El NDVI, es un índice usado para estimar la cantidad, calidad y desarrollo de la vegetación con base a la medición por medio de sensores remotos. Estos sensores pueden estar instalados en Satélites orbitales, Drones, Helicópteros o Aviones.
Los sensores permiten tomar la intensidad de radiación de ciertas bandas del espectro electromagnético que la vegetación emite o refleja.
Si bien el NDVI ha sido uno de los índices de vegetación más utilizados mucha gente cree que es una novedad pero esta técnica se ha utilizado desde la década de 1970.
La Agricultura de Precisión es la industria que más he echo aprovecho de las ventajas de los datos satelitales, por la precisión de los resultados y la alta frecuencia de adquisición.
Por qué de repente todo esto es necesario para la agricultura?
Antes las cosechas se cultivaban sin ninguna tecnología , sin embargo, con el desarrollo e implementación de la agricultura de precisión el rango de información útil se ha expandido significativamente. Una vez recibida la información del monitoreo remoto, la agricultura de precisión utiliza los datos para la aplicación de fertilizantes diferenciados, la protección de plantas, el riego dosificado, el control de los cultivos y rendimientos, y muchas más actividades agrícolas que, en última instancia, ahorran los recursos y reducen los costos ayudando a aumentar la productividad y las ganancias.
Podemos tomar como ejemplo el análisis multiespectral. Esto nos permite determinar la condición de las plantas y por lo tanto detectar las áreas problemáticas o la salud de las mismas así como si crecimiento.
En algunos casos el malestar de los cultivos puede ser causado por la compactación excesiva del suelo, su erosión o desecación, en otros casos el efecto negativo viene causado por el desequilibrio en el suministro de nutrientes. Esta tecnología del sondeo, además, nos permite predecir el rendimiento de la cosecha.
Aspectos técnicos del monitoreo de cultivos
Actualmente alrededor de la Tierra gira una cantidad importante de satélites que realizan teledetección. La resolución de estos datos es muy diferente. Por ejemplo, los satélites de NASA y NOAA (Administración Nacional Oceánica y Atmosférica de los Estados Unidos) tienen una resolución de 1 km a 250 m. Puede visitar el sitio web de la NASA https://earthobservatory.nasa.gov/ para obtener más información. La ventaja principal de este tipo de imágenes es que cubren grandes superficies. Esa resolución, considerada como mediana, es suficiente para, por ejemplo, rastrear el movimiento de masas de aire, ciclones, frentes atmosféricas. Por ejemplo, la resolución de 500 m ya es suficiente para compilar un mapa de humedad del suelo.
Viajando alrededor de la Tierra a velocidad orbital, los satélites pueden escanear enormes áreas de tierra y mar en cuestión de minutos. De hecho, una vuelta a la órbita puede durar menos de dos horas, lo que significa que toda la circunferencia de la Tierra puede fotografiarse dentro de ese tiempo. Gracias a esta cobertura increíblemente amplia de los datos de imágenes satelitales y rápida los datos se integran instantáneamente en la plataforma de Monitoreo de Cultivos, para que los usuarios puedan ver los contornos exactos de cualquier campo seleccionado en un mapa interactivo, en cualquier pantalla.
Otro beneficio importante son imágenes satelitales de mayor resolución que permiten la detección de plantíos y la identificación del estado de la cosecha, entre otras características. Las tecnologías permiten obtener imágenes más detalladas, así los satélites de porte menor proporcionan una resolución de 7,8 m y menos. La tecnología punta aeroespacial ya nos ofrece imágenes satelitales de 0.7 e, incluso, de 0.5 m. La resolución de 0.5 m se considera muy alta, el registro máximo alcanzado hoy por los satélites es de 0,31 cm. No obstante, esa imagen ya no cubre un territorio grande, sino un cuadrado de 10-12 km por cada lado.
Combinando las imágenes de alta resolución con los datos de detección remota, nuestra plataforma proporciona a compañías agrícolas la capacidad de predecir los riesgos climáticos y evaluar el daño natural y artificial causado al suelo y a los cultivos. Los datos de humedad del suelo ayudan a identificar las inundaciones, mientras que la detección de temperaturas críticas le permite reconocer eventos destructivos naturales como el estrés por frío.
A veces para algunas necesidades agrícolas hasta ese detalle de imágenes no es suficiente. Además, la nubosidad del cielo puede interferir con las imágenes satelitales. Para aumentar la resolución hasta algunos centímetros se suelen tomar fotos por medio de un aparato no tripulado desde las altitudes bajas. Por ejemplo, un dron hace fotos desde una altura de 120 m proporcionando la resolución de 4,8 cm. En cambio, volando a tal altura un aparato no tripulado en una hora puede sobrevolar solamente la superficie de 130 hectáreas.
Otra forma de recopilar los datos precisos sobre la productividad de un campo es utilizar la función de “zonificación”. Las imágenes satelitales no solo proporcionan el color natural verdadero del campo, sino que también miden el Índice de Vegetación de Diferencia Normalizada (NDVI) en el infrarrojo próximo. En otras palabras, las variaciones en la densidad de la vegetación son captadas por sensores remotos y se visualizan en la pantalla creando un contraste ligeramente exagerado entre sí. Un campo parece estar dividido en varias zonas, según el NDVI. Con esta función, cualquier compañía agrícola puede determinar no solo el estado real de los cultivos, sino también calcular el área total de segmentos más o menos productivos dentro de un campo.
Pero esto como lo llevamos a la realidad del día a día.
La gran cantidad de información que nos aportan estos satélites nos permiten realizar este Índice NDVI para una vasta región como por ejemplo Extremadura, su durante un año guardamos la información en una base de datos esto nos permitirá hacer un análisis de su su variación interanual mediante el cálculo de este índice para cada mes, pudiendo ver de esta manera los cambios sufridos en la vegetación y los cultivos de enero a diciembre tanto de forma global como local
Para poder tener una visualización del contenido de la base de datos es que ponemos como ejemplo esta imagen de capas correspondientes a las distintas imágenes mensuales
Rápidamente y fácilmente nos permite apreciar las variaciones a lo largo del año.
Limitaciones del índice de vegetación NDVI
Los resultados de tus mapas de NDVI, así como otros índices de vegetación, tienen contextos de riesgo en la interpretación de resultados. Utilizando un poco de lógica y profundizando en las características de este índice podrás ver algunas carencias que harán que tengas que trabajar el indicador con cierta cautela en contextos particulares basados en fenología, la exposición del suelo o la presencia de agua.
Uno de las malas praxis con estos índices de vegetación lo podemos ver interpretando el NDVI como ciencia absoluta, despreocupándonos del análisis contextual y asumiendo la interpretación de pixel bajo la rampa de valores habituales comprendidos entre -1 y 1. Pero lo cierto es que, en muchas ocasiones, esos valores pueden quedar influenciados por factores ajenos a la vegetación.
¿Qué factores son esos y cómo podemos solucionarlos?
El tamaño de pixel y su valor
Partamos de la base e imaginemos un mapa NDVI sobre el que seleccionamos uno de sus diminutos píxel para analizarlo meticulosamente. Extraemos el pixel para observar su valor e incluso ir más allá.
Si pudieras fragmentar ese pixel en otros píxel más pequeños para ver con todo detalle qué elementos hay en ese pixel y cómo se distribuyen. Podríamos ver masas vegetales con mayor o menor desarrollo o masas vegetales más o menos jóvenes y saludables. El promedio de valores generados por esos elementos territoriales termina formando nuestro pixel y su valor medio.
Deberiamos pensar en que tu NDVI está centrado en análisis de vegetación. ¿Qué pasa cuando en ese pixel hay casas, carreteras, agua y otros elementos adicionales a la vegetación?. Tu pixel no está siendo fiel a lo que el NDVI pretende analizar y entran en juego elementos adicionales a la vegetación.
Influencia del suelo
La exposición del suelo es el principal agente que puede afectar negativamente al valor NDVI. La distribución minuciosa de la vegetación, representada en ese pixel, puede ser muy irregular. Podríamos encontrar vegetación creciendo en mosaicos regulares con exposición del suelo, vegetación formando estructuras irregulares o encontrarnos zonas de transición. En estos casos, la vegetación y el suelo expuesto se combinan para generar un valor medio de pixel. Nuestro pixel no cuenta con un 100% de cobertura vegetal.
Todos nuestros elementos vegetales generarán un valor medio que representará el valor del pixel. Pero la exposición del suelo también tendrá una influencia relevante en ese pixel. Por eso, considerar la exposición del suelo dentro del NDVI es importante en zonas territoriales donde la vegetación no sea continua, se encuentre formando parches dispersos o se encuentre en crecimiento. Contemplar índices alternativos, como el índice SAVI, puede ayudarte a amortiguar la influencia del suelo en el mismo contexto de fórmula del NDVI.
Fenología
Imagina ahora que, dejamos de considerar la vegetación como “una mancha verde” y lo consideramos como un sencillo ser vivo. La mayoría de los índices de vegetación buscan clorofila como indicador de presencia vegetal. Pero la fenología puede eclipsar la presencia de vegetación bajo ciertas condiciones. ¿Qué ocurre en los momentos de pérdida de hoja o durante la floración? ¿Qué ocurre cuando las hojas amarillean por falta de hierro? El concepto «vegetación» no siempre implica el concepto «hojas». Las flores, los frutos y la estructura leñosa también son vegetación y podemos encontrar masas vegetales de colores debido a la presencia de floración.
Un rojo y tupido campo de amapolas presenta buena cobertura vegetal pero tu NDVI lo reconocerá como suelo desnudo o con escaso crecimiento vegetal debido a la presencia de la floración. Campos de tulipanes o cultivos de almendros y cerezos son algunos ejemplos de mal uso del NDVI.
Ausencia de bandas SWIR para análisis de cultivos de regadío
Otro aspecto importante del NDVI es su juego de bandas NIR y RED, olvidándose por completo de la posibilidad de trabajar con vegetación en zonas de regadío donde, la banda SWIR del infrarrojo de onda corta puede ser más eficiente. De la misma forma que la exposición del suelo afecta a los valores de pixel, la exposición de la lámina de agua donde se desarrollan cultivos de regadío también influye en la interpretación de pixel.
Los tradicionales valores NDVI que identifican masas de agua (valores de índice negativos), y vegetación (valores de índice positivos), se vuelven contradictorios e incoherentes a la hora de localizar esta vegetación ligada a ambientes húmedos. Antes de descartar valores negativos de índice NDVI piensa si estás descartando amplias zonas de cultivos de arroz o estás descartando ecosistemas con potencial productivo de vegetación como los manglares.
Trabajar filtros RGB basados en bandas SWIR pueden identificar lugares encharcados de agua donde exista presencia de crecimiento de vegetación y que, nuestra vista, no la identifique en ciertos momentos.
Dependencia del NIR
Otro de los problemas del NDVI es su alta dependencia del NIR. ¿Disponemos siempre de bandas NIR en nuestras imágenes aéreas? Técnicas de mapeo, como el vuelo de drones, se basan muchas veces en la adquisición de imágenes a color natural, lo que impide poder trabajar con este índice de vegetación cuando no disponemos de sensores de infrarrojos. Esta dependencia del NIR puede desaparecer si empleamos otros índices análogos que no se centren en el infrarrojo y puedan trabajar con las bandas visibles. Este es el caso del índice GLI, que permite jugar con el rojo, verde y azul visible y componer índices de vegetación análogos al NDVI utilizando cualquier imagen a color natural, ya provenga de una imagen satélite o de un vuelo aéreo de drones.
Algunas conclusiones
La adquisición de datos ndvi utilizando satélites sumado índice GLI y la integración de información espectral aportada por drones , integración de sensores de humedad de suelo, sensores de hoja, centrales meteorológicas, sistema de riego, monitoreo de riego, implantación de inteligencia artificial en los sistemas de procesos de datos, monitoreo de pulverizaciones, monitoreo de siembra, big data, nos permiten
clasificación de terrenos;
monitoreo de cultivos;
definición de los límites del campo y los cultivos sembradas;
análisis de rotación de cultivos;
evaluación del estado de cultivos;
mapas de vegetación;
mapas del suelo;
control de calidad de trabajos realizados;
precipitación;
clima y condiciones meteorológicas;
pronóstico de las cosechas.
reduce el coste de recursos materiales y técnicos involucrados
beneficia el medioambiente;
mejora la calidad del producto;
aumenta el rendimiento bruto;
optimiza las condiciones de trabajo y seguridad;
ahorra tiempo y esfuerzo laboral;
garantiza más control;
disminuye de las primas de seguro
Agrotools esta trabajando en la integración de todos estos sistemas para poder lograr el objetivo de todo productor, tener mejor producto, mayor rinde al menor costo posible.
Si bien este proyecto es muy ambicioso muchos de los productos ya están disponible y mes a mes logramos la integración de los mismos en una plataforma de simple compresión.