Precision agriculture for rice crops with an emphasis in low health index areas

Published

2021-01-01

Agricultura de precisión para cultivos de arroz con énfasis en áreas con bajo índice de salud

Keywords:

Crop Monitoring, Digital Elevation Models, Health Maps, NDVI, Multispectral Images, Tridimensional Models. (en)
Imágenes Multiespectrales, Mapas de Salud, Modelo Digital de Elevación, Modelos Tridimensionales, Monitoreo de Cultivos, NDVI. (es)

Downloads

Authors

Guillermo Montilla León YTTRIUM TECHNOLOGY CORP https://orcid.org/0000-0002-1777-6353
Ricardo Montilla Camara Drone Do It https://orcid.org/0000-0003-1404-2546
Egilda Pérez Morales Carabobo University. https://orcid.org/0000-0002-0633-8200
Luigi Frassato Yttrium Technology https://orcid.org/0000-0003-2903-8718
César Seijas Fossi Carabobo University https://orcid.org/0000-0001-6050-4436

Abstract (en)
Abstract (es)

The delimitation of affected areas by low health index in crops is a useful tool that let farmers implement a differentiated rice-crop management. The objective of this research was to analyze and determine these areas in rice crops. For this purpose, health index maps were combined with RGB maps, digital elevation models (DEM), and tridimensional models to monitor this culture. The study was conducted in farms located in the regions of Tortí and Darién in Panama. Unmanned aerial vehicles (UAV) or drones with multispectral and RGB cameras were used to obtain orthomosaics (RGB, NIR). A specialized mapper software was used to generate the calibrated health map, and Google Earth and griYttium (mobile app) were used as crop visualization tools for farmers. The virtual tour above farm plot through visual and tridimensional models facilitated inspection of crop zones with difficult access. Map analysis allowed identifying areas with low health index, low plant density, weed problem, yellowing, competition with other crops and steep slopes. This information was presented to the producers through printed and digital reports with detailed information about the polygonal surfaces and the proportion of affected areas in crops and recommendations regarding areas for reseeding, land leveling, and corrections in pesticide/fertilizer applications. This tool led to saving agrochemical products since the applications can be made on precise sites.

La delimitación de áreas afectadas a través de un índice bajo de salud en un cultivo es una herramienta útil que permite al agricultor un manejo diferenciado en sembrados de arroz. El objetivo de esta investigación fue analizar y determinar estas áreas en cultivos de arroz; para ello se combinaron mapas de índices de salud con mapas RGB, asimismo se usaron modelos de elevación (DEM) y tridimensionales como herramientas de monitoreo. El estudio se desarrolló en fincas ubicadas en las regiones de Tortí y Darién en Panamá. La captura de las imágenes se realizó con vehículos aéreos no tripulados (UAV) equipados con cámaras multiespectrales y RGB para obtener los ortomosaicos (RGB, NIR). Se utilizó un software especializado para generar los mapas calibrados de condición del cultivo y Google Earth y AgriYttrium (aplicación para Smartphone) para la visualización de los mismos. El recorrido virtual de la finca mediante los modelos visuales y tridimensionales facilitó la inspección de las zonas con difícil acceso. El análisis de los mapas permitió evidenciar zonas con bajo vigor vegetativo, baja densidad de plantas, presencia de arvenses, clorosis, competencia con otros cultivos y pendientes elevadas. Los productores recibieron un informe en formato digital e impreso con información detallada sobre superficies poligonales y proporción de las áreas afectadas y con las respectivas ecomendaciones, como resiembra, nivelación del terreno y corrección en aplicación de pesticidas/fertilizantes. Esta herramienta conlleva al ahorro de agroquímicos ya que las aplicaciones se pueden hacer en los sitios precisos.

Downloads

Download data is not yet available.

References

Acosta GF y Mendoza CM. 2017. Aplicaciones de los drones en la agricultura. Anuario de Investigación. Anuario de Investigación 6: 351-365.

Baihua F and Burgher I. 2015. Riparian vegetation NDVI dynamics and its relationship with climate, surface water and groundwater. Journal of Arid Environments 113: 59-68. doi: 10.1016/j.jaridenv.2014.09.010

Barraza JA, Espinosa EJ, Espinos AG y Serracín J. 2019. Agricultura de precisión con drones para el control de enfermedades en la planta de arroz. RIC. 1(5): 41-47. doi: 10.33412/rev-ric.v5.0.2368

Barria A. 2012. Diagnóstico del Sector Arrocero de Panamá. (Trabajo de grado). Universidad de Zamorano, Zamorano, Honduras. 29 p.

Berger A, Ettlin G, Quincke C and Rodríguez-Bocca P. 2019. Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data. Computers and Electronics in Agriculture 161: 305–311. doi: 10.1016/j.compag.2018.04.028

Berrío VA, Mosquera J y Alzate DF. 2015. Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. @LIMENTECH Ciencia y Tecnología Alimentaria 13(1): 28-40.

Best S y Zamora I. 2008. Tecnologías aplicables en Agricultura de Precisión: Uso de tecnología de precisión en evaluación, diagnóstico y solución de problemas productivos. Primera Edición. Fundación para la Innovación Agraria, Santiago de Chile. 102 p.

Bongiovanni R, Mantovani E, Best S y Roel Á. 2006. Agricultura de precisión: integrando conocimientos para una agricultura moderna y sustentable. PROCICUR-IICA. Montevideo. 244 p.

Brenes-González L. 2016. Metodología para la generación de mapas tridimensionales a partir de fotogrametría con vehículo aéreo no tripulado (Trabajo de grado). Instituto Tecnológico de Costa Rica, San José de Costa Rica, Costa Rica. 110 p.

DJI. 2020. P4 Multispectral User manual V1.4 2020. https://dl.djicdn.com/downloads/p4-multispectral/20200806/P4_Multispectral_User_Manual_v1.4_EN.pdf

Fedearroz. 2015. Adopción masiva de tecnología. Guía de trabajo. Colombia. En: http://www.fedearroz.com.co/docs/Guia_de_trabajo_baja.pdf Consulta: mayo, 2019.

García SA y Martínez LJ. 2010. Método para identificación de cultivos de arroz (Oryza sativa L.) con base en imágenes de satélite. Agronomía colombiana 28(2): 281-290.

Goel PK, Prasher SO, Patel RM, Smith DL and DiTommaso A. 2002. Use of airbone multispectral imagery for weed detection in field crops. Transactions of the ASAE 45(2): 443-449. doi: 10.13031/2013.8513

González-Betancourt M and Mayorga-Ruíz ZL. 2018. Normalized difference vegetation index for rice management in El Espinal, Colombia. Revista DYNA 85(205): 47-56. doi: 10.15446/dyna.v85n205.69516

Hernández RS. 2017. Metodología para la discriminación de malezas basada en la respuesta espectral de la vegetación (Tesis Doctoral). Universidad Nacional de Colombia, Bogotá, Colombia. 93 p.

IICA – Instituto Interamericano de Cooperación para la Agricultura. 2014. Manual de Agricultura de Precisión. PROCICUR-IICA. Montevideo. 246 p.

INEC – Instituto Nacional de Censo y Estadísticas de Panamá. 2018. Sector Real. Sector Agropecuario. Informe estadístico Agropecuario años 2010-2018. En: https://www.inec.gob.pa/ Consulta: julio, 2020.

Lago C, Sepúlveda JC, Barroso R, Fernández FO, Maciá F y Lorenzo J. 2011. Sistema para la generación automática de mapas de rendimiento: Aplicación en la agricultura de precisión. Idesia 29(1): 59-69. doi: 10.4067/S0718-34292011000100009

Lundström C and Lindblomb J. 2018. Considering farmers’ situated knowledge of using agricultural decision support systems (AgriDSS) to Foster farming practices: The case of CropSAT. Agricultural Systems 159: 9–20. doi: 10.1016/j.agsy.2017.10.004

Montilla G. 2017. Informe Técnico de Proyecto Agricultura de Precisión en Panamá. Senacyt, Panamá.

Norasma C Y N, Abu Sari M Y, Fadzilah M A, Ismail M R, Omar M H, Zulkarami B, Hassim Y M M and Tarmidi Z.2018. Rice crop monitoring using multirotor UAV and RGB digital camera at early stage of growth. IOP Conf. Series: Earth and Environmental Science 169. doi: 10.1088/1755-1315/169/1/012095

Serrano J, Fábrega J, Quiróz E, Sánchez-Galán J y Jiménez J. 2011. Análisis prospectivo de la detección hiperespectral de cultivos de arroz (Oryza sativa L.). pp. 69-79. In: 6th Engineering, science and technology conference. Ciudad de Panamá, Panamá.

Weather Spark Portal. http://es.weatherspark.com/200687/clime. Accessed: March 2020.

License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

The journal allows the author(s) to maintain the exploitation rights (copyright) of their articles without restrictions. The author(s) accept the distribution of their articles on the web and in paper support (25 copies per issue) under open access at local, regional, and international levels. The full paper will be included and disseminated through the Portal of Journals and Institutional Repository of the Universidad Nacional de Colombia, and in all the specialized databases that the journal considers pertinent for its indexation, to provide visibility and positioning to the article. All articles must comply with Colombian and international legislation, related to copyright.

Author Commitments

The author(s) undertake to assign the rights of printing and reprinting of the material published to the journal Revista Facultad Nacional de Agronomía Medellín. Any quotation of the articles published in the journal should be made given the respective credits to the journal and its content. In case content duplication of the journal or its partial or total publication in another language, there must be written permission of the Director.

Content Responsibility

The Faculty of Agricultural Sciences and the journal are not necessarily responsible or in solidarity with the concepts issued in the published articles, whose responsibility will be entirely the author or the authors.