Agricultura Estados Unidos Tecnología agrícola y mecanización

Las imágenes de cultivos en 3-D ayudan a la agricultura a estimar la altura de las plantas

Las imágenes de cultivos en 3-D ayudan a la agricultura a estimar la altura de las plantas
El Dr. Lonesome Malambo vuela un quad helicóptero sobre un campo de investigación de maíz y sorgo. Crédito: Dr. Lonesome Malambo

La construcción de nubes de puntos tridimensionales a partir de fotografías de alta resolución tomadas desde vehículos aéreos no tripulados o drones pronto puede ayudar a los fitomejoradores y agrónomos a ahorrar tiempo y dinero en comparación con la medición manual de cultivos.


por la Universidad de Texas A&M


El Dr. Lonesome Malambo, investigador asociado postdoctoral en el departamento de ciencia y gestión de ecosistemas de la Universidad Texas A&M en College Station, publicó recientemente sobre este tema en el International Journal of Applied Earth Observation and Geoinformation .

Se unieron al estudio los científicos de Texas A&M AgriLife Research, el Dr. Sorin Popescu, el Dr. Seth Murray y el Dr. Bill Rooney, sus estudiantes graduados y otros miembros del Sistema Universitario de Texas A&M. Los fondos fueron proporcionados por AgriLife Research, el Instituto Nacional de Alimentos y Agricultura del Departamento de Agricultura de EE. UU., La Junta de Productores de Maíz de Texas y el Programa United Sorghum Checkoff.

«Lo que esta asociación multidisciplinaria ha desarrollado es transformador para la investigación del maíz y el sorgo, no solo para reemplazar nuestras medidas estándar de altura intensivas en mano de obra, sino para encontrar nuevas formas de medir cómo las diferentes variedades responden al estrés en diferentes momentos durante la temporada de crecimiento», dijo Murray. . «Esto ayudará a identificar a los criadores de plantas de mayor rendimiento, más resistentes al estrés plantas más rápido que nunca antes posible.»

Los investigadores de cultivos y los fitomejoradores necesitan dos tipos de datos para determinar qué selecciones de mejoramiento de cultivos hacer: genéticos y fenotípicos, que son las características físicas de la planta, dijo Malambo.

Se han logrado grandes avances en genética, dijo, pero aún queda mucho trabajo por hacer para medir los rasgos físicos de cualquier cultivo de manera oportuna y eficiente. Actualmente, la mayoría de las mediciones se toman desde el suelo caminando por los campos y midiendo.

En los últimos años, se han probado fotos de UAV para ver qué papel pueden desempeñar para ayudar a determinar características como la altura de la planta, que, medida con el tiempo, puede ayudar a evaluar la influencia de las condiciones ambientales en el rendimiento de la planta.

Malambo dijo que este estudio podría ser el primero en utilizar el concepto de generar nubes de puntos 3-D utilizando técnicas de «estructura a partir del movimiento» o SfM, sobre maíz y sorgo durante una temporada de crecimiento. Estos dos cultivos fueron seleccionados porque tienen una gran variación en altura y dosel durante la temporada.

Si bien SfM no es nuevo, la tecnología ha sido históricamente subestimada para la estimación repetida de la altura de la planta en estudios limitados a una sola fecha o campañas cortas de UAV, dijo.

Las imágenes de cultivos en 3-D ayudan a la agricultura a estimar la altura de las plantas
Una de las imágenes de nube de puntos generadas por SfM en 3D. Crédito: Foto de Texas A&M AgriLife

En entornos agrícolas donde las condiciones cambian debido a la madurez de los cultivos, Malambo dijo que el siguiente paso lógico era determinar si los métodos eran consistentes, repetibles y precisos durante el ciclo de crecimiento de los cultivos.

Dijo que la tecnología SfM utiliza imágenes superpuestas para reconstruir la vista tridimensional de una escena, yendo más allá de las típicas fotos planas al permitir la calibración automatizada de la orientación interior y exterior. Se colocaron pequeños blancos de referencia en los campos antes de cada vuelo.

Cuando se toma una foto desde el UAV, básicamente se está transfiriendo una escena 3-D a 2-D, explicó Malambo. SfM está tratando de revertir este proceso utilizando propiedades como la geometría, las propiedades de la luz y el modelado.

«Una vez que recreamos la escena, se ve como estaba cuando la capturamos, multidimensional», dijo.

«En este estudio, estábamos interesados ​​en observar todo el ciclo de crecimiento de estos cultivos. Volamos sobre los cultivos en 12 fechas diferentes y, al mismo tiempo, la gente midió el crecimiento en el suelo en seis de las fechas».

Popescu dijo que en dos de las fechas, para las mediciones de campo, se utilizó un sensor de escaneo láser terrestre, también conocido como lidar, para recopilar datos de referencia para la altura del dosel de la planta.

«Este es otro aspecto único de nuestro estudio», dijo. «Que yo sepa, ningún otro estudio publicado comparó las mediciones de nubes de puntos SfM con el escaneo LIDAR, sino solo con las mediciones de campo manuales de la altura de las plantas.

«El lidar terrestre proporciona las mediciones más precisas del dosel, lo que da como resultado una nube de puntos de mediciones directas en 3D», dijo Popescu.

Dijo que SfM proporciona nubes de puntos tridimensionales reconstruidas a través de métodos fotogramétricos, mientras que lidar proporciona mediciones directas mediante escaneo láser. El sensor lidar terrestre, o TLS, tiene una cobertura limitada y debe colocarse en vehículos altos para ver el dosel desde arriba.

Las imágenes de cultivos en 3-D ayudan a la agricultura a estimar la altura de las plantas
El Dr. Sorin Popescu, de camisa marrón, supervisa la instalación de un escáner lidar terrestre en la parte superior de un rociador para pasar por encima del dosel del cultivo. Crédito: Foto de Texas A&M AgriLife por el Dr. Lonesome Malambo

«Realmente no es práctico usar el TLS para medir la altura de las plantas, principalmente solo para estudios de validación como el nuestro», dijo Popescu. «Lidar se puede colocar en un UAV, pero esos sensores son muy costosos. Actualmente estamos ensamblando un sensor lidar UAV y lo tendremos operativo a fines de este año».

Malambo dijo que las mediciones físicas se tomaron de mayo a julio, mientras que las fotos de los vuelos se tomaron de abril a agosto.

«Obtuvimos una muy buena correlación de las mediciones en el campo y las imágenes que pudimos producir», dijo. «Existe un gran potencial para reducir el tiempo y el costo de la recopilación de datos con tecnología asequible que pueden utilizar los agricultores e investigadores».

Esta mejora en el análisis de imágenes ha abierto una vía para el uso de cámaras no métricas más asequibles en plataformas UAV para mapeo confiable y modelado 3-D que a través del costoso escaneo láser terrestre y aéreo, dijo Malambo. El software SfM es fácil de aprender, automatizado y fácilmente disponible.

Sin embargo, el sistema no está exento de desafíos, dijo. En un esfuerzo por ver si es precisa a lo largo del tiempo, Malambo dijo que la tecnología depende de la calidad de las imágenes. Con el sorgo, que es principalmente follaje, le fue bien. El maíz, que se seca y pierde contraste a medida que madura, tiende a mezclarse con el suelo.

«Nuestra conclusión general es que la estructura a partir del movimiento ofrece un gran potencial de trabajo para medir la altura de la planta , pero necesitamos hacerlo más robusto durante la temporada de crecimiento», dijo. «Los cambios en la velocidad del viento pueden afectar las cámaras de los drones al capturar imágenes. Y eso, a su vez, afecta los resultados de las capacidades 3-D».

Malambo dijo que está buscando formas de mejorar el programa en general, incluida la reducción del tiempo de procesamiento. Los datos capturados en la última temporada de crecimiento son masivos y su procesamiento lleva varios días.

Una idea que discutió es trabajar con otros departamentos en el campus para poder tener un análisis en línea en tiempo real del campo. La imagen capturada por el dron se enviaría directamente a una computadora portátil donde se podrían usar métodos avanzados de análisis de datos como el aprendizaje automático o el aprendizaje profundo para ayudar a permitir que los datos de altura estén disponibles de inmediato.



WP Twitter Auto Publish Powered By : XYZScripts.com