Search

Trabajo presentado en el XVI Congreso de la Sociedad Española de Malherbología, celebrado en Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017., [ES] El manejo adecuado de las cubiertas vegetales en viñedos de regadío protege el suelo de la erosión y permite equilibrar el vigor y rendimiento de la viña, lo que redunda en una mejora de la calidad de la cosecha. Estas ventajas quedan mermadas con las infestaciones de grama (Cynodon dactylon) en las cubiertas, una especie perenne, altamente competitiva y difícilmente controlable. El objetivo de este trabajo consistió en la detección temprana y mapeo de C. dactylon en viñedos con cubierta vegetal mediante el uso de imágenes UAV (vehículos aéreos no tripulados) y técnicas de análisis de imágenes basadas en objetos (OBIA). El algoritmo desarrollado permitió la clasificación de los 4 usos principales presentes en el viñedo (viña, suelo desnudo, grama y cubierta vegetal) y la generación de mapas de grama para su control localizado, disminuyendo de esta manera el coste económico y medioambiental del tratamiento., [EN] The use of cover crops is a usual management practice for irrigated vineyards that allows controlling vineyard vigor and yield, also improving the crop quality. However, those advantages have been reduced by bermudagrass (C. dactylon) populations infesting cover crop areas. Bermudagrass is a perennial, very competitive grass and tolerant of reap, pretty difficult to control. The objective of this research was the early mapping of C. dactylon patches in order to provide an optimized site-specific weed management. Object-based image analysis (OBIA) techniques applied to unmanned aerial vehicle (UAV) imagery solved the limitation of spectral similarity between bermudagrass and cover crops or bare soil. The classified maps showed the four main classes in the vineyard (vine, cover crop, C. dactylon and bare soil) with 85% overall accuracy, that allow developing new strategies for site-specific control of C. dactylon infestations and decreasing economical and environmental costs., Esta investigación fue financiada por el proyecto AGL2014-52465-C4-4-R (Ministerio de Economía y Competitividad, fondos FEDER: Fondo Europeo de Desarrollo Regional). La investigación del Dr. Jorge Torres-Sánchez, Dr. Ana de Castro y el Dr. José M. Peña fue financiada por los programas FPI (BES-2012-052424), Juan de la Cierva (MINECO) y Ramón y Cajal (MINECO), respectivamente.

Trabajo presentado en el XVI Congreso de la Sociedad Española de Malherbología, celebrado en Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017., [ES] Se ha desarrollado una metodología automática para la detección temprana de malas hierbas dentro y fuera de la línea de cultivo en fase temprana usando como variable discriminante la altura de las plantas (cultivo y malas hierbas), calculada mediante técnicas fotogramétricas. Se utilizó un UAV equipado con una cámara modificada para captar información en las bandas del Rojo, Verde e Infrarrojo Cercano. Se tomaron imágenes sobre una parcela de girasol infestada por diferentes especies de malas hierbas en fase temprana. Las imágenes fueron procesadas para generar una ortoimagen y un modelo tridimensional del cultivo y malas hierbas para su posterior análisis usando métodos orientados a objetos y el clasificador Random Forest. Se comparó la infestación de malas hierbas detectada con la realmente existente en el campo en una serie de marcos de referencia, obteniéndose un coeficiente de determinación de 0,91 entre ambas variables., [EN] An automatic methodology for early season weed detection between and within the crop rows has been developed, where the main innovation was the use of plant height as discriminant feature. An UAV equipped with a conventional camera modified for R (red), G (green) and NIR (near infrared) acquisition was used for taken images over a sunflower plot infested with different weed species in early season. The images were processed to generate an orthomosaic and a digital surface model (DSM) representing both the crop and weeds, and they were analyzed using object based image analysis (OBIA) and Random Forest classifier. Automatically detected weed cover was compared with the real weed cover in the field in a number of reference frames, and the determination coefficient between both variables was 0.91., Este trabajo fue financiado por el proyecto AGL2014-52465-C4-4-R MINECO-FEDER. La investigación de Jorge Torres Sánchez, Ana Isabel de Castro Megías y José Manuel Peña Barragán fue financiada por los programas FPI, Juan de la Cierva, y Ramón y Cajal, respectivamente. La estancia de Jorge Torres Sánchez en la Universidad de Salzburgo fue financiada por el programa FPI.

Trabajo presentado en el XVI Congreso de la Sociedad Española de Malherbología, celebrado en la Universidad Pública de Navarra, Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017., [ES] En este trabajo se han evaluado variables espectrales, morfológicas (forma, tamaño), contextuales (posición) y texturales que permitan desarrollar un procedimiento automático de clasificación de plántulas de amapola, otras malas hierbas, cultivo y suelo desnudo en imágenes adquiridas con un vehículo aéreo no tripulado (UAV). Las imágenes se tomaron con una cámara modificada para la obtención de información en infrarrojo-color y a una resolución espacial de 0,60 cm/píxel. Se aplicaron técnicas avanzadas de análisis de imágenes basadas en objetos para la obtención de las variables descritas y se desarrolló un modelo tipo árbol de decisión para cuantificar la importancia de cada variable en la clasificación. Los resultados indicaron que la información espectral basada en el índice de vegetación de diferencias normalizadas (NDVI, por sus siglas en inglés) aportó un 46% al modelo de clasificación, principalmente para la discriminación de objetos de vegetación y suelo desnudo. Por otra parte, para la identificación de las plántulas de amapola fue necesario incorporar además variables morfológicas (principalmente, el área [tamaño] del objeto, que aportó un 36% al modelo) y texturales (p.ej., textura media y entropía, con un 11% de contribución en el modelo). Por su parte, la distancia relativa de los objetos a la línea de cultivo tuvo escasa importancia en la clasificación total., [EN] A group of spectral, morphological (shape-based, size), contextual (location), and textural features were evaluated with the aim of automatic classification of Papaver rhoeas seedlings, other weeds, crop plants and bare soil in images collected with an unmanned aerial vehicle (UAV). The images were taken with a color-infrared modified camera at 0,60 cm/pixel of spatial resolution. The features were obtained by applying advanced object-based images techniques, and their contribution to the classification was analyzed with decision tree modeling. Spectral information from the normalized difference vegetation index (NDVI) contributed 46% to the model, mainly due to its capacity to discriminate vegetation and bare soil objects. Additionally, identification of Papaver rhoeas seedlings was possible by incorporating morphological (mainly object size, which contributed to 36% to the model) and textural features (e.g., mean and entropy, which contributed to 11% to the model). Finally, relative distance of the objects to the crop-rows had a low importance in the total classification results., Investigación financiada por el proyecto MINECO AGL2014-52465-C4-4R. La investigación de Dr. José M. Peña, Dr. Ana de Castro y Dr. Jorge Torres-Sánchez fue financiada por los programas Ramón y Cajal (MINECO), Juan de la Cierva (MINECO) y FPI (BES-2012-052424), respectivamente

Comunicación presentada al XVI Congreso de la Sociedad Española de Malherbología, celebrado en la Universidad Pública de Navarra, Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017. El manejo adecuado de las cubiertas vegetales en viñedos de regadío protege el suelo de la erosión y permite equilibrar el vigor y rendimiento de la viña, lo que redunda en una mejora de la calidad de la cosecha. Estas ventajas quedan mermadas con las infestaciones de grama (Cynodon dactylon) en las cubiertas, una especie perenne, altamente competitiva y difícilmente controlable. El objetivo de este trabajo consistió en la detección temprana y mapeo de C. dactylon en viñedos con cubierta vegetal mediante el uso de imágenes UAV (vehículos aéreos no tripulados) y técnicas de análisis de imágenes basadas en objetos (OBIA). El algoritmo desarrollado permitió la clasificación de los 4 usos principales presentes en el viñedo (viña, suelo desnudo, grama y cubierta vegetal) y la generación de mapas de grama para su control localizado, disminuyendo de esta manera el coste económico y medioambiental del tratamiento. The use of cover crops is a usual management practice for irrigated vineyards that allows controlling vineyard vigor and yield, also improving the crop quality. However, those advantages have been reduced by bermudagrass (C. dactylon) populations infesting cover crop areas. Bermudagrass is a perennial, very competitive grass and tolerant of reap, pretty difficult to control. The objective of this research was the early mapping of C. dactylon patches in order to provide an optimized site-specific weed management. Object-based image analysis (OBIA) techniques applied to unmanned aerial vehicle (UAV) imagery solved the limitation of spectral similarity between bermudagrass and cover crops or bare soil. The classified maps showed the four main classes in the vineyard (vine, cover crop, C. dactylon and bare soil) with 85% overall accuracy, that allow developing new strategies for site-specific control of C. dactylon infestations and decreasing economical and environmental costs. Esta investigación fue financiada por el proyecto AGL2014-52465-C4-4R (Ministerio de Economía y Competitividad, fondos FEDER: Fondo Europeo de Desarrollo Regional). La investigación del Dr. Jorge Torres-Sánchez, Dr. Ana de Castro y el Dr. José M. Peña fue financiada por los programas FPI (BES-2012-052424), Juan de la Cierva (MINECO) y Ramón y Cajal (MINECO), respectivamente.

Comunicación presentada al XVI Congreso de la Sociedad Española de Malherbología, celebrado en la Universidad Pública de Navarra, Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017. Se evalúa una metodología para la cartografía de malas hierbas en época tardía del cultivo combinando datos espaciales georreferenciados (variable primaria) con información espectral (variables secundarias). Como variable 1ia se ha estudiado Papaver rhoeas L. en trigo y como variables 2ias: las bandas Rojo, Verde, Azul y NIR (Near-InfraRed) de imágenes UAV (Unmanned Aerial Vehicles) tomadas en campo el día del muestreo. Se comparan dos tipos de estimadores: krigeado ordinario (análisis de la variable 1iª) y cokrigeado (análisis incorporando variables 2ias). La comparación de la precisión de los mapas de infestación obtenidos se ha realizado en base a la incertidumbre de las estimas. Los resultados muestran que la incorporación de variables secundarias espectrales al proceso de interpolación geoestadística mejora la estimación de la variable 1ia, especialmente cuando se incluye en el análisis la banda Verde. A methodology for late weed mapping combining georeferenced spatial data (1st variable) with spectral information (2nd variables) is evaluated. The Papaver rhoeas L. spatial data in wheat was used as1st variable and Red, Green, Blue and NIR bands from UAV images as 2nd variables. Two types of algorithms were compared: Ordinary Kriging (analysis of 1st variable) and CoKriging (to incorporate the 2nd variables). Comparison of infestations maps accuracy was based on cross validation statistics. Results showed that including spectral secondary variables into geostatistical analysis improves the accuracy of 1st variable estimations, especially when band G is included as 2nd variable. Estudio financiado por el proyecto AGL2014-52465-C4-4-R MINECO-FEDER. Ana Isabel de Castro fue financiada por el programas Juan de la Cierva (MINECO).

Comunicación presentada al XVI Congreso de la Sociedad Española de Malherbología, celebrado en la Universidad Pública de Navarra, Pamplona-Iruña, entre los días 25 y 27 de octubre de 2017. En este trabajo se han evaluado variables espectrales, morfológicas (forma, tamaño), contextuales (posición) y texturales que permitan desarrollar un procedimiento automático de clasificación de plántulas de amapola, otras malas hierbas, cultivo y suelo desnudo en imágenes adquiridas con un vehículo aéreo no tripulado (UAV). Las imágenes se tomaron con una cámara modificada para la obtención de información en infrarrojo-color y a una resolución espacial de 0,60 cm/píxel. Se aplicaron técnicas avanzadas de análisis de imágenes basadas en objetos para la obtención de las variables descritas y se desarrolló un modelo tipo árbol de decisión para cuantificar la importancia de cada variable en la clasificación. Los resultados indicaron que la información espectral basada en el índice de vegetación de diferencias normalizadas (NDVI, por sus siglas en inglés) aportó un 46% al modelo de clasificación, principalmente para la discriminación de objetos de vegetación y suelo desnudo. Por otra parte, para la identificación de las plántulas de amapola fue necesario incorporar además variables morfológicas (principalmente, el área [tamaño] del objeto, que aportó un 36% al modelo) y texturales (p.ej., textura media y entropía, con un 11% de contribución en el modelo). Por su parte, la distancia relativa de los objetos a la línea de cultivo tuvo escasa importancia en la clasificación total. A group of spectral, morphological (shape-based, size), contextual (location), and textural features were evaluated with the aim of automatic classification of Papaver rhoeas seedlings, other weeds, crop plants and bare soil in images collected with an unmanned al vehicle (UAV). The images were taken with a color-infrared modified camera at 0,60 cm/pixel of spatial resolution. The features were obtained by applying advanced object-based images techniques, and their contribution to the classification was analyzed with decision tree modeling. Spectral information from the normalized difference vegetation index (NDVI) contributed 46% to the model, mainly due to its capacity to discriminate vegetation and bare soil objects. Additionally, identification of Papaver rhoeas seedlings was possible by incorporating morphological (mainly object size, which contributed to 36% to the model) and textural features (e.g., mean and entropy, which contributed to 11% to the model). Finally, relative distance of the objects to the crop-rows had a low importance in the total classification results. Investigación financiada por el proyecto MINECO AGL2014-52465-C4-4R. La investigación de Dr. José M. Peña, Dr. Ana de Castro y Dr. Jorge Torres-Sánchez fue financiada por los programas Ramón y Cajal (MINECO), Juan de la Cierva (MINECO) y FPI (BES-2012- 052424), respectivamente.