Propuesta para el monitoreo del cultivo de maíz basado en sensores remotos
DOI:
https://doi.org/10.19136/era.a10n3.3810Palabras clave:
monitoreo de cultivos, agricultura de precisión, índices de vegetación, percepción remota, vehículos aéreos no tripuladosResumen
El monitoreo de cultivos basado en sensores remotos, particularmente a través de vehículos aéreos no tripulados (VANTs), permite a los agricultores estar actualizados sobre la salud de su cultivo y localizar qué áreas de la parcela requieren atención para mejorar su rendimiento. Por tal motivo, la presente propuesta metodológica planteada a partir de los resultados del estudio piloto para identificar las zonas donde existe una deficiencia de nutrientes o agua a través de imágenes obtenidas de un VANT, integrando información de las prácticas agronómicas expresadas por los agricultores y los hallazgos observados en campo. Se emplearon índices de vegetación para determinar la salud del cultivo y la etapa fenológica en la que se encuentra. Asimismo, se incentiva la participación de los pequeños agricultores con la finalidad de sensibilizarlos de la información que se puede obtener a través de este tipo de metodologías de la agricultura de precisión.
Descargas
Citas
Akbarian S, Jamnani MR, Xu C, Wang W, Lim S (2023) Plot level sugarcane yield estimation by machine learning on multispectral images: A case study of Bundaberg, Australia. Information Processing in Agriculture. DOI: 10.1016/j.inpa.2023.06.004.
Aguilar-Ávila J, Santoyo-Cortés VH (2013) Estimación de rendimientos en el sector agropecuario. Miguel Ángel Porrúa. Centro de Investigaciones Económicas, Sociales y Tecnológicas de la Agroindustria y la Agricultura Mundial, Universidad Autónoma Chapingo, México. 11p. https://repositorio.chapingo.edu.mx/items/89f42 58a-fef6-45a4-aa68-20ff4093fcd0. Fecha de consulta: 04 de noviembre de 2023
Burns B, Green V, Hashem A, Massey JH, Shew A, Adviento-Borbe M, Milad M (2022) Determining nitrogen deficiencies for maize using various remote sensing indices. Precision Agriculture 23(3): 791-811.
Buthelezi S, Mutanga O, Sibanda M, Odindi J, Clulow A D, Chimonyo VG, Mabhaudhi T (2023) Assessing the prospects of remote sensing maize leaf area index using UAV-derived multi-spectral data in smallholder farms across the growing season. Remote Sensing 15(6): 1597. DOI: 10.3390/rs15061597.
Cisneros-Zayas E, Cun-González R, Rosales-Naranjo L, González-Morales D (2018) Lluvia sólida, para un uso eficiente del agua. Resultados preliminares. Revista Ingeniería Agrícola 8: 13-20.
CONAPO (2019) Proyecciones de la población de México y las entidades federativas 2016-2050. Ciudad de México, México. 36p. https://www.gob.mx/conapo/acciones-y-programas/conciliacion-demografica-de- mexico-1950-2015-y-proyecciones-de-la-poblacion-de-mexico-y-de-las-entidades-federativas-2016-2050. Fecha de consulta: 15 de abril de 2023
Cucho-Padin G, Loayza H, Palacios S, Balcazar M, Carbajal M, Quiroz R (2020) Development of low-cost remote sensing tools and methods for supporting smallholder agriculture. Applied Geomatics 12: 247-263.
Chin R, Catal C, Kassahun A (2023) Plant disease detection using drones in precision agriculture. Precision Agriculture 24: 1663-1682. DOI: 10.1007/s11119-023-10014-y
Furukawa F, Maruyama K, Saito Y, Kaneko M (2019) Corn height estimation using UAV for yield prediction and crop monitoring. In: Ram A, Teiji W (ed) Unmanned aerial vehicle: Applications in agriculture and environ- ment. Springer Cham. Switzerland. pp: 51-69. DOI: 10.1007/978-3-030-27157-2.
García-Pardo K, Moreno-Rangel D, Domínguez-Amarillo S, García-Chávez J (2022) Remote sensing for the assessment of ecosystem services provided by urban vegetation: A review of the methods applied. Urban Forestry & Urban Greening 74: 127636. DOI: 10.1016/j.ufug.2022.127636
Gokool S, Mahomed M, Kunz R, Clulow A, Sibanda M, Naiken V, Chetty K, Mabhaudhi T (2023) Crop monitoring in smallholder farms using unmanned aerial vehicles to facilitate precision agriculture practices: A scoping review and bibliometric analysis. Sustainability 15: 3557. DOI: 10.3390/su15043557.
Hafeez A, Husain MA, Singh SP, Chauhan A, Khan MT, Kumar N (2022) Implementation of drone technology for farm monitoring & pesticide spraying: A review. Information Processing in Agriculture 10: 192-203.
INEGI (2021) Cuéntame de México. Ciudad de México, México. https://cuentame.inegi.org.mx/poblacion/habitan tes.aspx?tema=P. Fecha de consulta: 05 de abril de 2023
Jiménez-Jiménez S, Marcial-Pablo M, Ojeda-Bustamante W, Sifuentes-Ibarra E, Inzunza-Ibarra M, Sánchez- Cohen I (2022) VICAL: Global calculator to estimate vegetation indices for agricultural areas with Landsat and Sentinel-2 Data. Agronomy 12: 1518. DOI: 10.3390/agronomy12071518.
Jorge J, Vallbéa M, Solerb J A (2019) Detection of irrigation inhomogeneities in an olive grove using the NDRE vegetation index obtained from UAV images. European Journal of Remote 52: 169-177.
Lambertini A, Mandanici E, Tini M, Vittuari L (2022) Technical challenges for multi-temporal and multi-sensor image processing surveyed by UAV for mapping and monitoring in precision agriculture. Remote Sensing 14: 4954. DOI: 10.3390/rs14194954.
López-Calderón M, Estrada-Ávalos J, Martínez-Sifuentes A, Trucíos-Caciano R, Miguel-Valle E (2023) Nitrógeno total en maíz forrajero (Zea mays L.) estimado mediante índices espectrales con el satélite Sentinel-2. Revista Terra Lationoamericana 41: 1-14. DOI: 10.28940/terra.v41i0.1628.
López-Calderón M, Estrada-Ávalos J, Rodríguez-Moreno V, Mauricio-Ruvalcaba J, Martínez-Sifuentes A, Delgado- Ramírez G, Miguel-Valle E (2020) Estimation of total nitrogen content in forage maize (Zea mays L.) using spectral indices: Analysis by random rorest. Agriculture 10: 451. DOI: 10.3390/agriculture10100451.
Lu H, Fan T, Ghimire P, Deng L (2020) Experimental evaluation and consistency comparison of UAV multispectral minisensors. Remote Sensing 12(16): 2542. DOI: 10.3390/rs12162542.
Maresma Á, Ariza M, Martínez E, Lloveras J, Martínez-Casasnovas JA (2016) Analysis of vegetation indices to determine nitrogen application and yield prediction in maize (Zea mays L.) from a standard UAV service. Remote Sensing 8(12): 973. DOI: 10.3390/rs8120973.
Marino S, Alvino A (2019) Detection of spatial and temporal variability of wheat cultivars by high-resolution vege- tation indices. Agronomy 9(5): 226. DOI: 10.3390/agronomy9050226.
Meivel S, Maheswari S (2021) Remote sensing analysis of agricultural drone. Journal of the Indian Society of Remote Sensing 49: 689-701.
Monteleone S, de Moraes E, de Faria B, Maia R, Torre A, Toscano A (2020) Exploring the adoption of precision agriculture for irrigation in the context of agriculture 4.0: The key role of internet of things. Sensors 20: 7091. DOI: 10.3390/s20247091.
Munghemezulu C, Mashaba-Munghemezulu Z, Ratshiedana PE, Economon E, Chirima G, Sibanda S (2023) Unmanned aerial vehicle (UAV) and spectral datasets in South Africa for precision agriculture. Data 8(6): 98. DOI: 10.3390/data8060098.
Nhamo L, Magidi J, Nyamugama A, Clulow A, Sibanda M, Chimonyo V, Mabhaudhi T (2020) Prospects of im- proving agricultural and water productivity through unmanned aerial vehicles. Agriculture 10: 256. DOI: 10.3390/agriculture10070256.
Niu X, Ni H, Ma Q, Wang S, Zong L (2023) Identifying ecological security patterns based on ecosystem service supply and demand using remote sensing products. Sustainability 578. DOI: 10.3390/su15010578.
Nonni F, Malacarne D, Pappalardo S, Codato D, Meggio F, De Marchi M (2018) Sentinel-2 data analysis and comparison with UAV multispectral images for precision viticulture. GI Forum 1: 105-116.
Pazhanivelan S, Kumaraperumal R, Shanmugapriya P, Sudarmanian NS, Sivamurugan AP, Satheesh S (2023) Quantification of biophysical parameters and economic yield in cotton and rice using drone technology Agriculture 13(9): 1668. DOI: 10.3390/agriculture13091668.
Peter B, Messina J, Carroll J, Zhi J, Chimonyo V, Lin S, Snapp S (2020) Multi-spatial resolution satellite and sUAS imagery for precision agriculture on smallholder farms in Malawi. Photogrammetric Engineering & Remote Sensing 86: 107-119.
Raeva P, Šedina J, Dlesk A (2019) Monitoring of crop fields using multispectral and thermal imagery from UAV. European Journal of Remote Sensing 52: 192-201.
Rakhymberdina M, Kulenova N, Shaimardanov Z, Assylkhanova Z, Toguzova M, Kassymov D (2022) Using re- mote sensing data to support intelligent agricultural GIS to monitor the condition of arable land and crops 94: 883-888.
Raptis EK, Englezos K, Kypris O, Krestenitis M, Kapoutsis AC, Ioannidis K, Vrochidis S, Kosmatopoulos EB (2023) CoFly: An automated, AI-based open-source platform for UAV precision agriculture applications. SoftwareX 23: 101414. DOI. 10.1016/j.softx.2023.101414.
Rejeb A, Abdollahi A, Rejeb K, Treiblmaier H (2022) Drones in agriculture: A review and bibliometric analysis. Computers and Electronics in Agriculture 198: 107017. DOI: 10.1016/j.compag.2022.107017.
Rosales-Soto A, Arechavala-Vargas R (2020) Agricultura inteligente en México: Analítica de datos como he- rramienta de competitividad. VinculaTégica EFAN 2: 1415-1427.
SADER-INIFAP (2022) Manuales prácticos para la elaboración de Bioinsumos. Ciudad de México, México. https://www.gob.mx/agricultura/documentos/bioinsumos-transicion-agroecologica. Fecha de consulta: 05 de abril de 2023
Singh A (2022) Precision agriculture in India - Opportunities and challenges. Indian Journal of Fertilisers 18: 308-331.
Shu M, Li Q, Ghafoor A, Zhu J, Li B, Ma Y (2023) Using the plant height and canopy coverage to estimation maize aboveground biomass with UAV digital images. European Journal of Agronomy 151: 126957. DOI: 10.1016/j.eja.2023.126957.
Taco C, López O, Vistín M, López J (2022) Lluvia sólida como estrategia de desarrollo sostenible en el cantón Guaranda en Ecuador. Revista de la Sociedad Científica del Paraguay 27: 31-48.
Tao H, Feng H, Xu L, Miao M, Yang G, Yang X, Fan L (2020) Estimation of the yield and plant height of winter wheat using UAV-Based hyperspectral images. Sensors 20: 1231. DOI: 10.3390/s20041231.
Tahir MN, Lan Y, Zhang Y, Wenjiang H, Wang Y, Naqvi SMZA (2023) Application of unmanned aerial vehicles in precision agriculture. In: Zaman Q (ed) Precision Agriculture. Academic Press. Massachusetts, USA. pp: 55-70.
Upadhyaya A, Jeet P, Sundaram P (2022) Efficacy of drone technology in agriculture: A review. Journal of AgriSearch 9: 189-195.
Yu J, Zhang S, Zhang Y, Hu R, Lawi AS (2023) Construction of a winter wheat comprehensive growth monitoring index based on a fuzzy degree comprehensive evaluation model of multispectral UAV data. Sensors 23(19): 8089. DOI: 10.3390/s23198089
Zhang X, Zhang K, Sun Y, Zhao Y, Zhuang H, Ban W, Chen Y, Fu E, Chen S, Liu J, Hao Y (2022). Combining spectral and texture features of UAS-based multispectral images for maize leaf area index estimation. Re- mote Sensing 14(2): 331. DOI: 10.3390/rs14020331.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Ecosistemas y Recursos Agropecuarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia internacional Creative Commons Reconocimiento-No comercial-Compartir igual 4.0 .de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Este trabajo está sujeto a una licencia internacional Creative Commons Reconocimiento-No comercial-Compartir igual 4.0 .
