Técnicas Dinámicas para Teledetección Empleando Imágenes SAR, Ópticas y Vehículos Aéreos no Tripulado

Please use this identifier to cite or link to this item: http://hdl.handle.net/10045/90167
Información del item - Informació de l'item - Item information
Title: Técnicas Dinámicas para Teledetección Empleando Imágenes SAR, Ópticas y Vehículos Aéreos no Tripulado
Authors: De Bernardis, Caleb G.
Research Director: Martínez Marín, Tomás
Center, Department or Service: Universidad de Alicante. Instituto Universitario de Investigación Informática
Keywords: Técnicas dinámicas | Teledetección | Fenología | Arroz | Espacio de estados
Knowledge Area: Teoria de la Señal y Comunicaciones
Date Created: 2018
Issue Date: 2018
Date of defense: 28-Sep-2018
Publisher: Universidad de Alicante
Abstract: La agricultura es una de las prácticas humanas más antiguas y de mayor importancia en nuestra sociedad. Es fundamental para la subsistencia de millones de personas, donde cultivos como el arroz o el trigo son la base alimenticia de un gran porcentaje de la población mundial. Al igual que la sociedad, las técnicas agrícolas han ido evolucionando con el paso del tiempo. En este contexto, es la agricultura de precisión el tipo de agricultura que más fuerza y mejores resultados está obteniendo. La agricultura de precisión surge con la aplicación de nuevos elementos tecnológicos con el objetivo de optimizar la gestión de una parcela desde el punto de vista: • Agronómico: ajuste de las prácticas de cultivo a las necesidades de la planta • Medioambiental: reducción del impacto vinculado a la actividad agrícola • Económico: aumento de la competitividad a través de una mayor eficacia de las prácticas. Una de las medidas más utilizadas en la inspección del estado de los cultivos es la de medida del estado fenológico (fenología). La fenología nos indica las diferentes etapas biológicas que irá atravesando un cultivo desde su siembra hasta la cosecha. El conocimiento exacto de este valor es fundamental en las prácticas agrícolas, dado que marca el momento en el que se debe realizar cada uno de los procesos agrícolas. Por ejemplo, el momento del suministro de nutrientes como el nitrógeno, es uno de los aspectos claves en el incremento de la productividad y de no aplicarse en el estado fenológico correcto la productividad en vez de aumentar se verá reducida. Una de las formas que tenemos para inferir el valor fenológico es mediante teledetección. La utilización de satélites nos permite cubrir grandes extensiones de terreno en un mismo instante de tiempo. En este contexto las fuentes de observación más utilizadas son de naturaleza radar (en concreto SAR) e imágenes ópticas. Ambas poseen características diferentes y ofrecen distintas sensibilidades. Por ejemplo, el sensor óptico es sensible a los procesos químicos internos de las plantas y el SAR a su estructura o morfología. La forma más extendida para la estimación fenológica a partir de las series de datos sensoriales se basa en el procesado de señal convencional. Por ejemplo, para el caso del sistema SAR se puede analizar la evolución de determinados parámetros polarimétricos en función del estado del cultivos y en base a este análisis definir una estrategia de estimación Por otro lado, el sensor óptico ha sido el más utilizado para dicho fin. A partir de una combinación de bandas ópticas se definen unos índices denominados Índices de Vegetación (IV). Estos índices maximizan su respuesta ante la presencia de vegetación y se ven minimizados ante cualquier otro tipo de terreno. Dentro de los diferentes IV el más estudiado es el Índice de vegetación de diferencia normalizada o NDVI (de sus siglas en inglés). El NDVI debe ser filtrado antes de ser utilizado para estimar el estado fenológico debido al ruido inherente de los datos ópticos. Las técnicas convencionales utilizan métodos basados en ajustes o transformadas que requieren todo el set de imágenes (durante toda la campaña) para poder trabajar, lo cual imposibilita el uso de estas técnicas en aplicaciones de tiempo real. Otro de los inconvenientes es que debido a la poca sensibilidad que tiene el NDVI entre cambios fenológicos solo se pueden distinguir unos pocos estados Dando un enfoque diferente, un enfoque dinámico, podemos ofrecer estimaciones mucho más robustas que las obtenidas hasta ahora. El enfoque dinámico analiza no sólo el contenido de los datos sensoriales sino también su evolución temporal. Para esto, no se parte directamente de los datos observados sino que se divide el problema en dos etapas: 1. Modelo del comportamiento del sistema que determina su evolución temporal permitiendo predecir las transiciones entre dos instantes de tiempo. 2. Inclusión de los datos procedentes de la observación (sensores radar y/u ópticos). La primera etapa consiste en la utilización de un modelo que describe el comportamiento temporal del sistema, en nuestro caso, la evolución fenológica a lo largo del tiempo, con el fin de realizar una predicción de hacia dónde evoluciona el siguiente estado. Esta predicción se combina en la siguiente etapa, con la observación proveniente de los sensores. Esto supone un gran avance respecto a los métodos en los que se deben desarrollar estudios y ajustes matemáticos para cada sensor por separado y determinar el estado basándonos única y exclusivamente en la información proporcionada por dicho sensor en un instante de tiempo. En estudios recientes se ha demostrado el potencial de la metodología sobre cultivos de arroz utilizando modelos de evolución fenológica combinados con imágenes SAR u observaciones ópticas. Otra posibilidad que brinda esta metodología es la fusión de datos, es decir, la segunda etapa puede albergar más de una fuente de observación que se combine con la predicción. Imaginemos un escenario de teledetección para el que disponemos de tres fuentes de información periódica: imágenes de satélite ópticas, radar y fotografías a pie de campo. El enfoque tradicional estudiaría la información de cada fuente por separado y proporcionaría una solución para cada una de las fuentes. Si utilizamos un enfoque dinámico lo que haremos es determinar una única solución combinando de forma óptima la información actual y pasada de los tres sensores. De este modo, aquellos estados en los que un sensor sea menos sensible pueden verse compensados por la información de otros sensores para mejorar la predicción. Uno de los factores claves para obtener buenos resultados utilizando esta metodología es disponer de un buen muestreo temporal. Una forma de reducir el tiempo de revisita (tiempo entre imágenes) es mediante el uso de un vehículo aéreo no tripulado (UAV) cuya incorporación no supone inconvenientes en esta metodología. Al contrario, facilita sustancialmente la transferencia de esta nueva tecnología a la sociedad. Los UAV, además de ser flexibles en la configuración del tiempo de adquisición, nos permiten observar los cultivos a la distancia que se desee. El vehículo es capaz de realizar la trayectoria sin necesidad de pilotarlo y además, aprovechar al máximo el enfoque dinámico para calcular las trayectorias de forma autónoma. Por ejemplo, si el vehículo detecta una zona que presenta incertidumbre o algún problema podría modificar su trayectoria para recabar más información de dicha zona. Este enfoque abre una nueva brecha de posibilidades y de aplicaciones que pueden ser transferidas del ámbito científico a la sociedad mediante la creación de nuevos productos comerciales.
URI: http://hdl.handle.net/10045/90167
Language: spa
Type: info:eu-repo/semantics/doctoralThesis
Rights: Licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0
Appears in Collections: Doctoral theses

Files in This Item:
Files in This Item:
File Description SizeFormat 
Thumbnailtesis_caleb_gustavo_de_bernardis.pdf3,71 MBAdobe PDFOpen Preview


Items in RUA are protected by copyright, with all rights reserved, unless otherwise indicated.