Predicción de biomasa de praderas templadas heterogéneas utilizando un enfoque SfM basado en imágenes de UAV
Autores: Grüner, Esther; Astor, Thomas; Wachendorf, Michael
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Predicción de biomasa de praderas templadas heterogéneas utilizando un enfoque SfM basado en imágenes de UAV
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Estimación de rendimiento
Tecnología de UAV
Imágenes RGB
Altura del dosel
Rendimiento de materia seca
Modelos de predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Una estimación temprana y precisa del rendimiento en praderas intensivas gestionadas es obligatoria para decisiones de gestión económica. Las cámaras RGB (roja, verde, azul) conectadas a un vehículo aéreo no tripulado (UAV) representan una tecnología no destructiva prometedora para la evaluación de rasgos de cultivos, especialmente en áreas grandes y remotas. El procesamiento fotogramétrico de estructuras a partir de imágenes basadas en UAV en nubes de puntos se puede utilizar para generar información espacial en 3D sobre la altura del dosel (CH). El objetivo de este estudio fue el desarrollo de modelos de predicción para el rendimiento de materia seca (DMY) en praderas templadas basados en datos de CH generados por imágenes RGB de UAV a lo largo de toda una temporada de crecimiento que incluyó cuatro cortes. El estudio multitemporal comparó la técnica de teledetección con dos métodos convencionales, es decir, muestreo destructivo de biomasa y mediciones de altura con regla en dos mezclas de leguminosas y pastos con trébol rojo ( L.) y alfalfa ( L.) en combinación con raigrás italiano ( Lam.). Para cubrir toda la gama de contribución de leguminosas que ocurre en una pradera práctica, también se investigaron stands puros de leguminosas y pastos contenidos en cada mezcla. Los resultados mostraron que la predicción de rendimiento mediante imágenes RGB de UAV basadas en SfM proporcionó precisiones similares en todos los tratamientos ( = 0.59-0.81) que las mediciones de altura con regla ( = 0.58-0.78). Además, los resultados de la predicción de rendimiento mediante imágenes RGB de UAV demostraron una robustez mejorada cuando ocurrió una variabilidad de CH aumentada debido a condiciones climáticas extremas. Se hizo evidente que las características morfológicas de los dosel basados en trébol ( = 0.75) permiten una mejor predicción remotamente detectada del rendimiento anual total que para las mezclas de alfalfa y pasto ( = 0.64), y que estos modelos específicos de cultivos no pueden transferirse fácilmente a otros tipos de praderas.
Descripción
Una estimación temprana y precisa del rendimiento en praderas intensivas gestionadas es obligatoria para decisiones de gestión económica. Las cámaras RGB (roja, verde, azul) conectadas a un vehículo aéreo no tripulado (UAV) representan una tecnología no destructiva prometedora para la evaluación de rasgos de cultivos, especialmente en áreas grandes y remotas. El procesamiento fotogramétrico de estructuras a partir de imágenes basadas en UAV en nubes de puntos se puede utilizar para generar información espacial en 3D sobre la altura del dosel (CH). El objetivo de este estudio fue el desarrollo de modelos de predicción para el rendimiento de materia seca (DMY) en praderas templadas basados en datos de CH generados por imágenes RGB de UAV a lo largo de toda una temporada de crecimiento que incluyó cuatro cortes. El estudio multitemporal comparó la técnica de teledetección con dos métodos convencionales, es decir, muestreo destructivo de biomasa y mediciones de altura con regla en dos mezclas de leguminosas y pastos con trébol rojo ( L.) y alfalfa ( L.) en combinación con raigrás italiano ( Lam.). Para cubrir toda la gama de contribución de leguminosas que ocurre en una pradera práctica, también se investigaron stands puros de leguminosas y pastos contenidos en cada mezcla. Los resultados mostraron que la predicción de rendimiento mediante imágenes RGB de UAV basadas en SfM proporcionó precisiones similares en todos los tratamientos ( = 0.59-0.81) que las mediciones de altura con regla ( = 0.58-0.78). Además, los resultados de la predicción de rendimiento mediante imágenes RGB de UAV demostraron una robustez mejorada cuando ocurrió una variabilidad de CH aumentada debido a condiciones climáticas extremas. Se hizo evidente que las características morfológicas de los dosel basados en trébol ( = 0.75) permiten una mejor predicción remotamente detectada del rendimiento anual total que para las mezclas de alfalfa y pasto ( = 0.64), y que estos modelos específicos de cultivos no pueden transferirse fácilmente a otros tipos de praderas.