La agricultura de precisión lleva aplicándose desde los años 80. La sensorización y monitorización de los cultivos, los nuevos sistemas de comunicación, la automatización de procesos, la robótica, el análisis de datos, junto a la inteligencia artificial o al machine learning han permitido a esta disciplina avanzar a pasos de gigante en los últimos años. Dentro de estos avances es destacable la mejora que han experimentado los sistemas de adquisición remota de imágenes y sensores remotos, los cuales han incrementado su resolución (espacial, espectral y temporal) permitiendo que puedan ser usados como una herramienta más para la agricultura de precisión.
Teledetección y agricultura de precisión, herramientas para mejorar la sostenibilidad
José Luis Racero Luque-Romero. Cajamar Innova. Incubadora de Empresas de Alta Tecnología en Agua.
Se pueden distinguir dos grupos de sensores para su uso en teledetección, los sensores activos y los sensores pasivos. Los sensores activos son aquellos que emiten energía para poder medir la radiación reflejada por el objeto, un buen ejemplo de este tipo de sensor es el LIDAR (Laser Imaging Detection and Ranging) que emite pulsos de luz laser para analizar la topografía del terreno. Los sensores pasivos detectan la radiación natural emitida o reflejada por la superficie, la fotografía es el ejemplo más claro de esto, en la que el sensor capta los colores visibles para el ojo humano reflejados por el objeto.
En la actualidad y en agricultura de precisión y quizá sean los sensores pasivos los que ofrecen mayor juego, pues a partir de la combinación de diferentes bandas espectrales se calculan la gran mayoría de los índices disponibles. En este sentido los sensores han evolucionado y hemos pasado de tener cámaras que nos ofrecían la información del espectro visible en una sola imagen a sensores que proporcionan imágenes multiespectrales (de 3 a 15 bandas) o hiperespectrales en las que el número de bandas se incrementa hasta más de 240 y que permiten recibir la información desde los 400 nm (Ultravioleta) a los 12.500 nm (LWIR Long Wave Infrared). Este incremento de la resolución espectral nos permite discriminar con un mayor detalle zonas del espectro lo que incrementa las aplicaciones. Los sensores activos nos ofrecen una información muy valiosa para agricultura como son los datos topográficos o la obtenida del Radar de Apertura Sintética (SAR por sus siglas en inglés).
Para aplicar imágenes espectrales en agricultura de precisión es necesario procesar estas imágenes, combinando la información de las diferentes bandas espectrales del cultivo para obtener distintos tipos de índices que nos permitan conocer el estado de nuestra parcela. Hoy en día tenemos una gran cantidad de índices disponibles.
Quizá el más conocido de ellos es el NDVI (Índice Diferencial Normalizado de Vegetación) que ofrece un indicador simple de biomasa fotosintéticamente activa, lo que ayuda a diferenciar la vegetación de otros tipos de cobertura y determinar su estado en general. Pero tiene sus limitaciones, ya que puede verse alterado por la presencia de otra vegetación entre el cultivo.
En este sentido, son muchos los índices que con el paso del tiempo han mejorado a este, por ejemplo, el índice SAVI (Soil Adjusted Vegetation Index) evita distorsiones cuando la vegetación se encuentra en suelos poco cubiertos, evitando la influencia de la temperatura y humedad del suelo por lo que es muy útil en etapas tempranas del cultivo. Otros índice es el EVI (Enhanced Vegetation Index), que corrige la influencia atmosférica y es de utilidad sobre todo con altas densidades de biomasa.
Para analizar el cultivo desde el punto de vista fenológico se puede utilizar el índice GCL (Green Chlorophyll Index) permitiendo ver variaciones estacionales en la cantidad de clorofila presente en la planta o por la presencia de alguna enfermedad, falta de drenaje o deficiencias. Por otro lado, el índice SIPI (Structure Insensitive Pigment Index) permite analizar la salud de las plantas en zonas donde la variabilidad de la estructura de dosel.
En relación al agua, en los últimos años se han desarrollado numerosos índices que permiten determinar la disponibilidad de agua en el cultivo, este aspecto es esencial para optimizar su uso y realizar una aplicación más precisa. Entre los índices disponibles para conocer el contenido de agua del cultivo tenemos el NDMI (Normalized Difference Moisture Index), el MSI (Moisture Stress Index) que nos permiten localizar zonas con estrés hídrico, o el TDVI (Temperature–Vegetation Dryness Index), que está relacionado con la variabilidad de la humedad del suelo.
Los índices CWCI (Crop Water Stress Index) y WDI (Water Deficit Index) también nos permiten conocer la disponibilidad de agua del suelo, pero necesitan combinar la información remota con la obtenida en estaciones meteorológicas locales. Existe otros muchos índices de uso más específico o para determinados cultivos o condiciones. Es importante resaltar que se sigue avanzando en el desarrollo de estos índices y que en los últimos años se están estudiando otros con la información proporcionada por el SAR, que cuenta con la gran ventaja de no estar condicionado por la meteorología y por lo tanto permiten conocer el estado de los cultivos incluso con presencia de nubes.
En función del tamaño de la zona de estudio, el tipo de cultivo y los datos que necesitamos para la gestión de nuestra parcela (riego, plagas, topografía, etc.) podremos determinar si la información ofrecida por los sensores satelitales es lo suficientemente precisa o si bien, si debemos optar por un sensor aerotransportado para obtener una mayor resolución espacial. Las principales ventajas de los sensores satelitales son la periodicidad en la toma de datos, el sincronismo con el sol o el bajo coste por hectárea en determinados satélites.
La irrupción en el mercado de equipos autónomos de bajo coste (UAV – vehículos aéreos no tripulado como drones y alas volantes) han convertido a los sistemas aerotransportados en una alternativa real a los sistemas satelitales ya que permiten cambiar el tipo de sensor según las necesidades, la inmediatez y la resolución espacial de la imagen, pues los sensores están mucho más cerca de la superficie.
Actualmente, los avances en la electrónica y la miniaturización, hace que cada vez haya mejores sensores espectrales que pueden ser usados en UAV a precios competitivos, permitiendo obtener imágenes multiespectrales e hiperespectrales con una resolución de centímetros a un coste sostenible. Estas ventajas convierten a esta opción en una gran alternativa, sobre todo para parcelas de tamaño mediano o pequeño y para cultivos de pequeño porte o en sus primeras etapas, ya que, al tener un tamaño de pixel mucho más pequeño, podemos llegar a identificar las plantas, sobre todo las pequeñas, a nivel individual (esto puede apreciarse en la foto 1).
Foto 1
Además, con el uso de sensores montados en UAV evitamos los problemas de nubosidad con los que nos podemos encontrar si usamos imágenes de satélite. Sin embargo, hay que tener en cuenta que estos sistemas no están libres de problemas, sobre todo con sensores hiperespectrales, en los que la calibración de las imágenes en función de la luminosidad puede llegar a ser bastante compleja. Además, hay que tener en cuenta que uno de los grandes retos a los que se enfrentan es a la gran cantidad de datos que se obtienen en un vuelo (que puede ser de varios gigabytes) y que requieren de una alta capacidad de cálculo y almacenamiento.
Si optamos por usar imágenes de satélite, podemos utilizar imágenes de libre acceso o imágenes de satélites comerciales. Por regla general los satélites privados tienen mayor frecuencia de paso y resolución, pero dependiendo del uso que vayamos a hacer de las imágenes y de la serie temporal necesaria, el coste de adquisición puede ser realmente alto. Además, la baja resolución espacial de estas imágenes puede limitar bastante su uso en agricultura de precisión.
Hoy en día son una gran cantidad los satélites que orbitan la tierra y nos ofrecen imágenes que pueden ser usadas en agricultura de presión. Tenemos satélites con resoluciones espaciales de 50 cm/píxel (SkySat) y resoluciones espectrales que pueden alcanzar las 239 bandas como las que ofrece el satélite Prisma. En la tabla 1 se pueden ver los principales satélites a los que podemos acudir actualmente junto a su resolución espacial, espectral, temporal y si se trata de iniciativas comerciales o de libre acceso.
Constelaciones de satélites o satélite y sensor que ofrecen imágenes espectrales, con la resolución espacial, espectral y temporal ofrecida para las imágenes espectrales.
| Constelación – Satélite – Sensor | Resolución Espacial* | Resolución espectral | Resolución temporal | Coste |
| Planet Scope | 3 m | B, G, R, NIR | Horas | € |
| Skysat | 0,5 m | B, G, R, NIR | Horas | € |
| Worldview 2 | 1,85 m | Coastal, B, G, Y, R, Red Edge, NIR1, NIR2 | 1,1 días | € |
| Worldview 3 | 1,24 m 4,10 m 30 m | 8 bandas (400 – 1.040 nm) 8 bandas (1.195 – 2.365 nm SWIR) 12 bandas CAVIS | 1 día | € |
| Worldview 4 | 1,24 m | B, G, R, NIR | 1 día | € |
| Pleiades 1A | 2 m | B, G, R, NIR | 1 día | € |
| Spot | 6 m | B, G, R, NIR | 1-3 días | |
| Landsat 8 | 30 m 100 m | Coastal, B, G, Y, R, NIR, SWIR1, SWIR2 2 bandas TIR | 8 días | libre |
| Terra – Aster | 15-30 m 90 m | 9 bandas (520 – 2.430 nm) 4 bandas TIR | 16 días | libre |
| Sentinel-2 | 10-60 m | 12 bandas (400 – 2.190 nm) | 5-10 días | libre |
| Proba-1 – CHRIS | 18 m – 34 m | 18 – 62 bandas (400 – 1.050 nm) | — | libre |
| Prisma | 30 m | 239 bandas (400 – 2.505 nm) | 6 días | libre |
| ISS HISUI | 20 m – 30 m | 185 bandas (420 – 2.500 nm) | — | — |
| Jilin | 2,88 m | 450 – 13.500 nm | 2-3 días | € |
| Shalom** | 10 m | 240 bandas (400 – 2.505 nm) | <4 días | — |
| EnMAP HSI** | 30 m | 420 – 2.500 nm | — | — |
| HyspIRI** | 60 m | 380 – 2.500 nm | — | — |
*Para el sensor multiespectral. **Planificado
Podemos concluir que el uso de sensores remotos se está convirtiendo en una gran herramienta para la agricultura de precisión. La disponibilidad de imágenes con mayor resolución y de sistemas autónomos de bajo coste, el desarrollo de nuevos índices, sobre todo los relacionados con imágenes multiespectrales y la mejora en los sistemas informáticos que faciliten el análisis, la interpretación y que sean capaces de proporcionar recomendaciones veraces de forma sencilla al usuario, harán que se generalice su uso y contribuirán a mejorar la sostenibilidad de nuestra agricultura.
