blank

Lo que debe saber sobre las imágenes NDVI y los índices de vegetación

El monitoreo de los campos agrícolas, el seguimiento del progreso y la detección de problemas en el campo antes de que los síntomas sean evidentes, es crucial para una cosecha exitosa. Los emocionantes avances en tecnología nos permiten capturar imágenes de granjas en todo el mundo con la ayuda de satélites, lo que hace que el monitoreo sea simple y asequible. El índice de vegetación más popular utilizado por los agricultores es el Índice de vegetación de diferencia normalizada (NDVI); monitorear el imágenes NDVI en la agricultura puede servir como un indicador de la salud de las plantas.

¿Qué es NDVI y por qué es útil?

NDVI es un método de detección remota para estimar la salud y la biomasa de los cultivos. El índice NDVI mide la diferencia entre la reflectancia visible e infrarroja cercana de la vegetación. La reflectancia del cultivo depende del área foliar, el contenido de clorofila, la edad de las hojas, la densidad del dosel y el tipo de suelo. NDVI se usa a menudo con imágenes satelitales, que proporcionan imágenes de alta resolución desde el espacio. El uso de satélites ha ayudado a que el NDVI sea más accesible para los agricultores de todo el mundo porque es accesible para cualquier persona con conexión a Internet. El monitoreo de NDVI en la agricultura para la evaluación de la salud de los cultivos ha existido durante décadas. Aún así, ha ganado popularidad recientemente debido al uso de satélites y fotografías aéreas de alta resolución que brindan visitas frecuentes. Brinda una estimación precisa de la biomasa vegetal y el índice de área foliar (LAI) sin necesidad de recopilar datos del suelo o interpretación manual.

¿Cómo se calcula el NDVI?

El NDVI se calcula con la siguiente fórmula:

NDVI = (NIR-Red) / (NIR+Red)

Donde NIR es luz infrarroja cercana y Red es la luz roja visible. Los valores de NDVI varían de -1 a 1. Las áreas de arena, roca o nieve muestran valores de 0,1 o menos. La vegetación escasa, como los cultivos senescentes, muestra valores moderados de NDVI de entre 0,2 y 0,5. Los valores altos de NDVI de 0,6 a 0,9 corresponden a una vegetación densa.

¿Cómo puedo comenzar a monitorear el imágenes NDVI e índices de vegetación de mis campos?

El seguimiento de los campos se vuelve muy sencillo y no requiere conocimientos previos. Aplicaciones como Agrio le permiten dibujar sus campos en el mapa para iniciar el proceso de monitoreo. Una vez que se define la ubicación de los campos, recibirá escaneos e interpretaciones frecuentes.

¿Cómo analizar imágenes NDVI?

Al inspeccionar los escaneos NDVI, podemos comprender mejor la situación de los campos y detectar lugares que puedan mostrar estrés. Por ejemplo, examine el nivel de verde en la imagen a continuación, que muestra las diferentes etapas de desarrollo de la planta en los distintos campos y la variación interna dentro de los campos individuales.

Escaneos NDVI de campos de trigo
Escaneos NDVI de campos de trigo

Observe los parches verdes aislados en la lectura naranja que indica el desarrollo del crecimiento de malezas.

Al comparar los escaneos NDVI de días consecutivos, podemos ver manchas que no se desarrollan como se esperaba y requieren atención inmediata. Por ejemplo, examine la imagen a continuación y observe las manchas rojas en los campos que se encuentran en las primeras etapas de desarrollo y, por lo tanto, se espera que muestren un aumento en el NDVI con el tiempo.

Seguimiento de los cambios diarios en el escaneo NDVI
Seguimiento de los cambios diarios en el escaneo NDVI

Las limitaciones del NDVI en la agricultura

NDVI muestra una baja correlación con el contenido de clorofila; es más severo en etapas avanzadas de crecimiento cuando el NDVI se satura. Esta saturación se debe al aumento en el área foliar y la densidad de la estructura del dosel. Por lo tanto, en esta etapa, existe la necesidad de monitorear un índice que esté altamente correlacionado con el contenido de clorofila de la hoja y menos sensible a la estructura de la hoja y el dosel.

La clorofila juega un papel crucial en los procesos fotosintéticos como la captación de luz; por lo tanto, el contenido de clorofila es un indicador potencial de una variedad de tensiones. Otras bandas espectrales pueden detectar cambios en el funcionamiento de la clorofila, como el borde rojo desde el principio. Esto precede a las pérdidas reales en las concentraciones de clorofila de las hojas; por lo tanto, monitorear tales cambios puede ser un indicador temprano para desarrollar estrés biótico y abiótico.

¿Por qué el progreso tecnológico hace que la selección de índices de vegetación específicos sea menos crítica?


Dado que nos hemos vuelto muy hábiles para enseñar a las computadoras a identificar patrones en una gran cantidad de datos, no es esencial seleccionar un índice específico. En cambio, la inteligencia artificial puede analizar todo el espectro de luz reflejada y proporcionar información. En los viejos tiempos, se necesitaban funciones prediseñadas para entrenar máquinas para clasificar patrones en los datos. Pero estos días terminaron y ahora sabemos cómo programar la máquina para elegir las mejores funciones durante el proceso de capacitación.


Los índices de vegetación son convenientes cuando los expertos humanos examinan los escaneos. Es difícil para los humanos dar sentido a una gran cantidad de información codificada en el espectro completo. Para ello, sigue siendo útil presentar índices específicos con los que los expertos estén familiarizados. Pero la cantidad de acres monitoreados y la alta frecuencia de revisitas satelitales hacen que sea menos deseable para los productores y agrónomos hacer el análisis manualmente.

Lo que comenzó como una elección por limitaciones se convirtió en una convención en la industria.


Aprovechar la inteligencia artificial para detectar anomalías en las imágenes satelitales

Después de discutir los beneficios que pueden resultar del monitoreo de la reflectancia espectral, debemos abordar la cuestión de la practicidad de este enfoque. Uno de los desafíos de aprovechar el análisis espectral en la detección de estrés es identificar los patrones precisos en los escaneos satelitales que indican que las plantas están bajo estrés. Incluso cuando las personas desarrollan la experiencia de examinar los escaneos manualmente, la tarea se vuelve engorrosa cuando la cantidad de acres que se cubren es alta.

El uso de la inteligencia artificial en la agricultura ha ido en aumento debido a los recientes avances tecnológicos y contribuye a los esfuerzos para superar estos desafíos. Las anomalías se detectan utilizando inteligencia artificial al tomar decisiones basadas en patrones que se aprendieron de grandes conjuntos de datos de entrenamiento.

Todo el espectro de luz que pueden capturar los sensores satelitales contiene información interesante en lo que respecta a la detección temprana del estrés.
Todo el espectro de luz que pueden capturar los sensores satelitales contiene información interesante en lo que respecta a la detección temprana del estrés.

El progreso en el desarrollo de herramientas de detección temprana puede acelerarse una vez que se pueda recopilar un gran volumen de datos de alta calidad de manera asequible. Para lograrlo, adoptamos el enfoque de crowdsourcing y creamos una herramienta que permite a los productores identificar la patología de las plantas basándose en imágenes capturadas con teléfonos inteligentes. Los productores se benefician directamente de este servicio mientras ayudan a entrenar algoritmos para la detección temprana, una capacidad que puede ser más beneficiosa para ellos a largo plazo. Las imágenes etiquetadas geográficamente se utilizan como datos reales y nos ayudan a entrenar los algoritmos para identificar los problemas directamente desde el escaneo satelital. A la computadora se le presentan escaneos satelitales en los que se sabe cuáles de las regiones del campo están enfermas. Progresamos rápidamente ya que podemos recopilar un gran volumen de datos de alta calidad.

Dichos datos nos permiten aprender los patrones de los patrones de reflectancia típicos de una gran cantidad de problemas de plantas diferentes. Aprovechamos estas capacidades para desarrollar soluciones de monitoreo fáciles de usar. Los agricultores que usan Agrio pueden monitorear la salud de sus campos de una manera muy simple. Todo lo que se necesita es definir la ubicación del campo dibujando un polígono que represente el límite del campo. Una vez hecho esto, nos pondremos en marcha para realizar un seguimiento constante por usted y notificarle cuando haya un nuevo escaneo disponible.

Resumen

El monitoreo satelital en la agricultura es una técnica que se ha utilizado durante muchos años. Sin embargo, el uso de tecnología satelital para monitorear campos agrícolas ha aumentado significativamente durante la última década. El uso de monitoreo satelital en la agricultura puede aumentar el rendimiento, mejorar la precisión y la detección temprana de problemas con los cultivos.

En nuestra plataforma, los usuarios pueden obtener acceso a los escaneos satelitales de Sentinel y PlanetScope. Aplicamos nuestro algoritmo a las imágenes e índices de vegetación para monitorear el progreso del cultivo, detectar problemas en el campo y alertar a los productores cuando se necesitan intervenciones.

Lo invitamos a aprovechar estas capacidades para evitar pérdidas, crecer mejor y rociar menos.