El monitoreo de los cultivos para detectar nutrientes, estrés hídrico, enfermedades, ataques de insectos y la salud general de las plantas es un aspecto vital de las operaciones agrícolas exitosas. Tradicionalmente, esto se ha realizado mediante el examen visual de los cultivos en el suelo o, a veces, desde el aire. Sin embargo, estos métodos están limitados por la capacidad del ojo humano para discriminar entre follaje sano y follaje que sufre diversos tipos de estrés. A menudo, una condición específica debe estar bien avanzada antes de que los síntomas visuales se vuelvan notorios incluso para los observadores experimentados.
La agricultura de precisión moderna se basa en tácticas de gestión específicas del sitio para maximizar el rendimiento y los recursos al tiempo que se reducen los impactos ambientales, como la fertilización excesiva y la amplia aplicación de pesticidas. Señalar las áreas que requieren atención, ya sea agua, tratamiento de malezas o patógenos, o ajustes de nutrientes, permite la aplicación local en lugar de un tratamiento de campo completo. La recopilación de datos clave con un nivel suficiente de precisión depende de la disponibilidad de equipos que puedan funcionar a un nivel rentable.
Algunos de los beneficios de las imágenes hiperespectrales y multiespectrales son que estas tecnologías son: de bajo costo (en comparación con los métodos de exploración tradicionales), brindan resultados consistentes, fáciles de usar, permiten evaluaciones rápidas, no destructivas, altamente precisas y tienen una amplia gama de aplicaciones. El desarrollo de equipos de imágenes aéreos y terrestres hiperespectrales y multiespectrales ha sido un gran avance en la expansión y aplicación práctica de las técnicas de agricultura de precisión. Esta tecnología ha hecho posible la evaluación de estrés de cultivos, caracterización de suelos y cobertura vegetal y estimación de rendimiento, además de sus capacidades predictivas. Algunos de los beneficios de las imágenes hiperespectrales y multiespectrales son que estas tecnologías son: de bajo costo (en comparación con los métodos tradicionales de exploración),[1]
Conceptos básicos de las imágenes hiperespectrales
La reflectancia espectral, medida por un equipo de imágenes hiperespectrales, es la cantidad de luz reflejada de una superficie. La imagen hiperespectral es el proceso mediante el cual se toman imágenes y se asignan valores numéricos (resplandor espectral) a cada píxel, utilizando un rango de longitudes de onda en todo el espectro electromagnético, incluidas las regiones visible e infrarroja.
Mediante el uso de software especializado y análisis estadístico, estos píxeles se clasifican y caracterizan para distinguir entre grupos de píxeles o en el caso de agricultura de precisión, características de la planta y condiciones ambientales. La tecnología de detección remota anterior, en particular la obtención de imágenes multiespectrales, recopila datos en unas pocas longitudes de onda muy espaciadas. Los datos de cada banda de longitud de onda se ensamblan en un ‘cubo de datos’ hiperespectral tridimensional para su procesamiento y análisis. Cada capa del cubo representa datos en una longitud de onda específica.
Los datos de imágenes espectrales capturados por el SOC710-VP destacan las áreas de hojas de Merlot que sufren de infección por hongos. Visto utilizando el software de análisis y procesamiento hiperespectral Surface Optics.
Serie SOC710 ™
Imágenes hiperespectrales de barrido de barrido interno Vis-NIR-SWIR. Ideal para aplicaciones de laboratorio, microscopía y campo.
Detección de variaciones espectrales relacionadas con el estrés
La capacidad de las imágenes hiperespectrales para proporcionar datos valiosos sobre el estado y la salud de los cultivos se basa en la interacción y la relación entre la radiación electromagnética (EMR) y el follaje. La EMR puede ser absorbida, transmitida o reflejada y, aunque la estructura física interna y externa de la vegetación afecta esto, las principales influencias en la EMR son los diversos pigmentos fotosintéticos. [2]
En las partes roja y azul del espectro visible, la reflectancia es principalmente el resultado de la absorción por los pigmentos fotosintéticos. El contenido de agua es la principal influencia sobre la reflectancia en el infrarrojo medio (MIR), mientras que la reflectancia en el área del infrarrojo cercano (NIR) está influenciada por la forma y condición de los espacios de aire en el mesófilo esponjoso. [3] Se ha demostrado que la senescencia, el estrés por nutrientes, la infestación de patógenos e insectos reducen significativamente la reflectancia en la región espectral del infrarrojo medio. [6] Está bien documentado que un índice de vegetación de NIR y longitudes de onda rojas puede monitorear una variedad de problemas de salud de las plantas, incluidos hongos patógenos, exceso de sal y deficiencias de nutrientes.
Una de las técnicas más poderosas para medir la eficiencia fotosintética general y, por tanto, la productividad de las plantas, es la fluorescencia de la clorofila a en el fotosistema II. Los índices producidos dan una buena medida, sin embargo, su uso está limitado por la necesidad de la excitación activa de la fotosíntesis, por ejemplo, mediante un pulso de luz saturante. [4] Esto restringe severamente la posibilidad de usar esta medida para la teledetección, por lo que la investigación se ha dirigido a encontrar índices nuevos y genuinamente remotos adecuados para equipos de imágenes hiperespectrales.
Además de los pigmentos fotosintéticos, la reflectancia también está influenciada por la presencia de zeaxantina. Este pigmento es producido por las plantas para eliminar de forma segura el exceso de fotones cuando la intensidad de la luz excede la capacidad del fotosistema II para absorber fotones sin sobre-energizarse. Por tanto, la acumulación de zeaxantina se puede utilizar como un indicador cuantitativo de la disipación de energía no fotoquímica y, por tanto, de la eficiencia del uso de la luz. [4]
Midiendo los cambios en la banda de ondas de 531 nm, que se ve afectada por la producción de zeaxantina y comparándola con la banda de ondas de 570 nm, que no se ve afectada, se ha desarrollado un índice de reflectancia fotoquímica estándar (PRI) que sirve como medida de la eficiencia del uso de la luz fotosintética. Este índice se puede generar fácilmente a partir de datos de imágenes hiperespectrales. [5]
De particular importancia es una comparación con el equipo espectrométrico tradicional para garantizar la capacidad de la generación de imágenes hiperespectrales para entregar datos equivalentes a los del equipo tradicional. Un estudio de Rascher et al. (2007) utilizando el instrumento SOC-700 mostró que el equipo portátil de imágenes hiperespectrales podría usarse para “cuantificar cambios bioquímicos dinámicos en la eficiencia fotosintética” midiendo el PRI. [5]
En este estudio se demostró que el PRI podría proporcionar mediciones tanto de las adaptaciones bioquímicas a la alta intensidad de la luz como de la desactivación gradual de la fotosíntesis durante el secado, haciendo del monitoreo del PRI por teledetección una metodología valiosa para las investigaciones de sequía. El estudio de Rascher se basó en hojas desprendidas, pero se ha demostrado que la misma metodología e instrumentación en las condiciones controladas de Biosfera 2 proporciona datos efectivos sobre copas de vegetación enteras. [4]
Arriba hay un ejemplo del procesamiento de imágenes y del índice de reflectancia fotoquímica de cuatro hojas tropicales durante el proceso de secado, como se ve en Rascher et al. (2007) estudio. (A) Imagen compuesta de color verdadero de las hojas fotografiadas; (B) Índice de vegetación de diferencia normalizada (NDVI), calculado para todos los píxeles; (C) Imagen de umbral NDVI, (D) PRI, calculada para todos los píxeles. (E a H): una serie de tiempo de PRI durante el proceso de secado. La máscara de (C) se utilizó para mostrar únicamente los valores de PRI de las hojas.
Estrés por sequía
La sequía es un factor importante para predecir el rendimiento de los cultivos y el éxito final de un cultivo. La detección temprana de tensiones relacionadas con el agua en cultivos de campo puede permitir a los productores identificar áreas específicas para riego, ahorrando agua, energía y tiempo. La detección temprana también podría permitir a los productores suministrar agua a los cultivos antes de que el estrés por sequía provoque pérdidas de rendimiento.
Colombo y col. (2008) probaron varios índices de estrés por sequía y encontraron que la reflectancia de las hojas en el espectro visible e infrarrojo estaba relacionada con cambios en el espesor de agua equivalente de la hoja (EWT). Usando imágenes hiperespectrales, probaron varios modelos para estimar EWT a nivel del dosel en plantaciones de álamos italianos y encontraron modelos adecuados que arrojan niveles de error de solo 2.6%. Concluyeron que los índices de regresión hiperespectral derivados de imágenes hiperespectrales eran herramientas sólidas para estimar el contenido de agua tanto a nivel de hoja como de paisaje. [7]
Los niveles más altos de estrés finalmente se manifiestan en cambios en los pigmentos fotosintéticos. Estos cambios conducen al síntoma familiar de clorosis cuando la reflectancia de las longitudes de onda rojas aumenta para igualar la del verde, produciendo el típico color amarillo. Estos cambios se detectan mucho antes mediante imágenes hiperespectrales mucho antes de que cualquier cambio sea visible para el ojo humano. [2]
Como se discutió anteriormente, Rascher et al. utilizaron el índice de reflectancia fotoquímica y un generador de imágenes hiperespectral portátil para evaluar el estrés por sequía en las hojas de los árboles tropicales y pudieron observar claramente el efecto de la deshidratación a lo largo del tiempo en las hojas individuales de los árboles. [5]
Que esta metodología de detección de estrés podría aplicarse al grano se demostró en ensayos de maíz sometido a diferentes regímenes de agua y nutrientes en parcelas de campo. Aunque los rasgos del estrés hídrico de las hojas y el dosel eran sutiles, la tecnología de imágenes hiperespectrales podía distinguir entre tratamientos tanto en los experimentos controlados como en los de campo. [8]Incluso con hojas de cebada envejecidas debido a la floración, el generador de imágenes hiperespectral SOC-700 pudo rastrear el desarrollo del estrés hídrico cuatro días antes de que se observaran los efectos del estrés a simple vista. En las condiciones de campo, con la variabilidad de la luz y las diferencias de parcela, la tecnología de imágenes pudo caracterizar correctamente tres de los cuatro grupos de tratamiento, lo que demostró la idoneidad de las imágenes hiperespectrales para la detección temprana del estrés por sequía y el estrés por nutrientes en condiciones agrícolas prácticas.
Dinámica espacio-temporal del estrés por sequía en cebada, visualizada con imágenes en falso color. Las imágenes de las plantas estresadas por sequía se detienen el día 10, ya que las plantas solo se observaron hasta que el estrés por sequía fue visible a simple vista. El color verde indica una alta probabilidad de que la firma corresponda a un píxel perteneciente a los arquetipos saludables, mientras que un color rojo oscuro indica una alta probabilidad de estar asociado con el arquetipo estresado.
Además, Rossini et al. (2013) mostró que las imágenes hiperespectrales podrían usarse para detectar el estrés por sequía a nivel de finca con maíz. Llevaron a cabo una comparación de tres condiciones de riego con equipos de teledetección en el aire y descubrieron que podían mapear con precisión los déficits de riego incluso antes de que el estrés hídrico afectara la estructura del dosel. [9]
Los cultivos de campo no son la única aplicación de imágenes hiperespectrales, esta tecnología se puede utilizar para evaluar el estrés hídrico y la programación del riego en céspedes. Jiang y Carrow (2005) examinaron la correlación de la reflectancia espectral y el estrés por sequía en el césped (calidad del césped y quema de hojas). Examinaron 12 pastos y encontraron que los modelos de reflectancia variaban según el cultivar, lo que sugiere que las diferencias de especies deben tenerse en cuenta al utilizar índices. También concluyen que las imágenes hiperespectrales podrían ser útiles en la detección de pastos para la tolerancia a la sequía. [10]
Patógenos vegetales
Los hongos patógenos causan graves pérdidas en el rendimiento y la calidad de los cultivos agrícolas a nivel mundial. Solo en los Estados Unidos, se informa que los patógenos vegetales causan pérdidas económicas de 33 mil millones al año. [11] La detección temprana de enfermedades de las plantas en el campo puede permitir a los productores tratar rápidamente las áreas afectadas y predecir con mayor precisión las pérdidas de rendimiento. Los métodos convencionales de detección se basan en la exploración y el examen visual y, a menudo, dan como resultado la detección una vez transcurrido el tiempo óptimo para el control.
Además de prevenir pérdidas de productores individuales, la detección temprana permitirá prevenir la propagación a campos o cultivos vecinos. El uso de síntomas de diagnóstico de patógenos, como cambios en los pigmentos de las hojas, la estructura de las hojas y el contenido de humedad, las imágenes hiperespectrales y multiespectrales pueden ayudar a mapear campos para el manejo de enfermedades de las plantas.
Por ejemplo, el hongo patógeno Puccinia recondite causa la roya del trigo caracterizada por pequeñas pústulas marrones en la superficie de la hoja. En un estudio de invernadero, se inocularon plantas de trigo y luego se compararon las tecnologías de imágenes hiperespectrales y multiespectrales para determinar su precisión para distinguir las plantas tratadas de las no tratadas. Franke y col. (2005) informaron que tanto las imágenes hiperespectrales como las multiespectrales demostraron ser eficaces para detectar la roya de la hoja tan solo cinco días después de la inoculación.
Una comparación de la reflectancia relativa entre las firmas espectrales de trigo sano e infectado con roya de la hoja de 400-1000 nm mostró una reflectancia disminuida para el trigo infectado en la región azul y verde del espectro visible y una meseta de reflectancia del infrarrojo cercano fuertemente disminuida.
En comparación con las imágenes multiespectrales, la mayor sensibilidad espectral de las imágenes hiperespectrales produjo una detección superior en una etapa más temprana del desarrollo del patógeno, cuando solo eran evidentes síntomas visuales leves. Además, las imágenes hiperespectrales eran mucho menos sensibles a factores externos como las condiciones de iluminación que las imágenes multiespectrales. Esto evitó la escasa precisión de clasificación encontrada en los conjuntos de datos de imágenes multiespectrales. [12]
Venturia inaequalis es el patógeno responsable de la sarna del manzano en los manzanos. La infección aparece primero como manchas amarillas o cloróticas en las hojas que progresan hacia manchas más oscuras y coloración amarillenta de las hojas. Las pérdidas económicas son causadas principalmente por daños en la superficie de la fruta. Utilizando imágenes hiperespectrales y procedimientos estadísticos para la clasificación, Delalieux et al (2007) concluyeron que el estrés de la costra del manzano podía detectarse antes de que los síntomas fueran visibles para el ojo humano. [13]
En condiciones controladas, Mahlein et al (2012) informaron que las imágenes hiperespectrales eran adecuadas no solo para la detección, sino también para la identificación y cuantificación de enfermedades fúngicas de la remolacha azucarera a nivel de hoja. Este estudio examinó tres patógenos de la remolacha azucarera, la mancha foliar por Cercospora (Cercospora beticola (Sacc.)), El mildiú polvoroso (Erysiphe betae (Vanha) Weltzien) y la roya de la remolacha azucarera (Uromyces betae (Persoon) Lev.). La tecnología de imágenes hiperespectrales pudo distinguir entre estos tres patógenos con tan solo un 10% de área foliar enferma de mildiú polvoroso y mancha foliar. [14]
El uso de imágenes hiperespectrales se puede aplicar con éxito a mayor escala. La roya anaranjada de la caña de azúcar (causada por Puccinia kuehnii) es una enfermedad fúngica que produce lesiones que se rompen dejando escapar el agua de la planta. A partir de imágenes tomadas a nivel de campo, Apan et al. (2004) discriminaron con éxito parches de roya naranja de la caña de azúcar de áreas no afectadas al detectar cambios en los pigmentos de las hojas. [15] Del mismo modo, Zhang et al. (2003) demostraron la eficacia de las imágenes hiperespectrales para la detección de enfermedades a nivel de campo. El tizón tardío del tomate, causado por Phytophthora infestans, es una gran amenaza para la producción de tomate en California. Utilizando bandas en el rango de 0,7 a 0,9 mm, estos autores demostraron que el tizón tardío podía detectarse con éxito en tomates a nivel de campo. [dieciséis]
En un estudio de 2005, el SOC-700 pudo detectar la roya de la hoja del trigo días antes de que fuera visible a simple vista. La detección temprana permite una mayor eficiencia en la aplicación de fungicidas específicos del sitio.
Monitoreo ecológico
A raíz de la verificación del Índice de reflectancia fotoquímica (PRI) para las marquesinas enteras discutidas anteriormente, los estudios han abordado las deficiencias de los sistemas de monitoreo ecológico actuales para medir la utilización global del carbono. [4] Aunque los modelos actuales pueden obtener datos precisos sobre la intensidad de luz total en el rango apropiado (400-700 nm) así como la fracción de luz que se absorbe, no pueden obtener datos precisos sobre la eficiencia del uso de la luz. Sin este tercer conjunto de datos, los modelos de carbono global contienen incertidumbres sustanciales que restringen su utilidad. El desarrollo de PRI, en combinación con imágenes hiperespectrales, proporciona una nueva metodología para obtener datos más precisos sobre la eficiencia del uso de la luz de toldos completos a escala global.
Esta metodología es prometedora para monitorear grandes áreas de tierras agrícolas para la eficiencia fotosintética, lo que se traduce en datos de producción y rendimiento de la tierra de gran valor para las estimaciones de producción de alimentos.
Estrés por nutrientes
El estrés por nutrientes en las plantas causa varios síntomas que pueden medirse mediante el uso de imágenes hiperespectrales o multiespectrales. Con esta tecnología se pueden evaluar tanto las deficiencias de nutrientes como la contaminación de los suelos por metales pesados. Schuerger et al (2002) midieron la deficiencia de zinc y la toxicidad en el pasto Bahía usando un generador de imágenes hiperespectral para determinar los niveles de clorofila de las plantas correlacionados con los síntomas del estrés. [17] Afirman que el uso de esta tecnología podría trazar un mapa de un sitio contaminado por un costo mucho menor que los métodos tradicionales de muestreo directo. De manera similar, Dunagan et al (2006) evaluaron los niveles de mercurio en las plantas de mostaza y los valores de reflectancia espectral se correlacionaron significativamente con los niveles del contaminante. [18]
Además de investigar la contaminación, otra aplicación de las imágenes hiperespectrales es determinar las áreas en un campo de cultivo que son pobres en nutrientes para que los aportes de fertilizantes puedan minimizarse y dirigirse directamente a áreas pobres en nutrientes. El nitrógeno y el fósforo son los principales nutrientes que limitan el rendimiento en los cultivos de campo del medio oeste de los EE. UU. (No leguminosos). Osborne y col. (2002) describe cómo se pueden utilizar imágenes hiperespectrales para estimar las concentraciones de nitrógeno y fósforo, la biomasa y el rendimiento bajo estas tensiones de nutrientes. Un hallazgo importante de este estudio fue que la sincronización de las imágenes fue fundamental para realizar estimaciones precisas del rendimiento. [19]
Análisis de las propiedades del suelo
El análisis y mapeo de las características del suelo también es posible con imágenes hiperespectrales y multiespectrales. Los mapas de las propiedades del suelo pueden mejorar las tecnologías de agricultura de precisión y mejorar las capacidades. Los investigadores en Israel pudieron determinar las propiedades del suelo, incluso para suelos con vegetación, con el uso de sensores hiperespectrales. Ben-Dor et al (2000) mapearon la materia orgánica del suelo, la humedad y la salinidad del suelo en un experimento a escala de campo. [20] Rossel y Bratney (2008) predijeron con precisión el carbono orgánico del suelo en un estudio de caso en Australia [21] , y la salinidad del suelo fue cartografiada en varios lugares de Europa por Farifteh et al. (2007) [22] , ambos utilizando técnicas de imagen hiperespectral.
Conclusión
Las posibilidades para este tipo de estudios relacionados con la agricultura de precisión son prácticamente infinitas a medida que se siguen desarrollando y mejorando índices para cada especie, nutriente o propiedad del suelo. Se han realizado estudios para estimar el rendimiento en maíz tomando imágenes durante la etapa de llenado de grano medio y desarrollando mapas de rendimiento. [23] Y Okamoto y Lee (2009) demostraron que los frutos inmaduros en huertos de naranjas se podían detectar en árboles individuales. [24]La evaluación de las lesiones por frío, calor o insectos en el campo sería otro uso de esta tecnología en la estimación del rendimiento. Actualmente, se están probando muchas otras aplicaciones de imágenes hiperespectrales y multiespectrales en: control de calidad poscosecha, clasificación y clasificación de productos agrícolas, detección de insectos y contaminantes y muchos otros usos en la seguridad alimentaria. Las imágenes hiperespectrales proporcionadas por dispositivos portátiles de bajo costo que aún brindan datos precisos de alta calidad se han convertido en una herramienta vital para investigadores y agricultores. La capacidad de estos dispositivos para mejorar y permitir el monitoreo diario promete crear un nuevo paradigma de eficiencia agrícola.