🌾 Altura del Trigo e Índice de Área de Planta con Escaneo Láser en Agricultura de Precisión: Un Enfoque Crítico con UAV-LiDAR

La Altura del trigo e Índice de área de planta PAI con escaneo láser en Agricultura de precisión son parámetros clave para el fenotipado de cultivos y la gestión agronómica inteligente. Esto es así porque la altura del cultivo proporciona información sobre el desarrollo y la respuesta a factores de estrés, mientras que el PAI (un sustituto del Índice de Área Foliar o LAI) es crucial para modelar el rendimiento potencial y gestionar el riego. La adopción de escáneres láser montados en vehículos aéreos no tripulados UAV-LiDAR ofrece una alternativa no destructiva y de alta resolución a los métodos manuales y lentos.

Sin embargo, la precisión de estas mediciones de UAV-LiDAR depende de varios aspectos críticos que deben ser analizados en detalle, como la clasificación correcta del suelo y la calibración de los parámetros de la planta.

I. Superando el Desafío de la Clasificación Suelo-Cultivo 🔍

Antes de poder medir la altura o el PAI, es imprescindible separar los puntos de la nube 3D que pertenecen al suelo de los que pertenecen al cultivo. Especialmente en las etapas tempranas de crecimiento, esta distinción es un reto para los algoritmos basados únicamente en geometría.

1.1. El Nuevo Enfoque Basado en Características (FKM)

El estudio evaluó un novedoso enfoque de clasificación k-means basado en características (FKM), el cual aprovecha no solo la geometría sino también los atributos radiométricos del escáner láser de forma de onda completa.

• Atributos Clave: Los atributos radiométricos cruciales son la intensidad y la desviación de la forma del pulso del láser reflejado.
• Intensidad: La intensidad es beneficiosa porque la reflectividad del suelo y del cultivo es diferente. De esta manera, en las etapas tempranas de crecimiento, la hoja verde del trigo refleja bien la señal del infrarrojo cercano, lo que resulta en una intensidad típicamente mayor para el cultivo que para el suelo.
• Desviación de la Forma del Pulso: Esta característica es muy importante para la distinción. Cuando el rayo láser golpea un suelo localmente plano, la señal reflejada se desvía mínimamente de una distribución normal (baja desviación). En cambio, en las parcelas de trigo, el rayo láser golpea múltiples elementos del cultivo (hojas, tallos) debido al tamaño de su huella. Por lo tanto, esto crea una señal reflejada mixta que difiere significativamente de una distribución normal, lo que resulta en una alta desviación.

1.2. Mejora en Etapas Tempranas

Gracias a esta información radiométrica adicional, el enfoque FKM superó significativamente a métodos convencionales como el Filtro de Simulación de Tela (CSF).

• Mejora Cuantitativa: El FKM logró una especificidad del 93.9% en el conjunto de datos de la etapa muy temprana, lo que representa una mejora notable frente al 70.7% del CSF. Esto demuestra que la integración de atributos radiométricos es fundamental para identificar correctamente los cultivos pequeños en la fase inicial del desarrollo.

II. Análisis Crítico de la Estimación de la Altura del Cultivo 📏

La estimación de la altura del cultivo mostró una precisión excepcionalmente alta, pero con un desplazamiento sistemático que revela una limitación física del sensor.

2.1. Precisión Numérica vs. Error Sistemático

• Alta Precisión: La estimación de la altura del trigo mostró una correlación excelente con los valores de referencia manuales (R^2 de 99.69%). Esto indica que el modelo puede rastrear los cambios en la altura del cultivo con gran fiabilidad a lo largo del tiempo.
• Subestimación Constante: No obstante, se observó una subestimación sistemática en la altura, con un error absoluto medio (MAE) de 7.4 cm. Las alturas derivadas del UAV-LiDAR fueron consistentemente más bajas que las alturas de referencia.

2.2. El Fenómeno de la Señal Mezclada

El error sistemático se atribuye a la interacción física entre el rayo láser y la cubierta vegetal debido a la capacidad de resolución limitada del sensor.

• Tamaño de la Huella (Footprint Size): Para el sistema LiDAR utilizado a altitudes de vuelo comunes, el tamaño de la huella del láser es a menudo mayor que las partes individuales de las plantas de trigo (hojas y tallos).
• El Problema del Rango: Dado que el rayo láser es más grande que el objeto que golpea, el pulso reflejado es una señal mixta. Esta mezcla se refleja en el sensor, resultando en rangos sistemáticamente más largos de lo que deberían ser. Un rango más largo implica que el punto más alto del dosel se mide más abajo de lo que realmente está.
• Implicación para el Ingeniero: En consecuencia, para la combinación específica de sensor y cultivo, se debe introducir un desplazamiento medio empírico (de aproximadamente 7 cm) para corregir este efecto sistemático y obtener la altura real de referencia.

III. El PAI y la Calibración del Coeficiente de Extinción (k) 🌿

El Índice de Área de la Planta (PAI) se determina mediante un enfoque basado en la fracción de huecos (la proporción de rayos láser que penetran el dosel) y la Ley de Beer-Lambert.

3.1. El Coeficiente de Extinción (k): El Factor Limitante

La fórmula que relaciona el PAI con la fracción de huecos depende de un factor clave: el coeficiente de extinción (k).

• Dependencia Estructural: El valor de k está intrínsecamente ligado a la distribución del ángulo foliar del cultivo (su estructura). Los valores de k son altamente variables y pueden oscilar entre 0.5 y 1.5 según la variedad y el estudio.
• Necesidad de Adaptación: Por lo tanto, la elección de un valor de k incorrecto introduce un sesgo sistemático en el cálculo del PAI. La adaptación empírica de k es esencial para corregir este sesgo.

3.2. Resultados de la Calibración Empírica

Al adaptar k empíricamente utilizando datos de referencia destructivos, los investigadores pudieron optimizar los resultados del PAI.

• Mejora en la Precisión: La calibración resultó en una concordancia excepcional, alcanzando un R^2 de 97.66% y un MAE de 0.250.
• Conclusión para la AP: Esto demuestra que, la implementación exitosa de la estimación de PAI con escaneo láser en AP requiere no solo una buena clasificación suelo-cultivo, sino también una calibración o adaptación específica del coeficiente k para la variedad y la fase de crecimiento analizada. El UAV-LiDAR es una tecnología poderosa, pero su aplicación práctica aún necesita de un proceso de calibración agronómica para producir datos absolutamente precisos.