Se han estudiado datos de teledetección en tres fechas distintas de una parcela de girasol infestada de la mala hierba Ridolfia segetum, con varios objetivos: 1) clasificar y generar mapas de infestaciones, 2) estudiar la influencia de las infestaciones en la reducción de la cosecha y 3) determinar las relaciones espaciales entre los datos espectrales y la variabilidad de la cosecha. Se analizaron imágenes aéreas en color e infrarrojo-color adquiridas en mayo (estado vegetativo), junio (estado de floración) y julio (estado de senescencia), y el mapa de cosecha de girasol. Para la generación del mapa de infestaciones de R. segetum se aplicaron los métodos de clasificación "mapeo del ángulo espectral" y "separación de clases", resultando la mayor exactitud (94%) en las imágenes de junio. La presencia de R. segetum no afectó significativamente en la variabilidad de los niveles bajos de cosecha (< 1.60 t.ha-1), aunque a niveles altos (> 1.60 t.ha-1) la infestación se redujo considerablemente del 14 al 3%. El índice de vegetación de diferencias normalizadas (NDVI, siglas en inglés) generado con las imágenes de mayo mostró las relaciones más significativas con la cosecha del cultivo, de forma que la cosecha del girasol aumentó proporcionalmente con los valores del NDVI.
INTRODUCCIÓN
Los estudios de competencia en malherbología son clásicos y están basados en datos medios de emergencias de malas hierbas, lo que provoca que se sobreestimen las pérdidas del cultivo, ya que es ampliamente conocido que muchas malas hierbas se distribuyen en rodales (JURADO-EXPÓSITO y col. 2003); es decir, hay zonas en las que no hay emergencias y, por lo tanto, no se produce la competencia mala hierbacultivo.
En la actualidad, gracias a la conjunción de tecnologías de Sistemas de Posicionamiento Global (GPS) y teledetección es posible determinar la competencia espacial de las malas hierbas y el cultivo en grandes superficies. La productividad de los cultivos varía espacialmente debido a la influencia de factores bióticos como la presencia de malas hierbas, enfermedades o plagas y a factores abióticos como la disponibilidad de agua y nutrientes o las características edáficas. El conocimiento de la variabilidad espacial y temporal de estos componentes es la base en que se fundamentan las técnicas de la agricultura de precisión. Es decir, a partir de la estimación en cada punto de una parcela de las distintas variables de interés agronómico se genera un mapa de tratamientos para la aplicación selectiva o localizada de agroquímicos con el fin de reducir costes, optimizar el rendimiento de los cultivos, aumentar la rentabilidad para los productores y obtener beneficios ecológicos y ambientales (ROBERT, 2002).
Las imágenes de teledetección proporcionan información espacial, espectral y temporal de los cultivos. Se han empleado para la generación de mapas de infestaciones, presentando la ventaja de eliminar el duro y costoso muestreo en campo (HÄUSLER y NORDMEYER, 2003). Así mismo, se ha demostrado la relación entre la información suministrada por algunas bandas espectrales e índices de vegetación (combinaciones o ratios entre bandas) con la cosecha y el estado de desarrollo de cultivos como trigo (BENEDETTI y ROSSINI, 1993), algodón (ZARCO-TEJADA y col. 2005), o soja (BASSO y col. 2001). Los mapas generados contienen inevitablemente varios tipos y grados de error, por lo que es importante determinar la validez del método utilizado, que se puede obtener a partir del cálculo de la matriz de confusión resultante del cruce entre el mapa clasificado y el mapa verdad-terreno. A partir de esta matriz se determina la Exactitud Global de la clasificación, que es el porcentaje de píxeles clasificados por igual en ambos mapas y, por tanto, establece el porcentaje de acierto total en la clasificación de una imagen.
En general, se considera que una clasificación es aceptable cuando la exactitud global obtenida es superior al 85% (FOODY, 2002).
Una de las malas hierbas más agresivas en el cultivo de girasol es Ridolfia segetum (L.) Moris ("nerdo"), estimándose que las parcelas infestadas de R. segetum en Andalucía en la rotación trigo-girasol es aproximadamente del 25%, provocando problemas de atasques en las cosechadoras y una reducción media de la cosecha del 32 % cuando la infestación es al menos de 2 plantas de nerdo/m2 (CARRANZA y col. 1995).
En este trabajo se analizaron imágenes de teledetección tomadas sobre una parcela de girasol infestada de R. segetum con los siguientes objetivos: 1) comparar dos métodos de clasificación de imágenes y determinar la mejor fecha para la discriminación de los rodales de R. segetum y la generación del mapa de infestaciones de la parcela; 2) determinar la influencia de las infestaciones en la reducción de la cosecha de girasol; y 3) estudiar las relaciones existentes entre los datos de teledetección y la variabilidad de la cosecha del cultivo.
Material y métodos
Se han analizado fotografías aéreas en color [bandas del espectro electromagnético: Azul (A, 400-500 nm), Verde (V, 500-600 nm) y Rojo (R, 600-700 nm)] y en infrarrojo-color [Bandas V, R e Infrarrojo-cercano (NIR, 700-1100 nm)] de una finca de girasol de 42 hectáreas de superficie denominada Matabueyes (Córdoba), infestada naturalmente de la mala hierba R. segetum. Las imágenes se tomaron en tres estados fenológicos diferenciados: vegetativo (mediados de mayo), floración (mediados de junio, Figura 1) y senescencia (mediados de julio). El girasol se sembró en marzo y se cosechó en agosto con una cosechadora Massey Fergurson® equipada con GPS (Global Position System) y con el sistema Fieldstar® para generar el mapa de cosecha (Figura 2a). Los datos de rendimiento obtenidos se agruparon en seis niveles: 0.50, 0.90, 1.20, 1.60, 1.95 y 2.30 t.ha-1.
Las fotografías se tomaron a una escala media de 1:10000 y fueron digitalizadas con el escáner AGFA Horizon A3 a una resolución de 508 ppp. Seguidamente se ortorrectificaron en base al Modelo Digital del Terreno y usando unos 40 puntos de control medidos sobre el terreno con el GPS diferencial TRIMBLE PRO-XRS, obteniéndose imágenes georreferenciadas con píxeles de 50 x 50 cm. Las imágenes fueron procesadas con el programa de teledetección ENVI 3.6. Se analizaron las imágenes de las cuatro bandas espectrales y del índice de vegetación NDVI=[(NIR-R)/(NIR+R)] (Figura 2b). El índice NDVI refleja las diferencias de valores espectrales entre las bandas rojo e infrarrojo, y está directamente relacionado con la cobertura vegetal del suelo, pudiendo tomar valores entre -1 (suelo desnudo sin vegetación) y +1 (suelo con cobertura total de vegetación sana y vigorosa).
Se compararon dos métodos distintos de clasificación de las imágenes para discriminar entre dos clases de cobertura del suelo, zonas infestadas de R. segetum y zonas no infestadas:
1) Separación de clases: Los píxeles se agruparon dentro del intervalo de valores definido por los Niveles Digitales Frontera que caracterizan los píxeles de entrenamiento de las zonas infestadas de R. segetum. Este método se ha aplicado en las imágenes de cada banda y el índice de vegetación.
2) Mapeo del Ángulo Espectral (SAM, siglas en inglés): Los píxeles se clasificaronpor comparación con los ángulos que seforman entre las bandas que definen cada clasede referencia. El algoritmo determina la similitud entre la firma digital de cada clase de referencia y la firma digital del píxel que se quiere clasificar, comparando sus ángulos respectivos dentro del Umbral Máximo Angular que caracteriza cada clase. Este método se ha aplicado en las imágenes multibanda.
Se muestrearon numerosas zonas infestadas y no infestadas de R. segetum y se georreferenciaron para su localización posterior en las imágenes.
A partir de estos datos, se establecieron dos zonas específicas: 1) Zonas de entrenamiento, formadas por 220 píxeles puros que describen estadísticamente cada clase (media, rango, desviación estándar); 2) Zonas o mapas verdad-terreno, formadas por 550 píxeles utilizados para la validación de los resultados de cada clasificación.
La coincidencia entre las imágenes clasificadas y la localización real de los rodales R. segetum se cuantificó mediante el cálculo de la matriz de confusión. A partir de dicha matriz se obtiene la Exactitud Global de cada clasificación y, por tanto, se determina el método de clasificación y la fecha de captura de las imágenes más adecuado para la discriminación de R. segetum en girasol.
La influencia de la infestación de R. segetum en la producción de girasol se estimó mediante la comparación espacial entre el mapa de infestaciones que obtuvo una mayor exactitud global de clasificación y el mapa de cosecha. Se calcularon el porcentaje de los píxeles de cada nivel de cosecha que estaban infestados de R. segetum y la reducción total de cosecha en las zonas infestadas.
Las relaciones entre las imágenes aéreas y la cosecha se determinaron a partir del análisis de varianza para un nivel de significación de los valores medios del 5% según el test de mínimas diferencias significativas entre los datos de teledetección de las tres fechas de estudio y los datos de cosecha.
Resultados y discusión
1) Mapas de infestaciones de R. segetum:
Los parámetros de cada método de clasificación y la Exactitud Global obtenida en cada fecha se muestran en la Tabla 1. En mayo, el método de Separación de Clases aplicado en las imágenes de la banda Infrarrojo fue el más eficiente para discriminar los rodales de R. segetum, con una exactitud global en la clasificación del 72 %. En Junio, todos los métodos de clasificación obtuvieron un mejor resultado que en el mes de mayo, destacando el método del Mapeo del Ángulo Espectral con una exactitud global del 94% de los píxeles verdad-terreno. En Julio, el método de Separación de Clases de la imagen de la banda rojo resultó el método más adecuado con una exactitud global del 76%, aunque este resultado fue peor que los obtenidos en el mes de Junio.
2) Influencia de las infestaciones en la reducción de cosecha:
El mapa de infestaciones de R. segetum se generó mediante la clasificación de la imagen tomada en junio y aplicando el método del Mapeo del Ángulo Espectral (Figura 3). La producción media de cosecha en las zonas infestadas y no infestadas, así como el porcentaje de superficie infestada para cada nivel de cosecha se muestran en el Gráfico 1. El Gráfico 1a muestra que la infestación de R. segetum en la parcela produjo una reducción de la cosecha media del girasol de tan sólo 0,10 t.ha-1. Sin embargo, en el Gráfico 1b se observan que a partir de 0,90 t.ha-1 el porcentaje de píxeles infestados disminuye según aumenta el nivel de cosecha. La infestación no afecta significativamente en los niveles bajos y medios de cosecha (de 0,50 a 1,60 t.ha-1), pero a niveles de cosecha altos (de 1,60 a 2,30 t.ha-1) la infestación se reduce bruscamente del 14 al 3%. Esto indica que las zonas con elevado nivel de cosecha estaban generalmente libres de infestación de R. segetum, aunque como esta superficie sólo ocupó un 15% de la superficie total de la parcela, el efecto de las infestaciones en la disminución total de la cosecha fue reducido.
3) Relaciones entre datos de teledetección y cosecha:
Se obtuvieron diferencias significativas con el índice NDVI y la banda Roja, ambos en el mes de mayo, con respecto a todos los niveles de cosecha. Los valores medios del índice y la banda incrementaron y decrecieron, respectivamente, con el aumento de los niveles de cosecha (Gráfico 2). En las otras bandas espectrales y fechas estudiadas no hubo diferencias significativas para todos los niveles de cosecha (resultados no mostrados). Los resultados obtenidos en mayo se pueden atribuir a la capacidad de las imágenes remotas de detectar el distinto grado de cobertura del suelo y de desarrollo del cultivo. En las primeras semanas de desarrollo del cultivo es posible detectar en la parcela la existencia de zonas con distinta productividad potencial, fallos de siembra, características del suelo, etc., y que pueden influir en la cosecha final del girasol. ZARCO-TEJADA y col. (2005) en cultivos de algodón y YANG et al. (2001) en cultivos de algodón, sorgo y maíz, concluyeron también que el mejor momento para la estimación de la cosecha fue durante los estados de desarrollo en época temprana (vegetativo o inicio de la floración).
Conclusiones
El método de Mapeo del Ángulo Espectral resultó el más exacto para discriminar rodales de R. segetum en girasol, cuando la imagen es tomada en el mes de Junio. Esta fecha se caracteriza porque el cultivo se encuentra en su fase reproductiva (capítulo del girasol abierto) y R. segetum en un estado de desarrollo de umbelas abiertas amarillas. La infestación de R. segetum redujo levemente la productividad media del cultivo de girasol, aunque sólo un 3% de las zonas con elevada cosecha estuvieron infestadas. La mejor fecha de captura de imágenes remotas para la estimación de la cosecha de girasol fue a mediados de mayo (estado de crecimiento vegetativo del cultivo), y mediante el uso del índice de vegetación NDVI. La estimación en época temprana de la productividad del cultivo puede ayudar al desarrollo de estrategias de manejo localizado del cultivo en el contexto de la agricultura de precisión.
Agradecimientos: Esta investigación ha sido parcialmente financiada por el Ministerio de Educación y Ciencia a través del proyecto AGL2005-06180-CO3-02.
BIBLIOGRAFÍA
BASSO B., J.T. RITCHIE, F.J. PIERCE, R.P. BRAGA y J.W. JONES. 2001. Spatial validation of crop models for precision agriculture. Agricultural Systems 68: 97-112.
BENEDETTI R. y P. ROSSINI. 1993. On the use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sensing of Environment 45: 311-326.
CARRANZA P., M. SAAVEDRA y L. GARCÍA-TORRES. 1995. Competition between Ridolfia segetum and sunflower. Weed Research 35: 369-375.
FOODY G.M. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment 80: 185-201.
HÄUSLER A. y H. NORDMEYER. 2003. Using aerial photography to detect weed patches for site-specific weed control ? perspectives and limitations. In: J. Stafford and A. Werner (eds.), Precision Agriculture. Wageningen Academic Publishers, The Netherlands, 271?277.
JURADO-EXPÓSITO M., F. LÓPEZ-GRANADOS, L. GARCÍA-TORRES, A. GARCÍA-FERRER, M. SÁNCHEZ-DE LA ORDEN y S. ATENCIANO. 2003. Multi-species weed spatial variability and site-specific management maps in cultivated sunflower. Weed Science 51: 319-328.
ROBERT P.C. 2002. Precision agriculture: a challenge for crop nutrition management. Precision Agriculture 247: 143-149.
YANG C., J.M. BRADFORD y C.L. WIEGAND. 2001. Airborne multispectral imagery for mapping variable growing conditions and yields of cotton, grain sorghum, and corn. Transactions of the ASAE 44: 1983-1994.
ZARCO-TEJADA P.J., S.L. USTIN y M.L. WHITING. 2005. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agronomy Journal 97: 641-653.
Comprar Revista Phytoma 193 - NOVIEMBRE 2007
