Segmentación foliar en sistemas de cultivo de banano: aplicaciones del flujo de trabajo fotogramétrico y teledetección mediante imágenes multiespectrales de aeronaves no tripuladas (UAS)
Resumen
Este estudio presenta una metodología para lograr la segmentación foliar en sistemas de producción de cultivos de banano, utilizando imágenes multiespectrales provenientes de una aeronave no tripulada (UAS, por sus siglas en inglés), procesamiento fotogramétrico y aplicación de teledetección con Sistemas de Información Geográfica (SIG). En esta se plantea la integración de procesos como: 1) diseño de vuelo y captura de imágenes multiespectrales con UAS (multirrotor) en áreas prioritarias dentro del sistema de producción; 2) procesamiento fotogramétrico de imágenes RGB y multiespectrales; 3) explotación con SIG de los productos fotogramétricos para apoyar la segmentación (ortoimágenes y modelos digitales de alturas forestales); 4) validación de la segmentación, y 5) aplicaciones para el seguimiento de zonas focalizadas, utilizando índices de vegetación enfocados solo en la estructura foliar segmentada. Los resultados demuestran una diferenciación aceptable de la estructura foliar tanto en áreas de cultivo fragmentadas como densamente explotadas. Además, permite la aplicación de índices de vegetación como apoyo para seguimientos rutinarios y como primer criterio para identificar sospechas de enfermedades foliares. En este sentido, este estudio se presenta como una contribución de la aplicación práctica en condiciones reales de operación, brindando pautas para el avance hacia una tecnificación de sistemas de producción de banano, tomando como caso de estudio particular a una de las principales actividades económicas del Caribe colombiano.
Descargas
Referencias bibliográficas
C. Atzberger, “Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs,” Remote Sens., vol. 5, no. 2, pp. 949–981, 2013, https://www.mdpi.com/2072-4292/5/2/949
R. P. Sishodia, R. L. Ray, and S. K. Singh, “Applications of remote sensing in precision agriculture: A review,” Remote Sens., vol. 12, no. 19, pp. 1–31, 2020, https://www.mdpi.com/2072-4292/12/19/3136
FAO, The State of Food and Agriculture 2021: Making Agrifood Systems More Resilient to Shocks and Stress. 2021.
S. Zhang, X. Li, Y. Ba, X. Lyu, M. Zhang, and M. Li, “Banana Fusarium Wilt Disease Detection by Supervised and Unsupervised Methods from UAV-Based Multispectral Imagery,” Remote Sens., vol. 14, no. 5, 2022, https://www.mdpi.com/2072-4292/14/5/1231
J. Alarcón and Y. Jimenez, “Manual de manejo fitosanitario del cultivo del plátano.,” 2012.
G. Rodríguez-Yzquierdo, B. O. Olivares, O. Silva-Escobar, A. González-Ulloa, M. Soto-Suarez, and M. Betancourt-Vásquez, “Mapping of the Susceptibility of Colombian Musaceae Lands to a Deadly Disease: Fusarium oxysporum f. sp. cubense Tropical Race 4,” Horticulturae, vol. 9, no. 7, 2023, https://www.mdpi.com/2311-7524/9/7/757/review_report
S. Noleppa, C. Gornott, S. Lüttringhaus, I. Hackenberg, and S. Gleixner, “Climate change and its effects on banana production in Colombia, Costa Rica, the Dominican Republic, and Ecuador,” 2021.
M. X. Reyes Ortiz, “Proyecto de investigación en el entorno educativo, del uso de drones para agricultura de precisión, en fotogrametría, riego y fumigación en Colombia,” pp. 1–13, 2023,https://acofipapers.org/index.php/eiei/article/view/3411
M. X. Alfonso Rodriguez, “El uso de los drones y su impacto en la responsabilidad social empresarial de la agricultura de precisión en Colombia,” UNIVERSIDAD MILITAR NUEVA GRANADA, 2017.
M. Weiss, F. Jacob, and G. Duveiller, “Remote sensing for agricultural applications: A meta-review,” Remote Sens. Environ., vol. 236, no. August 2019, p. 111402, 2020, https://www.researchgate.net/publication/337210569_Remote_sensing_for_agricultural_applications_A_meta-review
S. Deenan, S. Janakiraman, and S. Nagachandrabose, “Image Segmentation Algorithms for Banana Leaf Disease Diagnosis,” J. Inst. Eng. Ser. C, vol. 101, no. 5, pp. 807–820, Oct. 2020, https://link.springer.com/article/10.1007/s40032-020-00592-5
G. Dhingra, V. Kumar, and H. D. Joshi, “Study of digital image processing techniques for leaf disease detection and classification,” Multimed. Tools Appl., vol. 77, no. 15, pp. 19951–20000, Aug. 2018, https://link.springer.com/article/10.1007/s11042-017-5445-8
J. A. Guzman-Alvarez, M. González-Zuñiga, J. A. Sandoval Fernandez, and J. C. Calvo-Alvarado, “Uso de sensores remotos en la agricultura: aplicaciones en el cultivo del banano,” Agron. Mesoam., vol. 33, no. 3, p. 48279, 2022, https://www.scielo.sa.cr/scielo.php?pid=S1659-13212022000300022&script=sci_abstract&tlng=es
E. Omia et al., “Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses and Recent Advances,” Remote Sens., vol. 15, no. 2, 2023, https://www.mdpi.com/2072-4292/15/2/354
A. Bégué et al., “Remote sensing and cropping practices: A review,” Remote Sens., vol. 10, no. 1, pp. 1–32, 2018, https://www.mdpi.com/2072-4292/10/1/99
M. Gomez Selvaraj et al., “Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin,” ISPRS J. Photogramm. Remote Sens., vol. 169, no. April, pp. 110–124, 2020, https://www.sciencedirect.com/science/article/pii/S0924271620302410?via%3Dihub
D. Mathew, C. Sathish Kumar, and K. Anita Cherian, “Foliar fungal disease classification in banana plants using elliptical local binary pattern on multiresolution dual tree complex wavelet transform domain,” Inf. Process. Agric., vol. 8, no. 4, pp. 581–592, 2021, https://www.sciencedirect.com/science/article/pii/S2214317320302146
FAOSTAT, “Food and Agriculture Organization of the United Nations. FAOSTAT database.” [Online]. Available: https://www.fao.org/faostat/es/#rankings/countries_by_commodity
Agisoft LLC, “Agisoft PhotoScan User Manual - Professional Edition, Version 1.2,” Agisoft LLC, St. Petersburg, Russia, 2016.
C. Draeyer, B., & Strecha, “Pix4D White paper-How accurate are UAV surveying methods,” Pix4D White Paper, Lausanne, Switzerland, 2014.
F. Nex and F. Remondino, “UAV for 3D mapping applications: A review,” Appl. Geomatics, vol. 6, no. 1, pp. 1–15, 2014, https://link.springer.com/article/10.1007/s12518-013-0120-x
P. Axelsson, “DEM Generation from Laser Scanner Data Using adaptive TIN Models,” Int. Arch. Photogramm. Remote Sens., vol. 23, no. B4, pp. 110–117, 2000, https://www.mdpi.com/2072-4292/2/11/2629
D. Panagiotidis, A. Abdollahnejad, P. Surový, and V. Chiteculo, “Determining tree height and crown diameter from high-resolution UAV imagery,” Int. J. Remote Sens., vol. 38, no. 8–10, pp. 2392–2410, 2017, https://www.tandfonline.com/doi/full/10.1080/01431161.2016.1264028
L. Congedo, “Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS,” J. Open Source Softw., vol. 6, no. 64, p. 3172, Aug. 2021, https://joss.theoj.org/papers/10.21105/joss.03172
J. Ugarte Fajardo et al., “Early detection of black Sigatoka in banana leaves using hyperspectral images,” Appl. Plant Sci., vol. 8, no. 8, pp. 1-11, 2020, https://bsapubs.onlinelibrary.wiley.com/doi/full/10.1002/aps3.11383
K. L. Narayanan et al., “Banana Plant Disease Classification Using Hybrid Convolutional Neural Network,” vol.2022, 2022.
S. Liaghat and S. K. Balasundram, “A review: The role of remote sensing in precision agriculture,” Am. J. Agric. Biol. Sci., vol. 5, no.1, pp. 50–55, 2010, https://www.thescipub.com/abstract/10.3844/ajabssp.2010.50.55
Y. Huang, Z. xin CHEN, T. YU, X. zhi HUANG, and X. fa GU, “Agricultural remote sensing big data: Management and applications,” J. Integr. Agric., vol. 17, no. 9, pp. 1915–1931, 2018, https://www.sciencedirect.com/science/article/pii/S2095311917618598
R. Vidican et al., “Using Remote Sensing Vegetation Indices for the Discrimination and Monitoring of Agricultural Crops: A Critical Review,” Agronomy, vol. 13, no. 12, pp. 1–27, 2023, https://www.mdpi.com/2073-4395/13/12/3040
T. R. Alabi, J. Adewopo, O. P. Duke, and P. L. Kumar, “Banana Mapping in Heterogenous Smallholder Farming Systems Using High-Resolution Remote Sensing Imagery and Machine Learning Models with Implications for Banana Bunchy Top Disease Surveillance,” Remote Sens., vol. 14, no. 20, 2022, https://www.mdpi.com/2072-4292/14/20/5206
D. P. Bebber, M. A. T. Ramotowski, and S. J. Gurr, “Crop pests and pathogens move polewards in a warming world,” Nat. Clim. Chang. 2013 311, vol. 3, no. 11, pp. 985–988, Sep. 2013, https://www.nature.com/articles/nclimate1990
IPCC, Climate Change 2014 Part A: Global and Sectoral Aspects. 2014.
Z. Zhang and L. Zhu, “A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications,” Drones, vol. 7, no. 6, pp. 1-42, 2023, https://www.mdpi.com/2504-446X/7/6/398
Derechos de autor 2025 Ciencia e Ingeniería Neogranadina
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
