOU, X.y otros. Evaluación de modelos de contenido de clorofila foliar para
trigo de invierno utilizando datos de detección remota multiespectral
Landsat-8.Sensores remotos, v. 12, pág. 25-74. 2020.

Este es un artículo de acceso abierto distribuido bajo los términos de Creative Commons Attribution License

12 Rdo. Ciencia Agron., v. 51, Agricultura Especial 4.0, e20207739, 2020

Ver estadísticas de publicación