Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Agricultura de Precisión Práctica: ANÁLISIS DE ENSAYO MEDIANTE NDVI Y MAPA DE RENDIMIENTO CON QGIS I.- Introducción - Generalidades A.- Índice de Vegetación (NDVI) Cualquier programa GIS (Geographical Information System) tiene dentro de sus herramientas programas de tratamiento de imágenes satelitales proveniente de satélites y de fotografías áreas ejecutadas por drones. Un índice de vegetación normalmente es el resultado de una fórmula que utiliza una o varias bandas del espectro electromagnético. La relación entre estas bandas tiene detrás un estudio empírico y demuestra la relación directa entre el valor numérico captado por el sensor y la variable de la planta a medir (normalmente biomasa o vigor vegetal). El NDVI es uno de estos índices y se calcula mediante la siguiente formula: Partimos de la base que el sol emite una radiación que llega a la tierra y parte es absorbida por los cuerpos de la superficie y la otra parte es reflejada. Pongamos un ejemplo sencillo para los conceptos que nos ocupan: Estamos a oscuras en una habitación, apenas hay luz y distinguimos los objetos con dificultad. Vemos un cubo que podemos intuir y palpar, pero no podemos ver el color porque estamos casi a oscuras. Viendo la imagen diremos que es negro. Agricultura de Precisión Al instante se enciende una luz y entonces vemos que es de color verde. ¿Qué ha pasado en realidad? Al haber una fuente de radiación, esta se dirige en todas sus direcciones y choca contra los objetos, entre ellos, nuestro cubo. De toda esa radiación lumínica nuestro cubo absorbe algunos espectros y refleja otros. Refleja las longitudes de onda correspondientes a lo que nuestro cerebro interpreta como verde, por eso lo vemos así. En realidad, el color no es algo absoluto. Físicamente son rangos del espectro con una determinada longitud de onda. Son algunas de las células fotorreceptoras de nuestro ojo (conos) y la interpretación de nuestro cerebro lo que hacen que sea de ese color que llamamos verde. Si nuestras células pudieran captar el infrarrojo térmico (como las serpientes), podríamos ver el calor que emiten los cuerpos. No podemos saber cómo veríamos esas longitudes de onda, pero nos valdrá como ejemplo una imagen de una cámara térmica. Y diríamos: ¡pero si la imagen térmica tiene colores! Sí, es cierto, pero no deja de ser una interpretación colorimétrica de las diferentes longitudes de onda del infrarrojo térmico para que nuestro ojo pueda ver esas diferencias entre objetos y crear la imagen que tienes delante. Esto es extrapolable a cualquier onda del espectro. Imagina si fuéramos capaces de ver ¡todas las longitudes de onda! ¡Sería un desastre! El 4G, las de radio, las de TV, el WIFI, las de nuestro microondas, infrarrojos, los rayos X de una radiografía. Nuestro cerebro explotaría con tanta información que procesar. No merece la pena. La clorofila de las plantas es un pigmento natural que refleja el verde y de ahí que veamos las plantas como las vemos. Otros pigmentos vegetales como los carotenoides o antocianinas dan coloraciones rojas y anaranjadas (zanahoria). De este ejemplo se infieren un par de conceptos necesarios para entender el NDVI: Absorbancia: De la radiación que llega a nuestro cubo, una parte será absorbida. Es decir, dentro del espectro visible absorbe todos los colores (bandas) menos el verde. Agricultura de Precisión Reflectancia: De la radiación que llega a nuestro cubo, una parte será reflejada. Es decir, dentro del espectro visible refleja el color (banda) verde. En física, estas dos magnitudes tienen otra definición algo más técnica, pero desde un punto de vista didáctico y de compresión conceptual, nos vale con esto para el NDVI. Volvamos a la fórmula: Tenemos una resta de las reflectancias de dos bandas dividida por la suma de las reflectancias de las mismas bandas (el rojo y el infrarrojo cercano). Está claro, que la banda del rojo la podemos captar sin problema mediante un sensor sensible a esta banda del espectro. Nuestro ojo es capaz de verlo (pero no medirlo). ¿Y el NIR (infrarrojo cercano)? También existen sensores que lo pueden captar. Y aquí empieza nuestra aventura del NDVI y la relación con la vegetación. ¿Qué capta un sensor multiespectral? Multiespectral: varios espectros. En nuestro caso nos vale con que capte dos, aunque por lo general los sensores comerciales para vegetación capturan más: RGB (red, green, blue) NIR (Near infrarred) y Red edge (rojo medio). Te podrás preguntar, si las plantas son verdes porque la clorofila refleja el verde… ¿por qué no usamos el color verde en el índice NDVI? A continuación, veremos una gráfica de la reflectancia de una estructura vegetal estándar en diferentes longitudes de onda. Fíjate en los valores de reflectancia del espectro visible y en las bandas que implican al infrarrojo cercano o NIR (lo que no vemos). Intenta sacar tus conclusiones y ahora comentamos: Agricultura de Precisión Interpretemos la gráfica de reflectancia ¿Ves el salto tan enorme que hay justo en el cambio del visible al NIR? ¡¡La reflectancia de una planta sana en la banda del NIR (infrarrojo cercano) es brutal!! Si nuestros ojos fueran capaces de captar esta longitud de onda, las plantas en pleno vigor vegetativo, ¡¡nos estarían deslumbrando como espejos! La reflectancia al NIR no la genera la clorofila como en el verde. Esa reflectancia se debe a la estructura celular del parénquima. El sensor ha captado unos valores del RED y NIR de forma numérica (reflectancias medibles) y un programa informático calcula en cada punto de la imagen el NDVI operando con esas reflectancias. Después le asigna una gama de colores para que nosotros podamos interpretar esa imagen de alguna forma mediante el resultado colorimétrico. Si rojo es 0 y verde es 1 y entre esos valores asignamos una gama cromática, pues diremos que cerca del 1 (verde) el NDVI nos da alto y cerca del cero (rojo) será un valor bajo. Mapa de un cultivo con valores altos (verde) de NDVI y bajos (rojo) Pero podría hacerlo con cualquier color, por ejemplo, siendo el 1 azul y el 0 negro y buscar una gama cromática intermedia que vaya de un color a otro. ¿Qué mide el NDVI? El NDVI no es más que un índice adimensional (un ratio) que nos muestra la diferencia entre el valor de reflectancia del NIR y el Rojo. Nos da un valor relativo de ese salto tan bestial que hemos visto en la gráfica. El quid de la cuestión es buscar cuál es el significado o interpretación de esto. Podemos llegar a la siguiente conclusión: Cuanto mayor sea esta diferencia (es decir, cuanto más se acerque al valor 1) el NDVI nos dice que la planta goza de buena salud y tiene un buen vigor vegetativo. ¿Qué necesitamos para calcular el NDVI? Podemos calcularlo mediante una fotografía aérea de un UAV o dron profesional o semi profesional según características, que posea una cámara multiespectral que al menos recoja las bandas del rojo visible (RGB) y el infrarrojo cercano: Entre 2000 y 7000 según resolución, o más bandas espectrales. Asimismo, podemos calcularlo a través de imágenes satélites como Landsat, hay que tener en cuenta las correcciones geométricas, radiométricas a las imágenes entre otros factores.Agricultura de Precisión ¿Es verdad que el NDVI predice cosas? Mucho se ve en la web de modelos predictivos de rendimientos de cultivo, plagas, riego, etc. Cómo podemos ahorrar costes con modelos que nos dicen qué cantidad de fertilizante hay que echar según en qué zonas del campo y muchas cosas más. ¿Todo esto hace el NDVI? Bueno, no es del todo cierto, pero ayuda. El NDVI es uno de tantos índices y es una herramienta más de apoyo al diagnóstico y la predicción. Muchas veces se da a entender o se malinterpreta que el NDVI es capaz de inferir todas esas variables de un cultivo simplemente capturando una imagen multiespectral, sacando el índice y ya. Pareciera que, con un satélite o dron, ya no tenemos que ir al campo a mirar cómo va el cultivo. Con el tan solo hecho de que nos mandan una imagen al móvil con un mapa de ‘colorines’ precioso y ya sé qué le pasa al cultivo y cómo debo solucionarlo. Hasta sé cuánto tengo que regar y cuánto plaguicida usar, hay que tener cuidado con esto. Nosotros como expertos debemos de observar, analizar, interpretar y decidir, La labor del técnico de campo, ingeniero agrónomo, agricultor es esencial en la interpretación de las imágenes. Quien cultiva sabe mejor que nadie qué variables maneja. La pendiente de la parcela, el tipo de suelo, la conductividad del agua con la que riega, el fertilizante que utiliza, la cantidad del mismo, el clima en esa zona, los rendimientos del cultivo en diferentes años, los vientos predominantes, etc. Una imagen NDVI no te lo dice y son variables esenciales. El NDVI nos da un valor que indica si la planta está bien, si está en su óptimo de crecimiento en ese momento o realmente está sufriendo, lo que se conoce como estrés. Este estrés puede ser debido a: o Estrés hídrico: Falta de agua (normalmente) aunque puede ser un exceso también. o Estrés nutricional: Falta o exceso de algún nutriente necesario. Pueden ser macronutrientes NPK (Nitrógeno, Fósforo, Potasio) o micronutrientes como (Calcio, hierro, boro, manganeso, zinc…) o Plagas: Daño físico a la hoja, debilitamiento de la planta. o Enfermedades: Víricas, criptogámicas (hongos), bacterias, nematodos. o pH: Si el suelo tiene un pH fuera del rango optimo para la planta, el sistema radicular sufre y la absorción de nutrientes se ve afectada seriamente. o Estrés lumínico: No es común en cultivos agrícolas, pero puede pasar. o Etc. ¡El NDVI nos da el estado de la planta, pero no nos dice el por qué! Una vez tengamos claro qué tipo de estrés, debemos buscar la causa. Si fuera estrés hídrico podría ser por exceso porque hay una zona de encharcamiento por la pendiente de parcela y un suelo de textura arcillosa. Si tenemos riego por goteo puede ser una fuga en el sistema, un exceso de caudal en algunos goteros, etc. Digamos que el NDVI es como la temperatura corporal. Si la fiebre aumenta sabemos que estamos malos, pero luego hay que diagnosticar por qué. Necesitamos más variables que la fiebre para saber de qué se trata (dolor muscular, vómitos, qué hemos comido las últimas 24 horas, etc.). Pues de igual manera, con la planta necesitamos más información al respecto. Pueden ver interpretación errónea por falta de variables, por ejemplo, podemos ver plantas que por reposo invernal se hayan caído todas sus hojas y queramos analizar el NDVI. Agricultura de Precisión el NDVI necesita información complementaria Las variables a controlar son varias y el mismo cultivo puede variar mucho en función de: estado fenológico, situación geográfica, clima, variedad, suelo (este influye mucho), laboreo, programa de fertilización, etc. Cuantas más tengamos controladas, más fácil es predecir qué variable está causando el NDVI anormalmente bajo. Debemos tener una visión de conjunto, muchas muestras tomadas, muchas imágenes de nuestro cultivo para contrastarlas. Cuando se anuncia que con un NDVI se pueden predecir dosis de fertilización nitrogenada por zonas para maíz, por ejemplo, es cierto, se puede. Siempre teniendo en cuenta que ha habido un estudio muy potente por detrás. Un estudio que ha encontrado una relación directa o patrón entre los valores de NDVI en un estado fenológico del maíz y su fertilización nitrogenada (seguramente con las demás variables casi constantes en la medida de lo posible). Lo que se quiere resaltar aquí es lo siguiente: Si en un mapa de valores NDVI captados por un sensor (ya sea satélite o UAV) hay zonas del cultivo con peor índice que el resto, no podemos saber SÓLO con la imagen qué puede estar pasando. Podemos plantear hipótesis y descartar aquellas afecciones que no correspondan con el momento en que se mide ese valor. Pero sigue siendo necesario ir al campo y ver qué puede estar pasando. Además, no vale con una sola adquisición de imágenes. Lo interesante es tener series temporales dentro de la campaña y entre campañas. Así tendremos valores con los que poder comparar, descartar variables y ajustar los modelos a lo que realmente queremos. Resumiendo El NDVI (Normalized difference vegetation index) es un índice muy aceptable que nos da información muy valiosa. Podemos generar mapas que nos dan diferencias de vigor vegetativo en grandes extensiones. Una vez visto esto, debemos ir a campo, observar las diferencias (tanto espaciales como temporales) de las zonas afectadas y empezar a descartar variables y buscar el diagnóstico concreto. Es una herramienta más, no una solución. Variaciones del NDVI No solo de NDVI vive la teledetección en agricultura, existen muchos más índices de vegetación y otras técnicas. Dentro del NDVI, existe un espectro de variaciones que utilizan otras bandas del espectro variando ligeramente los cálculos. En ocasiones puede venir bien y en otras no. No son tan conocidos porque realmente el que da unos valores estándar más ajustados, más generales para casi cualquier situación. Digamos que funciona bien de forma generalizada. Aun así, existen otros como el GNDVI. ¿Qué diferencia hay? Simplemente sustituye la banda del rojo por el verde (Green). ¿Es mejor? Pues ni mejor ni peor. De forma general digamos que en valores altos de densidad foliar este índice se satura menos y puede dar resultados algo más precisos. Por ejemplo, en cultivos de arroz inundado o maíz en fases vegetativas ya avanzadas, el índice GNDVI responde algo mejor. Existen estudios que demuestras la correlación entre uno y otro y son bastante parecidos. Ahí es donde vuelven a entrar otras variables que el encargado de analizar los datos debe controlar y decidir qué índice le conviene o en qué momentos del cultivo usa uno u otro. Agricultura de Precisión Otros índices: o NGRDI: Parecido al NDVI solo que sustituye el infrarrojo cercano por el verde. La ecuación es exactamente la misma. o RVI: Ratio Vegetation Index. Fue uno de los primeros índices y simplemente era un cociente entre la banda del infrarrojo cercano y el rojo. o RG: Un simple cociente entre la banda del rojo entre el verde. o GVI: Green Vegetation Index. Calcula el cociente entre la banda del infrarrojo cercano y el verde. B.- MAPAS DE RENDIMIENTO La aparición de sistemas de posicionamiento global precisos y relativamente económicos, combinados con los monitores de rendimiento, proveen la oportunidad de grabar y mapear instantáneamente los rendimientos de los cultivos durante la cosecha. El rendimiento integra la variabilidad del campo y el clima, y puede proveer información útil para identificar zonas de manejo, las que se han definido como subregionesdentro de los lotes que expresan una combinación relativamente homogénea de factores determinantes del rendimiento para los que es apropiada una proporción única de insumos. Sin embargo, debido a la variación climática interanual, es difícil identificar zonas de manejo basándose en el mapa de rendimiento de un solo año. Aunque el mapa de rinde (rendimiento) de un año es útil para interpretaciones de posibles causas de la variación del rendimiento, resulta de valor limitado para la toma de decisiones de estrategias de manejo sitio-específico en períodos de mediano o largo plazo. Aumentar el número de años usados para definir zonas puede ser una solución para este problema. Con datos de rendimiento de varios años, pueden identificarse patrones de rendimientos y separar las causas naturales de la variación de aquellas debidas al manejo o errores de medición. La variación debida al manejo incluye eventos aleatorios que típicamente ocurren en parches pequeños, como fallas de siembra y en el establecimiento del cultivo, fertilización no uniforme, daños de herbicidas, daños de enfermedades, entre otros. Los errores de medición incluyen errores de sensores de flujo y humedad de granos, errores debidos a la georreferenciación y el movimiento de la cosechadora, errores de operario, y errores del procesamiento de los datos. Agricultura de Precisión II.- Objetivo El objetivo de esta práctica es desarrollar un ensayo real de un proyecto de agricultura de precisión cuyos datos se han tomado del Instituto Nacional de Tecnología Agropecuaria de Argentina - INTA, haciendo una combinación de datos ráster (imágen Rapideye) y vectoriales (shp) en una sola capa (una banda) para analizar ensayos en base a la variabilidad del lote con dosis de abonamiento de urea, elaborando mapas de rendimiento y análisis estadísticos con curvas de respuestas, asignando literalmente a cada área de terreno “bajo potencial de rendimiento” y “alto potencial de rendimiento”. III.- Materiales y Métodos: Materiales A.- Software QGIS QGIS es un software libre de sistema de información geográfica, liberado bajo la licencia GPL, que destaca por ser uno de los primeros proyectos de la fundación OSGeo (Open source Geospatial Foundation). Fundación que se dedica a fomentar el desarrollo colaborativo y dirigido por la comunidad de tecnologías geoespaciales y datos abiertos. Al amparo de la OSGeo también están otros proyectos como gvSIG, PostGIS, GDAL, GeoNode, GeoServer, OpenLayer. QGIS es un proyecto creado por Gary Sherman con el nombre de Quantum GIS en 2002, entró en la incubadora de OSGeo en 2007 y en el año 2009 se lanzó la versión 1.0, desde aquella se fue haciendo popular tanto en usuarios como en contribuidores. QGIS es una solución multiplataforma, escrita fundamentalmente en C y usando el framework Qt. Está disponible para GNU/Linux, Windows, Mac OS X, BSD y Android. Para descarga de software ir al siguiente enlace: https://www.qgis.org/es/site/forusers/download.html Documentación de uso del software: https://docs.qgis.org/3.10/en/docs/training_manual/ B.- Imágen Satelital RapidEye https://www.qgis.org/es/site/forusers/download.html Agricultura de Precisión Agricultura de Precisión Para el desarrollo de esta práctica usaremos una imagen RapidEye 3A de fecha 02 de febrero de 2016 denominada: rcorte 20160202_150317_2024212_RapidEye-3_analytic Agricultura de Precisión Métodos: o Cultivo de maíz. o Se realizaron los siguientes tratamientos de urea: ZONA 1: 70 Kg de urea ZONA 2: 0 Kg de urea (testigo) ZONA 3: 150 Kg de urea ZONA 4: 300 Kg de urea III.- Desarrollo: Las actividades a desarrollar son: 1. Abrir QGIS y guardar proyecto. Agricultura de Precisión 2. Configurar proyección de coordenadas del proyecto. o Debemos de configurar el Sistema de Referencia de Coordenadas o EPSG en QGIS en base a la información geoespacial. Para lo cual debemos de presionar el botón EPSG que se encuentra en la parte inferior derecha del programa. o Como los datos son de la ciudad de Córdova de Argentina el EPSG es 32720. o Si tenemos que desarrollar casos para el Perú, debemos de considerar los siguientes SRC: CODIGO EPSG SISTEMA DE REFERENCIA COORDENADAS - SRC UTM USO COORDENADAS 32717 WGS 84 / UTM Zona 17S UTM 32718 WGS 84 / UTM Zona 18S UTM 32719 WGS 84 / UTM Zona 19S UTM 24877 PSAD 56 / UTM Zona 17S UTM 24878 PSAD 56 / UTM Zona 18S UTM 24879 PSAD 56 / UTM Zona 19S UTM 4326 WGS 84 / UTM GEOGRAFICAS 3857 WGS 84 / UTM SEUDO GEOGRAFICAS Agricultura de Precisión MERCATOR 4248 PSAD 56 / UTM GEOGRAFICAS 3. Importar imagen ráster. o Abrir la capa ráster (imagen) Agricultura de Precisión En la imagen anterior se puede ver la variabilidad de los suelos como las zonas sódicas, asimismo, se puede ver una franja verde clara que es una dosis cero de nitrógeno. 4. Generar límite de lote como matriz de corte de ráster. o Para generar el limite de lote tenemos que crear una capa shp de tipo polígono, con un nombre de “Recorte_RE” las siglas de RE significa que estamos trabajando con imágenes de RapidEye, el nombre de campo de la tabla ponemos “Limite”. o Nota: La capa poligonal de recorte a crear debe de tener el mismo SRC de la imagen: 32720. La capa creada para este caso lo estoy guardando en una carpeta que he creado en el escritorio, hay que tener bien ordenados todos los archivos que se van a ir generando. Agricultura de Precisión o Ponemos editable la capa de Recorte_RE Agricultura de Precisión o Luego añadimos polígono o Luego dibujamos los vértices del polígono a recortar. o Para culminar de dibujar hacemos anticlip y podríamos poner el nombre de la parcela. Agricultura de Precisión o Nota: Aprovechando que la capa “Recorte_RE”, está en modo de edición podemos rehacer el polígono si es que existió algún error en su edición, para este caso usamos las herramientas de edición de vértices. o Una vez culminada la edición guardamos lo trabajado, haciendo anticlip en la capa “Recorte_RE” y seleccionamos “Conmutar Edición”, luego guardamos.Agricultura de Precisión 5. Recortar lote de interés mediante limite generado. o Para recortar la imagen satelital en base a la capa shp creada nos dirigimos a la pestaña de ráster / Extracción / Cortar ráster por capa de máscara. Agricultura de Precisión o Luego eliminamos la capa e recorte inicial. o Para volver al color natural de la imagen nos dirigimos a sus propiedades. Agricultura de Precisión 6. Visualizar histograma e identificar bandas. o Para ver las bandas presionamos el botón de Calcular Histograma. Agricultura de Precisión ✓ Banda 1 = Rojo ✓ Banda 2 = Verde ✓ Banda 3 = Azul ✓ Banda 4 = Borde Rojo ✓ Banda 5 = NIR (Infrarrojo cercano) o En simbología configuramos de acuerdo a la imagen siguiente. Agricultura de Precisión 7. Cálculo del NDVI en forma manual. o Nos dirigimos a calculadora de ráster. Agricultura de Precisión 8. Cambiar el estilo de visualización de la leyenda de ráster a un color “Plasma”. Ver parámetros e imagen siguiente: o Presionamos los botones de clasificar, aplicar y aceptar. Agricultura de Precisión o Podemos verificar que los colores mas oscuros (morados) son los que tienen NDVI mas bajos y los colores más claros (anaranjado) son los que tienen los NDVI mas altos. Esto coincide con las zonas donde las dosis de nitrógeno es cero y en las zonas con problemas de sodio. 9. Convertir el ráster de NDVI a vector de NDVI. o Para convertir los pixeles de la imagen de NDVI a vector utilizaremos el algoritmo de “Raster Values to Points” que se encuentra en la caja de herramientas de QGIS. Agricultura de Precisión o Guardamos la capa como “Puntos NDVI.shp” o Convirtió un archivo ráster a un archivo puntos Agricultura de Precisión 10. Cambiar el estilo de visualización de la leyenda del vector. o Configuramos la simbología de la capa de “Puntos NDVI” según la imagen siguiente: Agricultura de Precisión o Para tener una mejor visualización quitamos el borde del punto de la capa de “Puntos NDVI”. Agricultura de Precisión 11. Importar mapa de rendimiento. Agricultura de Precisión Agricultura de Precisión 12. Reproyectar mapa de rendimiento a proyección del proyecto. Agricultura de Precisión Agricultura de Precisión Agricultura de Precisión 13. Cambiar el estilo de visualización del mapa. o Se puede observar que el mapa de rendimiento es casi similar al mapa de NDVI y sobre que existe bajo rendimiento en las zonas donde existe los problemas. Agricultura de Precisión 14. Generar polígonos delimitadores de tratamientos (dosis de urea). o Ahora vamos a generar información a cada punto de la capa de rendimiento, en cuanto a que dosis de urea tiene y a que zona pertenece, para este caso vamos a generar polígonos que delimiten las zonas de tratamiento. Agricultura de Precisión Agricultura de Precisión 15. Editar capa vectorial, agregar atributo categórico Dosis. ZONA 1: 70 Kg de urea ZONA 2: 0 Kg de urea (testigo) ZONA 3: 150 Kg de urea ZONA 4: 300 Kg de urea Agricultura de Precisión Agricultura de Precisión o A pesar de que las zonas 1 y 3 se aplicaron dosis de urea se tiene un bajo rendimiento de maíz, toda vez que tuvo como antecesor el cultivo de trigo. 16. Generar polígonos delimitadores zonas de manejo. Agricultura de Precisión o Delimitamos a mano alzada la zona con alto potencial de rinde y la que tiene problemas con sodio. Agricultura de Precisión 17. Editar capa vectorial, agregar atributo categórico Zonas. Agricultura de Precisión o Ahora ya tenemos todos los archivos necesarios en formato vectorial para realizar el tratamiento. 18. Generar cuadricula receptora de datos múltiples. o Generamos una grilla de capa receptora de toda la información generada, cada pixel del NDVI lo convertirá en una cuadricula de 5 m x 5 m de acuerdo a la resolución espacial de la imágen satelital. Agricultura de PrecisiónAgricultura de Precisión 19. Unificar datos se NDVI, rendimientos, tratamientos y zonas de manejo en cuadricula receptora. o Analizando las capas de NDVI vrs Puntos NDVI vrs Grilla. o Analizando las capas de Rendimiento vrs Grilla. Tener en cuenta que esto depende del GPS del tractor (dirección, exactitud), entonces va haber cuadriculas que van a tener mas puntos y otras cuadriculas sin puntos. Agricultura de Precisión o Ahora vamos a generar el traspaso de la información a la cuadricula. Para eso primero generamos una cuadricula con los datos de NDVI. A partir de ahora trabajaremos con archivos vectoriales. Agricultura de Precisión o Luego generamos otra cuadricula con los datos del rendimiento, luego una cuadricula de NDVI el rendimiento reproyectado. Agricultura de Precisión o Posteriormente generamos una cuadricula de datos de la Grilla_NDVI_Rdto con el tratamiento, y asi hasta completar con todos los datos. Agricultura de Precisión Agricultura de Precisión o Luego generamos una cuadricula de datos de la Grilla_NDVI_Rdto_Trat con el tratamiento con las zonas. Agricultura de Precisión 20. Modificar tabla de atributos de la cuadricula de datos múltiples. o Luego eliminamos algunos campos de la tabla resultante. Agricultura de Precisión 21. Visualizar NDVI, rendimiento, tratamiento y zonas de manejo de cuadricula. o Visualización del NDVI. Agricultura de Precisión o Visualización del Rendimiento. Agricultura de Precisión Podemos visualizar que hay zonas que no tienen un ninguna cuadricula, esto se debe a que al generar la integración de los datos las grillas no encontraron ningún punto de rendimiento. o Visualización de dosis de urea. o Visualización de zonas. Agricultura de Precisión 22. Extrayendo centroides a las cuadriculas. Agricultura de Precisión Agricultura de Precisión 23. Exportar cuadricula receptora de datos múltiples a formato compatible con excel. Agricultura de Precisión 24. Análisis simple con tabla y grafico dinámico para ver curva de respuesta del NDVI y del rendimiento a la fertilización nitrogenada.
Compartir