S. Vélez¹, C. Poblete-Echeverría², J.A. Rubio¹, R. Vacas¹, y E. Barajas¹. ¹Instituto Tecnológico Agrario de Castilla y León (ITACyL), Unidad de Cultivos Leñosos y Hortícolas. Valladolid. España. ²South African Grape and Wine Research Institute (SAGWRI), Department of Viticulture and Oenology. Faculty of AgriSciences, Stellenbosch University, South Africa.

Hace unas décadas, los agri­cul­to­res podían gestionar con pre­cisión sus tierras de cultivo simplemente caminando so­bre los viñedos, pero a medida que au­menta el tamaño de las explotaciones, esta tarea se hace más difícil sin utilizar la tecnología. La viticultura de precisión y, más concretamente, la teledetección, han demostrado su utilidad en viticultura para estimar determinados parámetros agro­nó­micos, así como para mejorar la ges­tión de las parcelas agrícolas teniendo en cuenta la variabilidad espacial a través de una zonificación más eficiente.

Uno de los parámetros más importantes es el área foliar, que se puede gestionar em­pleando el índice de área foliar (LAI), y se correlaciona directamente con otros pará­me­tros críticos del viñedo, como el desa­rro­llo radicular o la capacidad fotosin­té­tica, limitando el rendimiento (Keller, 2015) y está relacionado con la trans­pi­ra­ción del dosel y el uso del agua, influ­yen­do en las decisiones de riego (Netzer et al., 2008; Munitz et al., 2019). Tradicio­nal­mente, se mide empleando métodos como el método Carbonneau (Carbon­neau, 1976) o el método de Lopes y Pin­to (Lopes y Pinto, 2005), entre otros, que suelen ser métodos costosos que con­su­men mucho tiempo.

Por otra parte, el desarrollo y abaratamien­to de nuevas tecnologías relativas a los drones (o vehículos aéreos no tripulados) y sensores permiten obtener imágenes con un grado de detalle muy elevado. Y, además, sabemos por diversos au­tores que el área foliar de la planta está correlacionada con la luz interceptada (Baeza et al., 2010) y también es evidente que la cantidad de sombra es función del objeto que está generando esa sombra. Por tanto, la hipótesis de este trabajo es que es posible estimar el área foliar midiendo la sombra de la planta, siendo su objetivo correlacionar el área foliar (LAI) real medida en campo con el área foliar estimada a partir de las sombras aisladas con imágenes de alta resolución captadas con dron.

Material y métodos

El trabajo se realizó en un viñedo cv. Ca­bernet Sauvignon conducido en espaldera, con poda en cordón Royat bi­lateral, situado en la finca Zamadueñas (41.7013o N, 4.7088o W), del Instituto Tec­nológico Agrario de Castilla y León (Valladolid). La imagen se adquirió el 27 de junio de 2019, empleando un dron 3DR SOLO y dos cámaras MAPIR de bajo coste, que tienen sensores CMOS de 12 megapíxeles, Modelo Sur­vey3, una con filtro RGB y la otra con filtro RGN. Por tanto, contando con información espectral en las bandas azul (450 nm), verde (550 nm), roja (660 nm) e in­fra­rroja cercana (850 nm).

La misión se planeó para tomar las imágenes entre las 15:30 y las 16:00 horas solares (18:00 horas locales), buscando maximizar la proyección de la sombra de cada vid en el suelo para captar el máximo de información (figura 1). Posterior­mente, cada cepa se posicionó con GPS y se procedió a la retirada de forma destructiva de la vegetación del viñedo para determinar el área foliar real con técnicas de reconocimiento de imagen en laboratorio.

Figura 2. Ortofoto original de las sombras tomada con dron (izda) e imagen reclasificada empleando el algoritmo RandomForest (drcha).

Finalmente, se aislaron las sombras de la imagen del dron empleando técnicas de machine learning (algoritmos de clasificación k-means y RandomForest, figura 2), se creó una malla vectorial con el objetivo de asignar a cada planta el área correspondiente al marco de plantación (empleando para ello el acimut solar y la orientación de la fila, creando un pa­ra­lelepípedo con ángulos de 95° y 35° y lados de 1,2 y 1,8 m, excluyendo una franja de 0,7 m de ancho correspondiente a la vegetación), se aisló el área correspondiente a cada cepa y se relacionó su superficie con el LAI real. Para la realización del trabajo se empleó el software QGIS 3.16.X y R 3.6.X.

Resultados

El algoritmo de clasificación RandomFo­rest mostró la mayor precisión para estimar el LAI real, alcanzando unos valores R2 = 0,76, con RMSE = 0,160 m2 m-2 y MAE = 0,139 m2 m-2. El algoritmo k-means obtuvo una precisión similar con un no de clústers k = 6 (R2 = 0,76), pero con un error más alto (RMSE = 0,165 m2 m-2, y MAE = 0,142 m2 m-2). El resto de los valores R2 para la clasificación k-means variaron de 0,62 a 0,75. La peor correlación se encontró para k-means con no de clústers k = 4.

Figura 3. Mapa de LAI generado empleado las sombras y machine learning.

Finalmente, para demostrar la utilidad práctica de la metodología en el sector vitícola, se muestra la figura 3, con una clasificación según el área sombreada en tres niveles de LAI (alto, medio y bajo), agrupando las vides según el LAI, de­mos­trando que la metodología puede ser útil para aplicaciones reales como la zonificación para la gestión diferencial, el rie­go o la fertilización. Esta información se podría cargar en las máquinas agrícolas para la aplicación efectiva del producto, por ejemplo, fitosanitarios o fertilizantes.

Discusión

La ortofotografía aérea proporciona información sobre el tamaño del dosel en dos dimensiones, pero la sombra es la proyección en el plano de la dimensión vertical, lo que proporciona información valiosa adicional. Nuestros resultados demuestran que es posible planificar con precisión la misión, calculando el acimut y la elevación del sol para realizar el vuelo a una hora determinada para maximizar la información extraída de las sombras.

Se obtuvieron unos buenos resultados de hasta R2 = 0,76, empleando algoritmos de clasificación para estimar el LAI real a partir de las sombras. Además, esta me­todología permite obtener el LAI de todas y cada una de las plantas de la par­cela, de forma individual, facilitando la gestión diferencial del viñedo a nivel de planta. Los resultados de este método son especialmente buenos, teniendo en cuenta el bajo coste de la tecnología em­pleada y la relativa sencillez del procesado de la in­formación, sobre todo comparado con otras técnicas de obtención del LAI em­pleando teledetección.

Por último, se considera de especial in­terés que la presente metodología permite la posibilidad de obtención de las imágenes a horas diferentes del día a las ha­bitualmente empleadas por otras técnicas, permitiendo programar el vuelo en la mañana o la tarde, lo que permite a los pilotos ampliar o modificar su jornada la­boral.