Drones

Inicio/Drones

Predicción de cosecha mediante Teledetección y Aprendizaje Automático

LA IMPORTANCIA DE LA PREDICCIÓN DE COSECHA

La predicción de cosecha es una herramienta que se ha mostrado muy útil a diversas escalas. Por ejemplo, permite a los operadores de mercados de futuros realizar sus operaciones con estimaciones objetivas de rendimientos, lo que les permite afinar más en sus transacciones. También permite a las agencias de ayuda contra el hambre a prever malas cosechas en países susceptibles de hambruna, con lo que se pueden realizar previsiones de envío de ayuda humanitaria. Así mismo, los operadores logísticos de productos agrícolas pueden organizar con antelación las necesidades de transporte en barcos, trenes, camiones, etc. También las empresas agroalimentarias pueden programar compras de unos u otros proveedores y, además, las compañías aseguradoras pueden hacer previsiones en cuanto al volumen global de desembolsos de posibles indemnizaciones. Por último, los gobiernos pueden hacer una mejor política de planificación agraria y ordenación de las políticas de mercado. Y a escala local, puede permitir al agricultor ajustar el uso de fertilizantes, ya que la cosecha esperada suele ser uno de los parámetros a contemplar de forma previa a cualquier recomendación de abonado.

ES UNA LABOR COMPLICADA

La predicción de cosecha es una labor ciertamente complicada. Modelizar matemáticamente el medio agrícola es un reto que se lleva abordando desde hace décadas. El problema reside en que este es un entorno complejo, afectado por multitud de variables (suelo, meteorología, nutrientes, plagas, manejo, etc.), muchas de ellas, a su vez, de difícil modelización. Por ejemplo, un cultivo puede ir evolucionando de forma óptima, pero sufrir una importante granizada cerca de la cosecha y echar al traste cualquier predicción previa. Está claro que es realmente improbable que un modelo matemático prediga algo así con antelación suficiente. En todo caso, en el campo agrario, como en muchos otros, hay que emplear en muchas ocasiones la máxima de “mejor una aproximación que una conjetura”.

Actualmente hay diversos modelos de predicción de cosecha. Unos son públicos, como Aquacrop, de la FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura), que es el que utiliza el Instituto Tecnológico Agrario de Castilla y León (ITACyL) para sus estimaciones; o el MARS (Monitoring Agricultural Resources), de la Unión Europea, que es el que usa la Comisión Europea para la gestión de la PAC. Otros son privados, y muchos otros son experimentales. Los modelos más conocidos usan fundamentalmente una aproximación estadística y meteorológica al problema, si bien los hay que integran también, por ejemplo, imágenes de satélite y muestreos a pie de campo.

UNA APROXIMACIÓN SIMPLE, QUE NO SIMPLISTA

En la empresa Paraje Innova nos propusimos el desarrollo de un modelo matemático de predicción de cosecha propio, con el fin de utilizarlo en diversas iniciativas que estamos poniendo en marcha. Para ello, nos planteamos la premisa de simplificar en lo posible los datos de partida, y utilizar la mejor tecnología a nuestro alcance para desarrollar dicho modelo.

Dado que la finalidad que se busca en el modelo es la de predecir, antes de finalizar la campaña (y preferiblemente con bastante antelación), la cosecha que se va a obtener, se necesitan varios elementos para lograrlo.

En primer lugar, unas variables en las que basar la predicción de cosecha. En este caso, se optó por utilizar reflectancia espectral del cultivo en varias fechas durante su desarrollo. Esta información espectral, es decir, de la energía reflejada por el cultivo en varias longitudes de onda, se puede captar desde diversas plataformas, pero siempre mediante sensores multiespectrales montados en aeronaves tripuladas, UAVs o RPAS (popularmente conocidos como drones), equipos manuales de campo, equipos embarcados en vehículos terrestres, o satélites.

En segundo lugar, un sistema de modelización. En este caso utilizamos una herramienta de gran actualidad, como es el software de “Aprendizaje Automático”, o “Machine Learning”, en inglés. Este tipo de software utiliza técnicas de inteligencia artificial para aprender a partir de ejemplos (clasificación) u ordenar elementos por similitud (agrupamiento o clustering), y se utiliza en aplicaciones tan dispares como la meteorología, la predicción de valores bursátiles, la recomendación de compras o los sistemas de conducción autónoma, entre muchos otros.

Y en tercer y último lugar, una amplia cantidad de campos con suficiente variabilidad en los que tomar datos, y de los que conociésemos con precisión la cosecha obtenida al final de la campaña, con el fin de poder ofrecer los datos necesarios para que nuestro modelo pudiese “aprender a predecir”. El Centro Tecnológico Agrario y Agroalimentario (ITAGRA.CT) dispone de una extensa red de campos de ensayo, entre los cuales se encuentran varios de trigo blando, tanto de variedades como de fertilización, en los que se encuentran decenas de microparcelas. Gracias a esto, se pueden capturar gran cantidad de datos de gran calidad con un despliegue moderado de recursos.

DESARROLLO DEL MODELO

Este primer modelo que se ha desarrollado se ha enfocado al trigo blando, y para elaborarlo se ha partido de los datos recopilados en dos campañas (2015 y 2016) en las microparcelas de cuatro campos de ensayo de trigo blando en secano situados en la provincia de Palencia, gestionados, como se ha indicado anteriormente, por ITAGRA.CT. En total supusieron 436 microparcelas de 10×1,2m, repartidas en dichos cuatro campos de ensayo, uno de variedades y tres de fertilización.

Durante la primera campaña se realizaron 3 vuelos con dron en 3 fechas clave del desarrollo del cultivo, coincidiendo con los meses de abril, mayo y junio. Las imágenes se captaron con un vehículo de ala fija operado por personal de la empresa palentina colaboradora en el proyecto, Überbaum Industrie, S.L. Este dron se equipó con una cámara multiespectral, capaz de capturar imágenes en las tres bandas del espectro visible (rojo, verde y azul), más el rojo extremo y el infrarrojo cercano, con una resolución de 4 cm.

Preparación de dron eBee de Überbaum para vuelo en campo de ensayo en Palencia

Personal de Überbaum instalando la cámara en el dron de ala fija.

Debido a la necesidad de poder relacionar los datos tomados en las distintas fechas en distintos vuelos, con distintas condiciones de iluminación y de operación, se realizó una calibración geométrica y radiométrica de las imágenes. La calibración geométrica se efectuó mediante el uso de dianas y un GPS Leica 1200 conectado a la red GNSS del ITACyL, alcanzando errores inferiores a 5 cm en los ejes XYZ. En cuanto a la calibración radiométrica, se realizó mediante el uso de dianas radiométricas y un espectrorradiómetro de campo ASD Fieldspec, con la colaboración de miembros del Grupo de Óptica Atmosférica de la Universidad de Valladolid (GOA-Uva).

Toma de datos geométricos en dianas de campo de ensayo en Palencia

En primer plano, Luis Carlos Fernández, de Paraje Innova, tomando puntos de apoyo con un GPS para la calibración geométrica de las imágenes. Imagen de fondo, ortofoto en visible de uno de los campos. Se observan en la parte superior izquierda las dianas radiométricas (de colores), y en el centro y derecha, las utilizadas para corrección geométrica (con cruces).

Toma de dato radiométricos en dianas de campo de ensayo en Palencia

Ramiro González Catón y Cristian Velasco Merino, del GOA-Uva, midiendo con espectroradiómetro reflectancias en paneles de colores para la calibración radiométrica de las imágenes. A la derecha de la fotografía se ve parcialmente un panel de los utilizados para la calibración geométrica.

Se trataron las imágenes obtenidas en los vuelos utilizando un software de procesado fotogramétrico, gracias al cual se generaron los mosaicos u ortofotos de cada campo en cada fecha y para cada banda indicada anteriormente. A partir de dichos mosaicos se calcularon mediante software de Sistemas de Información Geográfica (SIG), diversos índices de vegetación. Estos índices son combinaciones, relaciones matemáticas, derivadas de las propiedades de reflectancia de la vegetación y su entorno, en dos o más longitudes de onda, y están diseñados para realzar una o varias propiedades de la vegetación. El más “popular” es el NDVI, que representa la relación entre la resta del valor del infrarrojo cercano menos el valor del canal rojo y la suma de las mismas longitudes de onda. Este índice está directamente relacionado con la actividad fotosintética. Para este proyecto se calcularon, además del NDVI, otros índices como EVI, GNDVI y SAVI, entre otros.

Al final de la campaña, ITAGRA.CT proporcionó, entre otros parámetros, los resultados del rendimiento en grano obtenido por cada microparcela en cada uno de los campos, en kg/ha al 13-14% de humedad.

Todos los datos recopilados esta campaña se introdujeron en el software de aprendizaje para el desarrollo del modelo. La generación de este modelo no es totalmente automática. Existen gran cantidad de algoritmos disponibles que funcionan mejor o peor según el tipo y características de los datos de entrada, y a su vez estos admiten también gran cantidad de parámetros. Por otro lado, los datos de entrada también son susceptibles de ser preprocesados y filtrados. Así pues, el proceso de aprendizaje automático es relativamente complejo.

RESULTADOS OBTENIDOS EN LA PRIMERA CAMPAÑA

Tras diversas pruebas con distintas combinaciones de bandas espectrales e índices de vegetación, se pudo comprobar que el índice NDVI es el que mejor funciona para esta aplicación.

Para comprobar la validez del modelo se hicieron tres rondas de pruebas. Dos utilizando los índices NDVI de las tres fechas (abril, mayo y junio), y una utilizando solo las de las dos primeras fechas (abril y mayo). En cada una de ellas se generó el modelo, utilizando validación cruzada (cross-validation, en inglés), y sin contar con los datos de 6 ó 7 microparcelas “test”, en cada caso distintas, y tomadas al azar de dos de los campos, y se indicó a cada modelo que predijese los rendimientos para esas microparcelas “desconocidas”. Los resultados se muestran en los Gráficos 1 al 3.

Resultados del primer test, utilizando los índices NDVI de tres fechas y con datos de 6 microparcelas de test. La fecha de la predicción es el 2 de junio. Correlación 94,20%. Error absoluto medio 404,64. Todos los valores en kg/ha.

Resultados del segundo test, utilizando los índices NDVI en tres fechas y con datos de 7 microparcelas de test. La fecha de la predicción es el 2 de junio. Correlación 97,53%. Error absoluto medio 183,88. Todos los valores en kg/ha.

Resultados del tercer test, utilizando los índices NDVI de dos fechas y con datos de 7 microparcelas de test. La fecha de la predicción es el 6 de mayo. Correlación 99,00%. Error absoluto medio 218,98. Todos los valores en kg/ha.

METODOLOGÍA DE LA SEGUNDA CAMPAÑA

En la campaña 2015-2016 se simplificó el sistema de captura de datos. Visto que el mejor índice para desarrollar el modelo era el NDVI, se optó por hacer directamente las mediciones de éste microparcela por microparcela, en los 2 campos de ensayo seleccionados para esa campaña. Para ello se contó con un equipo muy conocido en el sector, un GreenSeeker de Trimble cedido por ITAGRA.CT. Este equipo emite ráfagas de luz roja e infrarroja hacia el cultivo, y detecta la porción de luz de cada tipo que es reflejada. A partir de esos datos ofrece el índice NDVI. Dado que el equipo emite su propia luz, no es necesario someterlo a calibraciones según las condiciones lumínicas existentes, por lo que las mediciones hechas con este aparato son siempre comparables entre sí.

NDVI GreenSeeker ensayo trigo Palencia

Alberto Sanz, de Paraje Innova, realizando mediciones del NDVI mediante el GreenSeeker.

En este caso se hicieron mediciones en abril y junio en uno de los campos, y en abril, mayo y junio en el otro, midiendo el NDVI de cada microparcela. Al igual que en la campaña anterior, desde ITAGRA.CT se proporcionaron los datos de rendimiento en grano obtenido en cada microparcela. Con toda esta información, se procedió a hacer nuevas pruebas en el software de aprendizaje automático.

RESULTADOS OBTENIDOS EN LA SEGUNDA CAMPAÑA

En primer lugar se comprobó la robustez del modelo obtenido en 2015. Para ello se probó dicho modelo con los valores de NDVI obtenidos en 2016 en un campo de testeo. Como resultado se obtuvo una predicción con un error absoluto medio de aproximadamente 329 kg/ha y un ajuste entre predicción y realidad del 56,9%. Es decir, la predicción de cosecha empeora sensiblemente entre campañas, como era de esperar.

En segundo lugar se unificaron los datos de todos los campos y de ambas campañas. Con esta base de datos ampliada se generaron varios modelos de predicción de cosecha que se mejoraron también mediante validación cruzada.

En este punto conviene indicar que existen dos principales problemas de cara a predecir el rendimiento de un campo a partir de varios valores NDVI. El primero, es que los valores de este índice son siempre relativos, salvo que se calibren las fuentes de adquisición o las imágenes adquiridas para cada condición lumínica. El segundo, es que no siempre podemos tomar los datos en las mismas fechas o en el mismo estado fenológico exacto del cultivo, de un año para otro.

En este proyecto, el primer problema se solventó como se indicó anteriormente, mediante el uso de datos calibrados, y el segundo, mediante la consideración en los datos de partida que alimentan el modelo de una referencia temporal de la medición del índice NDVI en cada campo. Aplicando este sistema se ha obtenido un nuevo modelo resultante de ambas campañas con un ajuste de un 95,5% y un error medio absoluto de 254 kg/ha.

Predicciones de rendimiento realizadas en los cuatro campos de ensayo durante las campañas de 2015 y 2016. En el eje horizontal, los pesos reales obtenidos en cada microparcela. En el eje vertical, los predichos por el modelo.

PRÓXIMOS PASOS

Viendo el comportamiento del modelo, puede deducirse que el uso del índice NDVI durante la campaña es una buena herramienta para predecir el rendimiento en cosecha que se va a obtener del trigo blando en secano. Como se ha indicado con anterioridad, el estudio ha sido desarrollado en un entorno limitado, tanto en tiempo (dos campañas) como en espacio (4 campos de ensayo en la provincia de Palencia). Es nuestro deseo ampliar la zona y periodo de estudio, así como disminuir la escala de trabajo, utilizando también imágenes de satélite, para poder utilizar el modelo en grandes extensiones.

Por otra parte, creemos de gran interés el desarrollo de modelos de predicción de cosecha para otros cultivos herbáceos, como la cebada, el centeno, la avena o el maíz, o leñosos, como el viñedo. En este último caso para al algo tan necesario como prever aforos y poder organizar la vendimia.

Hasta aquí, el importante esfuerzo en horas y equipos tanto de Paraje Innova como de las entidades citadas y de sus técnicos, que ha dado como resultado un modelo de predicción de cosecha que promete ser válido para el fin previsto. El modelo necesita continuar su desarrollo para conseguir alcanzar una más perfecta calibración, exactitud y precisión, además de poderse aplicar a otros cultivos. Para esta siguiente fase los promotores esperan el apoyo de organizaciones o entidades que puedan sentirse interesadas en este desarrollo.

A todos los técnicos y entidades que han colaborado en este proyecto, nuestro más profundo agradecimiento por su apoyo y estímulo.

Predicción de cosecha mediante Teledetección y Aprendizaje Automático2017-07-31T12:21:13+00:00

Empleo de drones en pinares de piñonero

Una de las líneas de negocio de Paraje Innovación y Consultoría tiene como objetivo el llevar las nuevas tecnologías al campo agroforestal, siempre buscando soluciones prácticas y a ser posible, más eficientes que los métodos empleados de forma habitual en cada caso. En el caso de este post, mostramos los resultados de la aplicación de los drones para la estimación de la cantidad de piñas (en pie) en los pinares de pino piñonero de un término municipal de la provincia de Valladolid. Además, os animamos a leer un artículo completo sobre estas pruebas que hemos publicado en la revista «La Matacara», publicación local de Quintanilla de Onésimo.

El porqué de la experiencia en el pino piñonero:

La explotación de los pinares de pino piñonero (Pinus pinea) para la extracción de su apreciado fruto, el piñón, es una fuente de ingresos económicos importante para el sector forestal de la provincia de Valladolid. En ella se dan grandes masas de la especie, tanto en formas puras como mixtas, mezclados muchas veces con los pinos negrales (Pinus pinaster). Normalmente, los piñeros evalúan la cantidad de piñas que van a poder extraer de los pinares a finales de verano, recorriendo los mismos mediante transectos bajo las copas (ocasionalmente también subiendo a las copas de algunos pinos) y estimando los kilos de piña «a ojo», de tal manera que la experiencia del piñero es clave para esta singular toma de datos. Las piñas son tiradas desde los árboles durante el siguiente invierno, mediante máquinas vibradoras aplicadas a tractor. La hipótesis que nos planteamos para llevar a cabo esta prueba es si sería posible estimar la cantidad de piñas en pie empleando drones o UAV sobrevolando las copas de los árboles, a fin de hacer más eficiente, así como más precisa, la estimación de la cantidad de fruto antes de su recolección.

vuelo dron pino piñonero

Prueba realizada:

A primeros de diciembre del año pasado acudimos al conocido monte «El Carrascal» de Quintanilla de Onésimo (VA), donde en ese momento se estaba realizando la recogida de las piñas del piñonero por parte de una de las familias de piñeros de la localidad, amigos del que suscribe. De esta manera, fue posible tomar las imágenes de los mismos pinos de los que después se realizaría el vibrado, contando de esta manera exactamente el número de piñas caídas desde cada copa a fin de poder comparar los resultados de las imágenes analizadas con la realidad.

Las imágenes aéreas fueron tomadas con un dron DJI Phantom equipado con cámara RGB GoPro, propiedad de la empresa palentina Überbaum Industrie S.L., con la que muchas veces colaboramos para llevar a cabo distintos proyectos y tomas de datos empleando sus equipos.

operador Überbaum pino piñonero

Una vez tomadas las imágenes se procedió al vibrado de los pinos y al conteo de las piñas caídas, analizando además el % de daños (piñas no aptas) por las distintas plagas y enfermedades que como el como el Leptoglossus sp., afectan a este fruto y que muchas veces provocan que haya un importante porcentaje de pérdidas.

conteo piñas piñonero

daños piñas piñonero

De vuelta a la oficina, se analizaron las imágenes tomadas empleando técnicas de detección de objetos y aprendizaje automático o machine learning, que en Paraje empleamos en distintos proyectos, con el fin de lograr un método automatizado de localización y conteo de las piñas en cada copa.

Resultados:

No fueron los esperados, en nuestra opinión por la resolución de las imágenes y por la circunstancia de que las ramas de los pinos siguen creciendo por encima de las «chotas» o piñas jóvenes por lo que muchas de ellas quedan ocultas tras los tres años en que éstas tardan en madurar. Por ello, será necesario hacer más pruebas empleando otros canales del espectro electromagnético y otros sensores acoplados a los drones. Sin embargo, nos percatamos que sí era posible localizar con cierta precisión los bolsones de la procesionaria del pino (Thaumetopoea pityocampa), dada su fácil distinción por colores con respecto al resto de la copa del árbol. Así, empleando técnicas de clasificación propias de la teledetección, obtuvimos resultados mucho más prometedores en lo que respecta a esta grave plaga, que ocasiona daños en grandes superficies de pinares tanto de pino piñonero como de otras especies del género Pinus spp., como los acontecidos en el Norte de Palencia durante los últimos años. La investigación y el desarrollo de nuevas aplicaciones y servicios algunas veces produce estos resultados, como suele decirse, «una de cal y otra de arena».

Publicación:

Fruto del trabajo realizado tuvimos la oportunidad de redactar un artículo completo para la simpática revista local de Quintanilla de índole trimestral «La Matacara», a cuya redacción agradecemos la posibilidad de publicarlo, y que podéis descargar íntegramente a continuación, donde podréis observar más fotografías de la experiencia. Esperamos que resulte de vuestro interés y si tenéis cualquier consulta, no dudéis en poneros en contacto con nosotros.

portada matacara parajeinnova piñonero

Empleo de drones en pinares de piñonero2017-05-25T11:35:51+00:00

Drones: experiencias en Paraje

Como sabréis todos los que sigáis nuestras redes sociales, de vez en cuando os informamos acerca de las pruebas que hacemos sobre las aplicaciones que pueden tener los drones o UAVs en la fase de toma de datos, para los servicios que ofrecemos desde Paraje. En este post pretendemos informar sucintamente acerca de una de las pruebas más completas que hemos realizado hasta la fecha, a partir de un vuelo con un dron sobre una pequeña carretera de ámbito local.

Así, el trabajo consistió en tres fases:

1)  Realización de vuelos fotogramétricos con un dron de ala fija modelo EBEE, equipado en primer lugar con cámara RGB (450, 520, 660 nm) y en el segundo vuelo, con una cámara NIR (550, 625, 850 nm). El vuelo RGB se diseñó por parte de nuestra empresa amiga Überbaum Industrie de tal manera que el UAV volase viéndose lo menos afectado posible por el fuerte viento racheado que reinaba el día de la prueba (lamentablemente no pudimos evitar su influencia en las imágenes finales, como después veríamos durante la fase de procesado), mediante dobles pasadas cruzadas y con puntos de apoyo en tierra. En total se volaron 67 ha.

Huella del vuelo

Huella del vuelo fotogramétrico.

2)  Toma de datos en tierra mediante GPS centimétrico, para complementar la información tomada por el dron: cunetas y lugares ocultos, obras de fábrica y dianas para la calibración geométrica del vuelo (puntos de apoyo y puntos de control). Esta fase la llevamos a cabo con el personal y medios de Paraje.

3)  Trabajo de gabinete con distintos software: procesamiento de vuelos fotogramétricos con drones, procesamiento de los puntos GPS obtenidos y software GIS (Sistemas de Información Geográfica). Al igual que en el caso anterior, esta fase fue realizada íntegramente por Paraje.

De esta manera, obtuvimos una serie de resultados que os mostramos a continuación, con algún ejemplo:

    • Mosaico de ortofotografía RGB.

Ortofotografía RGB

Ortofotografía RGB.

    • Modelo Digital de Superficies (DSM).

DSM

Digital Surface Model.

    • Vuelo fotogramétrico obtenido mediante drones y en servicio online. Para más información sobre este servicio, proporcionado por la empresa Sigrid S.L., os remitimos a este blog de la citada empresa: http://blog.sigrid.es/?p=2179

Vuelo online

Vuelo fotogramétrico en servicio web.

    • Mosaico de ortofotografía NIR.

Ortofotografía NIR

Ortofotografía NIR.

    • Índice NDVI.

NDVI

Índice NDVI.

    • Modelización de la carretera.

Modelización

Modelización.

    • Restitución de cartografía.

Cartografía

Cartografía.

Esperamos que este sencillo artículo os haya llamado la atención, intentaremos escribir más sobre nuestras experiencias en este ámbito. Si necesitáis más información sobre nuestros servicios y lo que somos capaces de hacer con los datos obtenidos con los drones, no dudéis en contactarnos.

Drones: experiencias en Paraje2017-07-31T12:23:18+00:00
Ir a Arriba