UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ......Tutor: Carlos Lenin Montúfar Delgado RESUMEN...
Transcript of UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE ......Tutor: Carlos Lenin Montúfar Delgado RESUMEN...
-
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE CIENCIAS AGRÍCOLAS
CARRERA DE INGENIERÍA AGRONÓMICA
Detección temprana de sigatoka negra (Mycosphaerella fijiensis
Morelet) en el cultivo de banano (Musa x paradisiaca) utilizando
sensores multiespectrales
Trabajo de titulación previo a la obtención del título de Ingeniero
Agrónomo
AUTOR: Lincango Bravo Alex Ricardo
TUTOR: Ing. Agr. Carlos Lenin Montúfar Delgado, M.Sc.
Quito, 2020
-
ii
DERECHOS DE AUTOR
Yo, LINCANGO BRAVO ALEX RICARDO en calidad de autor y titular de los derechos
morales y patrimoniales del trabajo de titulación: Detección temprana de sigatoka
negra (Mycosphaerella fijiensis Morelet) en el cultivo de banano (Musa x
paradisiaca) utilizando sensores multiespectrales, modalidad presencial, de
conformidad con el Art. 114 del CÓDIGO ORGÁNICO DE LA ECONOMÍA SOCIAL DE
LOS CONOCIMIENTOS, CREATIVIDAD E INNOVACIÓN, concedo a favor de la
Universidad Central del Ecuador una licencia gratuita, intransferible y no exclusiva para el
uso no comercial de la obra, con fines estrictamente académicos. Conservo a mi favor
todos los derechos de autor sobre la obra, establecidos en la normativa citada.
Así mismo, autorizo a la Universidad Central del Ecuador para que realice la digitalización
y publicación de este trabajo de titulación en el repositorio virtual, de conformidad a lo
dispuesto en el Art. 144 de la Ley Orgánica de Educación Superior.
El autor declara que la obra objeto de la presente autorización es original en su forma de
expresión y no infringe el derecho de autor de terceros, asumiendo la responsabilidad por
cualquier reclamación que pudiera presentarse por esta causa y liberando a la
Universidad de toda responsabilidad.
____________________________
Lincango Bravo Alex Ricardo
CC. 172358071-6
Dirección electrónica: [email protected]
mailto:[email protected]
-
iii
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del Trabajo de Titulación, presentado por ALEX RICARDO
LINCANGO BRAVO, para optar por el Grado de Ingeniero Agrónomo; cuyo título es:
DETECCIÓN TEMPRANA DE SIGATOKA NEGRA (Mycosphaerella fijiensis Morelet)
EN EL CULTIVO DE BANANO (Musa x paradisiaca) UTILIZANDO SENSORES
MULTIESPECTRALES, considero que dicho trabajo reúne los requisitos y méritos
suficientes para ser sometido a la presentación y evaluación por parte del tribunal
examinador que se designe.
En la ciudad de Quito, a los 14 días del mes de mayo de 2020.
____________________________
Ing. Agr. Montúfar Delgado Carlos Lenin, M.Sc.
DOCENTE-TUTOR
C.C. 170732086-5
-
iv
DETECCIÓN TEMPRANA DE SIGATOKA NEGRA (Mycosphaerella
fijiensis Morelet) EN EL CULTIVO DE BANANO (Musa x
paradisiaca) UTILIZANDO SENSORES MULTIESPECTRALES
APROBADO POR:
Ing. Agr. Carlos Montúfar, MSc.
TUTOR
Ing. Agr. Laura Vásquez, MSc.
TRIBUNAL LECTOR
Ing. Agr. José Ochoa, Ph.D.
TRIBUNAL LECTOR
2020
-
v
DEDICATORIA
El presente trabajo se lo dedico a mi padre Wilson
por su arduo empeño en demostrarme que con el
trabajo arduo se llega al éxito y a mi madre Maruja
por depositar en mí sus más grandes sueños y
anhelos de ser una persona profesional, educada y
de bien.
A mi hermana Karla por ser también una amiga con
quien puedo contar ya que sus palabras llenan de
alegría mis días.
A mí amada Jessica por su infinita comprensión,
paciencia y sinceridad en el trayecto de mi formación
académica que me ha demostrado su apoyo
incondicional y verdadero.
A mi abuelita Evangelina por contarme sus
anécdotas y brindarme consejos que me ayudarán a
seguir adelante.
-
vi
AGRADECIMIENTO
Inmensa gratitud al Ing. Santiago Sghirla, Ing. Hernán
Velásquez y a todo el personal que conforma AGP
GEOSPATIAL COMPANY por abrirme sus puertas,
brindarme su conocimiento y lo necesario para la
realización del presente trabajo.
Al Ing. Carlos Montúfar quien me ha brindado su tiempo
y conocimiento los cuales encaminaron a bien el
desarrollo de la investigación, a la Ing. Laura Vásquez
por sus palabras, apoyo y consejos para ser un buen
profesional, al Ing. José Ochoa por ser parte del trabajo
al brindar sus conocimientos en la investigación, a los
docentes y personal que forman parte de la carrera de
Ingeniería Agronómica de la Facultad de Ciencias
Agrícolas de la Universidad Central del Ecuador.
A mis padres y hermana ya que sin su apoyo esto no
sería posible, siempre alentándome y creyendo en mí.
A mis tíos (Abel, Segundo y Nixon), tías (Leidi,
Jackeline, Alexandra, Nelly, Mercedes) y primos con los
que puedo contar en los momentos buenos y malos.
A mí querida compañera Jessica quien me ha enseñado
a no rendirme demostrándome que en los momentos
más difíciles de la vida se puede encontrar una
solución.
A mis amigos (Sandy, Carlos, Daniela, Fernanda) con
los que he compartido grandes experiencias y a través
del tiempo seguiremos fortaleciendo nuestros lazos.
-
vii
ÍNDICE DE CONTENIDOS
CAPÍTULOS PÁGINAS
DERECHOS DE AUTOR ........................................................................................ ii
APROBACIÓN DEL TUTOR ................................................................................. iii
APROBACIÓN DEL TRIBUNAL ........................................................................... iv
DEDICATORIA ....................................................................................................... v
AGRADECIMIENTO .............................................................................................. vi
ÍNDICE DE CONTENIDOS ................................................................................... vii
LISTA DE TABLAS ................................................................................................ x
LISTA DE FIGURAS .............................................................................................. xi
LISTA DE ANEXOS .............................................................................................. xii
RESUMEN ........................................................................................................... xiii
ABSTRACT .......................................................................................................... xiv
CERTIFICACIÓN .................................................................................................. xv
1. INTRODUCCIÓN ............................................................................................. 1
2. Objetivos .......................................................................................................... 2
2.1 Objetivo general ....................................................................................... 2
2.2 Objetivo específico ................................................................................... 2
3. REVISIÓN DE LITERATURA .......................................................................... 3
3. 1 Agricultura de precisión ............................................................................ 3
3. 2 Teledetección y sensores ........................................................................ 3
3. 3 Vehículos aéreos no tripulados ................................................................ 4
3. 4 Región espectral visible en las plantas .................................................... 4
3. 5 Región espectral infrarroja ....................................................................... 4
3. 6 Firma espectral de la vegetación ............................................................. 5
3. 7 Índices de vegetación .............................................................................. 5
3. 8 Índice de diferencia vegetal normalizado ................................................. 6
3. 9 Limitación de la producción por aspectos fitosanitarios ........................... 7
3. 10 Sigatoka negra ....................................................................................... 8
3.10. 1 Taxonomía ...................................................................................... 8
3.10. 2 Desarrollo de la infección ................................................................ 9
3.10. 3 Síntomas ......................................................................................... 9
-
viii
3.10. 4 Método de Stover modificado por Gauhl ....................................... 10
4. MATERIALES Y MÉTODOS ......................................................................... 11
4.1 Ubicación ............................................................................................... 11
4.1.1. Ubicación política .............................................................................. 11
4.1.2. Coordenadas extremas de la zona de estudio ................................. 11
4.2 Equipos y materiales .............................................................................. 12
4.2.1. Equipos ............................................................................................. 12
4.2.2. Materiales de oficina ......................................................................... 12
4.2.3. Software de procesamiento .............................................................. 12
4.3 Metodología ........................................................................................... 12
4.3.1. Primera etapa ................................................................................... 14
4.3.1.1. Determinación de la zona de estudio ......................................... 14
4.3.1.2. Planificación del vuelo con el VANT ........................................... 14
4.3.1.3. Altura de vuelo ........................................................................ 15
4.3.1.4. Solapamiento .......................................................................... 15
4.3.1.5. Calibración de las cámaras multiespectrales y ejecución .......... 15
4.3.2. Segunda etapa ................................................................................. 15
4.3.2.1. Procesamiento ........................................................................... 15
4.3.2.2. Orientación de imágenes ........................................................ 15
4.3.2.3. Crear nube de puntos ............................................................. 16
4.3.2.4. Modelo digital de elevación ..................................................... 16
4.3.2.5. Ortofotografía .......................................................................... 16
4.3.2.6. Software de procesamiento .................................................... 16
4.3.2.7. Obtención del índice de vegetación por diferencia
normalizada... ........................................................................................ 16
4.3.3. Tercera etapa ................................................................................... 18
4.3.3.1. Unidad experimental .................................................................. 18
4.3.3.2. Cálculo del tamaño de la muestra .............................................. 18
4.3.3.3. Toma de datos ........................................................................... 19
4.3.4. Cuarta etapa ..................................................................................... 19
4.3.4.1. Análisis estadístico Bland-Altman .............................................. 19
5. RESULTADOS Y DISCUSIÓN ...................................................................... 21
5.1 Comparación NDVI del sensor de mano greenseeker y de la cámara
multiespectral .................................................................................................... 21
5.2 Clasificación NDVI de la cámara multiespectral ..................................... 23
-
ix
5.3 Análisis estadístico ................................................................................. 24
5.3.1. Gráfico Bland-Altman ........................................................................ 24
5.3.2. Regresión y correlación del estado de enfermedad con los valores
NDVI de los sensores remotos ...................................................................... 26
6. CONCLUSIONES .......................................................................................... 28
7. RECOMENDACIONES .................................................................................. 29
8. REFERENCIAS BIBLIOGRÁFICAS ............................................................. 30
9. ANEXOS ........................................................................................................ 38
-
x
LISTA DE TABLAS
TABLAS PÁGINAS
TABLA 1. División de la región infrarroja .......................................................................... 5 TABLA 2. Franjas del espectro visible .............................................................................. 5 TABLA 3. Clasificación taxonómica de la Sigatoka negra (M. fijiensis) ............................ 8 TABLA 4. Descripción del desarrollo de sigatoka negra (M. fijiensis) ..............................10 TABLA 5. Coordenadas de la finca .................................................................................11 TABLA 6. Valores NDVI obtenidos por el sensor greenseeker y la cámara multiespectral
........................................................................................................................................21 TABLA 7. Resumen de los estadísticos del análisis Bland-Altman ..................................25 TABLA 8. Estadístico “t” comprobación de la discordancia entre métodos ......................25
-
xi
LISTA DE FIGURAS
FIGURAS PÁGINAS
Figura 1. Esporas producidas por sigatoka negra (B) Conidios y conidióforos. (D y F)
Ascosporas no germinada y germinada respectivamente. ................................................ 9 Figura 2. Síntomas desarrollados (seis estados) para detección de sigatoka negra......... 9 Figura 3. Grado de desarrollo de la enfermedad en la hoja de banano. ..........................10 Figura 4. Ubicación de la Finca respecto al Ecuador .......................................................11 Figura 5. Diagrama de flujo de desarrollo de la investigación .........................................13 Figura 6. Finca San Juan, ubicación del área de estudio ...............................................14 Figura 7. Panel principal del programa PCI Geomatics ...................................................17 Figura 8. Imagen multiespectral sobre el software ..........................................................17 Figura 9. Menú de herramientas .....................................................................................17 Figura 10. Calculadora ráster de la interfaz .....................................................................18 Figura 11. Mapa de clasificación NDVI del cultivo de banano con la cámara
multiespectral ..................................................................................................................23 Figura 12. Estadístico Bland Altman de concordancia de métodos .................................24 Figura 13. Regresión lineal y coeficiente de correlación del sensor de mano .................26 Figura 14. Regresión lineal y coeficiente de correlación de la cámara multiespectral......27
-
xii
LISTA DE ANEXOS
ANEXOS PÁGINAS
Anexo 1. Cronograma de actividades .............................................................................38 Anexo 2. Costos de implementación ..............................................................................38 Anexo 3. Presupuesto de la investigación en detalle ......................................................39 Anexo 4. Costo por hora de trabajo .................................................................................39 Anexo 5. Detalle del financiamiento para la ejecución de la investigación. ......................40 Anexo 6. Cámara multiespectral Micasense RedEdge ....................................................40 Anexo 7. Calibración de la cámara multiespectral. ..........................................................40 Anexo 8. Montaje de la cámara en el Dron Mavic 2 Pro. .................................................41 Anexo 9. Descripción gráfica de la toma de datos con el equipo de mano Greenseeker. 41 Anexo 10. Histograma de la distribución normal de los datos .........................................42 Anexo 11. Estados de la sigatoka negra en el cultivo de banano ....................................42
-
xiii
TÍTULO: Detección temprana de sigatoka negra (Mycosphaerella
fijiensis Morelet) en el cultivo de banano (Musa x paradisiaca)
utilizando sensores multiespectrales
Autor: Alex Ricardo Lincango Bravo
Tutor: Carlos Lenin Montúfar Delgado
RESUMEN
Debido a la rápida diseminación del hongo Mycosphaerella fijiensis, agente causal de la enfermedad llamada sigatoka negra en el cultivo de banano, el desarrollo del presente trabajo estuvo orientada a la utilización de dos sensores multiespectrales para su detección temprana. En el cantón Naranjal provincia del Guayas se encuentra la finca San Juan, lugar en el que se llevó a cabo la investigación. La metodología contempló: planificación del área de estudio, procesamiento de imágenes, Índice de Vegetación de Diferencia Normalizada (NDVI), toma de muestras en campo, análisis estadístico de regresión-correlación y de la metodología Bland-Altman de comparación de métodos. El rango NDVI obtenido del sensor greenseeker fue de 0.62 a 0.94 y su coeficiente de correlación como respuesta a la presencia de la enfermedad fue de 0.65. Por otro lado, el rango NDVI del sensor de la cámara multiespectral fue de 0.53 a 0.28 y su coeficiente de correlación en respuesta a la presencia de la enfermedad fue de 0.75. Estos resultados establecieron que a un estado avanzado de la enfermedad el valor NDVI disminuye. Finalmente, se concluyó que los sensores fueron capaces de discriminar alteraciones de la respuesta espectral de las hojas de banano causado por la presencia de la sigatoka negra constituyéndose en herramientas útiles para el monitoreo de la enfermedad en el cultivo.
PALABRAS CLAVE: HERRAMIENTAS DE MONITOREO / RESPUESTA ESPECTRAL /
COMPARACIÓN DE MÉTODOS / NDVI
-
xiv
TITLE: Early detection of black sigatoka (Mycosphaerella fijiensis
Morelet) in banana cultivation (Musa x paradisiaca) using multispectral
sensors
Author: Alex Ricardo Lincango Bravo
Tutor: Carlos Lenin Montúfar Delgado
ABSTRACT
Due to the rapid spread of the fungus Mycosphaerella fijiensis, causative agent of the
disease called black sigatoka in banana cultivation, the development of the present work
was oriented to the use of two multispectral sensors for its early detection. In the canton
Naranjal province of Guayas is located the San Juan farm, place where the investigation
was carried out. The methodology included: study area planning, image processing,
Normalized Difference Vegetation Index (NDVI), field sampling, statistical analysis of
regression-correlation and the Bland-Altman methodology of comparison of methods. The
NDVI range obtained from the greenseeker sensor was 0.62 to 0.94 and its correlation
coefficient in response to the presence of the disease was 0.65. On the other hand, the
NDVI range of the multispectral camera sensor was 0.53 to 0.28 and its correlation
coefficient in response to the presence of the disease was 0.75. These results established
that at an advanced stage of the disease the NDVI value decreases. Finally, it was
concluded that the sensors were able to discriminate alterations of the spectral response
of the banana leaves caused by the presence of black sigatoka and constituted useful
tools for the monitoring of the disease in the crop.
KEY WORDS: MONITORING TOOLS / SPECTRAL RESPONSE / COMPARISON OF
METHODS / NDVI
-
xv
CERTIFICACIÓN
En calidad de tutor de trabajo de titulación cuyo título es Detección temprana de
sigatoka negra (Mycosphaerella fijiensis Morelet) en el cultivo de banano (Musa x
paradisiaca) utilizando sensores multiespectrales, presentado por el señor Lincango
Bravo Alex Ricardo, previo a la obtención del Título de Ingeniero Agrónomo, certifico
haber revisado y corregido el ABSTRACT para el trabajo de Grado, aprobado el mismo,
después de realizadas las observaciones por los miembros del tribunal, por lo que
apruebo el mismo para el empastado final.
____________________________
Ing. Agr. Montúfar Delgado Carlos Lenin MSc.
DOCENTE-TUTOR
C.C. 1707320865
-
1
1. INTRODUCCIÓN
La agricultura de precisión (AP) utiliza tecnologías para la recolección, procesamiento y
análisis de información con el fin de reducir costos, riesgos de posibles plagas y escasez
de nutrientes (Bongiovanni, Chartuni, Best y Roel, 2006; Hatfield y Pinter, 1993). La AP
se fundamenta en la aplicación de las cantidades correctas de los insumos necesarios en
los sitios específicos reconocidos y categorizados de acuerdo a variables de suelo y
follaje que mejora las prácticas de manejo del cultivo (García y Flego, 2007).
Los VANTs (vehículos aéreos no tripulados) también conocidos como drones permiten el
acondicionamiento de dispositivos como cámaras multiespectrales (Ojeda et al., 2017)
que ayuda a mejorar la eficiencia en el uso de fertilizantes, detección temprana de plagas
y deficiencias nutricionales (Gonzalez, Amarillo, Amarillo y Sarmiento, 2015).
El uso de los índices de vegetación brinda información para ser aplicados en el monitoreo
de deficiencias nutricionales, presencia, vigor de la vegetación, entre otros, uno de los
más utilizados es el índice de Vegetación por Diferencia Normalizada (NDVI por sus
siglas en inglés) (Ceroni, Achkar, Gazzano y Burgeño, 2015). El uso inicial del NDVI se
relacionó a la presencia de vegetación, índice de área foliar o el contenido de clorofila,
mientras que el uso actual es en el cálculo de biomasa verde y detección plagas (Glenn y
Tabb, 2018).
La forma de integrar e interpretar la información tomada en campo por estos sensores
requiere del desarrollo de procesos algebraicos, uso de herramientas de información
geográfica (SIG) y programas computacionales con algoritmos que permiten la
visualización de información para mejorar la apreciación y capacidad de respuesta al
problema (Uva y Campanella, 2009). Las imágenes multiespectrales son metadatos
obtenidos a partir de sensores remotos que cuantifican el flujo de energía radiante de los
objetos (Mora y Cerdas, 2016).
El adoptar técnicas de agricultura de precisión radica en la importancia económica que
tiene el banano en el Ecuador. Al ser uno de los productos más exportados con una
cantidad de 6 millones de toneladas en el año 2017 ( FAO, 2019) . Lo que le ha
concedido ubicarse entre los cinco mejores países de exportación a nivel mundial que da
origen a un sector económico estable al proporcionar fuentes de ingreso y empleo directo
(250.000 personas) e indirecto (1.600.000 personas) (Calle, 2014; Camino et al., 2016).
La variedad más conocida y acogida por las haciendas o fincas es el banano de la
variedad Cavendish que tiene como fin la exportación ( CFN, 2017). El principal problema
es el bajo nivel de productividad que se ve con mayor impacto en los pequeños
productores que no son capaces de afrontar el efecto de las plagas del cultivo (Del
Cioppo, 2016).
La sigatoka negra (Mycosphaerella fijiensis Morelet) es una enfermedad que causa
clorosis y necrosis acelerada de las hojas del cultivo de banano y es responsable de las
mayores pérdidas económicas en el cultivo. Su manejo y control es difícil, costoso y su
rápida diseminación reduce la calidad del banano de exportación hasta en un 90%
(Hernández et al., 2009).
-
2
2. Objetivos 2.1 Objetivo general
Analizar los datos de sensores remotos multiespectrales para la detección
temprana de Sigatoka Negra (Mycosphaerella fijiensis) en el cultivo de banano.
2.2 Objetivo específico
Comparar los datos de dos sensores para la detección temprana de Sigatoka
Negra mediante la valoración del NDVI.
-
3
3. REVISIÓN DE LITERATURA
3. 1 Agricultura de precisión
La agricultura de precisión (AP) es el conjunto de técnicas que utiliza tecnología para la
gestión adecuada de los insumos agrícolas a través de las variabilidades espaciales y
temporales que intervienen en el cultivo (Dwivedi y Naresh, 2017). Permite la gestión y
manejo de parcelas agrícolas, requiere de GPS (global positioning system por sus siglas
en inglés), herramientas SIG (sistemas de información geográfica), sensores e imágenes
aéreas (Marote, 2010).
Países como EEUU, Canadá, Australia y Europa occidental (Alemania, España, Italia)
incursionaron en las investigaciones de AP a mediados de los años 80, mientras que en
el Ecuador ha tomado énfasis recientemente en los cultivos de caña de azúcar y banano
(Ochoa y Cangrejo, 2012).
Existen ciertas barreras que limitan la implementación de AP como el costo de los
equipos, escasa motivación hacia la innovación, uso de componentes tecnológicos
(software ) y habilidades informáticas (García y Flego, 2007; Leiva, 2003).
Los aportes de la AP como son los mapas de rendimientos que permiten identificar la
variabilidad natural del Sistema Agua-Suelo-Planta y optimizar el manejo de insumos
ofrecen grandes oportunidades para que los productores incrementen su productividad y
rentabilidad (Dwivedi y Naresh, 2017; Marote, 2010).
La AP incluye el control de varios elementos y sistemas que permiten mejorar, facilitar y
automatizar las actividades agrícolas (Marote, 2010). Su implementación genera
beneficios económicos, ecológicos y técnicos, que permiten la corrección y prevención de
problemas (Leiva, 2003). Los principales factores que conducen al desarrollo de la AP
son: reducción de mano de obra, el aumento en la edad media de los agricultores y la
conservación del medio ambiente (Ochoa y Cangrejo, 2012).
3. 2 Teledetección y sensores
La teledetección es la obtención de la energía reflejada por los objetos presentes en la
superficie terrestre a través de los sensores que permiten capturar la información de uno
o varios objetos a la distancia por medio de la interacción energética clasificándose en
sensores activos (emiten su energía) o pasivos (mide la reflexión de la luz solar o
temperatura del objeto) (Calderón, Zarco, Navas, Landa y López, 2018).
La utilización de los sensores se encuentra dirigido a variables que intervienen en el
desarrollo del cultivo como variabilidad en campo (condiciones del terreno), suelo
(características físicas y químicas), cultivo (el área foliar, densidad, altura), factores
anómalos (presencia de malezas, enfermedades, daño ocasionado por factores
climáticos) y el manejo de las prácticas agrícolas (Gómez, Velásquez y Jimenez, 2016).
Los sistemas y las técnicas que se emplean con las imágenes obtenidas por los sensores
hace de su uso una herramienta de gran utilidad que permiten recuperar la radiación
espectral de un elemento de interés de estudio, la reflectancia o las señales combinadas
en cada pixel para obtener color (Caldentey, 2016; López, Hernández, Romero, Campos
y Pons, 2009).
-
4
El empleo de vehículos aéreos no tripulados y sensores multiespectrales permiten
realizar estudios para obtener información espacio-temporal. Los sensores
multiespectrales permiten dividir el espectro electromagnético en bandas y la resolución
obtenida se encuentra en función del número de bandas para el que está diseñado el
sensor (Peña, 2014; Roman y Vargas, 2014).
3. 3 Vehículos aéreos no tripulados
Los VANTs (vehículos aéreos no tripulados) conocidos como drones pueden realizar
despliegues rápidos (Aguilar, Gijón y Martínez, 2017). Uno de los campos con mayor
aplicación es la AP debido a la capacidad de obtener información de los cultivos que
mejora la toma de decisiones mediante la combinación e implementación de cámaras de
alta resolución y sensores remotos (Aguilar et al., 2017; Gonzalez et al., 2015; Mahajan y
Bundel, 2016).
La aplicación en el campo agrícola está en relación a gestiones hídricas, nutrición,
cosecha y detección de plagas (Gonzalez et al., 2015). La generación de patrones de
siembra, manejo en niveles de fertilizantes, la toma de imágenes de forma rápida,
detección de zonas de estrés hídrico permiten un desarrollo óptimo del cultivo (European
Commission, 2018).
El uso de VANTs para la agricultura ha crecido a un ritmo acelerado para el manejo de
cultivos al permitir obtener sistemas de alerta temprana (FAO, 2002). La aplicación en el
cultivo de Banano consiste en la implementación de VANTs e imágenes multiespectrales
que permite las operaciones algebraicas entre las bandas espectrales para la obtención
de índices de vegetación (Guzmán, 2018).
Los VANT´s permiten transportar los sensores que captan el espectro de luz que reflejan
las plantas que son de utilidad en la agricultura por su exactitud espacial y disponibilidad
temporal de la toma de los datos que brinda información sobre los cambios perceptibles
en el cultivo y conjuntamente con información meteorológica permiten la detección
temprana de enfermedades especialmente ocasionadas por hongos (Montesinos, 2015).
3. 4 Región espectral visible en las plantas
El espectro visible de luz es el espectro de radiación electromagnética que es visible para
el ojo humano y va de los 400-700 nm siendo perceptible al ojo humano. En cambio, los
cloroplastos se encargan de la captación está energía en las plantas y membranas
celulares al poder transformar en energía química tras realizarse la fotosíntesis (García,
2014; Manrique, 2003; Ordóñez, 2012).
Manrique (2003) menciona que los pigmentos clorofílicos son los más abundantes y estos
se debe a la captación de luz solar de las fracciones roja y azul, mientras transmite el
resto de colores por lo cual se aprecia diversos tonos de verde.
3. 5 Región espectral infrarroja
La región espectral infrarroja es el rango de radiación que posee una mayor longitud de
onda que el espectro visible y su rango va de 0.7 a 1.000 µm también se la conoce como
radiación térmica (producida por el calor de los cuerpos) (Ordóñez, 2012). Esta región se
divide en tres (Cuadro 1). Posee un longitud de onda mayor a la radiación del espectro
-
5
visible y menor a la microondas (Arcenegui, Guerrero, Mataix, Zornoza y Mataix, 2007;
Ordóñez, 2012).
Tabla 1. División de la región infrarroja
Región Longitud de Onda (nm)
NIR 700-2500
MIR 2500-50000
FIR 500000-106
Fuente: Arcenegui et al. (2007).
3. 6 Firma espectral de la vegetación
La firma espectral de la vegetación es el comportamiento de los objetos en función de la
longitud de onda reflejada (Cuadro 2). La tarea fundamental es realizada por los
pigmentos presentes en las hojas que se encargan de la absorción de energía en las
diferentes longitudes del espectro electromagnético (Alonso, Moreno y Rodríguez, 1999).
Los pigmentos se encuentran asociados en sistemas funcionales que se los conoce como
fotosistemas (Rosas, 2007).
La elevada absorción en la región roja genera imágenes espectrales oscuras mientras
que la reflexión de la región infrarrojo cercano genera imágenes brillantes (Alonso et al.,
1999).
Tabla 2. Franjas del espectro visible
Rango Descripción
400-500 nm Fuerte absorción de energía por la clorofila para la fotosíntesis (Moreno,
Melgarejo y Solarte, 2010).
500-600 nm Absorción de energía empieza a disminuir por lo cual la reflectancia
aumenta con respecto a la región azul o roja. Percepción del color verde en
las plantas (Alonso et al., 1999).
600-700 nm La absorción energética por los caretenoides
700-800nm Proceso de transición entre la absorción energética de la clorofila y el alto
nivel de reflectancia en los 750 nm.
800-1100 nm Elevada reflectancia a causa del mesófilo esponjoso (estructura interna de
la hoja).
Fuente: Alonso et al. (1999).
3. 7 Índices de vegetación
Los índices son el conjunto de operaciones algebraicas efectuadas sobre los valores
numéricos de los pixeles a través del uso de dos o más bandas con respecto a una
-
6
misma escena (Muñoz, 2013) que son aplicados para el cálculo de vegetación, cobertura,
biomasa (Fadaei, Suzuki, Sakai y Torii, 2012).
La energía solar que llega a la tierra es absorbida por los diferentes cuerpos que se
encuentran en la superficie y una parte de esta energía en mayor o menor medida se
refleja (Aerosar, 2019). Esta reflexión es la que se capta como información que después
al ser procesada obtenemos los resultados de los índices de estudio (Salazar et al.,
2007).
Loranty et al. (2018) mencionan que son de utilidad para la caracterización de tendencias
espaciales y temporales en la producción de vegetación y el de mayor uso es el índice de
vegetación por diferencia normalizada.
Con la implementación de los índices se puede discriminar entre plantas que se
encuentran enfermas y sanas en el cual la banda del espectro rojo es muy importante al
poner en práctica la utilización de los índices espectrales mejora los datos a obtener de la
reflectancia de la vegetación (Salazar et al., 2007; Viña, Gitelson, Nguy y Peng, 2011).
3. 8 Índice de diferencia vegetal normalizado
El Índice de Vegetación de Diferencia Normalizada (NDVI siglas en inglés) es un
indicador que ayuda a medir la reflectancia generada por la vegetación, suelo, agua y
otros cuerpos (González y Mayorga, 2018). El NDVI está relacionado con las bandas
espectrales rojo e infrarrojo y está en relación a la clorofila en las hojas (Mora y Cerdas,
2016), la implementación constante permite generar series prolongadas de NDVI del
cultivo que permiten evaluar los rendimientos (De la Casa y Ovando, 2009).
La clorofila tiene la capacidad de absorción del espectro de luz roja en grandes
cantidades a diferencia del espectro del infrarrojo cercano que se repele en gran medida
por las hojas, cuando la clorofila disminuye por acción de factores bióticos o abióticos la
reflexión de la luz roja se incrementa (Glenn y Tabb, 2018; Mora y Cerdas, 2016). Los
resultados de valores altos son obtenidos de una capa de vegetación altamente densa
mientras que los resultados bajos son de cuerpo de agua, nubes, nieve (Rueda,
Peñaranda, Velásquez y Díaz, 2016).
El NDVI es sensible a los cambios en la cubierta vegetal siendo considerado un excelente
estimador de la biomasa (productividad primaria neta) cuyo uso es universal en AP.
Además es un indicador lineal de la capacidad fotosintética (Ceroni et al., 2015; De la
Casa y Ovando, 2009; Rueda et al., 2016).
La fórmula para poder realizar el cálculo de NDVI es el siguiente:
𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅𝐸𝐷
𝑁𝐼𝑅 + 𝑅𝐸𝐷
Tomado de Muñoz (2013)
Donde:
-
7
Nir: corresponde a la banda de radiación infrarroja cercana
Red: corresponde a la banda espectral roja
La interpretación de los resultados permite actuar a nivel específico en las áreas de
mayor interés donde se necesite requerimientos nutricionales o se generen situaciones
que causan estrés en el cultivo como son plagas, enfermedades, cambio climático, entre
otros (Fortes et al., 2015). Los usos y aplicaciones del NDVI están en desarrollo por lo
que algunos de estos ejemplos son:
La generación de modelos empíricos de productividad a partir del uso de imágenes
multiespectrales, obteniendo correlaciones positivas entre el NDVI y la productividad de la
palma de aceite a través de diferentes periodos de siembra. (Balasundram, 2016).
La investigación de Caballero ( 2017) menciona el uso del NDVI en la respuesta espectral
del suelo demostrando las áreas en las que es necesario la aplicación de una mayor
frecuencia de riego y los sectores en campo que necesitan un control de enfermedades.
La identificación de biomasa en especies forestales fue presentado por Reyes et al.
(2019) en donde se identificaron cambios de esta variable y al hacer uso de
interpolaciones permite modelar la distribución espacial.
La determinación de la correlación de la concentración de nitrógeno en las hojas de
plantas de pimiento a través del NDVI fue posible en un estudio realizado por De la Cruz,
Sánchez, Galvis, y Carrill (2011) a través del uso de imágenes espectrales que ayuda en
la identificación de la clorosis antes de ser perceptible al ojo humano. Otra de los usos del
NDVI es en la estimación del crecimiento de plantas estresadas y no estresadas como lo
realizaron Salazar et al. (2007) en plantas de tomate riñón que es posible estimar hasta
que ocurre la saturación de bandas que se da al aumentar la cobertura vegetal.
En el cultivo de la uva se encontró una relación entre el desarrollo y rendimiento que fue
medido a través del uso del NDVI con la textura y el contenido volumétrico de la humedad
que permite un acondicionamiento idóneo de los sistemas de riego de acuerdo a las
condiciones del suelo (Martínez, Ramos, y Valles, 2009). En el estudio realizado por Soca
(2016) la aplicación del NDVI estuvo dirigida a la calidad agrícola de los suelos mediante
áreas cultivadas de caña de azúcar y no cultivadas en el periodo de 2007 a 2010 en
donde los valores más altos de NDVI corresponden a suelos óptimos sin salinidad y
valores bajos ocasionados por la presencia de salinidad los cuales no son adecuados
para el cultivo.
3. 9 Limitación de la producción por aspectos fitosanitarios
La producción de banano desde sus inicios ha experimentado la presencia de problemas
fitosanitarios que ha ocasionado pérdidas en los rendimientos en términos de calidad
(Castelán et al., 2013) y sobrevivencia de las plantas (Churchill, 2011), siendo afectado
por una gama población de organismos patogénicos asociados a la presencia de hongos,
bacterias y virus (Bidabadi y Sijun, 2018; Servicio nacional de sanidad agraria {SENASA},
2015; Jones, 2009; Thangavelu et al., 2004): sigatoka negra (Mycosphaerella fijiensis),
mal de Panamá (Fusarium oxysporum f. sp. cubense), moko o marchitez bacteriana
(Ralstonia solanacearum Raza 2), pudrición blanda (Erwinia carotovora y E.
crrysanthemy), rayado del banano (Banana streak Virus BSV) y mosaico (Cucumber
mosaic virus PepMV).
-
8
En todos los países productores de banano y Ecuador no es la excepción, la enfermedad
con el mayor impacto económico, es sigatoka negra (Mycosphaerella fijiensis) siendo un
denominador común que afecta directamente a la producción (Arango et al., 2016;
Barrera et al., 2016; Patiño et al., 2006; Sánchez et al., 2016).
En los países productores tratan de desarrollar mecanismos o métodos de planificación
para reducir su impacto mediante técnicas tradicionales de aplicación de plaguicidas
(Lazo et al., 2012) manejo de cepas de hongos antagonistas como Trichoderma
harzianum (Castro et al., 2015), bacterias quinolíticas (Maiguashca y Falconi, 2018;
Zuluaga et al., 2007), aplicaciones foliares de sustratos nutritivos (Patiño et al., 2006) y
detección temprana con el uso de sensores remotos (Bendini et al., 2015; Johansen et
al., 2014).
3. 10 Sigatoka negra
El agente causal de la Sigatoka negra es ocasionada por el hongo (Mycosphaerella
fijiensis Morelet) (Hernández et al., 2009). Llega a ser muy destructiva y el método de
control de la sigatoka es con aplicación intensiva de productos químicos con lo que el
costo de producción puede aumentar entre un 25 al 30% (Abadie et al., 2009; Hidalgo,
Olivo y Aguirre, 2015; Noar y Daub, 2016).
La manifestación de síntomas, tales como: piscas, rayas, manchas cloróticas o grisáceas
en las hojas comienza con las de mayor edad pero si la infección es severa ataca el
tejido foliar más joven que causa pérdidas significativas en el área foliar (Betancourt,
1996; Calle, 2014).
Pose un alto grado de diversidad genética y su alta tasa de reproducción sexual ocasiona
varias generaciones en el año por lo que su control se dificulta para los productores por
generar resistencia a los controles (Sánchez, Guzmán, Rodríguez, James y Orozco,
2005)
3.10. 1 Taxonomía
Según Calle (2014) la clasificación taxonómica del hongo que es el agente causal de la
enfermedad de la sigatoka negra se detalla en el cuadro 3.
Tabla 3. Clasificación taxonómica de la Sigatoka negra (M. fijiensis)
Clasificación
Reino Fungi
Filo Ascomycota
Clase Dothideomycetes
Orden Capnodiales
Familia Mycosphaerellaceae
Género Mycosphaerella
Especie M. fijiensis
MORELET
-
9
3.10. 2 Desarrollo de la infección
El patógeno empieza su propagación por el desplazamiento de esporas (conidios o
ascosporas) (Figura 1) a través de la lluvia, viento o el rocío. Los tubos germinativos
ingresan a través de los estomas que conllevaba a una disminución en la absorción del
oxígeno y el dióxido de carbono (Sánchez et al., 2005), por lo que la tasa de fotosíntesis
disminuye en las hojas (Hidalgo, Tapia, Rodríguez y Serrano, 2006).
Rodríguez y Cayón (2008) mencionan que en el desarrollo infeccioso se pierde biomasa y
pigmentos fotosintéticos que además de la fotosíntesis afecta a la transpiración de la
hoja. Si la época en el que cultivo se desarrolla se encuentra con humedades relativas
mayores al 70% acompañado de temperaturas entre 26 a 28oC favorece el desarrollo de
la enfermedad (Bornacelly, 2009).
Tomado de: Churchill (2011).
Figura 1. Esporas producidas por sigatoka negra (B) Conidios y conidióforos. (D y F) Ascosporas no germinada y germinada respectivamente.
3.10. 3 Síntomas
El desarrollo de los síntomas ayuda a identificar la enfermedad en la plantación y según
la escala de Fouré se desarrolla a través de seis estados (Figura 2) comienza con piscas
amarillas pequeñas hasta observar manchas grisáceas (Álvarez y Pantoja, 2013; Cedeño
et al., 2017).
Tomado de: Cedeño et al. (2017).
Figura 2. Síntomas desarrollados (seis estados) para detección de sigatoka negra.
-
10
3.10. 4 Método de Stover modificado por Gauhl
Es necesario mantener y llevar un control sobre la enfermedad por lo cual el desarrollo de
la metodología de Stover modificada por Gauhl nos da información clara sobre el estado
sanitario del cultivo (Almodóvar y Díaz, 2007; Betancourt, 1996). La utilización del método
tiene como base la cuantificación del desarrollo de la enfermedad (Almodóvar y Díaz,
2007) que permite estimar visualmente (Figura 3) la severidad e incidencia del desarrollo
(Cuadro 4) en el área de la hoja que se encuentra bajo presencia de los síntomas
(Orozco, García, Manzo y Canto, 2013).
Tomado de: Almodóvar y Díaz (2007).
Figura 3. Grado de desarrollo de la enfermedad en la hoja de banano.
Tabla 4. Descripción del desarrollo de sigatoka negra (M. fijiensis)
Grado Sintomatología
1 Hasta 10 manchas por hojas
2 Menos del 5% del área foliar enferma
3 De 6 al 15% del área foliar enferma
4 De 16 a 33% del área foliar enferma
5 De 34 a 50% del área foliar enferma
6 Más del 50% del área foliar enferma
-
11
4. MATERIALES Y MÉTODOS 4.1 Ubicación
4.1.1. Ubicación política
El sitio de aplicación de la tecnología donde se realizó la investigación fue en la finca San Juan (Figura 4) que se encuentra ubicada en la provincia del Guayas, cantón, Naranjal, parroquia Santa Rosa de Flandes.
Figura 4. Ubicación de la Finca respecto al Ecuador
4.1.2. Coordenadas extremas de la zona de estudio
Las coordenadas de ubicación (Cuadro 5) se encuentran en los extremos en el sistema de referencia espacial WGS del año 1984 UTM Zona 17 Sur.
Tabla 5. Coordenadas de la finca
PUNTOS CARDINALES X Y
NORTE 654313 9711863 SUR 653620 9709539 ESTE 654714 9710286 OESTE 652973 9710696
-
12
4.2 Equipos y materiales
4.2.1. Equipos
Computadora
Dron dji MAVIC 2
Cámara Micasense RedEdge-MX
Radiómetro Greenseeker
Brújula
Cámara fotográfica de teléfono celular Samsung J1
4.2.2. Materiales de oficina
Hojas de papel
Esferográfico
Libreta
Carpeta
4.2.3. Software de procesamiento
Pix4Dmapper
QGis
PCI Geomatics
4.3 Metodología
La metodología de la investigación se realizó en cuatro fases con la colaboración de la compañía consultora AGP geospatial company (Figura 5). En la primera fase se determinó la zona de estudio seguido de la planificación del vuelo en cuanto a la altura y solape de las imágenes a capturar, por último se configuró la cámara multiespectral con su respectiva tarjeta.
La segunda fase se efectuó el procesamiento de las imágenes en el software Pix4Dmapper en el cual se añadieron las imágenes para orientarlas, generando una nube de puntos, modelos digitales de elevación y por último la obteniendo el ortomosaico con las capas espectrales que a partir de operaciones algebraicas resultó el mapa NDVI del cultivo.
En la tercera fase con el ortomosaico se seleccionaron las plantas a ser muestreadas con el sensor de mano este proceso se hizo en la tercera hoja de la planta.
Por último se concluyó con el proceso estadístico en el programa Rstudio para la obtención de la metodología Bland-Altman y conocer si las metodologías tienen concordancia.
-
13
Figura 5. Diagrama de flujo de desarrollo de la investigación
-
14
4.3.1. Primera etapa
4.3.1.1. Determinación de la zona de estudio
El área de estudio fue definida de acuerdo a los objetivos de la investigación. La finca
San Juan (Figura 6) es una bananera que tiene un área de 189 hectáreas en la cual la
principal enfermedad que se combatía fue la sigatoka negra que se encontraba en la
mayor parte del cultivo.
Figura 6. Finca San Juan, ubicación del área de estudio.
4.3.1.2. Planificación del vuelo con el VANT
Esta planificación se hizo por medio de un software que viene integrado juntamente con
el dron, en esta fase se tuvo que especificar los tres principales factores de importancia
para la calibración del vuelo (altura, solapamiento de imágenes y calibración de la cámara
multiespectral). Para la planificación del vuelo se utilizó la aplicación maps made easy
para dispositivos móviles del sistema operativo iOS limitando el área de vuelo.
-
15
4.3.1.3. Altura de vuelo
La altura de vuelo se determinó a través de las especificaciones de la cámara y de la
distancia focal a utilizar (Riaño, 2018). Esta tuvo variaciones de acuerdo a las
condiciones en las que se encontró el terreno. En el presente estudio se decidió
establecerla en 120 metros.
4.3.1.4. Solapamiento
Se debe tener un alto nivel de cubrimiento entre las imágenes, por lo que fue necesario
un solape longitudinal de un 60% y un solape transversal entre 25 –30%. De no ser así
las imágenes no tendrán puntos claves en común y no pasarán a la nube de puntos del
modelo necesarios para el MDE (Marquez, 2014).
4.3.1.5. Calibración de las cámaras multiespectrales y ejecución
Es el proceso mediante el cual se determinaron los parámetros geométricos como la
distancia focal, las coordenadas del punto principal y los parámetros físicos como la
distorsión radial y tangencial antes de la toma de fotografías (López, 2017). Antes de
realizar el vuelo, se capturaron imágenes de calibración con la tarjeta integrada la
cámara, las cuales son procesadas en el software.
4.3.2. Segunda etapa
4.3.2.1. Procesamiento
El software que permitió realizar el procesamiento de las imágenes multiespectrales
capturadas por medio del dron con la cámara multiespectral Micasense RedEdge-MX fue
el Pix4Dmapper en el cual se añadieron las imágenes tomadas con las cuales se
procedió a continuar con los siguientes pasos.
4.3.2.2. Orientación de imágenes
El programa recolectó automáticamente las fotografías del dron, junto con las fotografías
de calibración y las separó. Mientras que luego que se utilizó la opción orientar se
cargaron las múltiples imágenes del área de estudio, en este proceso se unieron las
imágenes de acuerdo a la información de coordenadas.
-
16
4.3.2.3. Crear nube de puntos
La nube de puntos está compuesta por ciento de miles de mediciones individuales en un
sistema de coordenadas (x, y, z) las cuales compusieron un modelo tridimensional de los
objetos registrados, los puntos pueden reflejar el color de la superficie registrada para
obtener un gran realismo en la visualización (Flores et al., 2018).
4.3.2.4. Modelo digital de elevación
Es una estructura de datos numéricos a través de la cual se representó la distribución
espacial de la altitud de la superficie del área en estudio (Felicísimo, 2011).
4.3.2.5. Ortofotografía
Es la representación mediante fotografías de la superficie terrestre en la cual se
observaron los detalles necesarios con exactitud, aquí todos los elementos se
encontraron a escala exentos de deformaciones tras haber sido sometidas en el proceso
de ortorectificación, son entendible sin necesidades de leyendas manteniendo la
información completa del área de estudio en una fotografía (Aerosar, 2019; IECA, 2014;
Riaño, 2018).
4.3.2.6. Software de procesamiento
Por medio del software QGIS se adicionó el límite de la propiedad, y se llenó la base de
datos con la información general del predio: ubicación, provincia, cantón, número de
lotes, propietario, cliente, que fueron necesarios para la realización del proceso en la
obtención del ráster NDVI.
4.3.2.7. Obtención del índice de vegetación por diferencia normalizada
Se cargó en el software PCI Geomatics la capa del ortomosaico generado el cual
contenía las bandas espectrales en la cual se procedió a realizar una operación
algebraica entre las bandas del infrarrojo cercano y del rojo cuyo resultado fue el de un
ráster con los valores NDVI del área de estudio.
En la (Figura 7) se observa el menú principal del programa PCI Geomatics para el cuál
fue utilizado para el procesamiento de la imagen multiespectral con el fin de obtener el
mapa NDVI.
-
17
Figura 7. Panel principal del programa PCI Geomatics
Una vez abierto el programa fue necesario insertar la imagen con las bandas espectrales
esto se realizó a partir del menú Archivo (File) nuevo proyecto (New project) como se
puede visualizar en la (Figura 8).
Figura 8. Imagen multiespectral sobre el software
Del menú principal se utilizó la opción herramienta (Tools) en donde se procedió a utilizar
la calculadora ráster (Raster calculator) como se observa en la Figura 9.
Figura 9. Menú de herramientas
-
18
En la ventana de la calculadora ráster (Figura 10) se inserta la operación algebraica la
cual proporcionó la información de los valores NDVI obtenidos en el cultivo de banano a
través de la visualización de un mapa.
Figura 10. Calculadora ráster de la interfaz
4.3.3. Tercera etapa
4.3.3.1. Unidad experimental
Realizado el mapa ráster de NDVI se definió la unidad experimental en la que se procedió
con la toma de datos obtenidos a partir del radiómetro GreenSeeker la cual fue
establecida en un área de 50 x 50 metros (2500 metros cuadrados).
4.3.3.2. Cálculo del tamaño de la muestra
La toma de las muestras en el estudio permitió la representación de la población total de
plantas de esta forma podemos generalizar los resultados (López, 2004). La fórmula fue
la siguiente:
𝑛 =𝑘2 ∗ 𝑝 ∗ 𝑞 ∗ 𝑁
(𝑒2 ∗ (𝑁 − 1)) + 𝑘2 ∗ 𝑝 ∗ 𝑞
-
19
Dónde:
n= Tamaño de la muestra
N= Tamaño de la población
k= Constante que depende del nivel de confianza
e= Error por muestreo
p= individuos con característica deseada (0.5)
q= individuos sin característica deseada (1-p)
𝑛 =1.962∗0.5∗0.5∗360
(0.12∗(360−1))+1.962∗0.5∗0.5= 76 plantas
El tamaño de la muestra calculado fue de 76 plantas.
4.3.3.3. Toma de datos
Una vez obtenida la imagen a color natural RGB (por sus siglas en ingles son las bandas
roja-verde-azul) se procedió con la toma de datos utilizando el mapa del área de estudio y
una brújula que ayudó en la orientación dentro de la finca para poder seleccionar la
planta correcta y la tercera hoja que fue evaluada, en la cual se midió el valor NDVI sobre
el haz de la misma.
Se efectuaron pruebas de medición para saber si la lectura cambia con la hoja en la parte
aérea de la planta y con la hoja cortada sobre la superficie en el suelo. Prueba en la que
no se encontraron diferencias de los valores por lo que facilitó la lectura retirando la hoja
de la planta. Luego se proyectó el dispositivo portátil sobre la hoja en la cual resulto un
promedio general.
Se realizó la lectura de 76 datos de valores NDVI con el equipo portátil greenseeker de
las plantas que fueron tomadas al azar, basados en el calculó del tamaño de la muestra
con un error del 10%, en un área de 2500 metros cuadrados donde se anotó el resultado
obtenido y el estado sintomatológico en el que se encontró la enfermedad.
Con los valores obtenidos del equipo portátil en las plantas que se muestrearon con los
diferentes estados de presencia de la enfermedad se observó si se encuentran con
relación o difieren con los valores que se obtuvieron por la cámara multiespectral.
4.3.4. Cuarta etapa
4.3.4.1. Análisis estadístico Bland-Altman
El análisis estadístico es una metodología en la que se realiza un procedimiento para
determinar la concordancia entre dos métodos utilizados (Martínez et al.,2016) de
variables cuantitativas (Epidat, 2014). Para saber si los métodos tienen concordancia se
-
20
cuantificaron las diferencias entre las medias de los valores a lo que se conoce como bias
o sesgo el cual incluyó un rango de confianza que se encontraron con el 95% de las
diferencias (Bunce, 2009). Los datos fueron representados en un gráfico en el cual se
observó los límites de concordancia y las diferencias de las medias y si las diferencias
son similares se situaran en cero o próximas a este valor (Giavarina, 2015).
El programa utilizado para el cálculo estadístico fue RStudio el cual es de distribución
gratuita con licencia GNU (General Public License por sus siglas en inglés), cuenta con
amplia participación de los integrantes de la plataforma por lo cual posee una amplia
gama de paquetes estadísticos de acuerdo a las necesidades del estudio y destaca por
una sofisticación en la interfaz gráfica (Santana y Farfán, 2014).
-
21
5. RESULTADOS Y DISCUSIÓN
5.1 Comparación NDVI del sensor de mano greenseeker y de la cámara
multiespectral
Los valores que se observaron del NDVI en el equipo portátil greeenseeker cuando la
hoja se encontró sin ningún síntoma de la enfermedad se establecieron en un rango de
0.83 a 0.94 cuando la enfermedad se encontraba en su primer estado el rango de valor
fue de 0.80 a 0.87, al avanzar a su segundo estado el rango fue de 0.76 a 0.85 y en el
tercer estado sintomático el rango fue de 0.62 a 0.75.
Por otro lado los valores obtenidos con la cámara multiespectral sin la presencia de
síntomas de la enfermedad tuvo un rango de 0.42 a 0.53, al presentarse el primer estado
el rango fue de 0.37 a 0.48, en el segundo estado el rango fue de 0.36 a 0.43 y en el
tercer estado el rango fue de 0.28 a 0.31.
Los valores de las 76 muestras obtenidos por los dos sensores (Cuadro 6) muestran que
el valor del NDVI en el greenseeker tanto como en la cámara multiespectral disminuye de
acuerdo al estado de la enfermedad que se presentó en la hoja de banano. Este
resultado tiene conexión con el estudio de Caballero (2017) en donde menciona que
cuando en la imagen del NDVI se observan valores bajos estos tienen una relación con
la presencia de hongos en las hojas. De la misma forma la investigación que fue
realizada por Izzudin, Idris, Wahid, Nishfariza y Shafr (2012) demostraron que al usar
imágenes multiespectrales se puede identificar plantas sanas de las enfermas en el
cultivo de interés.
Tabla 6. Valores NDVI obtenidos por el sensor greenseeker y la cámara multiespectral.
Coordenada Estado NDVI
x Y Greenseeker Cámara
654379.05 9710472.28 E3 0.62 0.22
654383.58 9710474.96 E3 0.75 0.30
654387.96 9710475.27 E3 0.70 0.23
654397.71 9710488.50 E2 0.79 0.31
654399.54 9710498.10 E2 0.83 0.35
654383.79 9710500.50 E2 0.82 0.33
654380.11 9710509.43 E2 0.83 0.36
654370.39 9710513.69 E2 0.76 0.34
654363.43 9710512.10 E2 0.82 0.31
654357.79 9710497.37 E2 0.80 0.32
654350.00 9710485.12 E2 0.80 0.36
654362.02 9710475.24 E2 0.81 0.35
654397.85 9710481.94 E2 0.79 0.33
654402.09 9710489.67 E2 0.85 0.35
654409.22 9710498.99 E2 0.79 0.31
654363.47 9710491.22 E2 0.80 0.33
654361.39 9710488.54 E1 0.84 0.37
654359.38 9710490.91 E1 0.81 0.37
654370.79 9710496.08 E1 0.85 0.36
654374.43 9710506.33 E1 0.82 0.38
654372.40 9710500.56 E1 0.83 0.38
-
22
654376.58 9710512.82 E1 0.83 0.39
654386.77 9710514.93 E1 0.83 0.37
654395.43 9710494.05 E1 0.83 0.39
654393.26 9710473.63 E1 0.83 0.39
654366.43 9710476.91 E1 0.85 0.40
654367.22 9710472.73 E1 0.80 0.38
654357.56 9710483.67 E1 0.85 0.41
654346.64 9710492.35 E1 0.87 0.38
654365.79 9710496.90 E1 0.81 0.40
654368.20 9710484.84 E1 0.83 0.38
654382.13 9710483.14 E1 0.81 0.39
654380.32 9710488.46 E1 0.81 0.40
654384.36 9710494.99 E0 0.83 0.48
654393.52 9710498.03 E0 0.86 0.43
654382.49 9710505.69 E0 0.85 0.53
654387.35 9710504.73 E0 0.87 0.45
654363.54 9710475.12 E0 0.89 0.42
654368.72 9710510.14 E0 0.86 0.47
654362.60 9710498.39 E0 0.87 0.45
654407.28 9710492.61 E0 0.87 0.49
654405.33 9710500.33 E0 0.89 0.43
654401.49 9710504.63 E0 0.89 0.44
654394.32 9710508.78 E0 0.86 0.44
654378.09 9710478.35 E0 0.85 0.48
654378.41 9710485.27 E0 0.88 0.45
654374.68 9710492.07 E0 0.86 0.52
654375.56 9710501.39 E0 0.84 0.49
654381.79 9710499.73 E0 0.88 0.43
654369.73 9710505.45 E0 0.87 0.51
654358.52 9710502.76 E0 0.85 0.45
654370.00 9710521.13 E0 0.86 0.55
654371.30 9710523.21 E0 0.94 0.49
654379.34 9710520.41 E0 0.85 0.44
654381.28 9710514.40 E0 0.87 0.41
654390.45 9710491.40 E0 0.89 0.46
654391.49 9710477.83 E0 0.85 0.51
654383.07 9710470.10 E0 0.85 0.53
654387.09 9710466.87 E0 0.86 0.51
654363.75 9710481.12 E0 0.83 0.47
654360.42 9710478.11 E0 0.87 0.43
654377.34 9710494.11 E0 0.90 0.45
654366.24 9710515.85 E0 0.92 0.49
654386.39 9710487.87 E0 0.89 0.44
654357.34 9710486.23 E0 0.88 0.42
654364.68 9710492.51 E0 0.86 0.47
654371.07 9710477.40 E0 0.87 0.53
654381.17 9710491.77 E0 0.90 0.44
654374.83 9710488.24 E0 0.88 0.48
654374.29 9710469.06 E0 0.85 0.45
654387.85 9710471.87 E0 0.84 0.44
654386.21 9710496.53 E0 0.88 0.42
-
23
654389.77 9710498.96 E0 0.90 0.40
654395.14 9710505.68 E0 0.85 0.47
654388.52 9710501.85 E0 0.88 0.48
654351.66 9710491.21 E0 0.86 0.50
5.2 Clasificación NDVI de la cámara multiespectral
Obtenidas las bandas espectrales del rojo e infrarrojo se aplicó el algoritmo mediante el
uso de álgebra de mapas para obtener el mapa de clasificación NDVI (Figura 11) en el
cual se observan gama de colores en función de sus rangos que facilitan la interpretación
del mismo. Los valores y porcentaje de superficie entre -0.34 a 0.20 (7%) corresponden a
suelo, agua u otros materiales que no corresponden a la presencia de vegetación; en el
rango de 0.20 a 0.30 (8%) se encontró la vegetación sin vigorosidad; en el rango de 0.30
a 0.40 (23%) está la vegetación poco vigorosa; en el rango 0.40 a 0.50 (42%) la
vegetación ligeramente vigorosa, en el rango de 0.5 a 0.60 (17%) la vegetación vigorosa
y valores de 0.60 a 0.65 (3%) con vegetación muy vigorosa.
Como se mencionó anteriormente los valores del NDVI se encuentran afectados por la
presencia de la enfermedad y estos disminuyen a un mayor desarrollo. Esto se pudo
observar en el mapa generado en donde la gama de color seleccionada y los rangos del
NDVI facilitan la interpretación de las áreas con una mayor presencia de la sigatoka
negra en el sitio de estudio.
Figura 11. Mapa de clasificación NDVI del cultivo de banano con la cámara multiespectral.
Una investigación similar de Mora y Cerdas (2016) concluyeron que las plantas que se
encuentran bajo el estrés generado por factores como la falta de agua, nutrientes,
enfermedades, entre otros llegan a tener una variación de la reflectancia que a su vez se
pueden observar con la utilización e implementación de instrumentos tecnológicos como
-
24
las cámaras multiespectrales y los vehículos aéreos no tripulados. El usar los
instrumentos tecnológicos pueden predecir las áreas que presentan mayor ataque
infectivo (Gogoi, Deka y Bora, 2018).
Se conoce que la técnica tradicional para la identificación de enfermedades se realiza a
través de personas con algún conocimiento de las situaciones que generan estrés al
cultivo por lo que una respuesta sobre la presencia o no de plagas dependerá del nivel de
experiencia por lo que el uso de herramientas tecnológicas como lo son sensores
multiespectrales permite diferenciar las cubiertas de interés a través de la longitud de
onda (Reyes, Fábrega, Quirós, Jimenez y Sanchez, 2018).
Así mismo Araque y Jiménez (2009) mencionan que el daño causado por enfermedades
se demuestra a través del cambio de la cantidad de clorofila en las hojas y que es
perceptible por medio de la variación espectral en las imágenes captadas por los
sensores.
Sin embargo Barbedo (2019) asevera que también existe un grado de dificultad al tratar
de aislar plantas con problemas fitosanitarios debido a factores como la calidad de
imagen o presencia de pixeles mixtos como son los de agua-suelo-sombra-entre otros
dificultando la interpretación de los resultados. Los resultados obtenido por los sensores
multiespectrales para la detección de enfermedades son de utilidad pero estos a su vez
tienen un mejor resultado al usar sensores hiperespectrales siendo necesario realizar
estudios constantes a lo largo del ciclo del cultivo (Mutanga, Dube y Galal, 2017).
5.3 Análisis estadístico
5.3.1. Gráfico Bland-Altman
La diferencia entre las medias del NDVI de los dos sensores mediante el análisis
estadístico de Bland Altman (Figura 12) dio como resultado un valor de 0.39. Los límites
de confianza que se observaron no contienen al número cero razones por la que no se
encuentra concordancia entre los métodos.
Figura 12. Estadístico Bland Altman de concordancia de métodos.
0.25
0.3
0.35
0.4
0.45
0.5
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8
Dif
ere
nci
as d
e N
DV
I
Medias de NDVI
-
25
La falta de concordancia entre los métodos puede originarse a causa de las diferencias
en los valores de NDVI obtenidos con la cámara multiespectral (0.28 el valor mínimo y
0.53 como valor máximo) y con el sensor portátil (0.62 el valor mínimo y 0.94 el valor
máximo).
En el estudio realizado por Cavada (2013) menciona que para que exista una
concordancia entre los métodos utilizados los límites de confianza al 95% deben contener
el valor igual a 0 de lo contrario uno de los métodos de evaluación sobreestima o
subestima el valor del NDVI.
Doğan (2018) realizó un estudio en el que afirma que cuando el 95% de los valores
observados se encuentran dentro de los límites de concordancia brinda una respuesta a
que pueden ser utilizados indistintamente en la medición del NDVI. Cuando no existe una
concordancia en la respuesta de los métodos de evaluación se deben utilizar con cuidado
los equipos de medición tomando en cuenta los valores teóricos existentes en estudios
similares (Cortés, Rubio y Gaitán, 2010).
Otra de las posibles explicaciones a la falta de concordancia de los valores de NDVI
obtenidos entre la cámara multiespectral y el sensor de mano difieren entre sí en la
lectura, debido a una variación de los valores por un desplazamiento entre las bandas
espectrales y la imagen RGB.
El cuadro 7 muestra el resumen estadístico del análisis Bland-Altman obtenido. En el que
se puede observar los valores para el límite de concordancia superior y para el límite
inferior.
Tabla 7. Resumen de los estadísticos del análisis Bland-Altman.
valor Límites de concordancia al 95%
Diferencia de medias
0.39
Límite inferior 0.32 0.3115
Límite superior 0.46 0.4782
Como existió discordancia entre las diferencias de las medias de los sensores se realizó
la comprobación mediante el estadístico “t” para datos emparejados (Cuadro 8) con un
grado de significación estadística igual al 95% en el cual la hipótesis alternativa consiste
en que existieron diferencias de las medias y la hipótesis nula es que no existieron
diferencia entre las medias.
Tabla 8. Estadístico “t” comprobación de la discordancia entre métodos.
Prueba estadística “t”
Valor de “t” 10.568 p-valor
-
26
El p-valor es menor a 0.05 por lo que se acepta la hipótesis alternativa en el cual la media
de los sensores no es igual. A partir de lo cual se confirmó la discordancia entre los
métodos de evaluación. En un estudio que realizaron Carrasco y Jover (2004) se
encontró discordancia entre los métodos de evaluación y mencionan que se debe a un
error sistemático el que se puede corregir por calibración o al error aleatorio al cual se
debe estudiar las causas y una solución es el aumento del tamaño de la muestra.
5.3.2. Regresión y correlación del estado de enfermedad con los valores NDVI de
los sensores remotos
Los resultados que se obtuvieron tras realizar las pruebas estadísticas de regresión y
correlación se muestran en la Figura 13 se detalló la información del estado en que se
presenció la enfermedad en la hoja de banano y el valor NDVI obtenido por el equipo
portátil greenseeker. Además en la Figura 14 la información del estado en que se
presenció la enfermedad en la hoja de banano y el valor NDVI obtenido por la cámara
multiespectral. La utilización de las figuras permitió intuir sobre la relación de la tendencia
y el grado de fuerza entre las variables con solo la observar la distribución de los puntos
sobre la línea recta.
Figura 13. Regresión lineal y coeficiente de correlación del sensor de mano.
y = -0.042x + 0.8717R² = 0.6539
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
0 0.5 1 1.5 2 2.5 3 3.5
ND
VI G
reen
see
ke
r
Estado de enfermedad
-
27
Figura 14. Regresión lineal y coeficiente de correlación de la cámara multiespectral.
El coeficiente de correlación al relacionar el estado sanitario del cultivo con los datos
NDVI del sensor portátil fue igual a 0.65 con lo que el resultado obtenido dio a conocer
que las dos variables se encuentran relacionadas con una fuerza moderada.
La relación existente entre el estado de la enfermedad encontrado en el área de estudio y
el valor NDVI tienen una relación positiva. Es decir a un mayor estado de la enfermedad
menor será el valor NDVI obtenido que se relaciona con lo mencionado por Gutiérrez,
Cadet, Rodríguez y Araya (2011) cuyo estudio informa sobre el uso potencial del
greenseeker entre los cuales destacan el uso de tasas diferenciales de insumos, mapas
indicadores de salud, vigorosidad y salud del cultivo siempre y cuando se inicie con
prudencia en cultivos sin previa información.
Por otro lado el coeficiente de correlación obtenido mediante la relación del estado
sanitario del cultivo y de la cámara multiespectral es igual a 0.74 con un grado de fuerza
moderado es decir como método de identificación es viable manteniendo un estudio
constante del cultivo. Mahlein (2016) afirma que el desarrollo tecnológico se encuentra
constituyendo la base de la detección temprana de plagas en las plantas al permitir
obtener resultados de alta resolución que comprobó al usar imágenes hiperespectrales
para identificar el hongo (cercospora sp.) en las hojas del cultivo de remolacha.
El uso de la cámara multiespectral mostró resultados positivos hacia la presencia de la
sigatoka negra lo que se encuentra representado por el coeficiente de correlación. Por lo
que el manejo de las herramientas tecnológicas en el estudio es adecuado.
Según Bock, Poole, Parker y Gottwald (2010) las herramientas tecnológicas permiten una
evaluación adecuada considerando las superficies extensas de monitorear los cultivos
obteniendo un estado óptimo de sanidad para el producto final. De igual forma Kharuf,
Hernández, Orozco, Aday, y Delgado (2018) mencionan que el uso de los VANT con el
montaje de las cámaras multiespectrales brindan resultados de buena calidad con lo cual
se puede identificar problemas en el cultivo con presencia sintomática de enfermedades.
y = -0.0466x + 0.4789R² = 0.747
0
0.1
0.2
0.3
0.4
0.5
0.6
0 0.5 1 1.5 2 2.5 3 3.5
ND
VI C
ám
ara
Mu
ltie
spe
ctr
al
Estado de la enfermedad
-
28
6. CONCLUSIONES
La evaluación de los sensores Micasense RedEdge MX y Greenseeker determinó que
fueron capaces de discriminar alteraciones en la respuesta espectral de las hojas del
banano causado por la presencia de Mycosphaerella fijiensis conocida como sigatoka
negra.
Frente a la evaluación realizada, el uso de las imágenes espectrales y el posterior cálculo
del índice de vegetación por diferencia normalizada constituye una herramienta para el
monitoreo del cultivo frente a la presencia de Mycosphaerella fijiensis.
El análisis de correlación mostró que los valores de NDVI disminuyeron paulatinamente a
medida que la severidad de Mycosphaerella fijiensis avanza, demostrando que es posible
la detección temprana de la enfermedad a través de la cámara Micasense RedEdge MX y
el sensor Greenseeker.
El análisis estadístico Bland-Altman determinó que los valores NDVI de la cámara
Micasense RedEdge MX y el Greenseeker no tuvieron concordancia; esto puede deberse
al desplazamiento de las imágenes obtenidas.
-
29
7. RECOMENDACIONES
Para obtener resultados con mayor fiabilidad es necesario aumentar la frecuencia de
vuelos y captura de datos con los sensores, para el monitoreo y observación a través de
un ciclo de cultivo. Información que permitirá la interpretación de la respuesta NDVI a la
presencia de la enfermedad.
Incorporar la elaboración de planes de vuelo con una altura menor a 120 metros, con el
fin de obtener información con mejor detalle y calidad para su posterior interpretación.
Mantener una revisión periódica de los parámetros de calibración de los sensores, para
evitar el desplazamiento entre imágenes. Lo cual permitirá un mejor procesamiento e
interpretación de resultados.
Los resultados deben ser puestos a comprobación en campo, con lo cual se brindará una
mayor fiabilidad a la identificación temprana de Mycosphaerella fijiensis usando la cámara
Micasense y el greenseeker.
Evaluar la respuesta de la sigatoka negra en otras especies de musáceas con la
implementación de los sensores multiespectrales, para de esta forma poder obtener
información de los diferentes estados de la enfermedad en el ciclo de cultivo.
-
30
8. REFERENCIAS BIBLIOGRÁFICAS
Abadie, Y., Chilin-Charles, J., Huat, F., Salmon, L., Pignolet, J., Carlier, T., … Jenny, C. (2009). ew approaches to select cultivars of banana with durable resistance to mycosphaerella leaf spot diseases. Acta Hortic, 828, 171–178. https://doi.org/10.17660/ActaHortic.2009.828.17
Aerosar. (2019). Fotogrametría y teledetección. Recuperado de http://aerosar.es/modelos_digitales/
Aguilar, Y., Gijón, G., y Martínez, J. (2017). Drones Alternativa Para La Agricultura. Agroregion. https://doi.org/10.13140/RG.2.2.19977.13928
Almodóvar, W., y Díaz, M. (2007). Identificacion y manejo de sigatoka negra y otras enfermedades de plátano y guineo. 2–10. Recuperado de http://academic.uprm.edu/walmodovar/HTMLobj-276/Manual_ID_y_MIP_de_SN_y_Enferm_Plat_y_Guineo.pdf
Alonso, C., Moreno, V., y Rodríguez, E. (1999). Determinación experimental de la firma espectral de la vegetación. Una sencilla práctica de introducción a la teledetección. Teledetección. Avances y Aplicaciones. VIII Congreso Nacional de Teledetección, 429–432.
Álvarez, E., y Pantoja, A. (2013). La Sigatoka negra en plátano y banano. Guía para el reconocimiento y manejo de la enfermedad, aplicado a la agricultura familiar. 6. Recuperado de http://www.fao.org/docrep/019/as089s/as089s.pdf
Arango, R., Díaz, C., Dhillon, B., Aerts, A: Carlier, J., Crane, C., De Jong, T., … García, S. (2016). Combating a global threat to a clonal crop: banana black siagotka pathogen Pseudocercospora fjiensis () genomes reveal clues for disease control. Plos Genetics, 12(8), 1–36.
Araque, L., y Jiménez, A. (2009). Caracterización de firma espectral a partir de sensores remotos para el manejo de sanidad vegetal en el cultivo de palma de aceite. Revista Palmas, 30(3), 63–79.
Arcenegui, V., Guerrero, C., Mataix, J., Zornoza, R., y Mataix, J. (2007). El uso de la espectroscopia en el infrarrojo cercano (NIR) para la estimación de las temperaturas registradas en el suelo durante el incendio. Incendios Forestales, Suelos y Erosión Hídrica, 155–176. Recuperado de http://fuegored.weebly.com/uploads/2/2/2/8/22283836/incendios_forestales.pdf
Balasundram, S. (2016). Estudios seleccionados de agricultura de precisión en palma de aceite: un resumen de diez años. Palmas 37, 1, 243–266.
Barbedo, J. G. A. (2019). A Review on the Use of Unmanned Aerial Vehicles and Imaging Sensors for Monitoring and Assessing Plant Stresses. Drones, 3(2), 40. https://doi.org/10.3390/drones3020040
Barrera, J., Barraza, F., y Campo, R. (2016). Shadow effect on black sigatoka (Micospaherella fijiensis Morelet) in plantain cultivation cv Harton (Musa AAB Simmonds). Actualidad y Divulgación Científica, 19(2), 317–323.
Bendini, H., Jacon, A., Pessoa, A., Pavenelli, J., Moraes, W., Ponzoni, F., y Fonseca, L. (2015). Caracterização Espectral de Folhas de Bananeira (Musa spp.) para detecção e diferenciação da Sigatoka Negra e Sigatoka Amarela. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil. 2536–2543.
Betancourt, G. (1996). La “Sigatoka Negra” del Banano y el Plátano. 5–10. Recuperado
-
31
de http://www.infoagro.net/sites/default/files/migrated_documents/attachment/4Sigatoka_negra.pdf
Bidabadi, S., y Sijun, Z. (2018). Banana Fusarium wilt (Fusarium oxysproum f. sp cubense) control and resistance in the context of developin wilt resistant bananas within sustainable production systems. Horticultural Plant Journal:, 1(24).
Bock, C., Poole, G., Parker, P., y Gottwald, T. (2010). Plant Disease Severity Estimated Visually, by Digital Photography and Image Analysis, and by Hyperspectral Imaging. Critical Reviews in Plant Sciences, 29(2), 59–107. https://doi.org/https://doi.org/10.1080/07352681003617285
Bongiovanni, R., Chartuni, E., Best, S., y Roel, Á. (2006). Agricultura de Presición: Integrando Conocimentos para una Agricultura Moderna y Sustentable. Ciencia y Tecnología, 10, 143–166.
Bornacelly, H. del R. (2009). Estudio del ciclo de vida de Mycosphaerella fijiensis en tres clones de banano (Musa AAA) en tres regiones de la zona bananera del magdalena (Universidad Nacional de Colombia). Recuperado de http://www.bdigital.unal.edu.co/716/1/8006001.2009.pdf
Bunce, C. (2009). Correlation, Agreement, and Bland–Altman Analysis: Statistical Analysis of Method Comparison Studies. American Journal of Ophthalmology, 148(1), 4–6. https://doi.org/10.1016/j.ajo.2008.09.032
Caballero, D. (2017). Aplicación de imágenes NDVI para el control de riego y enfermedad en cultivos Agrícolas mediante el uso de aeronaves no tripuladas (UAV) y el software AgVault. Aporte Santiaguino, 10(2), 305. https://doi.org/10.32911/as.2017.v10.n2.172
Caldentey, P. (2016). Utilización de sensores multiespectrales e hyperespectrales embarcados en RPAS con el objetivo de dosificar abonos en cultivos. Universitat politécnica de catalunya barcelonatech.
Calderón Madrid, R., Zarco-Tejada, P. J., Navas Cortés, J. A., Landa, B. B., y López López, M. (2018). Detección de enfermedades de cultivos mediante imágenes hiperespectrales y térmicas de alta resolución espacial. (April). Recuperado de https://www.researchgate.net/publication/324747699_Deteccion_de_enfermedades_de_cultivos_mediante_imagenes_hiperespectrales_y_termicas_de_alta_resolucion_espacial
Calle, H. (2014). La Sigatoka Negra en el Ecuador. SIGAT.
Camino, S., Andrade, V., y Pesántez, D. (2016). Posicionamiento y eficiencia del banano, cacao y flores del Ecuador en el mercado mundial. Ciencia UNEMI, 9(19), 48–53.
Carrasco, J. L., y Jover, L. (2004). Métodos estadísticos para evaluar la concordancia. Medicina Clinica, 122(SUPPL. 1), 28–34. https://doi.org/10.1157/13057543
Castelán, F., Abadie, C., Hubert, O., Chilin-Charles, Y., L., de L. de B., y Chillet, M. (2013). Relation between the severity of sigatoka disease and banana quality characterized by pomological traits and fruit green life. Crop Protection, 50, 61–65.
Castro, R., Pésantez, M., Flores, V., Dïaz, C., Castro, L., y Alvarado, Y. (2015). Efecto de cepa ecuatoriana de Trichoderma harzianum Rifai como antagonista de Mycosphaerella fijiensis Morelet en condiciones de casa de cultivo. Revista Protección Vegetal, 30(2), 133–138.
Cavada, G. (2013). Concordancia parte II: el método de Bland-Altman. Chil. Endocrinol.
-
32
Diabetes, 6(3), 127–128. Recuperado de http://www.revistasoched.cl/3-2013/8-Cavada.pdf
Cedeño, G., Suarez, C., Vera, D., Fadda, C., Jarvis, D., y De-Santis, P. (2017). Early detection of resistance to Mycosphaerella fijiensis in local genotypes of Musa in Ecuador. Scientia Agropecuaria, 8(November), 29–42. https://doi.org/10.17268/sci.agropecu.2017.01.03
Ceroni, M., Achkar, M., Gazzano, I., y Burgeño, J. (2015). Estudio del NDVI mediante análisis multiescalar y series temporales utilizando imágenes SPOT, durante el período 1998-2012 en el Uruguay. Revista de Teledeteccion, 2015(43), 31–42. https://doi.org/10.4995/raet.2015.3683
CFN. (2017). Banano Y Plátanos. Recuperado de https://www.cfn.fin.ec/wp-content/uploads/2017/09/Ficha-Sectorial-Banano.pdf
Churchill, A. (2011). Mycosphaerella fijiensis, the black leaf streak pathogen of banana: progress towards understanding pathogen bilogy and detection, disease development, and the challenges of control. Molecular Plant Pathology. Molecular Plant Pathology, 12(4), 307–328.
Cortés, É., Rubio, J., y Gaitán, H. (2010). Métodos estadísticos de evaluación de la concordancia y la reproducibilidad de pruebas diagnósticas. Revista Colombiana de Obstetricia y Ginecologia, 61(3), 247–255.
De la Casa, A., y Ovando, G. (2009). Integración del Índice de Vegetación de la Diferencia Normalizada (NDVI) y del Ciclo Fenológico de Maíz para Estimar el Rendimiento a Escala Departamental en Córdoba, Argentina. Agricultura Técnica, 67(4), 362–371. https://doi.org/10.4067/s0365-28072007000400004
De la Cruz, D. J. A., Sánchez, G. P., Galvis, S. A., y Carrillo, S. J. A. (2011). Spectral Indexes in Sweet Pepper for Diagnosis of Nitrogen Nutrient Status. Terra Latinoamericana, 29 (3), 259–265.
Del Cioppo, F. (2016). ECUADOR: EXPORTACIÓN DE BANANO (Musa sp.) ESTUDIO SECTORIAL DEL BANANO ECUATORIANO DE EXPORTACIÓN.
Doğan, N. (2018). Bland-Altman analysis: A paradigm to understand correlation and agreement. Turkish Journal of Emergency Medicine, 18(4), 139–141. https://doi.org/10.1016/j.tjem.2018.09.001
Dwivedi, A., y Naresh, R. (2017). Precision Agriculture. Agro-Ecological Approaches to Pest Management for Sustainable Agriculture, 295–309. https://doi.org/10.1007/978-981-10-4325-3_19
Epidat. (2014). Concordancia y consistencia. In Epidat. Recuperado de https://www.sergas.es/Saude-publica/Documents/1894/Ayuda_Epidat4_Concordancia_y_consistencia_Octubre2014.pdf
European Commission. (2018). Drones in Agriculture. Agricultural Drones, 1–59. https://doi.org/10.1201/9781315195520-1
Fadaei, H., Suzuki, R., Sakai, T., y Torii, K. (2012). A PROPOSED NEW VEGETATION INDEX , THE TOTAL RATIO VEGETATION INDEX ( TRVI ), FOR ARID AND SEMI-ARID REGIONS. Remote Sensing and Spatial Information Sciences, XXXIX(8), 403–407.
FAO. (2002). E-Agriculture in action: Drones for Agriculture (Vol. 52). Recuperado de:
http://www.fao.org/documents/card/en/c/I8494EN/.
http://www.fao.org/documents/card/en/c/I8494EN/
-
33
FAO. (2019). Production/Yield quantities of Bananas in Ecuador. Recuperado de:
http://www.fao.org/faostat/en/#data/QC/visualize/.
Felicísimo, Á. (2011). El modelo digital de elevaciones. In Modelos digitales del terreno (p. 27). Recuperado de http://www.etsimo.uniovi.es/~feli/
Flores, D., Hernández, L., González, D., y Garbey, L. (2018). Creation of Contour Maps As From the Cloud of Points of the Laser Scanner. “X CONGRESO INTERNACIONAL DE GEOMÁTICA 2018.”
Fortes, R., Prieto, M. H., García-martín, A., Córdoba, A., Martínez, L., y Campillo, C. (2015). Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop. 13(1), 1–9.
García, E., y Flego, F. (2007). 2009 Agricultura de precision. TECNOLOGIA AGROPECUARIA, 24–31.
García, S. (2014). Instrumentos De Observación. 1–13. Recuperado de https://webs.um.es/gregomc/IntroduccionAstronomia/Temas/04 INSTRUMENTOS DE OBSE