🍃 Estimación del Índice de Área Foliar con LiDAR en Agricultura de Precisión: Caracterización 3D del Dosel

El Índice de Área Foliar IAF, definido como la mitad del área total de hoja verde por unidad de superficie terrestre, es una variable biofísica de vital importancia en la ingeniería agroindustrial. La Estimación del Índice de Área Foliar con LiDAR Es un indicador esencial para caracterizar la actividad fotosintética, la respiración, la intercepción de la radiación solar y, en última instancia, el potencial de rendimiento del cultivo.

Por consiguiente, su medición precisa es crítica para optimizar la gestión agrícola en el marco de la Agricultura de Precisión AP.

La tecnología LiDAR (Light Detection and Ranging) ha emergido como el método activo de teledetección indirecta por excelencia para la medición del IAF. A diferencia de los sensores ópticos pasivos (como los que miden el NDVI, que sufren del problema de saturación en doseles densos, LiDAR mitiga esta limitación gracias a su capacidad para detectar directamente la estructura vertical de la vegetación y medir la penetración del pulso láser.

I. Principios de Recuperación del IAF a partir de Datos LiDAR

El IAF se estima a partir de los datos LiDAR utilizando modelos físicos y empíricos que aprovechan la geometría 3D del dosel.

1.1. Métodos Basados en la Fracción de Vacíos (Gap-Based Methods)

El fundamento teórico de estos métodos se basa en la Ley de Beer-Lambert, que modela la atenuación de la luz a través del dosel de la vegetación como una función del IAF.

1. Fundamento Teórico: El IAF se calcula a partir de la relación entre la luz transmitida a través del dosel (I/I_0) y un coeficiente de extinción k. No obstante, la fracción de vacíos (gap fraction) no se mide directamente, sino que se deriva de las Métricas de Penetración Láser LPMs. Estas LPMs actúan como aproximaciones de la luz transmitida.
2. Métricas Clave:
   • Ratio basado en el número: Utiliza la relación del número de retornos del suelo (o del cielo) respecto al número total de retornos. Esto es común en el análisis de nubes de puntos de LiDAR Terrestre TLS.
   • Ratio de energía suelo-total: Utilizado en LiDAR de forma de onda completa, mide la relación de la energía de retorno del suelo respecto a la energía total de retorno.
3. Enfoque 3D (Vóxel-based): Este enfoque es superior y altamente preferido por los ingenieros agroindustriales. Para ilustrar, se voxelizan los datos (creando un modelo de árbol basado en vóxeles 3D). La fracción de vacíos se calcula en cada capa horizontal por el número de vóxeles vacíos y el número total de haces láser incidentes que alcanzan esa capa. Finalmente, el IAF de cada capa horizontal se acumula para obtener el IAF total del dosel.

1.2. Métodos Basados en la Frecuencia de Contacto

Estos métodos se basan en la frecuencia de contacto N(θ), que es la probabilidad de que un haz penetre el dosel y contacte con un elemento vegetativo. El Método VCP (Voxel-based Canopy Profiling), desarrollado para datos TLS, calcula la frecuencia de contacto a partir del número de haces interceptados respecto al número total de haces incidentes. De esta forma, el IAF y la Densidad del Área Foliar LAD se obtienen contando directamente la frecuencia de contacto para cada capa y el dosel completo.

1.3. Métodos de Regresión Biofísica

Estos modelos son relativamente simples de aplicar, puesto que utilizan relaciones alométricas entre el IAF y las métricas estructurales derivadas de LiDAR, como la altura del dosel y las métricas de densidad foliar. No obstante, estos modelos no son universalmente aplicables y requieren mediciones terrestres del IAF para su calibración y validación local.

II. Plataformas de Despliegue y Limitaciones del Sistema 🛰️

La precisión en la Estimación del índice de área foliar con LiDAR en Agricultura de precisión depende intrínsecamente de la plataforma utilizada.

III. Factores Críticos que Afectan la Precisión del IAF ⚠️

Varios factores introducen errores en la estimación del IAF a partir de datos LiDAR, los cuales deben ser corregidos por el ingeniero agroindustrial:

1. Oclusión: Como se ha dicho, la intercepción del haz láser por las hojas reduce la densidad de puntos dentro del dosel, lo que provoca una subestimación del IAF$. Para mitigar esto, se utilizan múltiples escaneos TLS o la combinación de datos $\text{TLS}$ y ALS.
2. Efecto de Aglomeración (Clumping): Los modelos basados en la fracción de vacíos asumen una distribución aleatoria de los elementos foliares. En realidad, las hojas están agrupadas, lo que lleva a una subestimación del IAF si no se corrige mediante el Índice de Aglomeración CI, cuya cuantificación es difícil con plataformas aéreas y espaciales.
3. Material Leñoso: Los componentes no fotosintéticos (tallos y ramas) son fuentes de error que llevan a la sobreestimación del IAF. Una estrategia efectiva de mitigación es el uso conjunto de datos LiDAR «con hojas» (leaf-on) y «sin hojas» (leaf-off), restando el Índice de Área Leñosa WAI_eff del Índice de Área Vegetal PAI_eff.

IV. Perspectivas Futuras en la Investigación y Aplicación 🚀

La investigación futura debe centrarse en mejorar el análisis cuantitativo de los factores de impacto (como la aglomeración y el material leñoso), y realizar una validación a gran escala de los parámetros.

• Nuevos Sistemas: Se espera que la disponibilidad de datos de alta calidad de los nuevos sistemas espaciales (ICESat-2/ATLAS y GEDI mejore las estimaciones de IAF a gran escala.
• Plataformas de Bajo Costo: Además, el uso de UAVs con LiDAR y nuevos sistemas portátiles como el LiDAR de mochila (backpack LiDAR) ofrecen plataformas alternativas para la adquisición de datos de IAF densos y eficientes en campo.

En resumen, el LiDAR es una tecnología que ofrece una caracterización estructural superior del dosel, lo que lo convierte en un pilar fundamental para la gestión precisa del cultivo, especialmente en la optimización de los insumos y la predicción de rendimiento.