Cualquier desorden nutricional puede ser detectado e identificado mediante el uso de la teledetección siempre y cuando existan datos experimentales obtenidos mediante ensayos hidropónicos que permitan establecer una correlación entre los ínidices de vegetación medidos a partir de las imágenes de teledetección y los parámetros biofísicos. Así, la obtención de firmas espectrales puras, a partir de cultivos hidropónicos, permitirán su uso como patrones para comparar con la La deficiencia de hierro en viñedo se puede detectar y cuantificar por teledetección usando imágenes con sensores que reflejen la luz en la zona del espectro del rojo (700 nm). El uso de ecuaciones matemáticas que contienen los índices de vegetación que mejor relacionan los valores fisiológicos experimentales con los calculados se presenta como una potente herramienta en el campo de la nutrición mineral de los cultivos. El programa de teledetección ENVI 5.4 mediante la combinación de bandas permite crear unas nuevas capas que representan la estimación de esos parámetros nutricionales representando unidades fisiológicas. Dicho algoritmo se ha validado sobre imágenes Sentinel-2, Landsat 8 y World View 3 dando comprobando la fortaleza de la metodología para el uso de la teledetección sobre nutrición mineral en cultivos de gran repercusión económica, como es el viñedo. Vídeo de la ponencia: https://youtu.be/5ugr5rBCZRY http://ce17.esri.es/ponencia/uso-la-agricultura-precision-identificar-desordenes-nutricionales-vinedos/

1. Uso de la Agricultura de
Precisión para identificar
desórdenes nutricionales en
viñedos
Felipe Yunta Mezquita Ph.D
Departamento de Química
Agrícola y Bromatología
UNIVERSIDAD AUTÓNOMA DE
MADRID

2. 1. La nutrición mineral de los viñedos en España. Carencias
nutricionales.
2. La carencia nutricional de Hierro en viñedos
3. La teledetección y la clorosis férrica
4. Objetivo
5. Propuesta de Algoritmo para Agricultura de Precisión
6. Ensayos Experimentales
7. Firmas Espectrales e Índices de Vegetación
8. Uso de ENVI para detección de clorosis férrica
9. Selección de imágenes y creación de nuevas capas
mediante “Band math”
10.Líneas futuras
11.Agradecimientos
AGENDA

3. • La nutrición mineral de los viñedos en España. Carencias
nutricionales.
La carencia nutricional de Hierro en viñedos
La teledetección y la clorosis férrica

4. Gran parte de las D.O. se plantan sobre
“Suelos Marginales” ó suelos con
propiedades físico-químicas limitantes
La nutrición mineral de los viñedos en España. Carencias nutricionales.
Fuente: INIA (2009)
A
Bw
C

5. La carencia nutricional de Hierro en
viñedos
• El Hierro es el 4º Elemento más abundante en los
suelos: 20 a 40 g kg−1 (Cornell and Schwertmann 2003).
• La disponibilidad del Hierro depende de las
condiciones oxidantes y del pH
• En condiciones agronómicas el Hierro se encuentra en
forma de óxidos de Hierro con una solubilidad muy
baja; 10−10 M, a pH 7.5–8.5 (Lindsay and Schwab 1982).
• El Hierro es un nutriente esencial para las plantas
• La carencia de Hierro para las plantas lleva a un
desorden nutricional: “Clorosis Férrica”

6. La Clorosis Férrica
• La deficiencia de Hierro es el mayor desorden nutricional en viñedos crecidos en suelos calizos ya que
ocupa casi 1/3 de la superficie terrestre (Hansen et al., 2006 and Rombolà and Tagliavini, 2006).
• Los síntomas incluyen un amarilleamiento de las hojas entre los nervios de las hojas jóvenes (Abadía
and Abadía, 1993); (Rombolà and Tagliavini, 2006).
• La deficiencia de Hierro afecta sobre la síntesis de clorofilas que se miden en campo con el índice
SPAD

7. La teledetección y la clorosis férrica
Si la deficiencia de Hierro está afectando sobre EL CONTENIDO
EN CLOROFILAS, entonces, se puede medir por RADIOMETRÍA
Firma Espectral de la Vegetación

8. Por lo tanto…
… si el desorden nutricional de hierro afecta sobre el contenido de clorofilas produciendo
un característico AMARILLEAMIENTO DE LAS HOJAS JÓVENES llamado CLOROSIS
FÉRRICA…
… y …
… puede ser monitorizado mediante medidas radiométricas porque se produce una
alteración en la firma espectral …
Diseñar un algoritmo para detectar y cuantificar la deficiencia de
hierro en viñedos mediante el uso de la Agricultura de Precisión
OBJETI
VO
… entonces …
…podría monitorizarse la deficiencia de hierro en viñedos mediante el uso de la
TELEDETECCIÓN ?…

9. • Propuesta de Algoritmo para Agricultura de Precisión
• Ensayos Experimentales
• Firmas Espectrales e Índices de Vegetación

10. Propuesta de Algoritmo para Agricultura
de Precisión

11. Ensayos
Experimentales
Ensayo en
Tiestos

12. Ensayos
Experimentales
Ensayo Hidropónico

13. Ensayos Experimentales Ensayo
Agronómico

14. Firmas Espectrales e Índices de Vegetación
Correlación
entre IV vs
Clorofilas

15. Firmas Espectrales e Índices de Vegetación
Se seleccionan los IV con un R2
> 0.5 a partir de los datos del
ensayo agronómico

16. Firmas Espectrales e Índices de Vegetación
Se selecciona aquella expresión que cumple a)
menor nRMSE y b) mayor R2. ESTO ASEGURA LA
VALIDACIÓN ENTRE DATOS EXPERIMENTALES E
INIDCES DE VEGETACIÓN YA QUE SE UTILIZAN LOS
TRES ENSAYOS EXPERIMENTALES.
Los valores de SPADcalc se estiman a partir de los IV
seleccionados anteriormente
Ocho diferentes ecuaciones se utilizan para
determinar el SPADcalc (CAB)
Los tres parámetros de cada ecuación (a, b
and d) son iterativamente ajustados haciendo
mínima la diferencia cuadrática entre el
SPADcalc y el SPADobs. VALIDACIÓN.
TiestosHidropónicoAgronómico
N𝐷𝑉𝐼𝑟𝑒 =
𝑅750− 𝑅705
𝑅750+ 𝑅705

17. • Uso de ENVI para detección de clorosis férrica
• Selección de imágenes y creación de nuevas capas
mediante “Band math”
• Líneas futuras
• Agradecimientos

18. Uso de ENVI para detección de clorosis
férrica VI
800 700 670 570 1 Chl
750 705 445 2 MND
750 705 445 3 mNDVI
750 705 445 4 MNDVIre
750 705 5 RMSR
750 705 6 NDVIre(750-705)
803 701 7 NDVI(803,701)
709 681 574 8 MTCI
705 9 R_705
800 705 455 10 SIPI(705)
Bands
Red-edge zone!!
Selección de los sensores a partir de las bandas
seleccionadas
✓
✓


19. Uso de ENVI para detección de clorosis
férrica

20. Uso de ENVI para detección de clorosis
férrica
7.67 𝑥 𝑒𝑥𝑝( (
𝐵6 − 𝐵5
𝐵6 + 𝐵5
) + 0.102 𝑥2.49)
58.55 𝑥 (
𝐵6 − 𝐵5
𝐵6 + 𝐵5
) − 7.46 + 9.74
NDVIre_M8 NDVIre_M8

21. Selección de imágenes y creación de nuevas capas mediante “Band
math”

22. Selección de imágenes y creación de nuevas capas mediante “Band
math”

23. Uso de ENVI para detección de clorosis
férrica
Añadir las firmas espectrales en la librería
de ENVI
Reconocimiento de clones de portainjertos

24. Selección de imágenes y creación de nuevas capas mediante “Band
math”

25. Selección de imágenes y creación de nuevas capas mediante “Band
math”
La correlación entre IV y datos experimentales
(rendimiento)
VALIDAN LA METODOLOGÍAAsí los IV NDVI, CI, CTR, BGI y SAVI se relacionan
positivamente con el rendimiento del cultivo después

26. CONCLUSIONES
• La metodología propuesta es útil para validad el uso de nuevos IV en
cualquier escenario agronómico o ambiental.
• La correlación entre datos experimentales y datos radiométricos es un paso
esencial para manejar una información precisa y de confianza a partir de datos
de imágenes de teledetección
• Los experimentos agronómicos bajo condiciones controladas deberían de ser
conducidos de forma paralela para asegurar el éxito del proceso. Desde
ensayos
• La elección de un sensor adecuado (en términos de resolución espacial y,
sobre todo resolución espectral) es paso necesario para asegurar la relación
entre los datos experimentales y los estimado a partir de imágenes.
• Para la estimación de la nutrición férrica en viñedos la elección de un sensor
con bandas en la zona red-edge es crucial para obtener resultados comparables
con los experimentales

27. • Agradecimiento
s
Departamento de Química Agrícola y Bromatología. Grupo de
Investigación de Micronutrientes en Agricultura
Sección Laboratorios Agroalimentarios. Negociado Laboratorio Enológico
de Navarra. Gobierno de Navarra
DRMAyAL. Sección de Viticultura y Enología. Gobierno de Navarra
Prof. Dr. Magaly Koch. Center for Remote
Sensing, Boston University
Prof. Dr. Jakob Magid. Department of Plant and Environmental Sciences.
University of Copenhagen (Denmark)
SmartRural y AGRIAUTOREMON.