Repositorio Institucional de Documentos

TRABAJO FIN DE MÁSTER POSIBILIDAD DE USO DE IMÁGENES AÉREAS MULTIESPECTRALES Y RADIOMETRÍA DE CAMPO EN LA EVALUACIÓN DE LA DISPONIBILIDAD DE NITRÓGENO EN CEREALES. Autor :Beatriz Sanza Moral Directores: Dra. Mª Auxiliadora Casterad Seral Dra. Dolores Quílez Sáez de Viteri Máster Universitario en Tecnologías de la Información Geográfica para la Ordenación del Territorio: Sistemas de Información Geográfica y Teledetección Noviembre de 2012 Departamento de Geografía y Ordenación del Territorio i Resumen La importancia del nitrógeno en la producción agrícola genera investigaciones en la búsqueda de un diagnóstico de fertilización nitrogenada adecuado para mejorar las recomendaciones de abonado en los cultivos. En este trabajo se aborda la obtención de información de imágenes multiespectrales aeroportadas y de radiometría de campo como apoyo a la gestión de la fertilización nitrogenada en cereales. El estudio se ha realizado en dos ensayos de estrategias de fertilización nitrogenada localizados en la provincia de Huesca, uno de maíz en el término municipal de Almudévar y otro de arroz en el término municipal de Villanueva de Sigena. Se han utilizado imágenes aéreas multiespectrales de muy alta resolución espacial con el propósi- to de tener información que ayude a diagnosticar el estado nutricional del cultivo. Esta información se ha completado con medidas radiométricas y datos sobre el contenido en clorofila de las plantas tomados en campo que permiten validar la información derivada de las imágenes y poder establecer relaciones entre el contenido de clorofila y reflectividad. Ello ha requerido la puesta a punto de los equipos de muestreo, el diseño del muestreo de campo y la elaboración de protocolos de medida. La adquisición de las imágenes multiespectrales con una alta resolución tiene aún un elevado coste. A través del análisis de la influencia de la variación del tamaño de píxel en la información derivada de las imágenes del trabajo (índices y bandas) se ha podido determinar el uso de resoluciones menores en las imágenes sin cambios en la información contenida, pudiendo así reducir los costes de adquisición. Se han comparado dos modelos de calibración radiométrica de las imágenes y se ha extraído de una imagen del ensayo de maíz información espectral de las bandas del verde, rojo e infrarrojo así como dos índices de vegetación, el NDVI y el GNDVI, información que se relaciona con el contenido en clorofila de las plantas. Algunos resultados preliminares indican la necesidad de ajustar aspectos en relación a la representatividad de las muestras y medidas realizadas si se quiere caracterizar con ellas el comportamiento medio en la parcela de las diferentes variables estudiadas. La obtención de información ha sido abundante, teniendo que ser analizada en estudios posteriores y comparada con diferentes parámetros usados en la línea de investigación en la que se enmarca el trabajo para la obtención de resultados. Palabras Clave: Radiometría, índices de vegetación, imagen multiespectral, fertilización nitrogenada, maíz. Abstract The importance of nitrogen in agricultural production generates investigations in the search of a diagnosis of appropriate nitrogen fertilization in order to improve the recommendations of subscriber in the crops. This paper deals with obtaining information from airborne platforms and multispectral images of radiometry, as field support to the management of nitrogen fertilization in cereals. The study has been carried out in two trials of strategies of nitrogen fertilization located in the province of Huesca, one of corn in the municipal term of Almudevar and another of rice in the municipality of Villanueva de Sigena. Multispectral aerial images of very high spatial resolution have been used with the purpose of having information that will help to diagnose the nutritional status of the crop. In addition, this information has been completed with radiometric measures and data on the chlorophyll content of the plants, taken in the field to validate the information derived from the images, and to be able to establish relationships between the content of chlorophyll and reflectivity. In order to achieve this aims the development of the sampling equipment, the design of the field sampling and the development of measurement protocols have been implemented. However, the acquisition of the multispectral images with a high resolution has yet a high cost. Through the analysis of the influence of the variation of the pixel size on the information, derived from the images of the work (indexes and bands) the use of lower resolutions in the images without changes to the information contained herein has been determined, thereby reducing the costs of acquisition. ii Two models of radiometric calibration of the images have been compared and information of the bands on the green, red and infrared as well as two vegetation indices, the NDVI and the GNDVI( information that relates to the chlorophyll content of plants) has been extracted from an image of the test of maize spectral. Some preliminary results indicate the necessity to adjust aspects in relation to the representativeness of the samples and measurements performed, if you want to characterize the behavior with the means in the plot of the different variables studied. Moreover, the acquisition of information has been plentiful even though it has to be analysed in subsequent studies, and compared with different parameters used in the line of research in which the work is framed for the achievement of results. Key Words: radiometry, vegetation indices, multispectral image, nitrogen fertilization, corn. iii Índice 1. Introducción............................................................................... pág. 1 1.1. La importancia del abonado nitrogenado.................................. pág. 1 1.1. Abonado nitrogenado y teledetección ...................................... pág. 1 2. Objetivos ................................................................................... pág. 3 2.1. Objetivos académicos............................................................ pág. 3 2.2. Objetivos en relación a los proyectos de investigación ............... pág. 3 3. Zonas de estudio ........................................................................ pág. 4 3.1. Ensayo de maíz .................................................................... pág. 4 3.2. Ensayo de arroz.................................................................... pág. 6 4. Extracción de información de imágenes aéreas multiespectrales ....... pág. 8 4.1. Caracterización de las imágenes ............................................. pág. 8 4.2. Calibración radiométrica de las imágenes.................................pág. 10 4.2.1. Superficies de control sobre las que se realizan medidas radiométricas .......................................................................pág. 11 4.2.2. Procedimiento para la toma de medidas radiométricas .....pág. 13 4.2.3. Post-procesamiento de las medidas radiométricas para la obtención de reflectividades ...................................................pág. 14 4.2.4. Extracción de la información necesaria para realizar la calibración ...........................................................................pág. 16 4.2.5. Determinación de los modelos de ajuste.........................pág. 18 4.2.6. Medidas a tener en cuenta en estudios futuros ................pág. 20 5. Repercusión de la resolución espacial de las imágenes en relación al tamaño de la parcela experimental......................................................pág. 21 5.1. Obtención de capas ráster a diferentes tamaños de píxel ...........pág. 21 5.2. Extracción para cada parcela de los niveles digitales medios de cada banda e índices ...................................................................pág. 23 5.3. Análisis de la información estadística. Valoración del efecto de la resolución de la imagen sobre la información obtenida .................pág. 24 6. Adquisición de información radiométrica en el ensayo de maíz..........pág. 28 6.1. Puesta a punto del equipo de muestreo ...................................pág. 28 6.2. Diseño del muestreo radiométrico...........................................pág. 29 6.3. Toma de las medidas radiométricas ........................................pág. 32 6.3.1. Problemas detectados ..................................................pág. 33 6.4. Muestreo en campo de información adicional............................pág. 33 7. Extracción de información de la imagen multiespectral del ensayo de maíz............................................................................................pág. 34 7.1. Los índices espectrales ..........................................................pág. 34 7.2. La extracción de información..................................................pág. 35 8. Extracción de información derivada de teledetección y su relación con el contenido en clorofila en el ensayo de maíz .................................pág. 38 8.1. Tamaño de la muestra y representatividad...............................pág. 38 8.2. Relación de datos de las imágenes con contenido en clorofila .....pág. 41 8.3. Caracterización espectral de los diferentes tratamientos de abonado nitrogenado........................................................................pág. 42 9. Recomendaciones para estudios posteriores ...................................pág. 43 iv 1 1. INTRODUCCIÓN El trabajo desarrollado durante la estancia en prácticas se enmarcan dentro de dos proyectos de investigación desarrollados en el Centro de Investigación y Tecnología Agroalimentaria de Aragón: “Estrategias agronómicas para optimizar el uso del nitrógeno en maíz en sistemas de riego por aspersión (AGL2009-12897-C02) y “Fertilización con subproductos ganaderos: valoración agronómica y ambiental” (RTA-2010-00126). La dirección de las prácticas por parte de dicha institución ha sido llevada a cabo por Dra. María Auxiliadora Casterad Seral y Dra. Dolores Quílez Sáez de Viteri, investigadoras pertenecientes a la Unidad de Suelos y Riegos. En estos proyectos se ha planteado evaluar la posibilidad de usar imágenes multiespectrales captadas desde avión para conocer el estado nutricional del cultivo y ajustar la fertilización nitrogenada, habiendo participado en las actividades desarrolladas con este fin. Dicha evaluación, en el año 2012, se realiza sobre dos ensayos experimentales, uno de maíz y otro de arroz, presentados más adelante en el Apartado 3. 1.1 La importancia del abonado nitrogenado El aporte de nutrientes al suelo para obtener una mejora en la producción agrícola es algo que se lleva practicando desde hace siglos. En todo este tiempo se ha ido modificando la forma y la capacidad de realizar el aporte de dichos nutrientes. La agricultura actualmente tiene la necesidad de ajustar las dosis y las formas de aplicación de los nutrientes a los cultivos para que estos sean aprovechados de forma eficiente y que puedan generar beneficios económicos a la vez que mantengan o incrementen la producción de alimentos con el menor impacto posible sobre el medio ambiente. El nitrógeno (N) es considerado el nutriente más importante para la producción vegetal debido a las cantidades requeridas por los cultivos y a la frecuencia con que se observan deficiencias en suelos agrícolas. Por lo tanto, la agricultura de altos rendimientos depende del uso de fertilizantes nitrogenados. El diagnóstico de las necesidades de N de los cultivos para alcanzar el máximo rendimiento biológico y/o económico contribuye a: a) maximizar la eficiencia de uso del N aplicado b) b) reducir los impactos ambientales que se generan tanto con aplicaciones excesivas (contaminación del suelo, aire y agua) como con aplicaciones deficientes (degradación del suelo por disminución de las reservas naturales de N, fundamentalmente N orgánico). La importancia del N en la producción agrícola genera numerosas investigaciones y experimentaciones en la búsqueda de métodos de diagnóstico de la fertilidad nitrogenada para recomendaciones de fertilización. En general, los métodos de diagnóstico que pretenden predecir la probabilidad de respuesta a la fertilización nitrogenada se basan en la disponibilidad de N en suelo y/o en planta y el requerimiento previsto para un determinado nivel de rendimiento. 1.2 Abonado nitrogenado y teledetección Los cultivos responden positivamente al abonado nitrogenado, por ello se ha investigado mucho sobre la fertilización del N y es difícil encontrar una fórmula general de recomendación de dosis de nitrógeno, ya que esta puede variar en función de diversos parámetros como cultivo, actividad microbiana y mineralizadora, residuos, tipo de riego, cultivo precedente, tipo de abono y su fraccionamiento, etc. El método convencional de aplicación de nitrógeno suele ser uniforme y no considera las variaciones espaciales ni temporales del crecimiento del cultivo, ni los cambios que el aporte de nitrógeno desde el suelo puede tener sobre el cultivo debido a los cambios de los factores ambientales (Xue and Yang, 2008). 2 En una planta, la cantidad de nitrógeno está relacionado con el contenido de clorofilas en la hoja. Este contenido se puede medir con medidores de clorofila, que junto con los sistemas de teledetección pueden ser herramientas importantes para determinar el estado nutricional del cultivo. La teledetección permite el estudio de la variabilidad espacial de un cultivo y además puede aplicarse a zonas amplias. Según Blackmer y Schepers (1996) la teledetección permite una rápida evaluación de amplias áreas que no es fácil cubrir con medidas de clorofila hechas con métodos tradicionales. Las medidas de reflectividad hechas en un cultivo en sus fases de crecimiento se pueden usar fácilmente para detectar la variabilidad del mismo (Xue and Yang, 2008). La teledetección tiene un gran potencial para muchas aplicaciones porque puede registrar amplias zonas, es un método no destructivo y proporciona una adquisición en tiempo real de información sobre las condiciones ecofisiológicas de las plantas. (Inoue, 2003). Wiegand et al. (1986) propusieron la integración de la teledetección en los modelos de crecimiento de cultivo. Según Plant et al (2000), los datos de teledetección obtenidos con vuelo pueden proporcionar detalles y datos de distribución espacial del crecimiento del cultivo y su desarrollo. Las imágenes aéreas registran generalmente información sobre la reflectividad del cultivo en las bandas del visible y el infrarrojo (400-900nm). El estudio de los parámetros biofísicos mediante teledetección es complejo porque la reflectividad del cultivo está determinada no sólo por la morfología y fenología de la planta sino también por las características del suelo, radiación, ángulo de observación y condiciones atmosféricas (Huete and Jackson, 1985). En estas longitudes de onda tienen mucha influencia el contenido en clorofila y la estructura de la hoja. Los pigmentos de clorofila absorben principalmente en la región del azul y el rojo del espectro visible y reflejan en la zona del verde. La reflectividad del cultivo en el visible y en el infrarrojo cercano se utiliza para detectar deficiencias de nitrógeno en maíz (Blackmer et al., 1995). El contenido en clorofila es uno de los parámetros biofísicos más relacionadas con la cantidad de nitrógeno en planta, dado que la mayor parte de éste se encuentra en las moléculas de clorofila (Daughtry et al., 2000). Distintos trabajos han demostrado la aplicabilidad de datos de alta resolución espectral en la estimación del contenido en clorofila de la hoja, proponiendo la utilización de diferentes índices espectrales (Filella et al., 1995, Haboudane et al, 2002, Sripada et al., 2008, Isla y Lopez Lozano, 2005, Kostrzewski et al. 2002 ) Estos índices generalmente combinan la reflectividad de dos o más longitudes de onda y pueden correlacionarse con variables biofísicas del cultivo (Shoppiana et al, 2006). Uno de los índices más usados es el NDVI (índice de vegetación normalizada formulado por Rouse et al., 1974). Está basado en la fuerte absorción en el rojo y la alta reflectividad en el infrarrojo. Este índice se propone para la estimación de biomasa (Chang et al, 2005). Una de las variables con las que está relacionado es con la concentración de clorofila la cual a su vez está relacionada con el rendimiento del cultivo. Uno de los inconvenientes que presenta es que cuando el contenido en clorofila, la fracción vegetal o el LAI (índice de área foliar) presentan valores moderados a altos, el NDVI es menos sensible (Aparicio et al, 2005). Según Gitelson et al. (1996), bajo estas condiciones es más sensible el GNDVI (Índice de vegetación verde de diferencia normalizada formulado por Gitelson et. al, 1996) para la variación de la biomasa, ya que la banda del verde que es la que se usa para el cálculo del GNDVI es más sensible que la banda del rojo usada en el NDVI. El GNDVI se ha visto que presenta una buena correlación con el contenido de nitrógeno de las plantas (Wright, 2003). El uso de la teledetección y de los índices de vegetación pueden ser útiles para determinar variaciones en el cultivo y requerimientos de nutrientes, ayudando en la toma de decisiones de aplicación del abonado nitrogenado. 3 2. OBJETIVOS 2.1 Objetivos académicos  Desarrollar y profundizar los conceptos teóricos adquiridos en los diferentes módulos del curso académico y poder llevarlos a la práctica para conseguir unos fines específicos.  Colaborar en un equipo multidisciplinar y asimilar las rutinas dentro de un trabajo de investigación.  Familiarizarse y conocer procedimientos, protocolos, equipamiento y software relacionado con tecnologías de información geográfica aplicadas en los proyectos en los que se participa. 2.2 Objetivos en relación a los proyectos de investigación • Evaluar la calidad de las imágenes adquiridas desde avión con el sensor DMSC-2K System y analizar las correcciones que precisan. • Estudiar la repercusión de la resolución espacial de las imágenes en relación al tamaño de la parcela experimental. • Diseñar los muestreos de campo y puesta a punto las herramientas necesarias para la adquisición de la información radiométrica a utilizar en los proyectos. • Estudiar la relación existente entre fertilización nitrogenada del cultivo e información multiespectral derivada de imágenes aéreas y radiometría de campo. 10 b) Ensayo de maíz Del ensayo del cultivo de maíz se capturó una imagen del 10 de julio de 2012 cuando el cultivo estaba en el estadio V15 antes del desarrollo de la panícula (Figura 10). Dicha imagen tiene 2260 columnas y 2251 filas y una resolución espacial de 0.15m. La calidad de la imagen es buena. Figura 10: Imagen del ensayo de maíz tomada el 10 de julio de 2012 en el término municipal de Almudévar, con cámara digital multiespectral sobre vuelo comercial. (RGB: 4/3/2). 4.2 Calibración radiométrica de las imágenes Existen diferentes métodos de calibración radiométrica de imágenes (Dinguirard y Slater, 1999; Honkavaara et al, 2009). La respuesta radiométrica de una cámara sigue normalmente un modelo lineal. Una posibilidad muy utilizada en calibraciones de imágenes aéreas, como las utilizadas en este estudio, es relacionar empíricamente los valores que el sensor registra con datos obtenidos mediante radiometría de campo (calibración indirecta). En cuanto a la radiometría de las imágenes, las únicas especificaciones suministradas por los proveedores son las que aparecen en SpecTerra Services (2007) donde se indica una corrección del brillo de las escenas con objeto de minimizar el efecto de reflectividad bidireccional (BRDF). Por tanto, se da por supuesto que la información de las imágenes son valores de nivel digital, correspondientes a la codificación de la radiancia que realiza el sensor cuando adquiere la imagen. No se dispone de información sobre coeficientes de calibración de la cámara. Con el objetivo de predecir los valores de reflectividad de las imágenes, variable física comparable entre sensores, fechas, bandas, etc. se decidió probar a calibrar radiométricamente y obtener reflectividades en los vuelos de 10 de julio de 2012 para la imagen de maíz y 30 de julio de 2012 para la imagen de arroz, estableciendo una relación entre los valores digitales de la imagen y los valores obtenidos con medidas radiométricas en campo sobre diferentes superficies de control. Para ello, se siguió el mismo procedimiento usado por De Miguel et al (2001) para calibrar espectralmente imágenes adquiridas con un sensor aeroportado sobre la cuenca del río Guadiamar en España. Se seleccionaron una serie de superficies test (naturales y artificiales) sobre las que el día que se realizaba el vuelo se tomaban, lo más próximo posible a la hora de paso del vuelo, medidas radiométricas localizando su posición con GPS (aunque muchas de las superficies eran perfectamente reconocibles en la imagen). La idea es establecer a partir de estos datos un modelo de regresión o ecuación de calibración entre los 11 niveles digitales de la imagen (ND) y los valores de reflectividad medidos en campo sobre las superficies de control, para poder convertir los valores de nivel digital a reflectividad de las imágenes para cada una de las bandas. A la hora de elegir las superficies de control se tuvo cuidado con que fueran lo suficientemente grandes y homogéneas a fin de evitar la mezcla espectral en un mismo píxel y poder tener medidas de reflectividad representativas. 4.2.1 Superficies de control sobre las que se realizan medidas radiométricas Algunas de las superficies de control sobre las que se realizaron las medidas radiométricas fueron comunes a ambos ensayos, correspondiendo a superficies que se instalaban artificialmente en el campo (telas o mallas de diferentes colores y propiedades). Sin embargo, otras de estas superficies de control sobre las que se realizaron las medidas radiométricas fueron específicas de cada uno de los ensayos y correspondían a superficies naturales cercanas o dentro de ensayo como carreteras, suelos de distintos tipos, vegetación natural, etc. (Tabla 2). Tabla 2: Superficies de cada ensayo sobre las que se realizaron medidas radiométricas en campo. Superficies Ensayo maíz 10/07/2012 Ensayo Arroz 30/07/2012 Observaciones Teflón x x Panel blanco de teflón, cuya reflectividad es aproximadamente de 10 y 18% menor que la de un Spectralon según la longitud de onda (Guillén et al, 2011). Malla negra x x Malla de rejilla negra Tela negra x x Suelo desnudo x x Muestras de suelo sin vegetación. Dos muestras en el ensayo de arroz y una en el ensayo de maíz. Saco blanco x Saco de rejilla blanco, cuya reflectividad está por debajo del panel blanco de teflón. Bandeja negra x Bandeja negra de plástico Vegetación 1 x x En el caso del ensayo de arroz corresponde a cultivo alto y en el ensayo del maíz a la muestra 1 izquierda de la parcela 41 (P41_1i). Vegetación 2 x x En el caso del ensayo de arroz corresponde a cultivo alto y en el ensayo de maíz a la muestra 1 izquierda de la parcela 24 (P24_1i). Vegetación con suelo x Carretera x Costra de sal x Suelo dónde existe un afloramiento de sal Mala hierba x Sombra de cultivo x Sombra recogida en una esquina de la parcela dónde se encuentra el ensayo de maíz. En las Figuras 11 y 12 se puede ver su posición en las imágenes: 12 Figura 11: Imagen del ensayo de maíz de 2012 con la localización de las superficies de control. Figura 12: Imagen del ensayo de arroz de 2012 con la localización de las superficies de control Saco Blanco Teflón Malla negra Tela negra Bandeja Vegetación 2 Suelo desnudo Vegetación 1 Sombra de cultivo Ensayo de maíz 2012 Suelo desnudo Vegetación con suelo Vegetación 2 (cultivo alto) Vegetación 1 (cultivo bajo) Carretera Mala hierba Costra de sal Teflón Malla negra Tela negra Suelo desnudo 1 Suelo desnudo 1 Ensayo Arroz 2012 13 4.2.2 Procedimiento para la toma de medidas radiométricas en campo. Las medidas radiométricas se realizaron con el espectroradiómetro portátil Ocean Optics HR2000 que cubre el rango 200-1100nm con 1nm de resolución óptica. En la Figura 13 se muestran los diferentes componentes del equipo de radiometría. Fibra óptica Espectroradiómetro Ordenador portátil Sonda Fibra óptica Espectroradiómetro Ordenador portátil Sonda Figura 13: Componentes del equipo de radiometría utilizado en las medidas de campo De todas las longitudes de onda que registra el radiómetro se seleccionaron las que se encuentran entre los 400 – 900 nm rango en las que se tiene seguridad de poder obtener medidas libres de ruido. Como panel de referencia se utilizó el Spectralon SRM-99 (Labsphere, Nort Sutton, NH, USA). Las medidas de radiometría se realizaron bien justo antes del paso del avión o justo después, entorno al mediodía solar con un campo instantáneo de visión (IFOV) de 25º desde el nadir y manteniendo una distancia de unos 5cm con la superficie a medir. Se siguieron los siguientes pasos: a. Medida de la corriente oscura. Es la señal registrada por el receptor cuando no está expuesto a la fuente de iluminación. Hay que tener en cuenta que esta medida se puede ver afectada por la temperatura, por lo que hay que tener cuidado en el campo. La medida de corriente oscura se toma tapando totalmente la sonda para que lo único que se registre sea el ruido del aparato. Esta medida se sustraerá posteriormente de las medidas realizadas sobre las superficies de control (blanco de referencia y superficies elegidas como muestra) para obtener su reflectividad. Dicha medida se tomó justo antes de iniciar las medidas sobre las superficies de referencia y control. b. Ajuste del tiempo de integración. Es el periodo de tiempo que el detector se encuentra expuesto a la luz entrante. Se debe de ajustar en función a las condiciones de iluminación. Para ello hay que buscar el valor más elevado posible para que la ratio señal ruido sea elevada pero sin llegar a problemas de saturación. El umbral de intensidad fue de 3500 unidades. c. Adquisición de un espectro de referencia. Se captura utilizando un panel con reflectividad máxima y comportamiento lambertiano o perfectamente difusor. Hay que tener en cuenta que el panel de referencia cubre perfectamente el IFOV. Hay que tomar medidas del panel de referencia periódicamente, más aún si las condiciones lumínicas son cambiantes. En este caso se tomó una única medida sobre el panel de referencia después de la medida de la corriente oscura ya que el tiempo de medida sobre las superficies control fue muy corto (15 minutos). 14 d. Adquisición de los espectros de las superficies de control. Se tomaran en modo “Snapshot” (modo disparo), es decir registra en continuo integrándose varias lecturas en una sola medida, promedio de todas ellas. e. Comprobación de los espectros de medida según se iban recogiendo para detectar posibles errores. El programa utilizado para la captura de medidas fue OOiBase32. Se seleccionó cómo tipo de información a obtener Radiancia y el modo de captura elegido fue modo disparo. De esta manera para cada una de las muestras registradas se guardaban los siguientes archivos: Dark, con los datos de la corriente oscura; Reference con radiometría del panel de referencia; Sample, con la radiometría de las superficies control y Scope con la intensidad de la fuente de luz. 4.2.3 Post-procesamiento de las medidas radiométricas para la obtención de reflectividades Las medidas registradas con el espectro-radiómetro se trataron con el programa SAMS versión 3.2 obteniéndose las reflectividades mediante la siguiente fórmula: Dónde: • S λ es la radiancia del punto de muestreo en la longitud λ. • D λ es la radiancia de la corriente oscura en la longitud λ. • R λ es la radiancia del panel de referencia en la longitud λ. Los pasos seguidos para la obtención de la reflectividad son los siguientes: 1. Se importan las signaturas (datos) desde el archivo dónde están almacenadas. 2. Se selecciona la signatura que pertenece a la corriente oscura y se marca como referencia en el programa. 3. Se seleccionan los archivos .Sample y .Reference de cada una de las muestras que se quieren procesar. 4. Se aplica la herramienta substraction, para restar la radiancia de la corriente oscura a cada una de las muestras (Sample) y a la radiancia del panel de referencia (Reference). 5. Se marca como referencia para el programa la radiancia de la superficie de referencia a la que ya se le ha restado la corriente oscura. Se seleccionan entonces las radiancias de las superficies de controla las que ya se ha restado la corriente oscura, y se realiza el ratio entre los controles y la referencia. 6. Una vez que se tiene el ratio calculado hay que escalar las firmas en función del panel de referencia usado, como en este caso se usó un Spectralon se escala al 100% de reflectividad. 7. Suavizado de la firma espectral mediante filtros. Es opcional. En este caso se utilizó el filtro de Savitzky-Golay, con un orden de polinomio de 2 y con una anchura de ventana de 25 (SG: 2-25-25). Una vez realizados todos los pasos anteriores se dispuso de las signaturas espectrales y valores de % de reflectividad de cada muestra tal y como se puede ver en las Figuras 14 y 15. 15 Ensayo de Maíz 10/07/2012 0 10 20 30 40 50 60 70 80 90 100 400 450 500 550 600 650 700 750 800 850 900 950 Longitud de onda (nm) Reflectividad % Bandeja negra Malla negra Saco Blanco Sombra cultivo Suelo desnudo Teflón Tela negra Vegetación 1 (P41_1i) Vegetación 2 (P24_1i) Figura 14: Signaturas espectrales de las diferentes superficies de control sobre las que se realizaron las mediciones radiométricas en el ensayo de maíz Ensayo de Arroz 30/07/2012 0 10 20 30 40 50 60 70 80 90 100 400 450 500 550 600 650 700 750 800 850 900 Longitud de Onda (nm) Reflectividad (%) Carretera Mala hierba Malla negra Costra sal Suelo desnudo 1 Vegetación con suelo Teflon Tela negra Vegetacion 1 Vegetacion 2 Suelo desnudo 2 Figura 15: signaturas espectrales de las superficies de control sobre las que se realizaron las mediciones radiométricas en el ensayo de arroz 16 4.2.4 Extracción de la información necesaria para realizar la calibración a) Medidas radiométricas Para relacionar las medidas radiométricas obtenidas en campo con los niveles digitales de la imagen obtenida con la cámara aerotransportada, es necesario en primer lugar obtener los valores de reflectividad correspondientes a los 4 rangos de longitud de onda en los que realiza las medidas el sensor aeroportado con el que se ha tomado la imagen. Por tanto, se extrajo de la signatura espectral correspondiente a cada una de las superficies de control la reflectividad promedio para las longitudes de onda entre 440 a 460nm correspondiente a la banda 1 (azul), 540-560nm correspondiente a la banda 2 (verde), 665-685nm correspondiente a la banda 3 (rojo) y 770-790nm que corresponde a la banda 4 (infrarrojo) de las imágenes (Tabla 3). b) Imágenes Para la extracción de los ND de las superficies de control en las imágenes, se localizaron en la imagen las superficies sobre las que se habían realizado las medidas radiométricas en campo. Sobre ellas se generó un área de interés (AOI) con el programa Erdas Imagine 9.1, a partir de la cual se extrajo el valor medio de ND para cada AOI (Tabla 3). 17 Tabla 3: Reflectividades obtenidas con radiometría y sus niveles digitales (ND) obtenidos de las imágenes con sensor aerotransportado en las diferentes superficies de control para cada una de las cuatro bandas analizadas de los ensayos de arroz y maíz. Banda 1 (Azul) 440-460nm Banda 2 (Verde) 540-560nm Banda 3 (Rojo) 665-685nm Banda 4 (IRC) 770-790nm Reflectividad % ND imagen Reflectividad % ND imagen Reflectividad % ND imagen Reflectividad % ND imagen Ensayo de arroz (30/07/2012) Carretera 2.43 4191.86 11.44 6810.71 12.52 5379.57 3.28 4412.86 Mala hierba 0.00 1720.64 0.00 3492.21 0.00 3080.07 0.00 4230.86 Suelo desnudo 1 9.91 3226.86 25.25 5543.71 31.62 4441.29 29.93 5293.00 Vegetación 2(cultivo alto) 0.00 1307.88 0.00 2582.38 0.00 1408.25 0.97 5358.75 Teflón 93.14 13585.50 93.08 13797.07 91.63 13622.21 86.11 10432.71 Malla negra 1.63 2981.57 6.00 3676.71 3.08 2609.29 0.00 2889.14 Vegetación 1 (cultivo bajo) 0.00 1552.07 0.06 3251.50 0.00 1942.07 0.00 4470.36 Costra de Sal 0.55 3356.50 9.20 5886.36 10.89 5122.71 1.53 4490.21 Suelo desnudo 2 13.03 5073.88 28.74 9240.38 35.08 7663.25 31.17 5914.38 Vegetación con suelo 0.00 1840.71 6.73 3598.14 2.36 2227.71 35.17 6369.43 Tela negra 0.00 1643.75 0.00 2069.75 0.00 2192.13 52.29 8225.25 Ensayo de maíz (10/07/2012) Tela negra 0.00 1354.54 0.00 1381.40 0.00 1432.80 52.22 8722.31 Bandeja negra 4.51 3139.75 8.05 3775.00 5.52 3398.50 0.00 3066.50 Malla negra 0.61 2454.27 1.90 2555.61 0.06 2291.63 0.00 2117.86 Teflón 90.37 13005.92 91.08 13172.67 89.26 12317.08 87.57 10881.17 Saco blanco 61.07 12918.67 65.57 13106.25 65.71 12133.33 63.65 9329.25 Suelo desnudo 10.68 5773.33 23.66 9261.08 28.31 7936.75 26.74 6460.67 Sombra de cultivo 0.00 996.25 0.00 1312.19 0.00 788.81 0.00 2141.69 Vegetación 1 0.00 968.17 0.02 1778.00 0.00 929.33 10.16 5943.33 Vegetación 2 0.00 1108.29 1.65 2132.00 0.00 984.57 16.13 6387.14 18 4.2.5 Determinación de los modelos de ajuste y resultados Normalmente la relación entre las reflectividades medidas en campo en superficies control y los niveles digitales de las imágenes es lineal. Por ello, se han probado dos ajustes al modelo lineal Y= a +bX:  Modelo A: Es un ajuste donde la variable dependiente (Y) es la reflectancia obtenida mediante radiometría de campo (R) y la variable independiente (X) es el nivel digital (ND) de la imagen, que en este caso se ha dividido por 10000: R = a + b · ND/10000  Modelo B: En el segundo modelo a variable dependiente (Y) es la reflectancia obtenida mediante radiometría de campo y la variable independiente es EXP (ND/10000): R = a + b · EXP (ND/10000). La división de los niveles digitales por 10000 se utiliza para ajustar la escala de los datos derivados de la imagen. La información de la imagen se recoge en formato de 14 bits con valores muy elevados. La división por 10000 reescala los valores digitales en el rango de 0-2 lo que permite una mejor visualización y un mejor ajuste de los modelos de regresión en particular el segundo modelo donde la variable independiente es una exponencial. El análisis de regresión se ha realizado con el programa Statgraphipcs plus 5.1. Los resultados para el ensayo de maíz se muestran en la Tabla 4 y Figura 16. Los correspondientes al arroz en la Tabla 4 y en la Figura 17. Tabla 4: Ecuaciones de calibración: Valores estimados de los parámetros a y b de los dos modelos de regresión ajustados (R = a + b · ND/10000 y R = a + b · EXP (ND/10000)) con el coeficiente de determinación (R2) y su significación, para cada una de las 4 bandas analizadas en los ensayos de arroz y maíz. Modelo A Modelo B R=a+bND/10000 R=a+b EXP(ND/10000) Ensayo maíz (n=9) a b R2 Error a b R2 Error B1 -11.23 64.32 91.29*** 10.53 -35.93 30.27 94.60*** 8.29 B2 -12.87 63.5 89.22*** 11.85 -36.34 29.76 93.64*** 9.10 B3 -10.77 67.72 92.80*** 9.69 -39.9 34.03 96.48*** 6.77 B4 -29.52 94.86 88.84*** 11.44 -70.37 51.28 95.02*** 7.64 Ensayo Arroz (n=11) B1 -17.11 76..3 93.68*** 7.31 -42.59 34.5 98.17*** 3.93 B2 -23.44 73.12 86.67*** 10.51 -44.28 33.02 93.87*** 7.13 B3 -16.83 74.93 91.91*** 8.33 -40.11 33.94 93.97*** 7.19 B4 -50.22 127.71 90.01*** 9.43 -92.51 63.65 90.07*** 9.09 *** Significativo a un nivel de probabilidad p<0.001 En ambos modelos y para todas las bandas, las relaciones obtenidas son estadísticamente significativas a un nivel de probabilidad p<0,001. Los coeficientes de determinación (R 2 ) son altos, superiores para todas las bandas al 85% para el Modelo A, y al 90% para el B, lo que indica buenos ajustes. De Miguel et al. (2001) obtienen R 2 de similar magnitud. Los errores estándar de estimación oscilan entre 7 y 12 para el modelo A y entre 3 y 9.5 para el modelo B, siendo siempre más bajos en el caso de modelo B. Aunque en el ensayo de arroz se intentó coger superficies control más variadas en cuanto a respuesta espectral que las seleccionadas en el ensayo de maíz, los ajustes son de bondad similar, si bien en su conjunto parecen ligeramente mejores que los obtenidos en el maíz. Otro aspecto reseñable es que las imágenes se adquieren ajustadas a la superficie ocupada por los ensayos y algo de superficie agrícola adyacente. Ello limitó la posibilidad de encontrar superficies 19 control que presenten respuestas espectrales más variadas, y por tanto, el poder realizar el ajuste en todas las bandas con más puntos distribuidos a lo largo de todo el rango de reflectividades, y el poder disponer de superficies control no usadas en la calibración para validar la misma. Ello daría mayor validez a los ajustes realizados. 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 ND/10000 y Exp (ND/10000) B1 Reflectividad B1 (%) ND/10000 Exp (ND/10000) 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 ND/10000 y Exp (ND/10000) B2 Reflectividad B2 (%) ND/10000 Exp (ND/10000) 0 10 20 30 40 50 60 70 80 90 100 01234 ND/10000 y Exp (ND/10000) B3 Reflectividad B3 (%) ND/10000 Exp (ND/10000) 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 5 ND/10000 y Exp (ND/10000) B4 Reflectividad B4 (%) ND/10000 Exp (ND/10000) Figura 16: Relación entre la reflectividad y los niveles digitales (ND) dados por el sensor aerotransportado junto con los 2 modelos de regresión ajustados para las 4 bandas analizadas para el ensayo de maíz. Las gráficas de los modelos de ajuste calculados para el ensayo del maíz (Figura 16), muestran como los datos se ajustan mejor cuando se usa el Modelo B Y=a+b EXP (ND/10000), este modelo permite una mayor amplitud en el eje de las X haciendo que los datos se ajusten mejor y que los valores del coeficiente de determinación (R2) sean más altos. Este modelo B se ajusta mejor en cada una de las bandas que conforman la imagen del maíz. 26 A pesar de que se ha visto que a partir de un tamaño de píxel de 0.6 m x 0.60m se captaba una parte importante de información de fuera de la mascara esta información no es muy diferente de la interior a la máscara siempre que el tamaño de píxel no sobrepase los 1.80m. En la Figura 21 se puede observar cómo se dispersan los puntos en la imagen de tamaño de píxel 3.60m x 3.60m y 0.60m x 0.60m con respecto a la imagen original de tamaño de píxel 0.15m x 0.15m, para la banda 4 y GNDVI. Los valores de la imagen de 3.60m aparecen más dispersos que los de 0.60 en ambas gráficas. 5000 5500 6000 6500 7000 5000 5500 6000 6500 ND imagen 0.15m ND imagen 0.60 y 3.60 B4 0.15-B4 0.60 B4 0.15-B4 3.60 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.30 0.35 0.40 0.45 0.50 0.55 0.60 GNDVI imagen 0.15m GNDVI imagen 0.60m y 3.60m GNDVI 0.15-GNDVI 0.60 GNDVI 0.15-GNDVI 3.60 Figura 21: Gráficas que muestran la dispersión de los datos de las imágenes de 3.60x3.60m y 0.60 x 0.60 respecto a la imagen original de 0.15m x 0.15, para la B4 y GNDVI. Otra información que es interesante de observar es como disminuye la variabilidad en la información obtenida la aumentar el tamaño del píxel. Esta información se presenta en la Tabla 8. Se puede observar que la desviación es mayor en la imagen original, es decir en la imagen con tamaño de píxel 0.15m, lo cual está indicando que la variabilidad es mayor. Este valor de desviación típica o estándar va disminuyendo progresivamente a medida que se va aumentando el tamaño de píxel, por lo que la variabilidad de la información contenida se va haciendo menor, es decir se va perdiendo información al aumentar el tamaño de píxel y agregar la información. A partir del tamaño de píxel de 1.20m se observa un mayor decrecimiento del valor de la desviación pero dónde se produce un descenso más brusco es cuando el tamaño de píxel es de 3.6m. Aquí la variabilidad es muy pequeña ya que con este tamaño de píxel las parcelas que conforman en el ensayo pueden englobarse en uno o dos píxeles haciendo que no haya casi variabilidad de información dentro de la misma. Tabla 8: Media de los valores de la desviación típica de los distintos índices (NDVI, GNDVI) y bandas (B2, B3, B4) obtenidos en las distintas parcelas a partir de imágenes con distintas resoluciones espaciales (tamaño píxel). Valores de la media de la desviación típica de las parcelas Tamaño píxel NDVI GNDVI B2 (VERDE) B3 (ROJO) B4 (IRC) 0.15 0.062 0.056 322.341 230.196 703.392 0.30 0.055 0.048 272.270 202.295 598.273 0.60 0.040 0.036 197.389 156.113 377.164 0.90 0.033 0.029 151.346 124.211 283.130 1.20 0.031 0.027 130.682 112.530 237.734 1.80 0.023 0.021 101.367 83.714 178.536 3.60 0.005 0.004 29.648 20.971 34.037 Los valores de la desviación típica muestran el grado de dispersión de los valores de una muestra respecto al promedio de la misma. 27 Para una mejor visualización en la Figura 22 se presenta el valor de la desviación estándar para las bandas verde, roja y infrarroja. Se observa como el descenso más acusado se produce en el paso al tamaño de píxel de 3.60m y en el caso de la banda del infrarrojo cercano también hay un descenso de los valores de desviación en el paso del tamaño de 0.30 a 0.60m. 0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 0.15 0.30 0.60 0.90 1.20 1.80 3.60 Tamaño de píxel Media de la Desviación Standart B2 (VERDE) B3 (ROJO) B4 (IRC) Figura 22: Representación de la media de la desviación típica de las bandas verde, rojo e infrarrojo cercano. En resumen se puede decir que con el tamaño y forma de las mascaras utilizadas en este trabajo es posible reducir el tamaño de píxel de 0.15m hasta 0.60m sin incluir información ajena a la zona de estudio. Además dadas las características del ensayo analizado es además posible disminuir la resolución de la imagen hasta 1.8m sin alterar substancialmente la información obtenida en las parcelas experimentales. 28 6. ADQUISICIÓN DE INFORMACIÓN RADIOMÉTRICA EN EL ENSAYO DE MAÍZ En 2010, dentro del proyecto “Estrategias agronómicas para optimizar el uso del nitrógeno en maíz en sistemas de riego por aspersión” en el que se enmarca parte del presente estudio, se evaluó la información derivada de imágenes del mismo vuelo comercial que el utilizado en este trabajo para diagnosticar el estado nutricional del maíz en fases intermedias del cultivo (Isla et al, 2011). Dentro del proyecto se tiene previsto ampliar este trabajo con imágenes correspondientes a los ensayos realizados en 2011 y 2012. En 2012 se ha decidido apoyar y completar estos trabajos con radiometría de campo. Se busca tener caracterizados espectralmente diferentes estados nutricionales del maíz. Esta información servirá para validar la información derivada de las imágenes así como para ver la posibilidad de establecer modelos o relaciones empíricas entre contenido en clorofila de la planta y reflectividad. 6.1 Puesta a punto del equipo de muestreo La toma de medidas radiométricas en el ensayo de maíz requería del diseño previo de un sistema que permitiese elevar la sonda por encima del cultivo, teniendo en cuenta que este puede superar los 2.5 metros de altura. Para ello se adaptó a una pértiga dos tubos de aluminio ensamblados sobre los cuales se sujetaba la fibra óptica del radiómetro con la sonda en su extremo (Figura 23). La pértiga es extensible lo cual permite variar la altura. Figura 23: Soporte para la toma de medidas radiométricas La sonda se fija al extremo del brazo extensible y el resto de la fibra óptica se sujeta por el brazo extensible siguiendo su recorrido. Sonda Brazo extensible Pért i ga Fibra ópt i ca 29 El espectroradiómetro al que va unido la sonda se transporta dentro de una mochila para hacer más cómodo el muestreo y al mismo tiempo se protege del calor y de la humedad que hay en el ensayo en las horas centrales del día, cuando se toman las medidas. El resto del equipo (ordenador portátil) se transporta en la mano. Las medidas las realizaron dos personas, una de ellas portaba la pértiga situándose detrás de la misma, y la otra persona que portaba el ordenador y el radiómetro se colocaba detrás de la persona que llevaba la pértica permitiendo así el libre movimiento de ambas personas y evitando a su vez que alguna de ellas pudiese interferir en las medidas. 6.2 Diseño del muestreo radiométrico Cómo ya se ha descrito en la organización de ensayo en el Apartado 3.1 (Figura 2), cada parcela del ensayo contiene 6 filas de maíz, con plantas cada 15cm. Los resultados de un ensayo similar realizado el año anterior mostraron que en condiciones de al- to N inicial en el suelo (Escenario Alto) no se observan diferencias significativas en el rendimiento entre el tratamiento sin fertilizar y el resto de los tratamientos (Isla et al, 2011). A la vista de estos resultados se decidió realizar las medidas radiométricas únicamente en los escenarios medio y bajo. Para evitar influencias de parcelas colindantes y tratar de recoger las muestras representativas se optó por realizar las medidas en las dos filas centrales de cada una de las parcelas. En la parcela 23 la medición se desplazó dos filas a la derecha al no ser representativas las dos filas centrales. En ellas el maíz no tenía un buen desarrollo a acusa de un fallo mecánico cuando se aplicó el herbicida. Se hicieron varias pruebas hasta encontrar un método de muestreo válido, rápido y eficiente. Inicialmente se ensayó a tomar medidas cada 8 plantas, caminando entre las líneas centrales de la parcela de estudio (línea 3ª y 4ª). Se tomaban primero lecturas radiométricas en la fila de la derecha y luego se volvía en sentido contrario tomando medidas en la otra fila (Figura 24). De este modo salían unas 16 muestras por parcela necesitándose un tiempo medio de aproximadamente 15 minutos por parcela, y más de 10 horas para muestrear las 40 parcelas elegidas, resultando inviable. Cómo lo que se quería era poder tomar las medidas de radiometría lo más cercanas en tiempo al mediodía solar y al día de vuelo de captura de la imagen, se optó por otro tipo de muestreo más rápido pero igual de efectivo. En este otro muestreo se caminaba entre las dos líneas de maíz y se iban alternando las medidas a izquierda y derecha, configurando un esquema en zig-zag tal y como se muestra en la Figura 25. Así el número de muestras por parcela se reducía a la mitad, unas 8, y el tiempo de muestreo se reducía también considerablemente; en este caso se tardaba unos 5 minutos por parcela, lo que hacía viable tomar todas las medidas el mismo día del vuelo. De esta manera más simplificada el proceso llevaba aproximadamente unas 4 horas contando la toma de corriente oscura y del blanco de referencia. El itinerario seguido para la toma de las medidas radiométricas los dos días de muestreo aparece representado en la Figura 26. En la Figura 27 se muestra una imagen de la toma de las medidas radiométricas en campo. 30 Nº Parcela Fila 6 Fila 4 Fila 2 Fila 1 Fila 5 Fila 3 Planta de maíz Fin muestreo Planta muestraLínea de maízInicio muestreo Nº Parcela Fila 6 Fila 4 Fila 2 Fila 1 Fila 5 Fila 3 Planta de maíz Fin muestreo Planta muestraLínea de maízInicio muestreo Figura 24: Diseño de muestreo inicial con 16 muestras por parcela Figura 25: Diseño del muestreo en zig-zag 31 Figura 26: Esquema de los itinerarios seguidos para la toma de muestras. Figura 27: Detalle de la toma de las medidas radiométricas en campo. 32 6.3 Toma de medidas radiométricas Las medidas radiométricas se tomaron previas a la floración cuando el maíz estaba en estado V15. La variabilidad en el ensayo llevó a encontrar plantas con alturas en general entre de 160 y 250cm, decidiéndose situar la sonda del radiómetro a 350cm de altura del suelo para que estuviera 1m por encima de las plantas con más altura; y a 80 cm de la pértiga para asegurar que la misma no interfiere en las medida. El IFOV fue de 25º. De este modo y según el esquema de la Figura 28, las medidas de reflectividad corresponden a la superficie de un círculo de 77cm de radio a ras de suelo y de 22cm cuando la cobertura del maíz es de 250cm. r = d tan θ r d θ r = d tan θ r d θ Figura 28: Esquema del IFOV y diámetro de la medida del radiómetro. Antes de realizar las medidas se determinaba la corrientes oscura y la lectura sobre el panel blanco de referencia (Spectralon) tal y como se ha explicado en el Apartado 4.2.2. Estas medidas se repetían cada cuatro parcelas y se anotaban con diferente nombre para reconocerlas fácilmente. Cada fichero guardado lleva asociada la hora de toma de muestra, información que resulta muy útil a la hora de asignarles el blanco que les corresponde en el procesamiento posterior. Se comenzaba a medir en la quinta planta contando desde el borde de la fila para asegurar que no se registra el suelo del pasillo. La sonda se situaba justo encima de la planta elegida. La planta sobre la que se centraba la medida se localizaba con un GPS Trimble Geoexplorer 2008 series, modelo GeoXT que proporciona error, tras postproceso con el programa Pathfinder office, submétrico (0.4m-1m). Concretamente, dicho GPS iba acoplado a un medidor de clorofila con el que se realizaban medidas en las mimas plantas sobre las que se hacía la radiometría. La información referida a cada lectura radiométrica se almacenó adoptando la siguiente nomenclatura: P(a)_Nº(b) Ejemplo: P12_5i Donde, (a) es el número de parcela Nº es el número de muestra dentro de la parcela (b) es la situación de la muestra, izquierda (i) ó derecha (d) De esta manera se puede identificar por el nombre a que muestra y parcela corresponde cada lectura. Todas ellas se almacenaron en carpetas identificadazas con la fecha del muestreo. 33 Aunque inicialmente se pensaban tomar todas las medidas radiométricas en el mismo día, finalmente se tomaron en dos días consecutivos (Figura 29) al no funcionar correctamente el GPS el primer día. Concretamente, la mitad del muestreo se realizó el día 10 de julio de 2012, día en el que se voló para tomar la imagen y la otra mitad el día posterior, 11 de julio. En ambos casos se tiene el mismo número de parcelas estando representadas todas las estrategias de abonado nitrogenado. Queda asegurada por tanto tener un muestreo representativo con la localización de las plantas muestreadas. Las condiciones climatológicas fueron similares en ambos días, con cielos despejados en las horas de muestreo, de 10h 30’ a 12h 15’ hora solar el día 10 y de 10h15’ a 12h00’ hora solar el día 11. 6.3.1 Problemas detectados Con la corriente oscura El análisis posterior de la firmas espectrales obtenidas para la vegetación parecen indicar que se sobreestimó el mismo pues en algunas longitudes de onda del visible, principalmente en la región del azul y rojo, la reflectividad sale negativa. Se realizaron algunas pruebas para constatar que no era un problema del radiómetro o de la fibra. La causa se achaca a la toma de la corriente oscura fuera de las parcelas, en el pasillo, donde hay más iluminación, más calor y menos humedad que dentro de las parcelas de maíz. Con el blanco de referencia La comparación de las diferentes lecturas del panel blanco de referencia realizadas durante la toma de medidas radiométricas mostró que en ocasiones no se habían grabado correctamente quedando registrado el blanco tomado con anterioridad. Se precisa repasar el protocolo de toma de medidas pues esto ocurre siempre que se hace referencia al blanco sin haber tomado anteriormente corriente oscura. 6.4 Muestreo en campo de información adicional Simultáneamente a la toma de muestras de radiometría, otra persona tomaba lecturas con un medidor de clorofila SPAD-502Plus (Figura 29) que de forma no destructiva mide el estado nutricional. Las lecturas se tomaron inmediatamente antes que las medidas radiométricas y sobre la misma planta muestra, concretamente en la parte central de la hoja de inserción de la mazorca. Se tomaron dos lecturas por planta, calculándose posteriormente el valor medio. Figura 29: Equipo de medición de clorofila 34 7. EXTRACCIÓN DE INFORMACIÓN DE LA IMAGEN MULTIESPECTRAL DEL ENSAYO DE MAÍZ De cada parcela de ensayo se ha extraído para las dos filas centrales de maíz, siguiendo dos procedimientos diferentes, el nivel digital medio de las bandas 2, 3 y 4 y de dos índices espectrales, el índice de vegetación de diferencia normalizada, (NDVI) y el Índice de vegetación verde de diferencia normalizada (GNDVI). La información radiométrica obtenida de las imágenes por diferentes procedimientos se va a relacionar entre otras cosas con el contenido en clorofila y abonado nitrogenado. 7.1. Los índices espectrales El NDVI (Rouse et al. 1974) combina la banda del rojo y del infrarrojo cercano de la siguiente forma: Dónde: NIR: banda del infrarrojo cercano R: banda del Rojo Este índice se basa en contraste espectral que la vegetación sana presenta, con baja reflectividad en la banda del rojo y reflectividad mucho más altas en la banda del infrarrojo cercano (Chuvieco 2002). Su valor varía entre valores de -1 y 1, siendo 0.7 valor de cubierta densa.. El NDVI es el índice más utilizado en aplicaciones agronómicas de teledetección ya que reúne tres características importantes: su sencillez de cálculo, su fácil interpretación y su poder de normalización de la respuesta espectral de sistemas de vegetación, alcanzando un alto grado de correlación con parámetros de de interés agronómico (Sobrino 2000). El GNDVI (Gitelson et al, 1996) relaciona la reflectividad en el infrarrojo cercano (NIR) con la banda del verde. Este índice varía también entre -1 y 1 y se calcula mediante la siguiente ecuación: Dónde: NIR: banda del infrarrojo cercano G: banda del Verde El GNDVI es más sensible que el NDVI a los parámetros biofísicos cuando los niveles de los mismos son elevados. Este índice es resistente también a los efectos atmosféricos, ya que tiene un mayor rango dinámico que el NDVI. El cálculo de dichos índices se ha realizado utilizado la herramienta de Spatial Analyst Tools/Map Algebra/raster calculador y las capas ráster correspondientes a cada banda que interviene en el índice. En la Figura 30 se muestra un ejemplo de las imágenes resultantes después de calcular cada uno de los índices. R NIR RNIR NDVI + − = G NIR GNIR GNDVI + − = 35 Figura 30: NDVI y GNDVI calculados para la imagen original de 0.15m x 015m 7.2. La extracción de la información Los dos procedimientos seguidos han sido: • Con una máscara de las dos filas centrales de la parcela • Con una máscara sobre cada punto de muestreo de radiometría de campo. El procedimiento seguido en el primer caso ha quedado descrito en el Apartado 5.2, habiéndose extraído la información de las 40 parcelas estudiadas. Se describe a continuación el procedimiento seguido en el segundo caso que sólo se ha aplicado a las 20 parcelas en las que se localizaron los puntos de muestreo con GPS. Las lecturas de SPAD se tomaron el día 11/07/2012 y en el mismo punto que se realizaba la lecturas se recogían las medidas radiométricas de las plantas de maíz. Al lector SPAD se le acopló un GPS, que recogía las coordenadas longitud-latitud para cada una de las medidas realizadas. Estas coordenadas permitirán posicionar el punto donde se realizaban las medidas de SPAD y las medidas de radiometría de la vegetación que se han realizado a la vez. Una vez recogidos los datos en campo, hay que depurarlos, es decir, eliminar aquellos puntos que están repetidos o que se habían marcado como erróneos y que pueden dar errores a la hora de analizar los datos. Con los datos válidos se conforma una tabla que se incluirá en ArcGIS. Esta tabla se pueden integrar en ArcGIS 10 como datos “x” e “y”: Para ello en primer lugar hay que asignar en ARCGIS el sistema de coordenadas geográficas en el cual el GPS ha recogido los datos de campos. Después se le asigna la proyección adecuada, en este caso: ED-1950-UTM-30N.prj, para la correcta visualización junto con la imagen del ensayo de maíz. Con esto valores de SPAD se habrá generado una capa vectorial de puntos dónde se pueden visualizar. 0.98 -0.97 0 25 5012.5 m ± Imágenes de NDVI y GNDVI obtenidas con las bandas de la imagen original de 0.15m x 0.15m GNDVINDVI 42 8.3 Caracterización espectral de los diferentes tratamientos de abonado nitrogenado Los problemas surgidos con las medidas radiométricas adquiridas en campo han limitado el desarrollo de esta parte del trabajo. En 16 de las 40 parcelas, se ha podido convertir dichas medidas radiométricas a valores de reflectividad siguiendo el procedimiento indicado en el Apartado 4. En estas 16 parcelas están representados todas las combinaciones de tratamiento y ambientes estudiados (medio y bajo). En la Figura 37 se presentan a modo de ejemplo las firmas espectrales medias de cada tratamiento en la zona con disponibilidad media inicial de nitrógeno. Las diferencias más acusadas se dan en la región del verde y del infrarrojo. En la región del verde, entre los 500 y 600nm el tratamiento sobrefertilizado es el que presenta la curva más diferente, con reflectividades ligeramente mayores en casi todo el ancho espectral indicado. Precisamente hacia los 550nm, longitud de banda del verde para las imágenes utilizadas en el trabajo presentado, es donde la curva de reflectividad es más parecida al del esto de los tratamientos. En la región del infrarrojo es donde se aprecian las mayores diferencias entre las signaturas espectrales de los distintos tratamientos, siendo la curva espectral correspondiente al tratamiento control la que presenta las menores reflectividades. Llama la atención la menor reflectividad del tratamiento sobrefertilizado respecto al resto de tratamientos que han recibido abonado. Habrá que analizar con más profundidad toda la información en combinación con la información derivada de las imágenes, contenido en clorofila, localización de las parcelas en el terreno, variabilidad dentro de las mismas, y rendimiento para poder determinar y explicar los comportamientos espectrales encontrados. Figura 36 ZONA MEDIA Figura 37: firmas espectrales medias de cada tratamiento en la zona con disponibilidad media inicial de nitrógeno 0 5 10 15 20 25 400 423 446 469 492 514 537 560 582 604 627 649 671 694 716 738 760 781 803 825 847 868 890 Longitud de onda (nm) Reflectividad (%) Tratamiento control sin fertilización T1 T2 T3 Tratamiento sobrefertilizado 43 9. RECOMENDACIONES PARA ESTUDIOS POSTERIORES La utilización de imágenes multiespectrales y radiometría de campo junto con la información recogida de algunas variables biofísicas del cultivo como es el contenido en clorofila (mediciones de SPAD) pueden ser un apoyo para la toma de decisiones en recomendaciones de abonado nitrogenado. Los trabajos realizados han proporcionado una gran cantidad de datos que permitirán profundizar en este tema. Los dos modelos de ajuste lineal probados para la calibración de las imágenes multiespectrales adquiridas con el sensor DMSC, R = a + b · ND/10000 y R = a + b · EXP (ND/10000) , han proporcionado en todos los casos ajustes estadísticamente significativos a un nivel de probabilidad p<0.001 y coeficientes de determinación (R 2 ) superiores para todas las bandas al 85%, lo que indica buenos ajustes. Sin embargo, analizando el procedimiento seguido se recomienda en el futuro, siempre que sea posible, hacer una buena selección de las superficies de control de tal manera que se encuentren ampliamente distribuidas en las longitudes de onda que son de interés para el estudio. Asimismo, elegir un número suficiente de superficies control de modo que se disponga de una serie de superficies para realizar la calibración y de otra serie distinta para realizar una validación que permita definir la calidad de la calibración. Además debe asegurarse que las superficies elegidas son homogéneas espectralmente y suficientemente amplias para no tener un espectro correspondiente a mezclas de superficies. Ello proporcionará mayor validez a los ajustes que se realicen. En cuanto al tamaño de píxel de las imágenes, se ha visto que existe una alta correlación entre la información obtenida de la imagen original y las imágenes de distinto tamaño de píxel hasta llegar a 1.8m, con coeficientes de correlación muy significativos y superiores a 0.92. A partir de un tamaño de píxel de 0.6 m x 0.6m se capta una parte importante de información de fuera de la máscara de las dos filas centrales de la parcela, pero esta información no es muy diferente de la interior a la máscara siempre que el tamaño de píxel no sobrepase los 1.8m. Todo ello indica que se podría disminuir la resolución de la imagen, abaratándose el precio de la misma. Los problemas surgidos en la adquisición de la información radiométrica recogida para caracterizar espectralmente diferentes estados nutricionales del maíz, validar la información derivada de las imágenes e intentar establecer modelos o relaciones empíricas entre contenido en clorofila de la planta y reflectividad han limitado el desarrollo de dichas actividades. Se debe revisar el protocolo de adquisición de datos radiométricos en campo e incluir especificaciones relativas a la toma de corriente oscura para registra siempre correctamente las lecturas del panel de referencia y evitar la sobreestimación de la misma tras los fallos detectados. Asimismo, se deberá revisar la forma de localización de los puntos de muestreo (posicionamiento y precisión del GPS) si se quieren hacer comparaciones puntuales de las variables adquiridas en el ensayo (SPAD, reflectancia, ND de las imágenes, etc) en lugar de utilizar medias por parcela. En cuanto al muestreo diseñado para la adquisición de variables de interés en el ensayo, como toma en campo de medidas radiométricas, lecturas SPAD, y otras derivadas de las imágenes, los resultados preliminares obtenidos en el trabajo indican la necesidad de ajustar aspectos en relación a la representatividad de las medidas realizadas si se quiere caracterizar con ellas el comportamiento medio en la parcela de las diferentes variables estudiadas. Los análisis de datos comenzados deben completarse, realizando asimismo estudios que integren toda la información obtenida (información derivada de las imágenes, contenido en clorofila, rendimiento, etc.) e incluyan, junto con el análisis estadístico de los datos, un análisis espacial de los mismos. 44 BIBLIOGRAFÍA Andreu J., J. Betrán, I Delgado, J.L.. Espada, M. Gil, M. Gutiérrez, F. Iguácel, R. Isla, F Muñoz, F. Orús, M. Pérez, D. Quílez, E. Sin, M.R:Yagüe. (2006). Fertilización nitrogenada. Guía de actualización. Gobierno de Aragín. Departamento de Agricultura y alimentación. . Aparicio, N., D. Villegas, J. Casadesus, J.L Araus, and C. Royo. (2000). Spectral vegetation indices as nondestructive Tools for determining durum wheat yield. Agron. J. 92:83-91. Blackmer, T.M,J.S. Schepers, G.E. Varvel and E.A. Waltershea. (1995) Nitrogen deficiency detection capabilities of reflected shortwave radiation from irrigated corn canopies. Agron. J. (In press). Blackmer, T.M y J.S. Schepers (1995). Use of chlorophyll meter to monitor nitrogen status and schedule fertigation for corn. J. Prod. Agric. 8. Chang K.W.,Y. Shen, J.C Lo (2005). Predicting rice yield using canopy reflectance measured at booting stage. Agronomy journal, 97, 872-878. Chuvieco, E. (2002): Teledetección ambiental: la observación de la tierra desde el espacio. Barcelona, Ariel Ciencia. Daughtry, C.S.T., C-L. Walthall, M.S Kim; E. Brown de Colstoun, J.E. McMurtrey III, (2000). Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote. Sens. Environ. 74: 229-239. De Miguel, E., J.G. Rejas, M. Jiménez y G. Fernández. (2001). Calibración radiométrica de datos ATM mediante radiometría de campo. Teledetección, medio Ambiente y Cambio Global. 465- 468. Dinguirard, M. y P.N. Slater. (1999). Calibration of space-multiespectral Imaging sensors: A review. Remote Sens. Environ. 68: 194-205. Esri (2010): ArcGIS 10.0. Filella, I., L.Serrano, J., Serra, J., Peñuelas. (1995). Evaluating wheat nitrógeno status with canopy reflectance indices and discriminant análisis. Crop science 35. García A., (2011). Apuntes de teoría de la asignatura: “Tratamiento digital de las imágenes satélite”. Departamento de geografía y ordenación del territorio. Universidad de Zaragoza. Gilabert, M. A., J. Gonzalez-Piqueras, et al. (2002). "A generalized soil-adjusted vegetation index" Remote Sensing of Environment 82(2-3): 303-310. Gitelson, A. A.,Kaufman, Y.J. and Merzlyak, M.N (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens.Environ.,58, 289-298. Haboudane, D., J.R., Miller, N., Tremblay, P.J., Zarco-Tejada, y L., Dextraze. (2002). Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote sensing of environment, 81 (2-3), 416-426. Honkavaara, E., Arbiol, R., Markelin, L., Martinez, L., Cramer, M., Bovet, S., Chandelier, L., Ilves, R., Klonus, S., Marshal, P.,Schläpfer, D., Tabor, M., Thom, C., and Veje, N., 2009. Digital airborne photogrammetry A new tool for quantitative remote sensing?—A state-of-the-Art review on radiometric aspects of digital photogrammetric images. Remote Sensing 1(3), pp. 577-605. Huete, A.R, and R. D, Jackson. (1985). Spectral response of a plant canopy with different soil backgrounds. Remote sensing Environ. 17, 37-53. Inoue, E., Y. Mihara, Y. Tsuboi (1963). Agro-metereological studies on rice growth in Japan. Agric. Meteor.2, 85-107. Inoue, Y. (2003). Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production. Plant production Science, 6(1), 3-16. Isla, R. y R., López Lozano. Comparación de distintos índices de vegetación para detectar deficiencias de nitrógeno en maíz. Revista de teledetección 24:5-9. 45 Isla R., R. Quílez, F. Valentín, M.A. Casterad, J. Aibar y M. Matutano (2011). Utilización de imágenes aéreas multiespectrales para evaluar la disponibilidad de nitrógeno en maíz. XIV congreso de la AET. 9-12. Kostrzewski, M., P. Waller,.P. Guertin. J., Haberland., P.Colaizzi, E. Barnes, T. Thomson, T. Clarke, E. Riley , C. Choi, (2002). Ground-based remote sensing of water and nitrogen stress. Trans. Of ASAE 45(6): 29-38 Montorio R., (2011).Apuntes de teoría de la asignatura “Principios, instrumentos y métodos de recogida de información espacial: radiometría de campo”. Departamento de geografía y ordenación del territorio. Universidad de Zaragoza. Plant, R.E, D.S., Munk, B.R Roberts, R.L.Vargas, D.W. Rains,R.L Travis, R.B Hutmacher. (2000).Relationships between remotely sensed reflectance data and cotton growth and yield. Transaction of the ASAEB, 43(3), 535-546. Rouse, J.W., R.H., Haas, J.A., Schell and D.W., Deering (1974). Monitoring vegetation systems in the great plains with ETRS. Third ERTS Symposium, vol.11. NASA. 309-317pp. Sobrino, J.A (2000). Teledetección. Guada impresiones S.L. Universidad de Valencia. 460 pp. Sripada, R.P., J.P.Schmidt, A.E. Dellinger, and D.B. Beegle (2008). Evaluating multiple indices from a canopy reflectance sensor to estimate corn N requirements. Agronomy Journal 100:1553-1561. Stroppiana, D.,M. Boschetti, P.A. Brivio and S. Bocchi. (2006) Remotely sensed estimation of rice nitrogen concentration for forcing crop growth models. Italian journal of Agrometereology (3) 50-57. Wiegand, C.L., A.J. Richardson, R.D. Jackson, P.J. Jr, Pinter, J.K., Aase, D. E., Smika, L.F. Lautenschlager, J.E., McMurtrey III. (1986). Development of agrometereological crop model inputs from remotely sensed information. IEEE Transactions on Geoscience and Remote Sensing, 24, 90-97. Wright, D. L. Jr, 2003. Using Remote Sensing to Manage Wheat Grain Protein. Final report for Utah StateUniversity Affiliated Research Ceneter, Earth Science Applications Directorate NASA Science Enterprise. Pp. 1-8. Xue, L. and L.Yang (2008). "Recommendations for nitrogen fertiliser topdressing rates in rice using canopy reflectance spectra." Biosystems Engineering 100(4): 524-534. http://www.idae.es/index.php http://sitar.aragon.es/