El maíz crece alto, con tallos delgados que ostentan las espigas del cereal que se utiliza en la producción, el comercio y la seguridad alimentaria a nivel mundial. Sin embargo, debido a la lluvia, el viento y otros fenómenos meteorológicos cada vez más extremos, el maíz se cae, poniendo en riesgo toda la cosecha.
por Revista de Teledetección
La caída física, llamada encamado, da como resultado plantas más cortas y hojas superpuestas, lo que afecta negativamente la capacidad de la planta para crecer.
Según un equipo de investigadores con sede en China, la prevención y mitigación del encamado convencional requiere que muchos técnicos agrícolas dediquen un tiempo considerable a investigar los campos de cultivo. Dijeron que una posible solución podría ser un método rápido y no destructivo de monitoreo remoto, llamado imágenes hiperespectrales basadas en vehículos aéreos no tripulados (UAV) . El equipo descubrió recientemente que el método puede evaluar con precisión la recuperación del maíz sin el tiempo ni el gasto de personas que inspeccionan físicamente los cultivos.
El equipo publicó su enfoque el 28 de agosto en el Journal of Remote Sensing .
“La tecnología de imágenes hiperespectrales basada en vehículos aéreos no tripulados revoluciona la forma en que monitoreamos y evaluamos la recuperación de los cultivos encamados”, dijo el primer autor Qian Sun, doctor en la Universidad de Yangzhou.
“Este método avanzado permite una evaluación rápida y no destructiva de la salud y el crecimiento de las plantas. Esto no solo ayuda a comprender mejor el estado de las plantas, sino que también mejora las prácticas generales de gestión de los cultivos, lo que puede conducir a intervenciones más efectivas y a una mejor producción agrícola “.
La obtención de imágenes hiperespectrales mediante vehículos aéreos no tripulados implica el uso de vehículos similares a drones que pueden volar con una intervención humana limitada y examinar el campo. Para cada píxel de una imagen, el método determina las múltiples bandas espectrales, una comprensión mucho más detallada que la que ofrece la vista humana, que solo ve en tres bandas de luz visible.
Los investigadores utilizaron imágenes hiperespectrales basadas en drones para evaluar la altura y la cobertura del dosel , así como la actividad fisiológica del maíz, como la producción de clorofila, evidencia de la fotosíntesis, un proceso de producción de energía que puede reducirse si los tallos son más cortos o si las hojas quedan ocultas por otras plantas después del encamado. Este enfoque doble es necesario para una evaluación precisa, dijeron los investigadores, ya que medir solo una variable proporciona una imagen incompleta del progreso del rebrote del maíz.
“Esta técnica permite un seguimiento y una evaluación más precisos de las condiciones de encamado de los cultivos en comparación con los métodos tradicionales”, dijo el coautor Xiaohe Gu, profesor del Centro de Investigación de Tecnología de la Información de la Academia de Agricultura y Ciencias Forestales de Beijing.
“En particular, este estudio propuso un marco de evaluación integral que combina la estructura del dosel y la actividad fisiológica, proporcionando un medio preciso y eficiente para evaluar los grados de recuperación del maíz encamado”.
Determinaron que su método de imágenes podía evaluar con precisión tanto la estatura del dosel como la actividad fisiológica, proporcionando información a los agricultores que luego podían realizar ajustes en los cultivos para ayudar a su recuperación.
“El objetivo final es revolucionar las prácticas agrícolas a través de la adopción generalizada de tecnología hiperespectral basada en vehículos aéreos no tripulados”, dijo el coautor Liping Chen, profesor del Centro de Investigación de Tecnología de la Información de la Academia de Agricultura y Silvicultura de Beijing.
“Al convertir esta herramienta avanzada en un componente estándar en el monitoreo de cultivos, nuestro objetivo es mejorar significativamente la precisión y la eficiencia de la evaluación de la salud y la recuperación de las plantas. Esto permitirá a los agricultores y agrónomos gestionar los cultivos de manera más eficaz, optimizar las intervenciones y, en última instancia, aumentar el rendimiento y la productividad”.
Otros coautores del estudio son Baoyuan Zhang, Xuxhou Qu y Yanglin Cui, todos del Centro de Investigación de Tecnología de la Información de la Academia de Agricultura y Ciencias Forestales de Beijing; y el coautor correspondiente Meiyan Shu, de la Facultad de Información y Ciencias de la Gestión de la Universidad Agrícola de Henan.
Más información: Qian Sun et al, Evaluation of Growth Recovery Grade in Lodging Maize via UAV-Based Hyperspectral Images, Journal of Remote Sensing (2024). DOI: 10.34133/remotesensing.0253
