Bogotá - Ciencias Agrarias - Maestría en Geomática · 2021
Evaluación del potencial de datos espectrales para el diagnóstico de Marchitez Letal (ML) en Palma de Aceite (Elaeis guineensis Jacq)
La Marchitez Letal (ML) es el problema fitosanitario más importantes para la palmicultura colombiana en zona Oriental, generando pérdidas económicas de más de 146 millones de dólares y la erradicación de más de 5.000 ha. Las técnicas tradicionales de diagnóstico y detección de la enfermedad no funcionan apropiadamente y son limitantes en grandes extensiones de tierra debido a la subjetividad, consumen mucho tiempo y requieren de un gran esfuerzo humano. El objetivo de este trabajo fue evaluar el potencial de las respuestas espectrales de sensores remotos (imágenes del sensor multiespectral Red-Edge M) y proximales (respuestas hiperespectrales del sensor FieldSpec4), para la discriminación de plantas sanas y enfermas en el cultivo de palma de aceite. El área de estudio se ubicó en el municipio de San Carlos de Guaroa (Meta-Colombia) en un cultivo comercial (cultivar IRHO), donde se tomaron datos en campo e imágenes con un vehículo aéreo no tripulado (UAV) a 60 m durante dos años. La metodología propuesta incluye, adquisición de imágenes, corrección radiométrica, generación de ortomosaicos e índices multiespectrales, extracción de datos y la clasificación supervisada mediante algoritmos de Machine Learning; los datos de referencia se obtuvieron a partir de variables fisiológicas, respuestas hiperespectrales y observaciones en campo de palmas sanas y enfermas. Se propone el uso de índices de vegetación como índice de clorofila terrestre MERIS (MTCI), longitud de onda del punto de inflexión (Lp), índice de Maccioni (MI), entre otros, como indicadores de palmas sanas y palmas enfermas en el cultivo; así mismo, se plantea el uso de índices de vegetación a partir de sensores multiespectrales como índice de diferencia normalizado del borde rojo (NDRE), NDVI modificado a 705 (mND705), índice de Vogelmann (VOG), entre otros, para clasificar palmas sanas y enfermas en imágenes de alta resolución. Los resultados mostraron que el algoritmo de Random Forest (RF) tuvo el mejor rendimiento en términos de métrica de Precision, Recall, F1, OA e índice Kappa, con valores superiores al 80%. El proyecto de investigación demostró que por medio de respuestas espectrales se pueden discriminar entre plantas con presencia o ausencia de síntomas de ML en el cultivo de palma de aceite. (Texto tomado de la fuente).
Full text 117 pages with text out of 142
Read the full thesis Record in the repository
Contents
- Introducciónp. 19
- Contextop. 19
- Planteamiento del problema de investigaciónp. 20
- Marco conceptual del estudiop. 21
- Objetivosp. 23
- Objetivo generalp. 23
- Objetivos específicosp. 23
- Pregunta de investigaciónp. 24
- Limitaciones y/o alcances del proyectop. 24
- Marco de referenciap. 25
- Marco Teóricop. 25
- Palma de aceite (E. guineensis)p. 25
- Marchitez Letal (ML)p. 27
- Espectroscopiap. 29
- Respuestas espectrales de vegetaciónp. 30
- Avances en la detección de enfermedades mediante sensores ópticosp. 33
- Materiales y métodosp. 41
- Área de estudiop. 41
- Material vegetalp. 43
- Recolección de datosp. 45
- Respuestas hiperespectralesp. 46
- Imágenes con UAVp. 48
- Planes de vuelop. 48
- Puntos de controlp. 49
- Características de las imágenesp. 51
- Análisis de datosp. 53
- FASE DE CAMPOp. 53
- Pre-procesamiento de respuestas hiperespectralesp. 53
- Procesamiento de las respuestas hiperespectralesp. 53
- Análisis estadísticop. 56
- FASE DE TELEDETECCIÓNp. 57
- Procesamiento digital de imágenes tomadas con UAVp. 57
- Índices espectrales de vegetaciónp. 17
- Umbral y extracción de doseles de palmasp. 62
- multiespectrales de sensores acoplados a un UAVp. 63
- Pos-procesamiento digital de imágenesp. 64
- Clasificación supervisadap. 64
- Datos de referenciap. 65
- Exactitud temáticap. 65
- Resultadosp. 67
- ocurridas en las palmas de aceite a causa de la MLp. 67
- Análisis de las respuestas hiperespectralesp. 69
- Primera derivada de la reflectanciap. 56
- Índices hiperespectrales de vegetaciónp. 87
- trasportados por UAVp. 96
- Orientalp. 27
- Discusiónp. 121
- ocurridas en las palmas de aceite a causa de la MLp. 121
- trasportados por UAVp. 122
- Orientalp. 27
- Conclusionesp. 125
- A. Anexo I: Mapa detallado de suelos de la plantación PLCp. 127
- A. Anexo II: Análisis químico de suelo del lote No.5 de la plantación PLCp. 129
- A. Anexo III: Análisis estadístico de datos en fase de campop. 131
- A. Anexo IV: Análisis regresiones lineales simplesp. 133
- Referenciasp. 135
- amarilla que precede el secamiento (c). Adaptado de Martínez et al. (2017)p. 20
- cultivos de Palma de Aceitep. 26
- Adaptado de Murillo & Carbonell (2012)p. 30
- Murillo & Carbonell (2012)p. 31
- Adaptado de Liang (2004)p. 32
- Carolina, municipio San Carlos de Guaroa (Meta)p. 42
- San Carlos de Guaroa (Meta). Adaptado de Diebel et al. (2016)p. 42
- afectadas por ML en el lote No.5 de la plantación PLC (San Carlos de Guaroa, Meta)p. 44
- plantación PLC (San Carlos de Guaroa, Meta)p. 44
- investigaciónp. 45
- de investigaciónp. 46
- aceite (b)p. 47
- (cuadricóptero)p. 49
- plantación PLC, San Carlos de Guaroa, Meta)p. 50
- en las imágenes adquiridasp. 51
- Figura 2.11. UAV con sensor multiespectral Red-Edge Mp. 52
- Meyer & Lehnert (2020)p. 55
- imágenesp. 58
- imágenes y sus respectivas correcciones radiométricasp. 60
- multiespectral Red-Edge Mp. 61
- durante el 2019p. 73
- durante el 2019p. 78
- espectrop. 79
- octubre (m,n,o), noviembre (p,q,r) y diciembre (s,t,u) del 2019p. 83
- tiempop. 95
- derivada de la reflectancia entre palmas sanas y palmas enfermas en el tiempop. 90
- Figura 3.7. Índice hiperespectral Datt entre palmas sanas y enfermas en el tiempop. 91
- en el tiempop. 93
- tiempop. 95
- del área de interés durante el 2019p. 101
- del área de interés durante el 2019 y 2020p. 102
- Banda 5: NIRp. 103
- Verde, Banda 3: Rojo, Banda 4: RE, Banda 5: NIRp. 104
- regresión simplep. 108
- aceite sanas y enfermas en el 2019 y 2020p. 109
- sanas y enfermas en el 2019 y 2020p. 110
- sanas y enfermas en el 2019 y 2020p. 111
- sanas y enfermas en el 2019 y 2020p. 112
- enfermas en el 2019 y 2020p. 113
- para las zonas I y II (e,f). Resultados de la clasificación RF para las zonas I y II (g,h)p. 117
- y enfermas utilizando el algoritmo de clasificación supervisada RFp. 120
- 24/02/2021. Adaptado de SISPA (2021)p. 27
- enfermedades en diferentes plantas y cultivos. Adaptado de Sylvain & Cecile (2018)p. 37
- FieldSpec4 Standard-Resp. 47
- Tabla 2.2. Características técnicas y especificaciones del UAVp. 52
- Tabla 2.3. Características técnicas y especificaciones del sensor multiespectralp. 52
- Tabla 2.4. Parámetros espectrales del RE. Adaptado de Meyer & Lehnert (2020)p. 54
- Tabla 2.5. Índices espectrales de vegetación. Adaptado de Meyer & Lehnert (2020)p. 55
- multiespectral Red-Edge Mp. 61
- Tabla 3.1. Datos registrados en el 2019 en el proyecto de investigaciónp. 67
- parámetros del RE de las respuestas hiperespectrales tomadas en el 2019 (p<0.05)p. 84
- de aceite sanas y enfermas obtenidos en el 2019p. 85
- (p<0.05)p. 87
- obtenidos en el 2019p. 88
- Tabla 3.6. Datos registrados en el 2019 y 2020 en el proyecto de investigaciónp. 97
- entre los diferentes índices espectrales de vegetación calculados en el 2019p. 105
- decisión (DT) para la Zona I y IIp. 119
- aleatorios (RF) para la Zona I y IIp. 119