INTROUCCION

El manejo agronómico de acuerdo con cada etapa de desarrollo es crítico para optimizar el
rendimiento y la calidad del trigo. Según el Código de Zadoks, las etapas de crecimiento del trigo
generalmente se dividen en diez etapas de desarrollo distintas, que incluyen la etapa de
emergencia, la etapa de macollaje, la etapa de maduración y otras (Zadoks, et al., 1974). Las
operaciones necesarias como la diferente tasa de topdressing nitrogenado deben implementarse
en consecuencia, además, estudios recientes sobre el manejo del dosel mostraron que no solo la
tasa de topdressing nitrogenado sino el tiempo también deben adaptarse para lograr los tamaños
de dosel deseados para fases de desarrollo específicas, lo que significa es demasiado bajo, el
tiempo de fertilización nitrogenada debe adelantarse con una tasa más alta para optimizar los
insumos y el rendimiento (Nick, et al., 2005). Por lo tanto, el monitoreo en tiempo real del estado
de crecimiento real del dosel del trigo a lo largo de varias fases específicas tiene una gran
importancia para ayudar a los productores de trigo con la toma de decisiones administrativas.

Tradicionalmente, para obtener la información real sobre el desarrollo del dosel, los macollos de
trigo se cuentan manualmente tomando varias muestras para poder calcular la densidad de la
caña y, en consecuencia, determinar la tasa de fertilización nitrogenada (Randy, 2013). Por otro
lado, la teledetección se ha utilizado con éxito como una alternativa efectiva para obtener
información de campo utilizando el índice de vegetación diferenciado normalizado, conocido
como NDVI, uno de los indicadores más populares para identificar áreas con vegetación e incluso
para cuantificar la capacidad fotosintética de las copas de las plantas desde la década de 1970
(Rouse, et al., 1973). De acuerdo con Thomas Lillesand, et al. 2007), "La percepción remota es la
ciencia y el arte de obtener el análisis de los datos adquiridos por un dispositivo que no está en
contacto con el objeto, área o fenómeno bajo investigación". Por lo tanto, sobre la base de
diferentes tipos de plataformas que llevan sensores específicos, teledetección agrícola podría
generalmente puede categorizar en satélite, aéreo, y de mano o tractor montado teledetección
(Mulla, 2013).

Las imágenes satelitales multiespectrales de regiones visibles de longitudes de onda visibles y

cercanas al infrarrojo (VNIR), que generalmente recogen la reflectancia de la iluminación solar
como recurso de radiación, han sido reconocidas desde hace tiempo como un método útil y
efectivo para detectar áreas de vegetación, monitorear el estado de crecimiento del cultivo y para
estimar el rendimiento, etc., a gran escala (David, 2012). Sin embargo, la baja resolución espacial
de decenas de metros, el largo período de revisión de alrededor de dieciocho días, así como los
efectos atmosféricos o la interferencia climática, se conocen como defectos inherentes en el
dominio de la agricultura de precisión. Si bien la teledetección aérea se ha introducido en la
aplicación agrícola a mediana escala como un método complementario y, a menudo, se lleva a
cabo como operaciones de una sola vez. Y la teledetección cercana a la tierra a menudo se conoce
como la aplicación más avanzada de diversos tipos de dispositivos hiperespectrales de mano y,
recientemente, los pequeños vehículos aéreos no tripulados fijos y / o de ala rotatoria (UAV)
utilizados en el campo de pequeña escala y experimental para muestreo espacial . La carga útil de
los UAV varía de varios cientos de gramos a decenas de kilogramos, con cámaras comerciales RGB
o cámaras multiespectrales montadas sobre.
En esta investigación, se utilizan cuatro imágenes satelitales de Rapideye tomadas el 1, 7, 15, junio
y 17 de julio de 2015 en las cercanías de 42 ° 54'10.638''N y 142 ° 53'57.577''E en la prefectura de
Hokkaido. , Japón

Dado que las frecuencias espaciales y temporales de las imágenes de satélite no son adecuadas
para controlar las condiciones de crecimiento que cambian rápidamente, se utilizan ocho
imágenes de UAV desde principios de junio hasta finales de julio de 2015 en el intervalo de
aproximadamente una semana. El objetivo de la investigación es monitorear el estado de
crecimiento del dosel del trigo y analizar la correlación entre los índices de vegetación basados en
imágenes satelitales, los índices de vegetación basados en imágenes de UAV y la variable terrestre
del contenido de proteína del grano. De este modo, las etapas de crecimiento más relevantes que
contribuyen a la diferenciación de los contenidos de proteína de grano podrían determinarse en
consecuencia.

MATERIALES

IMÁGENES SATELITALES

La constelación RapidEye de cinco satélites idénticos opera en una órbita sincrónica al sol de
aproximadamente 630 km de altitud, y proporciona frecuentes intervalos de revisitas globales de
un día. Los sensores de barrido idénticos transportados en cada satélite recopilan datos
multiespectrales con el ancho de franja de 77 km en cinco bandas espectrales de azul (440-
510nm), verde (520-590nm), rojo (630-685nm), borde rojo (690-730nm) y Near-Infrared (760-
850nm), y durante el procesamiento en el terreno, los datos de la imagen se calibran
radiométricamente a escala con un rango dinámico de 16 bits, que convierte el número de píxeles
digitalizados relativos (DN)

en valores relacionados con radiancias del sensor por un factor de escala radiométrica de 0,01
(Chander, 2013). En esta investigación se utilizan cuatro imágenes ortorrectificadas tomadas el 1,
7, 15, junio y 17 de julio de 2015, cuya vista general se muestra como la imagen superior de la
figura 1 y se presenta en modo de color verdadero combinado de banda roja , banda verde y
banda azul, el 15 de junio. El tamaño de la escena completa alcanza hasta 688 * 3687 píxeles,
cubriendo 576km2. El campo de trigo estudiado en el modo de color verdadero se muestra como
la imagen inferior izquierda de la Fig.1. , y la imagen inferior derecha está en modo de color falso
combinado de banda nearinfrared, banda roja y banda verde en el mismo día.

IMÁGENES DE UAV

Se utilizó el UAV quadrotor de ZION QC 630, vendido por ENROUTE CO., LTD, y sus parámetros de
rendimiento se enumeran en la Tabla 1. La cámara comercial de SONY ILCE6000 con el sensor
CMOS se usó como la cámara RGB, y la cámara y plan de vuelo también se describen en la Tabla 1.
Cada imagen de mosaico se realizó utilizando el software Agisoft Photoscan Professional de 120
piezas de fotos, que se tomaron en modo continuo cada dos segundos. Y la geo-referenciación se
completó en el software ArcMap 10.2.2, mediante el uso de ocho puntos de control de tierra
(GCP), que consta de esquinas de encabezado, postes de telégrafo y algunos otros objetos
distinguibles.

Normalización radiométrica de imágenes satelitales multitemporales e imágenes de UAV

Debido a la variación de las condiciones atmosféricas, la iluminación diferente y la calibración del

sensor, la precisión radiométrica y la consistencia son difíciles de mantener entre las imágenes de
detección remota multitemporal. Por lo tanto, la normalización radiométrica se realizó para
ajustar imágenes multitemporales a un conjunto de datos de referencia y compensar los efectos
anteriores. Los datos de referencia se generan al calcular los valores promedio de los valores de
píxeles de las características pseudoinvariantes (PIF), que se refiere a los objetos de suelo cuyos
valores de reflectancia son casi constantes a lo largo del tiempo (Osmar, 2013). De acuerdo con los
valores de píxel de estos PIF de cada banda y los datos de referencia correspondientes, los
modelos de normalización radiométrica de imágenes de satélite de diferentes fechas, así como
imágenes de UAV, banda por banda, se obtuvieron construyendo ecuaciones de regresión lineal.

En cuanto a las imágenes satelitales, se seleccionaron treinta y ocho cruces y dos terrenos planos
cerca de los sitios de construcción, cubriendo una gran área considerable alrededor del campo
experimental, como imágenes PIF de satélite por inspección visual, que se muestra en la Fig. 2.

Y doce características a lo largo de la carretera y el techo en imágenes UAV también se eligen

como imágenes PIF de UAV, respectivamente.

Muestreo de contenido de proteínas

Hay dos variedades diferentes de trigo sembradas en campos vecinos, como se muestra en la Fig.
4, la parte inferior izquierda se plantó con la variedad de Kitahonami, ocupando alrededor de
3.3ha., Mientras que la parte superior derecha se plantó con la variedad de Yumechikara,
ocupando alrededor de 2.2 ha .. Doce muestras de Kitahonami y ocho muestras de umechikara
han sido tomadas para medir el contenido de proteína de grano y rendimiento. El muestreo se
realizó el 24 de julio, 1 día antes de la cosecha, recolectando las espigas de trigo dentro de la
sección especificada de 1 metro cuadrado. Y medimos el contenido de proteína utilizando un
espectrómetro de infrarrojo cercano BR5000 de Shizuoka Seiki Co., Ltd.

RESULTADOS Y DISCUSION

Normalización de imágenes de teledetección

Los modelos de normalización de imágenes satelitales se muestran como Tabla 2, banda por
banda, mientras que los modelos de normalización de imágenes UAV se muestran como la Tabla 3.
Y el valor de cada RSquared explica el nivel de desviación de cada banda de la imagen de
referencia.
Análisis de correlación de imágenes de satélite basadas en NDVI con contenido de proteína de
granos de trigo muestreados

El índice de vegetación con diferencia normalizada (NDVI) es el

índice de vegetación más conocido y utilizado para detectar en vivo
marquesinas de plantas verdes e incluso cuantificar la fotosíntesis
condiciones, si se hace correctamente, y se calcula como (1).
NDVI = (NIR-Rojo) / (NIR + Rojo) (1)
NIR es el brillo normalizado de la banda 5 de imágenes de satélite,

El rojo es el brillo normalizado de la banda 3 de las imágenes de satélite.

En esta investigación, se analizan NDVI de dos variedades de trigo diferentes (campo Nº 1 de

Kitahonami y campo Nº 2 de Yumechikara) en diferentes etapas de desarrollo del trigo para
identificar el período más relevante asociado con contenido de proteína de grano mediante
análisis de correlación, que se ven afectados sintéticamente por genotipos así como varios tipos de
efectos ambientales tales como temperatura, fertilidad del suelo, condiciones de iluminación, etc.
Los resultados mostrados en la Tabla 4 indican que en cuanto al campo NO.1, el coeficiente de
correlación del NDVI con el contenido de proteína de trigo muestreado aumenta junto con las
etapas de desarrollo del trigo, mientras que en el campo NO. 2, debido a la saturación causada por
el dosel floreciente, el coeficiente de correlación permanece negativo hasta el 17 de julio, una
semana antes de la cosecha, y también alcanza el máximo, es decir, el período con mayor
correlación proteica, en la última etapa del ciclo de crecimiento del trigo . Los modelos de
regresión lineal de NDVI con contenido de proteína se muestran en la Fig. 5.

Análisis de correlación de los valores de banda correspondientes de imágenes de satélite con

imágenes de UAV

Para complementar la inadecuación espacial y temporal de las imágenes de satélite, el análisis de

integración con imágenes UAV se realizó mediante modelos de regresión lineal entre estos
diferentes tipos de imágenes de teledetección. Todos de cuatro

se utilizan imágenes satelitales y cuatro de las ocho imágenes UAV que se toman temporalmente
alrededor de las imágenes satelitales, de las cuales se extraen muestras de entrenamiento de
índices de vegetación, con la correspondiente relación de imagen satelital el 1 de junio con
imágenes UAV el 2 de junio, satélite imagen el 7 de junio a imagen de UAV el 10 de junio, imagen
de satélite el 15 de junio, imágenes de UAV el 19 de junio e imagen de satélite el 17 de julio,
imágenes de UAV el 16 de julio. A diferencia de las imágenes de satélite basadas en NDVI, el índice
de vegetación de diferencia de banda visible (VDVI) se introdujo como índice de vegetación de la
imagen de UAV (Wang, 2015), ya que la banda de infrarrojo cercano no está disponible en la
cámara comercial. El VDVI se calculó como (2).

VDVI = (2 × G-B-R) / (2 × G + B + R) (2)

Dónde:
G es el valor de píxel normalizado de las imágenes UAV 'banda 2,

B es el valor de píxel normalizado de las imágenes UAV 'banda 1,

R es el valor de píxel normalizado de las imágenes UAV 'banda 3.

En esta investigación, derivamos cuarenta muestras (veinte muestras para la variedad de

Kitahonami y veinte muestras para la variedad de Yumechikara) de NDVI de cada imagen de
satélite, y en las mismas posiciones de muestreo calculamos cuarenta muestras de VDVI de cada
imagen de UAV . Se aplicó un filtro de mediana a estos mapas de concentración de VDVI para que
la señal de ruido del suelo desnudo pudiera reducirse y la resolución espacial del mapa de
concentración de VDVI corresponda a la contraparte de NDVI. El análisis de correlación entre las
imágenes de satélite basadas en NDVI y las imágenes de UAV basadas en VDVI se muestran en la
Fig. 6, de lo cual podemos concluir que en la última etapa de la temporada de cultivo de trigo VDVI
disminuye rápidamente al valor alrededor de 0.05, y muestra poca correlación con el
correspondiente NDVI. Por otro lado, cuando los datos de 15, junio y 17 de julio fueron
rechazados, muestran altas correlaciones entre estos dos índices de vegetación en la etapa inicial
de la temporada de cultivo de trigo.

COCNLCUSIONES

De acuerdo con los resultados del análisis de correlación de NDVI con el contenido de proteína de
trigo muestreado, podemos llegar a la conclusión de que el NDVI se relacionó más con el
contenido de proteína de grano en la última etapa del cultivo de trigo. Y las diferentes variedades
mostraron una diferencia clara en cuanto a la correlación entre el NDVI con el contenido de
proteína de trigo en la etapa temprana de la temporada de cultivo de trigo, debido a las diferentes
estructuras morfológicas

El análisis de correlación de NDVI con VDVI mostró buena consistencia en la primera etapa de la
temporada de cultivo de trigo, independientemente de las variedades de trigo, que
proporcionaron los métodos practicables y viables para los estudios complementarios de
teledetección UAV y teledetección satelital. Sin embargo, en la última etapa de la temporada de
cultivo de trigo, VDVI mostró una capacidad muy limitada para diferenciar el estado de
crecimiento del trigo en comparación con el NDVI.