Validación y empaquetamiento del sistema de detección temprana de enfermedades en cultivos de agroexportación mediante sensoramiento remoto multi-espectral
Por Ángel Palomo H2, Estanislao Dávila1, Luis Saire2 Gonzalo Ordoñez1
1. Ecosolution SAC.
2. Universidad Nacional Agraria La Molina, Facultad de Agronomía.
La optimización de la gestión agrícola busca reducir los costos productivos e incrementar los rendimientos. Las plagas y las enfermedades dañan a los cultivos afectando los rendimientos y para evitar las pérdidas se establecen medidas de manejo que incrementan los costos de producción. En una agricultura de exportación, la mayoría de estas medidas sanitarias son aplicadas preventivamente aun cuando no existen riesgos de problemas sanitarios. Otras veces las medidas son implementadas tardíamente, cuando ya los rendimientos han sido afectados y el costo del manejo es elevado.
La presencia de evaluadores que recorren los campos, estimando un promedio de daño en los lotes, así como el monitoreo de las condiciones climáticas, como temperatura y humedad, permite pronosticar condiciones favorables para plagas y enfermedades, estas son consideradas herramientas que ayudan a tomar decisiones para el manejo sanitario, constituyéndose en los “ojos” del responsable del fundo.
Una nueva herramienta es el uso de drones, que durante el desarrollo de la campaña permite observar al cultivo desde arriba y ayuda a identificar rápidamente los sectores con presencia visible de estrés. Si se añade la observación aérea de la radiación infrarroja reflejada por la vegetación, se detectará tempranamente zonas no evidentes al ojo humano que muestran menor potencial fotosintético. Esta tecnología utiliza el Índice de Vegetación Diferencial Normalizada (NDVI, por sus siglas en inglés), para estimar la cantidad, calidad y desarrollo de la vegetación.
Con el enfoque de agricultura de precisión, se ha validado para la costa del Perú y en vid un sistema de monitoreo mediante drones, que puede cubrir grandes áreas de forma rápida permitiendo identificar exactamente el tamaño y las zonas de estrés en el campo. La información obtenida se complementó con observaciones de campo dirigidas a las zonas afectadas, se validó el estrés con un espectrorradiómetro portátil, se realizaron análisis fitopatológicos y de fertilidad para formalizar la identificación del agente causal del estrés, se determinó el área y la intensidad afectada, y finalmente se estimó el potencial de daño y las pérdidas que podrían ocasionar a la vid incluso hasta tres meses antes de la cosecha.
EQUIPOS E INSTRUMENTOS UTILIZADOS
Para el desarrollo de esta tecnología se usó un dron de ala fija, que alcanza velocidades cercanas a los 82 km/h y puede cubrir áreas de hasta 150 ha/h. Este equipo incorpora dos cámaras, una de ellas registra información en el rango de luz visible y la otra en el rango del infrarrojo. Además, tiene incorporado un sistema de geo-referenciación que le permite ubicar cada pixel fotográfico en el terreno sobrevolado.
Para la validación del estrés en los cultivos, se utilizó un espectrorradiómetro Hand Held con capacidad para registrar bandas del espectro de luz desde 325 nanómetros (nm) hasta 1,075 nm, abarcando el espectro visible e infrarrojo cercano. Se tomaron lecturas de la reflectancia de la superficie de las hojas sanas y hojas con problemas específicos, encontrando firmas espectrales características de algún factor de estrés en el cultivo.
Asimismo, se requirió, la implementación de un sistema de cómputo que permitió sistematizar la adquisición, procesamiento, rectificación, formación de mosaicos, y georreferenciación de las imágenes adquiridas; asimismo, se utilizó un software que cuantifica áreas a partir de las fotografías obtenidas en el infrarrojo.
METODOLOGÍA
Durante la campaña 2016, dos campos de vid, ubicados en los departamentos de Ica y Piura, fueron sobrevolados con un dron de ala fija para la toma de imágenes aéreas. Las frecuencias de los vuelos y los eventos fenológicos (según la escala fenológica de Baagliolini) al momento de las tomas aéreas son resumidas en los cuadros 1 y 2. El sistema de conducción para ambos campos es parronal español y cuentan con riego por goteo. El fundo de Piura tiene 60 ha, pero solo se muestran los resultados de un lote de 5 ha de la variedad Red Globe sobre un patrón Mgt-101-14 y sembrado hace nueve años. En Ica se trabajó en un fundo de 120 ha, pero solo se muestran los resultados de un lote de 5.4 ha, de variedad Flame, plantado hace 13 años, sin especificar sobre qué patrón.
El proceso de detección temprana de estrés de plantas de vid desarrollado se resume en el
vuelo y tomas aéreas de los campos seleccionados, el procesamiento de imágenes y detección de zonas de estrés, el reconocimiento y diagnóstico en campo y validación de zonas de estrés con espectrorradiómetro y la determinación de áreas e intensidad afectada, y estimación de daños y pérdidas.
DETECCIÓN TEMPRANA
Evidenciando el estrés: Las fotografías aéreas 1 y 2 muestran imágenes en luz visible e infrarrojo (expresado en NDVI), para Ica y Piura respectivamente. En Ica, se observa una relativa uniformidad de desarrollo de follaje en las imágenes con luz visible, mientras que en el NDVI se define mejor los sectores con menor desarrollo foliar. Asimismo, de una manera cualitativa, se observan zonas de mayor y menor intensidad fotosintética en función a los tonos de verde de NDVI (Foto 1). Para Piura las imágenes en NDVI detallan mejor las áreas donde no hay desarrollo foliar, observándose además diferencias de intensidades del tono de verde relacionadas con la actividad fotosintética (Foto 2).
![](https://staging.redagricola.com/wp-content/uploads/2023/05/anexo-3-foto-2-imgenes-areas-visibles-y-en-el-infrarrojo.jpg)
En las imágenes del NDVI se observan zonas oscuras con distribución irregular asociadas a plantas muertas, plantas sin follaje o con limitaciones de la actividad fotosintética. Desde un primer momento ya se pueden establecer zonas donde no hay plantas o no hay un desarrollo adecuado del cultivo, además cualitativamente, podemos apreciar la mayor o menor intensidad fotosintética de los campos, a los cuales se ha denominado “zonas de estrés”.
Luego de observadas las imágenes aéreas, el paso siguiente fue recorrer ‘in situ’ las zonas con y sin estrés, para comparar la intensidad del posible daño. Se buscaron síntomas, a la vez que se recopiló información sobre el manejo del campo para apoyar el proceso de diagnóstico. Se ordenaron análisis nematológicos, fitopatológicos y de fertilidad de suelos para confirmar los diagnósticos.
En Piura se evidenciaron problemas nematológicos, detectándose en la raíz nodulación y poblaciones infectivas de 75 y 100 individuos de Meloidogyne sp. por gramo de raíz en los análisis realizados. En los análisis fitopatológicos de las plantas afectadas se detectó el hongo Lasiodiplodia theobromae.
En las fotografías aéreas (Foto 3) se aprecia la distribución en ‘focos’ de nematodos. Los nematodos Meloidogyne ocasionan estrés en las plantas y muchas veces interactúan con otros agentes causales como el Lasiodiplodia theobromae, agudizando el problema sanitario. En Ica se observa una menor intensidad del estrés, traducido en una menor incidencia del problema y una menor cantidad de zonas con poco desarrollo de follaje. Durante el recorrido del campo en busca de síntomas, se observó en algunos lotes presencia de sales en el suelo, relacionadas con lotes de aspecto ligeramente amarillento y hojas curvadas. Los resultados fitopatológicos de plantas muy afectadas detectaron la presencia de Phaeoacremoniun sp., patógeno que ataca los tejidos conductores de la vid.
![](https://staging.redagricola.com/wp-content/uploads/2023/05/anexo-5-foto-4-imgenes-en-ndvi-en-diferentes-momentos-fenolgicos-de-uva-en-ica.jpg)
Anticipando problemas: Las imágenes en NDVI tomadas en el tiempo, durante el desarrollo del cultivo se muestran en las fotos 3 y 4, para Piura e Ica respectivamente.
El cambio de zona oscura a zona verde limón y luego verde intenso se explica por el desarrollo de follaje durante la campaña en el cultivo de vid. La primera foto fue tomada en el agoste (plantas sin hojas), la siguiente durante el crecimiento del follaje, y la ultima en el desarrollo pleno del cultivo. Aproximadamente a 30 días de iniciada la campaña, ya es posible detectar zonas de estrés, las cuales en función del manejo agronómico se corregirán o acentuarán.
Estimando la ‘intensidad fotosintética’: Las imágenes en NDVI muestran diversas tonalidades de verde hasta el amarillo, asociado a la cantidad, calidad y desarrollo de follaje; mientras que, el tono marrón oscuro está asociado a la ausencia de follaje (fotos 3 y 4). Las imágenes fueron procesadas por un software que permitió estimar el porcentaje de cuatro tipos de tonos (uno marrón, dos verdes y un amarillo) previamente establecidos en función a nuestras observaciones y en relación a un área determinada, obteniéndose para cada fecha de monitoreo el tono predominante (cuadro 3 y 4).
Con esta información se establecieron curvas de desarrollo de intensidad fotosintética para cuatro niveles: Sin follaje (marrón), baja intensidad (amarillo), media intensidad (verde claro), alta intensidad (verde oscuro), lo que permitió observar la evolución fotosintética del follaje a lo largo de la fenología del cultivo. Las figuras 1 y 2 grafican la evolución obtenida en los cuadros 3 y 4 respectivamente. Se visualiza en el tiempo, una limitada fotosíntesis en Piura y un desarrollo normal de la fotosíntesis para Ica en los lotes estudiados y descritos en este artículo.
La mínima o nula “intensidad fotosintética” al inicio de las evaluaciones se da por el inicio de la campaña (final del agoste, no hay follaje), luego las hojas empiezan a crecer predominando hojas tiernas con menor intensidad fotosintética y finalmente incrementar su desarrollo foliar, madurar y maximizar la fotosíntesis.
Pronosticando rendimientos: Al final de la campaña, se evaluaron los rendimientos en función a un muestreo de cosecha, contabilizando el número de racimos por planta para cada zona de estrés. Además, se determinó el total de racimos para cada calibre cosechado. Estos resultados fueron procesados con un software de procesamiento de imágenes georefenciados y se correlacionaron con zonas de “actividad fotosintética”, de modo que permitió estimar anticipadamente los rendimientos del cultivo.
Las fotos 5 y 6 comparan las imágenes de rendimientos estimados obtenidos con el software y las imágenes con diferente “intensidad fotosintética” durante la campaña. El color rojo indica un menor rendimiento mientras que el verde un buen rendimiento.
![](https://staging.redagricola.com/wp-content/uploads/2023/05/anexo-8-figura-5-rendimientos-obtenidos-y-zonas-con-vigor-fotosinttico-en-ica.jpg)
![](https://staging.redagricola.com/wp-content/uploads/2023/05/anexo-9-figura-6-rendimientos-obtenidos-y-zonas-con-vigor-fotosinttico-en-piura.jpg)
CONCLUSIONES
Este mundo globalizado ofrece alternativas diversas para la agricultura, el uso de drones para la detección temprana de enfermedades se constituye en una herramienta adicional a las tradicionales técnicas de monitoreo con ventajas comparativas muy significativas,
Por el momento estamos detectando problemas nematológicos, y enfermedades del tallo en Vid. De la experiencia obtenida, sabemos que las enfermedades radiculares y vasculares podrán ser detectadas con facilidad, así como las deficiencias nutricionales.
Enfermedades muy endémicas y de rápido tasa de desarrollo como la Oidiosis, se vuelven muy difíciles para poder desarrollar protocolos de monitoreo debido a que, al ser una enfermedad muy importante en Vid, los agricultores tienen una estrategia preventiva, no permitiendo el establecimiento de la enfermedad. Y haciendo difícil las investigaciones de campo.
Literatura consultada
• Rodríguez M. (2009).Viticultura de precisión y Teledetección. Tesis de Maestría. Universidad Politécnica de Cataluña.
• French, E.R. y T.T. Herbert. (1980). Métodos de Investigación Fitopatológica. IICA. San José Costa Rica. 227 p
• Baggiolini, M. (1952) Les stades repères dans le développement annuel de la vigne et leur utilisation pratique. Revue romande d’Agriculture, de Viticulture et d’Arboriculture.
• G. Garin, V. Houlès and E. Jallas.2013. Assembly of a model for grapevine powdery mildew in a decision support system and search for evaluation criteria. In Precision agriculture ’13 edited by: John V. Stafford. Papers presented at the 9th European Conference on Precision Agriculture Lleida, Catalonia (Spain).