Uso de un vehículo aéreo no tripulado como alternativa para evaluar el estado nutricional del cultivo de algodón

• Jonathan Espinoza Maestría en Ingeniería Agrícola, Instituto de Postgrado, Universidad Técnica de Manabí, Ecuador. https://orcid.org/0000-0002-8764-1972
• Henry Pacheco Facultad de Ingeniería Agrícola, Universidad Técnica de Manabí, Ecuador. https://orcid.org/0000-0002-9997-9591

Palabras clave: EBEE SQ, Sequoia, índice de clorofila, multiespectral, espectro visible

Resumen

El uso de los vehículos aéreos no tripulados en estudios fotogramétricos permite la obtención de datos espaciales en cortos periodos de tiempo y de alta resolución espacial. En la investigación se procesaron imágenes multiespectrales para el estudio de condiciones nutricionales del cultivo de algodón (Gossypium hirsutum). Se desarrolló un diseño experimental del cultivo, con diferentes dosis y fuentes nitrogenadas, en un arreglo factorial con 16 tratamientos y 4 repeticiones en parcelas distribuidas completamente al azar. Se utilizó el dron agrícola EBEE SQ, equipado con la cámara Parrot Sequoia, y se planificó un vuelo fotogramétrico, con el software Emoticón AG, mismo que se sincronizó con el dron para establecer los parámetros de vuelo y capturar la información de reflectancia del espectro visible, infrarrojo y borde rojo. Las imágenes capturadas se procesaron con el software PIX4D Mapper para generar la ortofoto y las 4 bandas espectrales usadas en el cálculo del índice de clorofila. Utilizando herramientas de algebra de mapas del software ArcGIS sobre los resultados obtenidos, se ejecutó un análisis de varianza con el modelo ANOVA. Con los índices calculados se pudo evidenciar diferencias en la vigorosidad del cultivo en función de los tratamientos. El análisis de los resultados mostró diferencias significativas en la respuesta espectral del cultivo de algodón fertilizado con diferentes fuentes (urea, torta de piñón, gallinaza y estiércol bovino) y dosis nitrogenadas (50, 100, 150 y 200 N kg.ha^-1). El tratamiento de urea en la dosis de 150 N kg.ha^-1 mostro la mejor respuesta espectral.

Citas

ArcGIS. (2020). Conjunto de herramientas de Álgebra de mapas. https://bit.ly/30SDu5a.
Bartesaghi, C., Osmond, P., Peters, A. & Matthias, I. (2018). Understanding land surface temperature differences of local climate zones based on airborne remote sensing data. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(8), 2724-2730. https://bit.ly/3dtBLWZ.
Burbano, C., y Peñaranda, G. (2020). Breve visión de los aspectos evolutivos de la agricultura de precisión como herramienta de gestión. Lumen Gentium, 4(1), 57-67. https://bit.ly/3cFg2v9.
Karydas, C., Latrou M., Kouretas, D., Patouna, A., Latrou G., Lazos, N., Gewehr, S., Tseni X., Tekos F., Zartaloudis, Z., Mainos, E. & Mourelatos, S. (2020). Prediction of antioxidant activity of cherry fruits from UAS multispectral imagery using machine learning. Journal of Antioxidants, 9(2), 156. Disponible en: https://bit.ly/3r29L4O.
Kharuf-Gutierrez, S., Hernández-Santana, L., Orozco-Morales, R., Díaz, A., y Delgado Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Ingeniería Electrónica Automática y Comunicaciones, 39(2), 79-91. https://bit.ly/3xoq3Gr.
Ledesma M., Rodríguez C., Ledesma, C., Bonansea, M., Pinotti, L. P., Scavuzzo, C. M., y Ferral, A. (2020). Análisis de la distribución temporal de la concentración de Clorofila-a en el embalse Río Tercero, Córdoba, Argentina. Ab Intus, 3(5), 83-87. https://bit.ly/30P6NWX.
Macías-Duarte, R., Grijalva-Contreras, R. L., Robles-Contreras, F., Núñez-Ramírez, F., Cárdenas-Salazar, V. A., & Mendóza-Pérez, C. (2021). SPAD index, nitrates, and sorghum yield in response to nitrogen supply. Agronomía Mesoamericana, 32(1), 293-305. https://bit.ly/3DPU3O2.
Marín, J., Betancur, L., y Arguello, H. (2018). Modelo de muestreo comprimido multiespectral para radio cognitiva. Ingeniare. Revista chilena de Ingeniería, 26(2), 225-240. https://bit.ly/3l2WAx0.
Parrot Drone SAS. (2020). Manual, soporte y accesorio de uso de cámaras multiespectrales. Disponible en: https://bit.ly/3FyUwVc.
Pix4D SA. (2019). Pix4D Mapper. https://bit.ly/3nJgcrs.
Prando, A., Souza, T., de Oliveira, A., & Zucareli, C. (2019). Produtividade, índice de vegetação e clorofila de trigo em resposta à inoculação com Azospirillum brasilense e adubação nitrogenada em cobertura. Cultura Agronômica, 28(3), 329-342. https://bit.ly/3CFDSBq.
Xu, M., Liu, R., Chen, J., Liu, Y., Shang, R., Ju, W., Wu, Ch. & Huang, W. (2019). Retrieving leaf chlorophyll content using a matrix-based vegetation index combination approach. Remote Sensing of Environment, 224, 60-73. https://bit.ly/3pME11F.
Zhou, X., Huang, W., Kong, W., Ye, H., Dong, Y. & Casa, R. (2017). Assessment of leaf carotenoids content with a new carotenoid index: Development and validation on experimental and model data. International journal of Applied Earth Observation and Geoinformation, 57(5), 24-35. https://bit.ly/3Eux1wf.
Zhou, X., Huang, W., Zhang, J., Kong, W., Casa, R., & Huang, Y. (2019). A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phenological status. International Journal of Applied Earth Observation and Geoinformation, 76(3), 128-142. https://bit.ly/3IptC46.