Arnal 2019.en - Es PDF

aviones no tripulados
Artículo
Una revisión sobre el uso de vehículos aéreos no tripulados y

sensores de imágenes para vigilar y evaluar Destaca la planta
Jayme García Arnal Barbedo
Embrapa Informática Agrícola, Campinas-SP 13083-886, Brasil; jayme.barbedo@embrapa.br
Recibido: 29 Marzo 2019; Aceptado: 17 Abril 2019; Publicado: 20 Abril 2019
Resumen: vehículos aéreos no tripulados (UAVs) se están convirtiendo en una herramienta valiosa para recopilar datos en una variedad de
contextos. Su uso en la agricultura es particularmente adecuado, ya que esas áreas son a menudo inmensa, haciendo tierra de exploración
difícil, y la baja densidad de población, lo que significa que la lesión de privacidad y los riesgos no son tan importantes como en los entornos
urbanos. De hecho, el uso de vehículos aéreos no tripulados para el seguimiento y la evaluación de los cultivos, huertos y bosques ha ido
creciendo constantemente durante la última década, especialmente para el manejo de tensiones tales como el agua, las enfermedades, la
nutrición, las deficiencias y las plagas. En este artículo se presenta una visión crítica de los principales avances en la materia, centrándose en
las estrategias que se han utilizado para extraer la información contenida en las imágenes captadas durante los vuelos que los. Con base en
la información que se encuentra en más de 100 artículos publicados y en nuestra propia investigación,
palabras clave: zumbido; UAV; UAS; Agricultura de precisión; estrés; cultivo; huerta
1. Introducción
vehículos aéreos no tripulados (UAVs), también conocidos como sistemas aéreos no tripulados (UAS) y aviones, se han utilizado en aplicaciones
agrícolas para algún tiempo, especialmente en el contexto de la agricultura de precisión [ 1 - 4 ], Pero en los últimos años, ha habido un fuerte crecimiento en
su adopción. En países como los Estados Unidos, aplicaciones agrícolas ya representan el 19% de todo el mercado UAV [ 5 ]. Por lo tanto, los UAVs están
convirtiendo rápidamente en una herramienta valiosa ayuda a la decisión para los agricultores e investigadores que se ocupan de los problemas agrícolas.
Hay algunas razones para el aumento del uso de vehículos aéreos no tripulados. En primer lugar, los precios de vehículos aéreos no tripulados han ido
disminuyendo constantemente, andmost vehículos aéreos no tripulados capaces de manejar aplicaciones agrícolas ahora cuestan menos thanUS $ 10.000 [ 4 , 5 ]. Aunque
hay otros costos asociados con la operación de vehículos aéreos no tripulados, incluyendo el mantenimiento, seguros, formación, software de procesamiento de imágenes
y software de navegación [ 6 , 7 ], La inversión monetaria está convirtiendo rápidamente en menos relevante en comparación con los beneficios potenciales. En segundo
lugar, mientras que las regulaciones son todavía demasiado estricta en algunos países [ 8 ], Éstos están cambiando lentamente hacia un mejor equilibrio entre la seguridad
y facilidad de uso [ 4 ]. Esto es particularmente cierto para las zonas rurales, ya que estos tienden a ser poco poblada, así que la seguridad y la privacidad se convierten en
un problema menor que en el caso de las zonas urbanas densamente pobladas. En tercer lugar, muchas de las propiedades rurales son extensas, por lo que la detección
oportuna de problemas de di fi culto por tierra de exploración solo. Dado que los UAV son capaces de cubrir grandes áreas mucho más rápido que la gente en el suelo,
que puede ser una gran herramienta de exploración, especialmente si se usa en combinación con otros sensores en el suelo [ 9 ]. A pesar de los satélites también pueden
cubrir grandes áreas, sus resoluciones son aún insuficientes para un análisis de cultivos de grano multa. Cuarto,
aviones no tripulados 2019, 3, 40; doi: 10.3390 / drones3020040 www.mdpi.com/journal/drones

aviones no tripulados 2019, 3, 40 2 de 27
Los sensores de imagen han evolucionado considerablemente en la última década. Como resultado, las imágenes con resoluciones mucho más altas que las
ofrecidas por los satélites se pueden obtener incluso con el ying UAV fl a grandes alturas [ 4 , 10 ]. A su vez, esto hace que sea posible detectar los problemas
antes de que se extienda. En quinto lugar, vehículos aéreos no tripulados se han vuelto mucho más fácil de operar debido a las misiones ight fl pueden ser
totalmente automatizados usando de fl ine fl ight planificación. Por último, las herramientas de procesamiento de imágenes y de aprendizaje automático han
evolucionado hasta un punto en el que las señales visuales contenidas en una imagen pueden ser extraídos y transformados en información útil para la
gestión de la granja con éxito. Entre esas herramientas, el aprendizaje profundo es sin duda el más impactante. Este tipo de modelos de la técnica
abstracciones de datos de alto nivel utilizando un graphwith profundo varios de procesamiento de capas que contienen transformaciones lineales y no lineales,
que tienen el potencial para lograr buenos resultados sin tener en cuenta explícitamente los muchos factores que influyen en la clasi fi cación [ 11 ], Que es
particularmente valioso en el caso de imágenes de teledetección [ 12 ].
Aunque el uso de vehículos aéreos no tripulados en la agricultura ha ido aumentando de manera constante, este crecimiento se ve
obstaculizado por muchos desafíos técnicos que todavía hay que superar. Muchos estudios que tratan de hacer frente a estos desafíos se han
realizado en los últimos años con diversos grados de éxito. A medida que el número de artículos sobre la aplicación de los UAV a los problemas
agrícolas crece, se hace más di fi culto para seguir el progreso que se está realizando sobre el tema. Para hacer las cosas aún más complicadas, la
variedad de aplicaciones específicas es alta, incluyendo tareas como la detección de estrés y cuanti fi cación [ 13 - 17 ], Predicción del rendimiento [ 18 - 24
], La estimación de la biomasa [ 20 , 25 - 27 ], La vegetación clasi fi cación [ 28 - 31 ], La estimación de la cobertura del dosel [ 32 - 36 ], Altura de la planta
evaluación [ 37 , 38 ], Y el alojamiento [ 39 , 40 ], entre otros [ 41 - 49 ]. Cada una de estas aplicaciones tiene características específicas que deben ser
tomados en cuenta para contextualizar adecuadamente el impacto de las tecnologías basadas en vehículos aéreos no tripulados. Entre estas
aplicaciones, la detección de estrés y cuanti fi cación es sin duda el que ha recibido la mayor cantidad de atención, muy probablemente debido al
impacto potencial positivo que la detección temprana de estrés puede tener sobre la actividad agrícola. Como consecuencia, se han propuesto una
gran cantidad de datos que se ha generado y una amplia variedad de estrategias, por lo que es difícil hacer un seguimiento del estado actual de la
técnica en la materia y los principales retos que aún no se ha superado. En este contexto, el objetivo de este artículo es proporcionar una visión
global de los progresos realizados en el uso de vehículos aéreos no tripulados para vigilar y evaluar planta destaca como la sequía, las
enfermedades,
Este artículo está organizado principalmente de acuerdo con el tipo de estrés (sequía, las enfermedades, trastornos de la nutrición, las plagas,
malas hierbas, y temperatura). Aspectos relevantes a cada una de esas tensiones se discuten en las secciones respectivas, y se discuten aspectos
más generales en una sección dedicada. información básica sobre todas las referencias identi fi cada para cada tipo de estrés se resume en las
tablas. Las precisiones, coeficientes de determinación, y las correlaciones asociadas a esos estudios no se presentan porque son fuertemente
dependientes del contexto y no pueden ser comparados directamente.
La búsqueda de artículos contextualmente relevantes se realizó a través de Google Scholar y los cientí fi cos repositorios Scopus,
ScienceDirect, e IEEE Xplore. La búsqueda se realizó en febrero de 2019 usando tres grupos de palabras clave: Los términos “aviones no
tripulados”, “vehículos aéreos no tripulados”, y “Ua” se utiliza en diferentes combinaciones con los términos “estrés”, “enfermedad”, “nutrición”, “el
agua ”,‘plaga’, y‘malas hierbas’, y también con los términos‘planta’y‘agricultura’. Después de que se ha seleccionado el primer lote de referencias, su
propia lista de referencias fue explorado con el fin de identificar más artículos de interés. Este proceso dio como resultado la selección de más de
100 referencias.
Vale la pena señalar que los sensores distintos de los dispositivos de imagen se pueden unir a vehículos aéreos no tripulados, tales como espectrómetros
de [ 50 ] Y LIDAR (Light Detección y Ranging) [ 51 ], Pero este artículo se centra exclusivamente en los sensores de imagen. También es importante notar que una
descripción detallada de los diferentes tipos de vehículos aéreos no tripulados y sensores está más allá del alcance de este trabajo, pero la literatura contiene
material abundante sobre UAVs [ 4 , 7 , 52 - 54 ], Los sensores [ 4 , 55 ], Y su calibración [ 56 - 60 ].

2. Revisión de la literatura sobre el estrés de la planta Detección y cuantificación El uso de vehículos aéreos no tripulados
2.1. Sequía
El estado del agua en un campo se determina generalmente mediante la adopción de múltiples mediciones puntuales sobre el campo, pero este método
falla a menudo para representar adecuadamente la heterogeneidad real de campo. Con la evolución de los sensores y aviones, los indicadores derivados de las
imágenes de teleobservación permiten la caracterización de campos enteros Fi con suficiente resolución para analizar las plantas individualmente [ 61 ]. Este
hecho ha motivado a muchos grupos de investigación para explorar esta opción en la última década (Tabla 1 ).
Tabla 1. Las referencias que se ocupan de la vigilancia del estado del agua en los cultivos.
Árbitro. Tipo de vehículos aéreos no tripulados

Cultivo Sensor Las variables estimadas Las variables de referencia Modelo
[ 62 ] Giratorio Maní multiespectral NDVI puntuación visual marchitamiento La regresión lineal
[ 63 ] Ala fija Viñedo Térmico CWSI potencial hídrico de las hojas La regresión lineal
[ 64 ] Giratorio huerta del melocotón Multiespectral, térmica PRI conductancia estomática La regresión lineal
Ala ]fija
[ sesenta y cinco olivar Hiperespectrales, térmica T do - T una, CSWI, CF conductancia estomática La regresión lineal
Multiespectral, térmica,
[ 58 ] Giratorio huerto de manzanas T do - T una, WDI potencial hídrico del suelo La comparación directa
RGB
[ 66 ] Giratorio Pantano y la vegetación cieno Térmico CSWI La humedad del suelo, fAPAR se regresión cuadrática
[ 67 ] Ala fija huerto de cítricos hiperespectral PRI Contenido de agua La regresión lineal
[ 68 ] Giratorio Viñedo Multiespectral, térmica NDVI, GNDVI, T do conductancia estomática La regresión lineal
[ 69 ] ala fija almendra, albaricoque, melocotón, Térmico T do - T una, CSWI potencial Stemwater La regresión lineal
naranja
[ 61 ] ala fija mandarina y naranja Térmico NWSB, CSWI potencial Stemwater La regresión lineal
[ 70 ] Ala fija Cebada Térmica, RGB WDI valores de tensión medidos La comparación directa
[ 71 ] Giratorio Granada Multiespectral, térmica CSWI los datos de riego La comparación directa
[ 72 ] Giratorio álamo negro Térmico temperatura del dosel conductancia estomática La regresión lineal
Multiespectral, térmica,
[ 13 ] Giratorio Viñedo CWSI conductancia estomática La comparación directa
RGB
Stemwater potencial, la
[ 73 ] Giratorio nectarinos Térmico CWSI La regresión lineal
conductancia estomática
[ 74 ] Giratorio Nectarina, melocotón Térmico CWSI adaptativo La regresión lineal
[ 75 ] ? Vineyard, huerto de oliva Térmico T do - T una potencial Stemwater La regresión lineal
[ 76 ] ? Viñedo multiespectral bandas espectrales estrechas potencial Stemwater MLP NN
[ 77 ] Giratorio Viñedo Multiespectral, térmica CWSI potencial Stremwater La regresión lineal
[ 78 ] Giratorio Viñedo multiespectral índices de vegetación potencial Stemwater MLP NN
[ 79 ] Giratorio Viñedo Térmico CWSI La regresión lineal
[ 80 ] Ala fija Viñedo Multiespectral, RGB, NIR TCARI / OSAVI BRIX La regresión lineal
[ 81 ] Giratorio huerto de naranja multiespectral PRI potencial Stemwater La regresión lineal
[ 82 ] Giratorio Melocotón, nectarina, naranja multiespectral PRI Estado de epoxidación xantofila La regresión lineal
[ 83 ] Ala fija Algodón Térmico emitance TIR contenido de agua en el suelo La regresión lineal
[ 84 ] Giratorio De oliva, melocotón Multiespectral, térmica Fluorescencia (UAV) Fluorescencia (tierra) La regresión lineal
conductancia estomática, hoja

[ 85 ] Ala fija huerto de cítricos Hiperespectrales, térmica PRI, VI, T do La regresión lineal
potencial de agua
conductancia estomática, hoja

[ 86 ] Ala fija Viñedo Multiespectral, térmica PRI La regresión lineal
potencial de agua
[ 87 ] Giratorio huerto de almendros Multiespectral, RGB NDVI potencial Stemwater La regresión lineal
[ 88 ] Giratorio huerto de almendros Multiespectral, RGB NDVI potencial Stemwater La regresión lineal
bandas multiespectrales
[ 89 ] ? huerto de almendros multiespectral potencial Stemwater La regresión lineal
(PCA)
Leyenda: -El tipo de aeronave no se aclaró en la referencia original; medida BRIX-sacarosa; fluorescencia CF-clorofila; CWSI-Crop índice de estrés hídrico;
fAPAR se-Fracción de radiación fotosintéticamente activa absorbida; GNDVI-Green índice de vegetación de diferencia normalizada; MLP NN-Perceptrón
multicapa red neural; NDVI-índice normalizado de vegetación de diferencia; NIR-infrarrojo cercano; NWSB-Non línea de base estrés hídrico; análisis de
componentes PCA-Principal; PRI-fotoquímico re índice de reflectancia; T una -Temperatura del aire; T do temperatura -Canopy; TCARI / OSAVI transformadas
absorción de clorofila en reflectancia índice índice de vegetación del suelo ajustados Optimizado /; TIR-térmica de infrarrojos; índice VI-vegetación; IDM-Agua
déficit índice.
Casi la mitad de los estudios que aplican vehículos aéreos no tripulados para el análisis de estrés hídrico identi fi cados en esta revisión se llevaron a cabo
en España en las zonas semiáridas con signi fi producción no puede de frutas. Esto se explica por el hecho de que el rendimiento huerto en ambientes semiáridos
está estrechamente relacionado con el suministro de riego, que debe ser monitoreado constantemente con el fin de optimizar la productividad del agua mientras se
mantiene el rendimiento y la rentabilidad económica a los productores [ 69 ].
La caracterización del estrés hídrico en los cultivos y huertos es una tarea compleja debido a los efectos de la sequía afectan (y pueden ser
afectados por) varios factores [ 68 ]. Por esta razón, es importante tener en cuenta tanto los efectos fisiológicos y la variabilidad espacial de los datos
obtenidos. La gran mayoría de las estrategias basadas en vehículos aéreos no tripulados que se ocupan de la sequía de cultivos tratar de sintetizar la
información contenida en las imágenes en una variable que está altamente correlacionada con las mediciones terrestres bien establecidos. Las variables
obtenidos por UAV y en el suelo generalmente están relacionados por medio de algún tipo de análisis de regresión, es decir, las mediciones basadas en
UAV se pueden usar para estimar los valores de tierra utilizando ecuaciones simples (con más frecuencia de primer orden polinomios).
Con muy pocas excepciones, la referencia de tierra adoptada es una de las cuatro variables siguientes:
- El potencial de agua de la hoja ( Ψ L) utilizado en Referencias [ 63 , 85 , 86 ] Cuanti fi ca la tendencia del agua a pasar de una zona a otra de la
hoja.
- El potencial de agua vástago ( Ψ S) utilizado en Referencias [ 61 , 69 , 74 , 77 , 79 , 81 , 88 ] Cuanti fi ca la tendencia del agua a pasar de una zona
a otra en el tallo.
- La conductancia estomática utilizado en Referencias [ 13 , 64 , 68 , 72 , 74 , 79 , 83 , 85 , 86 ] Representa el dióxido de carbono velocidad de flujo basado en la apertura de los
poros de la hoja.
- El contenido de agua utilizado en la Referencia [ 67 ] Se da como un porcentaje con respecto a un valor de referencia.
A pesar de la variedad de cultivos y condiciones que se han estudiado, la mayoría de las estrategias propuestas en el extracto de la literatura una de las
siguientes cuatro variables a partir de imágenes aéreas:
- Los índices de vegetación (NDVI, GNDVI, etc.) utilizados en las Referencias [ 68 , 80 , 85 , 88 ] Son el resultado de las transformaciones espectrales
destinadas a resaltar ciertas propiedades de vegetación.

- El índice de reflectancia re fotoquímica (PRI) utilizado en Referencias [ 64 , 67 , 81 , 82 , 85 , 86 ] Es una reflectancia de medición sensible a los
cambios en los pigmentos de carotenoides presentes en las hojas.
- La diferencia entre las temperaturas del dosel y el aire ( T do - T una) utilizado en la Referencia [ 69 ]; algunos estudios utilizan la temperatura de la cubierta
directamente [ 68 , 72 ].
- El índice de estrés hídrico del cultivo (CWSI), utilizado en las Referencias [ 13 , 63 , 69 , 74 , 77 , 79 , 86 ] Se basa en la diferencia entre la temperatura de la
cubierta y la temperatura del aire ( T do - T una), normalizado por la presión de vapor de fi cit (VPD) [ 86 ]. Una variable relacionada, llamada no Estrés
Hídrico de línea de base (NWSB), también fue utilizado en algunas investigaciones [ 61 ].
Los dos primeros están asociados con imágenes multiespectrales o hiperespectrales, y los dos últimos están asociados con imágenes de
infrarrojo térmico. El estrés hídrico es la única aplicación considerados en esta revisión para los que se utilizan ampliamente sensores térmicos. La
razón detrás de esto es que el estrés hídrico induce una disminución de la conductancia estomática y menos disipación de calor en las plantas,
causando un aumento detectable en la temperatura de la cubierta [ 68 , 70 ]. Sin embargo, bajo ciertas condiciones y especialmente cuando
rehidratación se produce después de un largo período en niveles de fi cit, variables basadas en datos multiespectrales como PRI parecen conducir a
mejores resultados [ 81 , 82 ]. Rojo-verde-azul (RGB) imágenes se han empleado con moderación, por lo general asociada con imágenes
multiespectrales o térmicos para el cálculo de las variables híbridos tales como el agua De fi cit Index (WDI) [ 70 ]. La clorofila fluorescencia, calculada
usando de banda estrecha imágenes multiespectrales, también se ha aplicado de forma esporádica al problema de la detección de estrés hídrico y el
seguimiento [ 84 , 85 ].
La hora del día en el que se capturan las imágenes juega un papel importante en la calidad de las mediciones térmicas [ 69 ]. Algunos
experimentos han demostrado que el momento más favorable del día para obtener térmica
imágenes es alrededor del mediodía, especialmente 12:00-13:30, como la influencia de las hojas de sombra y la variabilidad en el cierre de los estomas
se minimizan en este momento [ 63 ]. Además, algunos experimentos han demostrado que para ser comparable, las mediciones deben siempre hicieron
a la misma hora del día, porque intervalos tan cortos como una hora puede causar cambios de peralte significantes, especialmente si se utilizan índices
de vegetación [ 88 ].
El problema de matices y sombras fue abordada por Poblete et al. [ 77 ] Mediante la eliminación de los respectivos píxeles usando coregistration
automática de imágenes térmicas y multiespectrales combinados con un modificador Escala ed invariante Transformación Feature (SIFT) y el
algoritmo K-means ++ agrupamiento. Estos autores observaron un aumento significativo en la correlación entre remota obtenidos indicadores de
estrés de agua de referencia cuando se eliminan los píxeles de sombra. En el contexto de las imágenes multiespectrales, se han reportado
conclusiones conflictivas: Mientras que algunos autores indican que la eliminación de vegetación píxeles sombreados mejoró claramente las
correlaciones [ 82 , 88 ], Otros observaron ninguna mejora [ 81 ]. Una posible explicación de esto es que el impacto de las sombras puede estar
directamente relacionado con las arquitecturas de dosel de diferentes especies de plantas [ 81 ].
Variables derivadas de imágenes térmicas menudo se basan en variaciones de temperatura muy ligeras para detectar tensiones y otros fenómenos.
Como resultado, los umbrales y las ecuaciones de regresión derivadas bajo ciertas condiciones por lo general no tienen incluso bajo circunstancias
ligeramente diferentes. Por ejemplo, diferentes genotipos de un cultivo dado pueden presentar fi diferentes temperaturas dosel signi cativamente en las
mismas condiciones debido a las diferencias inherentes en la conductancia estomática y las tasas de transpiración [ 64 , 69 , 74 ]. Además, las hojas jóvenes y
viejos pueden mostrar de alto contraste intercambios de gas, en gran medida afecta a las tasas de transpiración y alterando así los valores típicos de las
variables elegidas [ 61 ]. Una madurez de los cultivos pueden también cambia la forma en que se comportan los valores de variables, como cultivos
senescencia presentes de forma natural menor transpiración [ 70 ]. Incluso la arquitectura del dosel se ha demostrado que en el comportamiento de la
temperatura influencia [ 74 ]. Tal variabilidad indica que, mientras que los procedimientos generales pueden ser válidas para una amplia gama de aplicaciones
y condiciones, umbrales especí fi cas y ecuaciones de regresión puede necesitar ser recalibrado cada vez que se espera que las nuevas condiciones.
En el caso de imágenes multiespectrales, factores tales como la variación estructura dosel dentro de la huerta, iluminación, y la visualización de
efectos de la geometría de ángulo también juegan un papel importante, pero la selección de las longitudes de onda adecuadas para el cálculo de las
variables parecen minimizar los efectos deletéreos [ 81 ].
La resolución espacial requerida para las imágenes para indicar efectivamente el estrés hídrico depende de las características del cultivo
altamente, especialmente dosel volumen [ 63 ] Y cierre [ 83 ]. Algunos estudios han sido capaces de asignar el estado del agua para las plantas
individuales, que pueden ser valiosos para el ahorro de los recursos hídricos. Para este propósito, se encontró que la resolución espacial mínima para
ser de 30 cm por píxel para los viñedos [ 63 ], Mientras que las resoluciones más gruesas de 10 cm demostraron ser insuficientes para manejar
precisamente sistemas de cítricos huerta inwhich una optimización de la yieldwith se trató una entrada restringida de los recursos naturales [ 67 ]. Sin
embargo, pueden ser necesarios resoluciones aún más altos para caracterizar correctamente la gran variabilidad de la temperatura de la hoja a la
hoja que se ha observado a menudo en la práctica [ 72 ]. Además, Stagakis et al. [ 81 ] Informó de que la presencia de píxeles mixtos que contienen
tanto el suelo y la vegetación puede ser muy perjudicial, que enfatiza aún más la importancia de tener resoluciones lo suficientemente altas para la
mayoría de los píxeles a ser casi o completamente puro.
Los sensores hiperespectrales utilizados en vehículos aéreos no tripulados proporcionan las resoluciones muy altas espectrales necesarios para
caracterizar efectos fisiológicos sutiles de sequía, pero todavía no son capaces de entregar las resoluciones espaciales necesarios para la gestión a nivel de
planta de los cultivos y huertos. Los sensores térmicos, por el contrario, ofrecen una mejor resolución espacial, sino solamente la captura de una banda muy
limitada del espectro. Una forma de minimizar este compromiso entre la resolución espacial y espectral es aplicar técnicas de fusión de datos capaz de
explorar de manera efectiva las fortalezas de ambos tipos de sensores. Algunos resultados alentadores para conseguir este objetivo ya se han logrado a partir
de datos reales y sintéticos que representan los huertos de cítricos [ 67 ].
Es interesante notar que mientras ERS clasi fi aprendizaje de las máquinas se emplean con frecuencia en la detección y seguimiento de la
planta destaca, que se utilizan muy raramente en el caso de una evaluación del estado del agua. Sólo se encontraron dos estudios que utilizan
este tipo de estrategia, tanto en el uso de perceptrón multicapa
redes neurales (MLP) [ 76 , 78 ]. Poblete et al. [ 76 ] Utilizó una cámara multiespectral de banda estrecha para capturar ciertas longitudes de onda
que se utilizaron como entrada a la red neuronal, que fue entrenado para predecir el valor del potencial del mediodía stemwater. A su vez,
Romero et al. [ 78 ] varios índices de vegetación extraídos imágenes frommultispectral a ser utilizados como entrada a dos modelos: El primero
fue el responsable de predecir el potencial stemwater, y la segunda dirigida a la clasificación de las muestras en “no estresado”, “subrayó
moderado”, y “estrés grave ”. La principal ventaja de las redes de arti fi ciales neuronales (ANN) en comparación con los modelos de regresión
es que la primera es capaz de modelar relaciones no lineales complejas entre variables. Por otra parte, la naturaleza de recuadro negro de RNA
puede dar lugar a sesgos y otra fi tting si la arquitectura de red y el proceso de formación no están diseñados cuidadosamente.
Todos los enfoques que se encuentran en la literatura que tienen que ver con la evaluación del estado del agua en los cultivos y huertos tienen
deficiencias que aún impiden su adopción práctica. Los métodos basados en imágenes térmicas sufren una fuerte negativa influencia de factores tales
como el fondo del suelo y de las sombras, la arquitectura del dosel, los patrones de la conductancia estomática complejos, cambios en factor fisiológico
debido a una diversidad de elementos, etc. indicadores derivados imágenes frommultispectral o hiperespectrales se ven afectados por las variaciones
en la estructura de la cubierta, la iluminación, y el ángulo de captura, y las resoluciones espaciales son a menudo insuficientes para los propósitos de
agricultura de precisión. imágenes RGB sólo detectan signos de estrés cuando son daños claramente visibles e irreversible pueda haber incurrido. Con
el desarrollo de nuevos sensores y la aplicación de técnicas más sofisticadas de la visión artificial y aprendizaje automático, esas limitaciones tienden a
ser menos relevante. Sin embargo, verdaderamente soluciones sólidas pueden ser sólo posible mediante el uso de técnicas de fusión para combinar
datos procedentes de distintas fuentes de tal manera las limitaciones inherentes a cada fuente de datos pueden ser sistémicamente compensados
mediante la exploración de los puntos fuertes de sus contrapartes.
2.2. Trastornos de la nutrición
Actualmente, la forma más común para determinar el estado nutricional es visualmente, por medio de guías de color vegetal que no
permiten evaluaciones rigurosas cuantitativamente [ 90 ]. evaluaciones más precisas requieren análisis de laboratorio de las hojas, que son mucho
tiempo y requieren la aplicación de métodos específicos c para una correcta interpretación de los datos [ 91 ]. Hay algunas alternativas indirectos
disponibles para algunos nutrientes, como el medidor de clorofila (suelo-planta analiza el desarrollo (SPAD)) para las predicciones de nitrógeno [ 92
], Pero este es un proceso que consume tiempo [ 93 ] Y las estimaciones no son siempre exactas [ 94 ]. Por lo tanto, un considerable esfuerzo se ha
dedicado al desarrollo de newmethods para la detección y estimación de los problemas de nutrición en las plantas [ 95 ].
Una gran parte de los estudios de fi ciencia de la nutrición que se encuentran en las imágenes capturadas por la literatura emplean satélites [ 96 - 98 ].
Aunque algunos satélites lanzados recientemente pueden ofrecer resoluciones submétrica tierra [ 99 ], Esos son todavía demasiado gruesa para que las
plantas se analizarán por separado, lo que significa que en muchos casos la deficiencia sólo se puede detectar cuando su ya muy extendida. UAVs, por
otra parte, pueden ofrecer distancias de muestras de tierra (GSD) de menos de un centímetro sin los altos costos y di fi cultades asociadas con la
operación de los aviones tripulados [ 4 ]. Mesa 2 resume las características de los estudios que aplican a vehículos aéreos no tripulados de vigilancia del
estado nutricional. Vale la pena señalar que muchas de las referencias en la tabla 2 dirigirse no sólo a los propios nutrientes, sino también los efectos que
la falta de exceso de nutrientes puede tener sobre el rendimiento, la biomasa, la cubierta de copas, etc. Aunque relevantes, estas otras aplicaciones están
más allá del alcance de esta revisión y no serán discutidos.

Tabla 2. Las referencias tratar con el seguimiento del estado de los nutrientes en los cultivos.

Cultivo Sensor modelos de entrada salida del modelo Tipo de modelo
[ 100 ] Giratorio De girasol multiespectral NDVI tratamiento con nitrógeno La regresión lineal
La concentración de nitrógeno y
[ 101 ] Giratorio Algodón multiespectral varios VIs La regresión lineal
consumo
La concentración de nitrógeno y
[ 102 ] Giratorio Trigo multiespectral NDVI La regresión lineal
consumo
re fl promedio de reflectancia El sodio y el potasio

[ 103 ] Giratorio Hierba hiperespectral regresión PLS
Los espectros contenido
[ 104 ] Giratorio El césped multiespectral NDVI El contenido de nitrógeno La regresión lineal
varios vegetación La concentración de nitrógeno y

[ 105 ] Giratorio Maíz CIR regresión PLS
índices consumo
[ 106 ] Giratorio macadamia RGB + NIR CCCI, NDRE nivel de nitrógeno Leaf La regresión lineal
Multiespectrales,
[9] Giratorio Maíz Variedad de índices La concentración de nitrógeno regresión polinómica
hiperespectrales
[ 107 ] Giratorio Trigo multiespectral NDVI, REIP La concentración de nitrógeno La regresión lineal
estado de nitrógeno (el

[ 108 ] Ala fija Maíz RGB NGRDI regresión LS
contenido de clorofila)
estado N (clorofila
[ 109 ] Giratorio Patata multiespectral NDVI, GNDVI La regresión lineal
contenido, LAI)
estado N (clorofila
[ 110 ] Parafoil de ala Patata multiespectral NDVI, GNDVI La regresión lineal
contenido, LAI)
[ 111 ] Giratorio Remolacha azucarera multiespectral VIs, fracción de píxel verde La concentración de nitrógeno regresión multilineal
Parapente y ala
[ 112 ] Trigo multiespectral índices de vegetación la absorción de nitrógeno La regresión exponencial
fi jo
[ 113 ] Giratorio Arroz RGB DGCI La concentración de nitrógeno La regresión lineal
regresión multilineal,
[ 114 ] Giratorio Trigo hiperespectral bandas seleccionadas La concentración de nitrógeno
MLPNN
[ 115 ] ? Invierno violación de semillas oleaginosas multiespectral índices de vegetación La concentración de nitrógeno La regresión lineal
Multiespectral, índices espectrales y

[ 26 ] Giratorio Haba de soja La concentración de nitrógeno PLSR, RVS, ELR
térmica, RGB caracteristicas
[ 116 ] Giratorio Avena hiperespectral índices de vegetación La concentración de nitrógeno La regresión lineal
[ 117 ] Ala fija Arroz multiespectral índices de vegetación SPAD (contenido de clorofila) La regresión lineal
[ 118 ] Giratorio Trigo RGB PC de características de color La concentración de nitrógeno La regresión lineal
Multiespectrales,
[ 119 ] Giratorio canola bandas espectrales seleccionadas El potasio de nivel de deficiencia Análisis discriminante
hiperespectrales
[ 120 ] Giratorio Arroz multiespectral índices de vegetación tratamiento con nitrógeno La regresión lineal
[ 121 ] Giratorio De girasol multiespectral NDVI La concentración de nitrógeno La regresión lineal
[ 122 ] Giratorio Arroz hiperespectral PCs de bandas espectrales La concentración de nitrógeno La regresión lineal
[ 123 ] ? Trigo RGB Los parámetros de color tratamiento con nitrógeno La regresión lineal
[ 124 ] Giratorio Maíz RGB píxeles El nitrógeno de nivel de deficiencia Regresión logística
RGB, CIR, la acumulación de nitrógeno

[ 125 ] Giratorio Arroz índices de vegetación La regresión lineal
multiespectral (La hoja y de la planta)
[ 15 ] Giratorio Trigo multiespectral RDVI La concentración de nitrógeno Varios modelos ML
[ 126 ] Giratorio Arroz RGB PC de características de color La concentración de nitrógeno regresión cuadrática
[ 127 ] Giratorio Trigo hiperespectral bandas seleccionadas La concentración de nitrógeno regresión multilineal
Leyenda: -El tipo de aeronave no se aclaró en la referencia original; índice de contenido de clorofila CCCI de dosel; CIR-infrarroja de color; índice de color verde
oscuro DGCI-; ELR-Extreme aprendizaje de regresión; GNDVI-Green índice de vegetación de diferencia normalizada; índice de área LAI-Leaf; LS-mínimos
cuadrados; MLPNN-Perceptrón multicapa red neural; diferencia normalizada-NDRE borde rojo; NDVI-índice normalizado de vegetación de diferencia;
NGRDI-índice normalizado de diferencia de verde y rojo; NIR-infrarrojo cercano; PC-Principal componente; PLSR-regresión de mínimos cuadrados parciales;
RDVI-renormalizado índice de vegetación de diferencia; REIP-Red-borde en el punto reflexión fl; SPAD-suelo-planta analiza el desarrollo; SVR-Support
regresión vector; índice VI-vegetación.
El nitrógeno es, por mucho, el nutriente más estudiado debido a su conexión con biomasa y el rendimiento. El potasio [ 103 ] Y sodio [ 103 , 119
] También han sido objeto de atención. imágenes multiespectrales han sido la elección predominante para la extracción de características
significativas e índices [ 9 , 101 , 102 , 104 , 107 , 110 - 112 , 115 , 119 - 121 , 125 ], Pero RGB [ 26 , 105 , 106 , 108 , 113 , 125 ] Y hiperespectral
imágenes [ 9 , 116 ] También se adoptó con frecuencia. Fusión de datos combinando dos o incluso tres tipos de sensores (multiespectral, RGB, y
térmica) también ha sido investigado [ 26 ].
La gran mayoría de los estudios encontrados en la literatura extrae índices de vegetación (VI) a partir de las imágenes y se refiere themwith
contenido de nutrientes utilizando un modelo de regresión (generalmente lineal). Aunque menos común, otros tipos de variables se han usado también
para alimentar a los modelos de regresión, tales como la re promedio reflectancia espectros [ 103 ], bandas espectrales seleccionadas [ 114 , 119 , 127 ],
Características de color [ 118 , 123 ], Y los componentes principales [ 122 ]. Todos ellos se calculan a partir de imágenes hiperespectrales, excepto las
funciones de color, que se calculan a partir de imágenes RGB.
sólo unos fewmethods para determinar el estado de nutrición no emplear modelos de regresión: El análisis discriminante se ha utilizado para
determinar la condición de potasio en canola [ 119 ], Y la máquina de aprendizaje de ampli fi caciones como SVM [ 124 ] Y el bosque al azar [ 15 ] Se han
utilizado para determinar el estado de nitrógeno en el maíz y el trigo.
Vegetación y espectrales índices que están más relacionadas con pigmentos y contenido de clorofila, tales como el índice de simpli fi ed
contenido de clorofila dosel (SCCCI), transformadas de clorofila de absorción reflectancia índice normalizado por el índice optimizado ajustado
suelo vegetación (TCARI / OSAVI), índice de verdor triangular (TGI ), y el doble pico de índice de nitrógeno dosel (DCNI), a menudo un mejor
rendimiento que los índices más sensibles a la biomasa y estructura de la cubierta, tales como el índice de vegetación de diferencia normalizada
(NDVI), índice atmosféricamente resistente visible (VARI), y el borde de diferencia normalizada rojo ( NDRE). Esta conclusión está apoyada por
experimentos en los que los índices de clorofila sensibles realizan mejor en las primeras etapas de la temporada de algodón [ 101 ] Y en varias
etapas de la maíz [ 9 ] Y el trigo [ 107 ] temporada de crecimiento. Una prueba más vino del hecho de que GNDVI y NDVI adquirido de un pequeño
UAV no eran útiles para una gestión de nitrógeno durante la temporada de cultivo de la papa [ 110 ]. Por otra parte, los índices de pigmentos
sensibles parecen estar más afectados por la resolución espacial de las imágenes, probablemente debido a la mayor sensibilidad de los índices a
efectos de suelo descubierto [ 9 ], Que son más difíciles de eliminar con las resoluciones más gruesas debido a la fuerte presencia de píxeles mixtos.
Por lo tanto, la ventaja de este tipo de índice está conectado directamente a la resolución de las imágenes utilizadas para derivar sus valores.
En muchos casos, el estado de nitrógeno se estima indirectamente de otras variables, especialmente el contenido de clorofila y el índice de
área de la hoja. Dado que el contenido de clorofila es más fácil de medir que el contenido de nitrógeno (por ejemplo, utilizando el dispositivo de
SPAD) [ 128 ], Se utiliza a veces como la variable de destino en las investigaciones con respecto a la vigilancia de nitrógeno a distancia [ 110 , 117 ].
El problemwith este enfoque es que el contenido de clorofila puede no ser un proxy precisa del contenido de nitrógeno si la concentración de esta
última es elevada [ 111 ]. Es importante tomar este tipo de desajuste en cuenta al utilizar servidores proxy para las variables de interés.
suelo descubierto y el suelo sombras pueden tener un impacto importante en los índices de vegetación, especialmente cuando la cobertura del
dosel es todavía pequeño [ 102 , 105 ]. Esto no sólo puede dar lugar a diferentes valores de las variables signi cativamente fi dependiendo de la etapa de
crecimiento (incluso si el estado nutricional real no cambia), pero también puede causar resultados sesgados debido a los efectos de la situación
nutricional en la arquitectura de la copa. Cuando hay un déficit en nitrógeno, la expansión de las hojas es limitado (más suelo está cubierto), y cuando
hay un exceso de nitrógeno, cierre del dosel sucede antes. Como resultado, espectral per fi l diferencias detectadas por muchas investigaciones puede
ser más profundamente conectados a las diferencias en el recubrimiento del suelo que a las propiedades espectrales reales de las plantas [ 40 ]. A
pesar de esto, la eliminación de píxeles de fondo no siempre mejora los resultados [ 121 ]. sombras de la hoja también se han encontrado para disminuir
la precisión, especialmente cuando marquesinas están más llenos y más extendida [ 100 ]. Con el fin de reducir la cantidad de píxeles mixtos, para
resolver adecuadamente las áreas problemáticas (suelo y sombras abiertas), y para hacer frente a posibles problemas, a menudo se requieren
imágenes de alta resolución [ 105 ]. Hay, sin embargo, excepciones: En una investigación en la que se utilizaron imágenes multiespectrales para
supervisar el estado de nitrógeno en cultivos de girasol, no se observaron cambios significativos en la precisión cuando las EAG que varían de 1 a 100
cmwere adoptaron [ 121 ]. Además, en un estudio dirigido a la detección de potasio deficiencia en canola, imágenes multiespectrales adquiridas a mayor
altura (GSD de 6,5 cm)
mejores resultados cedidos que las imágenes con un GSD de 0,8 cm [ 119 ]. Dos posibles explicaciones se ofrecen para este resultado contrario a la
intuición: (1) Los efectos de una reducción del índice de área foliar (LAI) en K-de parcelas fi cientes se integraron de manera más eficaz en las
imágenes de baja resolución; (2) el registro y errores fi cación orto-rectos eran más prominentes de las imágenes de alta resolución, como el
desenfoque de movimiento fue más intenso debido a la cámara estar más cerca del sujeto.
Algunas investigaciones han llegado a la conclusión de que el estado de los nutrientes se puede predecir con mayor precisión en condiciones
nubladas, como sombras son más suaves y menos frecuentes [ 100 , 106 ]. Sin embargo, otros autores llegaron a la conclusión opuesta, citando alteraciones
espectrales causados por la iluminación difusa como la principal razón para recomendar adquisiciones de imágenes bajo la luz solar directa [ 113 ]. Vale la
pena mencionar que, en condiciones de sol, las imágenes tomadas cuando el sol está demasiado lejos del punto más bajo puede contener grandes zonas
de sombra, que puede causar una pérdida de información y, como consecuencia, una disminución en la precisión [ 100 ]. Por lo tanto, a menudo se
recomienda que las misiones UAV se llevarán a cabo en torno al mediodía [ 106 ].
características de las plantas varían en función de la etapa de crecimiento [ 116 ], Y una variación de este tipo puede tener un signi fi cativo influencia
en la capacidad de los algoritmos y modelos para predecir correctamente el estado de nutrición, especialmente en el caso del nitrógeno [ 103 ]. Diferentes
estudios han llegado a conclusiones muy diferentes con respecto a la etapa de crecimiento que sea más favorable para el análisis de la nutrición a distancia.
El estado de nitrógeno se ha demostrado que estimarse con mayor facilidad en las últimas etapas de desarrollo de cultivos como el algodón [ 101 ]. Una
posible explicación es que los suelos andwater fondo efectos aremore frecuente cuando las plantas son más pequeñas; Además, las plantas más jóvenes
tienden a tener una tasa de producción de biomasa superior en comparación con la acumulación de nitrógeno (N efecto de dilución) [ 101 ]. Por el contrario, la
estimación de concentración de nitrógeno fue menos precisa en las etapas posteriores del desarrollo en el caso de avena [ 116 ]. La explicación de esto es
que, como las plantas maduran y comienzan senescentes, nitrógeno y biomasa se reasignan gradualmente a los granos, lo que reduce la capacidad
fotosintética y causar decoloración de las hojas. El problema de la senescencia de las hojas puede ser mitigado mediante la inclusión de parámetros
biofísicos, que se pueden derivar de modelos de superficie de las plantas [ 118 ] U otras fuentes de información. A su vez, el seguimiento de nitrógeno en
arroz era difícil en tanto temprana (de unión) y tardía (llenado fi) etapas de crecimiento, debido a la mezcla con dosel fondo del suelo durante la primera
etapa y después con panículas más tarde en el desarrollo [ 15 ]. Finalmente, Benincasa et al. [ 102 ] No observamos diferencias significativas en la exactitud
entre los cultivos de trigo en principios y finales de temporadas; sin embargo, señalaron que las lluvias anormalmente intensas y las condiciones del suelo
preexistentes pueden haber afectado los resultados. Algunos estudios han aportado pruebas de que la exploración de la alta resolución espectral de
imágenes hiperespectrales para seleccionar las longitudes de onda que son más representativos de cada etapa de crecimiento puede ser una manera
efectiva de abordar esta cuestión y reducir las incoherencias [ 127 ].
N-de fi cit cultivos característicamente han disminuido el contenido de clorofila, alturas retraso en el crecimiento, tallos delgados, y, hojas jóvenes pequeñas [ 40
]. Dif di fi surgen del hecho de que otros tipos de estrés pueden producir este tipo de efectos, incluyendo las inundaciones y las bajas temperaturas [ 102 ]. Por lo
tanto, el proceso de determinar con fiabilidad el estado nutricional de las plantas puede necesitar incluir información secundaria (variación de las propiedades del
suelo, el clima, los tipos de cultivos, etc.) para contextualizar las señales visuales que se encuentran en las imágenes aéreas y alimentar correctamente los sistemas
de soporte de decisiones [ 110 ].
Sólo tres artículos investigaron la aplicación de aprendizaje automático ERS clasi fi clásicos de supervisión del estado de nutrición. Liu et al.
[ 114 ] Empleado una red neuronal perceptrón multicapa y una regressionmodel lineal múltiple para determinar el estado de nitrógeno inwheat el uso
de imágenes hiperespectrales; los resultados obtenidos con la red neuronal fueron superiores a los obtenidos utilizando el modelo de regresión.
Zermas et al. [ 124 ] Empleó K-significa la agrupación a los píxeles de grupo y SVM a FI yellowpixels ND, pero la propia clasificacion se realizó
mediante un modelo de regresión logística. Finalmente, Zheng et al. [ 15 ] Probado siete tipos de ERS fi caciones de aprendizaje automático, junto
con seis tipos de regresión, para el seguimiento de nitrógeno en el trigo, con el bosque aleatorio (RF) dando los mejores resultados.
2.3. enfermedades
Tradicionalmente, la detección de enfermedades en los cultivos se ha llevado a cabo visualmente por las personas con algún tipo de formación o experiencia trastornos de
plantas de detección. En cuanto a cualquier actividad llevada a cabo por los seres humanos, este enfoque está sujeta a fenómenos psicológicos y cognitivas que pueden conducir a
sesgo, ilusiones ópticas, y en última instancia error [ 129 ]. herramientas basadas en imágenes pueden, por lo tanto, juegan un papel importante en la detección y el reconocimiento de
enfermedades de las plantas cuando la evaluación humana es inadecuada, poco fiable, o no están disponibles [ 130 ], Especialmente con la ampliación de la cobertura proporcionada
por vehículos aéreos no tripulados.
Como se puede observar en la tabla 3 , En contraste con los estudios sobre el agua y el estado de nutrientes, los cuales
están fuertemente dominado por modelos de regresión, de aprendizaje de máquinas ERS fi caciones se han utilizado con frecuencia para la detección de
enfermedades y cuanti fi cación [ 14 , 131 - 139 ]. RGB [ 131 , 132 , 135 , 136 , 138 - 143 ] y [imágenes multiespectrales 133 , 134 , 137 , 143 - 151 ] Han sido métodos preferidos para
la adquisición de información acerca de las áreas estudiadas, pero hiperespectral [ 14 , sesenta y cinco , 152 ] y las imágenes térmicas [ sesenta y cinco , 147 , 152 , 153 ]
También han sido probados. Este último se emplea principalmente para detectar signos de estrés agua potencialmente causadas por la enfermedad específica.
Tabla 3. Las referencias frente a la vigilancia de las enfermedades en los cultivos.

Cultivo Enfermedad Sensor modelos de entrada salida del modelo Tipo de modelo
20 índices y Clasif. saludable y

[ 144 ] Ala fija Viñedo Dorée flavescencia multiespectral análisis ROC
parámetros enfermo
Flavescencia dorada, 24 índices y Clasif. saludable y

[ 145 ] Ala fija Viñedo multiespectral análisis ROC
tronco de la vid parámetros 2 enfermedades
Clasif. saludable y
[ 146 ] Giratorio Viñedo Dorée flavescencia multiespectral píxeles de la imagen RNFBR
enfermo
K-means
[ 131 ] Giratorio Remolacha azucarera mancha foliar RGB L * a * b * píxeles de color gravedad de la enfermedad
clustering
ángulo Hue, más verde Caída de hojas (enfermedad

[ 140 ] Giratorio Maní mancha foliar Late RGB La regresión lineal
zona indicador)
ala]
[ sesenta y cinco fija olivar verticilosis Hiperespectrales, térmica T do - T una, CSWI, CF gravedad de la enfermedad análisis de ANOVA
[ 152 ] ala fija olivar verticilosis Hiperespectrales, térmica T do - T una, CSWI, CF gravedad de la enfermedad análisis de ANOVA
Color y textura
[ 132 ] Giratorio Rábano fusariosis RGB gravedad de la enfermedad CNN
caracteristicas
[ 133 ] Giratorio bosque de Pinus Simulado (herbicida) multiespectral índices de vegetación gravedad de la enfermedad bosque al azar
[ 134 ] Giratorio bosque de Pinus Simulado (herbicida) multiespectral índices de vegetación gravedad de la enfermedad bosque al azar
[ 148 ] Giratorio Viñedo La vid de la raya de la hoja multiespectral NDVI gravedad de la enfermedad La regresión lineal
Clasif. tierra, sanos,

[ 135 ] ? Viñedo N/A RGB índices de vegetación CNN
enfermos
[ 149 ] Giratorio Patata Necrosis multiespectral GNDVI gravedad de la enfermedad La regresión lineal
[ 150 ] Ala fija Patata Tizón de la papa Multiespectral, NIR NDVI gravedad de la enfermedad Inspección visual
[ 151 ] Giratorio Miseria tomate punto de marchitez multiespectral índices de vegetación gravedad de la enfermedad La regresión lineal
[ 141 ] Giratorio Patata enfermedad de pie negro RGB, NIR NDVI detección de la enfermedad umbralización
té Paperback
[ 14 ] Giratorio óxido de mirto hiperespectral índices de vegetación 5-clase clasi fi cación XGBoost
árboles
Clasif. saludable y
[ 136 ] Giratorio Agrios HLB RGB píxeles SVM
enfermo
aguja banda Red temperatura

[ 153 ] Ala fija El pino silvestre Térmico gravedad de la enfermedad La regresión lineal
plaga corona Raw
[ 137 ] Giratorio Trigo roya amarilla del trigo multiespectral índices de vegetación gravedad de la enfermedad bosque al azar
[ 142 ] Giratorio Patata Tizón tardío de la papa RGB índice de gravedad gravedad de la enfermedad umbralización
Clasif. saludable y
[ 138 ] Giratorio Patata virus Y de la papa RGB imágenes recortadas CNN
enfermo
un blanco puntual, polvorienta Color, textura, Clasif. saludable y

[ 139 ] Giratorio Haba de soja RGB Varios ampli fi caciones
moho características de forma 2 enfermedades
[ 143 ] Giratorio Arroz tizón de la vaina RGB, multiespectral NDVI gravedad de la enfermedad La regresión lineal
Leyenda: -El tipo de aeronave no se aclaró en la referencia original; fluorescencia CF-clorofila; CNN-convolucional red neural; CWSI-Crop índice de estrés
hídrico; GNDVI-Green índice de vegetación de diferencia normalizada; HLB-Huanglongbing; N /-A No disponible; NDVI-índice normalizado de vegetación de
diferencia; NIR-infrarrojo cercano; función de base radial RNFBR-red neuronal; ROC-receptor característica de funcionamiento; SVM-máquinas de vectores
soporte; T una -Temperatura del aire; T do temperatura -Canopy.
Barbedo [ 154 ] Discuten varios desafíos implicados en la enfermedad planta automática identificación. Dicha revisión, aunque se centró en la
detección proximal utilizando imágenes de rango visible, aborda varios puntos que son relevantes para las imágenes adquiridas UAV-:
- Fondo de la imagen: El aislamiento de las plantas desde el fondo (la mayoría del suelo en el caso de las imágenes adquiridas UAV) puede ser un
problema di fi culto a sí mismo, y dependiendo de la resolución espacial (GSD) de las imágenes, los píxeles mixtos (planta + suelo, planta +
sombras ) será inevitablemente presente incluso si la segmentación planta es exacta, la disminución de la precisión [ 144 , 145 , 147 ]. Algunos autores
utilizan técnicas fuertemente no lineales, tales como Redes Neuronales convolucional, con el fin de abordar el problema de píxeles mixtos en las
fronteras de las regiones [ 132 ]. Este tipo de enfoque puede ser muy eficaz, pero depende de grandes cantidades de imágenes cuidadosamente
anotados para trabajar correctamente [ 130 ], De lo contrario el fi significación de los hallazgos es limitada [ 135 ]. Los errores también pueden
minimizarse haciendo la segmentación de forma manual, pero esto puede ser una tarea muy laboriosa, y lo más importante, el método para la
detección de la enfermedad resultante ya no será totalmente automático, lo que reduce drásticamente su atractivo. En cualquier caso, la presencia
de malas hierbas puede hacer que sea muy difícil para delinear las regiones de interés y, por consiguiente, para detectar y cuantificar las
enfermedades [correctamente 141 ].
- las condiciones de captura de imágenes: las preocupaciones de iluminación son especialmente importantes en el campo, donde aspectos como la hora del
día, la posición del sol con respecto a la hoja, y las condiciones nubladas pueden afectar en gran medida características de la imagen. En general, la
recomendación es que las imágenes se capturaron con cualquiera de las condiciones nubladas o con el sol cerca del punto más bajo. También, un ángulo
perpendicular de la captura se prefiere generalmente para evitar problemas de perspectiva y de oclusión. Vale la pena señalar que algunos autores han
elegido para realizar misiones ight FL en la noche, con plantas que están siendo iluminado por una luz polarizada especificidad camente diseñado para
resaltar los efectos de la enfermedad en cuestión [ 136 ].
- variaciones Síntoma: La mayoría de las enfermedades de las plantas producen alteraciones fisiológicas que pueden ser detectados en ciertas
bandas del espectro. El problema es que dichas alteraciones pueden ser muy variables en función de factores distintos de la propia enfermedad,
tales como cultivar [ 140 , 142 , 144 , 145 ], Edad de la hoja [ 145 ], Gravedad de la enfermedad [ 145 ], las condiciones climáticas [ 148 ], Y la presencia de
otros factores de estrés, entre otros. El diseño de experimentos que tengan en cuenta todas esas variaciones pueden ser un reto o incluso
inviable, lo que puede conducir a métodos con uso práctico limitado.
- Otros trastornos y tensiones: Experimentos suelen considerar sólo el trastorno (s) de interés y plantas sanas (control). En la práctica, hay
muchos factores que pueden causar reacciones similares a la enfermedad en cuestión [ 145 ], y múltiples tensiones pueden estar presentes
simultáneamente. Tal un alto grado de variabilidad encontrada en el mundo real es muy difícil de emular en cualquier investigación. Como
resultado, los métodos que obtuvieron buenos resultados en experimentos controlados a menudo fallan en condiciones más realistas. Este
hecho ha llevado a algunos autores a considerar la posibilidad de que las imágenes del UAV puede tener su limitado potencial de actuar como
una alarma para la coloración anómala que tendría que ser comprobado en campo para determinar su origen [ 144 ]. Información adicional como
datos históricos sobre el cultivo [ 148 ] y modelos digitales de superficie (DSM) revelando la altura del dosel [ 141 ] Puede ser útil en este tipo de
contexto, ya que pueden dar respuestas que pueden resolver posibles ambigüedades.
- cambio Covariate: Otro problema que es muy común surge de las diferencias entre las distribuciones de los datos utilizados para entrenar el
modelo y los datos en los que el modelo se va a aplicar, una situación que comúnmente se llama cambio covariable [ 155 ]. Aunque hay
muchos grupos de investigación que trabajan en soluciones basadas en adaptaciones de dominio para mitigar este problema [ 156 ], Una
consecuencia todavía inevitable de este problema es que se necesita una etapa de calibración cada vez diferentes condiciones y áreas
geográficas se han de considerar. Este problema ha sido reconocido por unos pocos autores, que agregaron que la calibración es a menudo
inviable en un contexto operacional, como la recogida de datos para esta tarea requiere mucho tiempo y mucha mano de obra [ 144 ].
Los experimentos que implican enfermedades de las plantas pueden ser difíciles de poner en práctica debido a que las plantas afectadas necesitan
permanecer sin tratar hasta que todos los experimentos se llevan a cabo, whichmay causar la enfermedad se extienda a las zonas vecinas. Para evitar un
brote de la enfermedad actual, algunos experimentos han utilizado proxies a la enfermedad real (por ejemplo, herbicidas) para causar estrés fisiológico y
para simular la aparición de los síntomas [ 133 , 134 ]. Es importante destacar, sin embargo, que si bien este tipo de enfoque es útil si el objetivo es una
prueba general del concepto, si se apuntan enfermedades específicas, sus especificidades deben ser investigados de forma explícita en experimentos
prácticos.
La mayoría de los experimentos indican que las resoluciones espaciales más altas conducen a mejores resultados, ya que la información más
significativa puede ser extraída cuando las plantas y las estructuras respectivas se pueden analizar individualmente [ 14 ]. Sin embargo hay algunas
excepciones. Dash et al. [ 133 , 134 ] Observado un aumento en la precisión cuando se muestrean las imágenes multiespectrales originales utilizados para la
detección de la tensión de la enfermedad en los pinos. Ellos plantearon la hipótesis de que el aumento de la sensibilidad de los índices espectrales
resampled podría ser un producto del proceso de remuestreo, que potencialmente pueden actuar como un filtro que aumenta la relación de señal a ruido
cuando el fenómeno sujeto es igual o más grande que el tamaño de píxel . Debido a esto, los autores señalaron que este resultado no debe interpretarse
como una evidencia directa de que una resolución espacial de las imágenes más grueso tiene una mayor utilidad para el control del estrés.
Para ser útil, en la mayoría de los casos, la detección de enfermedades deben realizarse tan pronto como sea posible a fin de evitar pérdidas signi fi
cativas. Sin embargo, signos de la enfermedad tienden a ser muy ligero en el inicio de la infección, lo que hace dif detección fi culto incluso mientras el uso de
imágenes proximal con muy altas resoluciones espaciales y espectrales [ 154 ]. De hecho, la correlación entre las calificaciones UAV derivados y manuales para
la marchitez punto de tomate se ha demostrado que aumenta constantemente a medida que avanzaba la temporada, que se puede explicar tanto por zonas
infectadas cada vez más grandes y por el aumento del impacto de la enfermedad en el tamaño del dosel y su salud [ 151 ]. Otros autores han reportado altas
tasas de error al intentar detectar enfermedades en las plantas con niveles bajos de infección [ 145 ].
Algunas enfermedades son conocidos por producir simultáneamente diferentes tipos de cambios. Esto llevó a algunos autores a combinar
diferentes dominios espectrales para abordar el problemmore detección de la enfermedad sistémica. Por ejemplo, Calderón et al. [ 147 ] Índices
combinados del, borde rojo visible, infrarrojo cercano, y regiones espectrales térmicas para detectar mildiú velloso en adormidera. Si bien esta
estrategia puede significativamente fi mejorar las capacidades de detección, es importante tener en cuenta que se requiere de múltiples sensores, el
aumento de los costos de operación, y la carga útil a ser llevado por el UAV.
Como se indicó anteriormente, algunos estudios utilizaron imágenes térmicas para detectar cambios en el contenido de agua como una señal indirecta de
la presencia de ciertas enfermedades [ sesenta y cinco , 147 , 152 , 153 ]. Por esta razón, las características y los desafíos que afrontan esos estudios experimentales
están estrechamente relacionados con las observaciones extraídas en la sección “Sequía”.
2.4. Otros
El problema de la detección de plagas usando imágenes digitales comparte varias similitudes con la detección de la enfermedad, como los insectos son
vectores principales para muchas de las enfermedades de las plantas más importantes. Por lo tanto, no es de extrañar que factores como la iluminación, el
ángulo de captura, y las sombras también se han demostrado tener un impacto significativo en plagas de detección [ dieciséis , 157 ]. Otro punto en común es que
las señales visuales y espectrales utilizados para detectar las plagas pueden ser el resultado de varios factores diferentes, incluyendo otros insectos, que de
nuevo enfatiza la necesidad de otros tipos de datos para una inequívoca identificación [ dieciséis , 157 ].
Esta estrecha relación entre insectos y enfermedades puede explicar el número relativamente bajo de los estudios sobre las plagas en comparación con los
otros tipos de estrés, como la identificación de sus efectos se trata a menudo simplemente como la detección de enfermedades. Sin embargo, a pesar de los efectos
nocivos de las infestaciones de plagas a menudo están vinculados a enfermedades de transmisión, los propios insectos pueden causar daños considerables [ 158 ].
Un efecto que es común en los bosques y huertos es la defoliación de los árboles, una señal de que ha sido explorado en unos pocos experimentos [ 157 , 159 ].
También,
insectos pueden interrumpir procesos fisiológicos y la fotosíntesis, causando un impacto en la altura de la planta, un efecto que puede ser detectado a
través de la fotogrametría [ 158 , 160 ].
Gran parte de la investigación sobre la detección de plagas se centra en los bosques (Cuadro 4 ). Este tipo de zona tiende a ser
expansivo y con acceso limitado, lo que di fi culto de obtener en los datos de referencia in situ para la calibración de métodos alternativos. Además, los árboles altos representan un
significante no puede tratar a vehículos aéreos no tripulados, a menudo haciendo misiones de exploración regulares demasiado arriesgado y poco rentable. En este contexto, algunos
investigadores han utilizado vehículos aéreos no tripulados con el propósito específico de la recopilación de datos de la planta de la verdad para la calibración de los datos de satélite
que posee un GSD comparativamente más bajos [ dieciséis ]. Por lo tanto, en casos como este, los UAV no se utilizan para el monitoreo de plagas en sí, sino como una herramienta e
fi ciente para la adquisición de datos de referencia.
Tabla 4. Las referencias tratar con el monitoreo de plagas en los cultivos.
Tipo de
Cultivo Parásito Sensor modelos de entrada salida del modelo
modelo
La regresión
[ 109 ] Giratorio Patata escarabajo de la patata multiespectral NDVI, GNDVI la detección de daños
lineal
Daños cuanti fi
[ 157 ] Giratorio Roble Roble esplendor escarabajo multiespectral (CIR) NDVI PCA
cación
Inspección
[ 150 ] Ala fija cebolla trips Multiespectral, NIR NDVI la detección de daños
visual
procesionaria El estrés hídrico Daños cuanti fi Regresión

[ dieciséis ] Giratorio bosque de pinos RGB
polilla índice cación logística
Multiespectrales, contenido de potasio Análisis

[ 119 ] Giratorio canola pulgón verde del melocotonero NDVI
hiperespectrales (indirecto) discriminante
La regresión
[ 158 ] Ala fija Sorgo pulgón de la caña de azúcar multiespectral NDVI la densidad de áfidos
lineal
Multiespectrales, índices de La regresión

[ 160 ] Giratorio Viñedo uvas filoxera vigor de las plantas
hiperespectrales, RGB vegetación, DVM lineal
Multiespectrales, índices de La regresión

[ 161 ] Giratorio Viñedo uvas filoxera vigor de las plantas
hiperespectrales, RGB vegetación, DVM lineal
bosque al
[ 162 ] ? bosque N/A RGB características de textura la detección de daños
azar
pino chino oruga del pino La defoliación a trozos

[ 159 ] Giratorio hiperespectral bandas seleccionadas
chino cuanti fi cación PLSR
Leyenda: -El tipo de aeronave no se aclaró en la referencia original; CIR-infrarroja de color; DVM-digital modelo vigor; GNDVI-Green índice de vegetación de
diferencia normalizada; N /-A No disponible; NDVI-índice normalizado de vegetación de diferencia; NIR-infrarrojo cercano; análisis de componentes
PCA-Principal; PLSR-regresión de mínimos cuadrados parciales.
Detección de malas hierbas también ha recibido cierta atención (Tabla 5 ). La idea general es perjudicial para localizar
especies de malas hierbas de modo herbicidas se pueden aplicar con precisión, reduciendo así los costes y el impacto medioambiental. Debido a las
malas hierbas a menudo pueden reconocerse en las imágenes aéreas de alta resolución de sus arquitecturas dosel distintivos y la intermitencia de sus
parches [ 163 ], Espectral detallada no informationmay sea tan importante como en la identificación de otros tipos de estrés. De hecho, se ha preferido
este tipo de imagen, con las estrategias adoptadas, incluyendo el uso de la morfología matemática combinada con el aprendizaje profundo de malezas
clasi fi cación [ 163 ], El uso del exceso de Índice de Green (ExG) combinado con regresión lineal para investigar la resistencia de los cultivos a weed
desgarradora [ 164 ], El uso de ExG combinado con K-means para estimar la severidad de malezas infestación [ 17 ], Y el uso de descriptores de imagen
estadística combinada con el bosque aleatorio para clasificar las regiones de imagen en cultivo (caña de azúcar) y dos especies de malas hierbas [ 165 ].
La única excepción fue un estudio preliminar sobre la viabilidad del uso de imágenes hiperespectrales para discriminar entre las firmas espectrales de
algunas malas hierbas con diferentes resistencias al glifosato [ 166 ]. Vale la pena mencionar que la oclusión de las principales condiciones de los
cultivos y la mala iluminación han sido señalados como los principales obstáculos para la detección exitosa de las malas hierbas en medio de cultivos
comerciales [ 163 ].
Tabla 5. Las referencias se trata de la supervisión de las malas hierbas en los cultivos.
Tipo de
Cultivo Hierba Sensor modelos de entrada salida del modelo
modelo
Rotatorio, Palmer amaranto, Inspección

[ 166 ] Haba de soja hiperespectral imágenes detección de malas hierbas
ala fija raigrás italiano visual
Morningglory, cadillo,
Clasif. cuatro malas hierbas
[ 163 ] Giratorio N/A Palmer amaranto, RGB imágenes recortadas CNN
especies
rudis
La regresión
[ 164 ] Giratorio Cebada N/A RGB El exceso de índice de la mala hierba verde impacto desgarrador
lineal
Palmer amaranto, mijo de

Rotatorio, fi ja
[ 17 ] Sorgo los arrozales, Texas Panicum, RGB índice de exceso de verde infestación de malezas K-means
ala
dondiego
imagen estadística Cultivos y malezas bosque al

[ 165 ] Giratorio Caña de azúcar Tridax margarita, sourgrass RGB
descriptores clasi fi cación azar
La última tensión que se ha estudiado el uso de vehículos aéreos no tripulados se relaciona con el daño de temperatura extrema. Sólo dos
investigaciones que fi cio fi esta categoría fueron identificados (Tabla 6 ), Tanto frente a daños por calor. Gennaro et al. [ 167 ] Calor evaluado y los efectos del
estrés radiativa en viñedos en términos de temperatura en los niveles de racimo y de la vegetación, a partir de datos tanto térmicas y multiespectrales.
Malenovský et al. [ 168 ] Utilizado vehículos aéreos no tripulados para monitorear el impacto del cambio climático sobre la vegetación de la Antártida;
emplearon regresiones de vectores soporte (RVS) para extraer información relevante de las imágenes hiperespectrales, que a su vez se utilizan para inferir
vigor musgo Antártico como una función del contenido de clorofila copa de la planta y la densidad de la hoja.
Tabla 6. Las referencias se trata de la supervisión de las malas hierbas en los cultivos.

Cultivo Sensor modelos de entrada salida del modelo Tipo de modelo
[ 167 ] Giratorio Vineyard multiespectral, térmica datos térmicos, NDVI El estrés por calor cuantificación La regresión lineal
vetor de regresión
[ 168 ] Giratorio Musgo hiperespectral bandas espectrales El contenido de clorofila, densidad de hojas
apoyo
3. Discusión general
Como se discutió en la sección anterior, cada tipo de estrés tiene aspectos especí fi cos y factores que deben tenerse en cuenta cuando
monitoreado por UAVs. Hay, sin embargo, muchos temas que son comunes a todos los contextos considerados en esta revisión. El objetivo de esta
sección es abordar estas cuestiones, proporcionando una visión global acerca de sus consecuencias más relevantes y cómo los impactos
perjudiciales pueden ser mitigados.
En esta sección se puede dividir en dos partes. La primera parte revisa algunas de las cuestiones que se plantearon en la referencia [ 4 ] En
el contexto de la monitorización de granja basados en UAV, ahora dirigirse a ellos en el contexto de detección y vigilancia estrés. Aspectos que ya
han sido discutidos en detalle en la referencia [ 4 ] Sólo será menciona brevemente, con el lector que se hace referencia a que el trabajo para más
información. La segunda parte analiza las nuevas cuestiones que se infieren de las referencias seleccionadas para esta revisión, por lo tanto recibir
un tratamiento más detallado.
3.1. Problemas Revisited
Hay una percepción creciente entre los diferentes actores del sector agrícola que vehículos aéreos no tripulados pueden ser herramientas
valiosas para recopilar información de forma rápida y fiable, especialmente en zonas remotas y hostiles. Es importante tener en cuenta, sin embargo,
que los UAV puede ser un reto para piloto y que la curva de aprendizaje puede ser muy altas, incluso con la navegación con GPS. aviones rotatorio
son, en general, más fáciles de operar debido al despegue y aterrizaje vertical, pero los incidentes son comunes incluso entre los usuarios
experimentados. UAV aterrizar en terrenos difíciles, que es común en las zonas agrícolas, es particularmente difícil, especialmente en el
caso de aviones fi jo-ala. Para minimizar los daños en caso de un aterrizaje fallido, se recomienda mantener el peso de la aeronave y la carga útil
sustancialmente por debajo de los límites nominales [ 10 ].
La amenaza de accidentes y la pérdida de equipos está siempre presente, ya que hay muchos peligros que pueden causar un UAV se bloquee: fuertes
vientos, las aves de presa, líneas eléctricas, árboles, pérdida de la señal, y así sucesivamente. Aunque la planificación y la supervisión cuidadosa puede reducir en
gran medida el riesgo, los incidentes son a veces inevitables, que puede causar daños a las aeronaves y los sensores. En este contexto, se recomienda que las
piezas de repuesto e incluso vehículos aéreos no tripulados adicionales siempre estén disponibles para el reemplazo, especialmente cuando hay limitaciones de
tiempo para completar la encuesta.
vientos de alta velocidad pueden causar movimientos de guiñada, cabeceo y balanceo y pueden afectar a la velocidad de la aeronave.
Debido a que la compensación por mecanismos de estabilización tiene cierta latencia de respuesta, el movimiento angular será inevitable,
especialmente en el caso de los pequeños UAVs rotativos. Tal movimiento angular altera la superposición entre las imágenes y reflejar sensores
de de nadir, dañando así el proceso de mosaicos y la introducción de una variedad de distorsiones. La corrección de estas distorsiones no es una
tarea trivial, pero es inevitable si ellos son muy prominentes o si el método a aplicar depende en gran medida la caracterización geométrica de la
imagen [ 19 , 55 , 59 , 64 , 67 , 81 , 107 , 114 , 127 , 142 , 153 , 159 , 167 ]. Otro problema asociado a altas velocidades del viento es que se moverán marquesinas
y cambiar la apariencia, lo que puede provocar inconsistencias y pueden impedir la alineación de la imagen apropiada debido a la imposibilidad de
hallazgo suficientes puntos clave comunes entre las fotografías.
Aunque el uso de vehículos aéreos no tripulados para la obtención de imágenes por lo general se considera una alternativa más barata a las misiones tripuladas
(y en algunos casos, incluso a las imágenes de satélite), hay muchos factores que deben tenerse en cuenta. Con el fin de ser controlado adecuadamente, grandes
propiedades pueden requerir el uso de un avión más sofisticado, que puede ser muchas veces más caros que los vehículos aéreos no tripulados de gama baja. Debido a
que el riesgo de accidentes sigue siendo alta, los costos de seguros también pueden ser significativos. En última instancia, los costos y los beneficios dependerán en gran
medida de las características de las propiedades y de los usos previstos, por lo que se recomienda un análisis económico y técnico cuidado antes de decidir si los
vehículos aéreos no tripulados son ventajosas.
UAVs ligeros tienden a ser más barato y más fácil de usar, sino que también tienen una capacidad de carga limitada. Esto limita no sólo los
sensores que se pueden implementar, sino también el tamaño de las baterías, lo que limita el tiempo volador y, como consecuencia, la cobertura [ 10 ].
Hay algunas soluciones para este problema, tales como ying fl mayor (al coste de tener menor GSD), usando vehículos aéreos no tripulados más grandes
(que son más caros y más difíciles de operar), fl ying en la formación (un costoso y di fi culto opción de implementar), y la exploración de la energía solar
(hay cuestiones prácticas y técnicas que todavía deben superarse). Afortunadamente, a medida que evoluciona la tecnología, algunos de los problemas
relacionados con la capacidad de carga útil se minimizan y se plantean soluciones más adecuadas.
Con el fin de ahorrar recursos de batería, para reducir el tiempo necesario para cubrir las áreas de interés [ 118 ], Y para acelerar el proceso
de creación de mosaicos, las imágenes deben ser capturados desde las más altas altitudes posibles con un solapamiento mínimo entre ellos. El
nivel mínimo de superposición dependerá directamente de las características del terreno, en la robustez del algoritmo de mosaicos, y en lo
importante que es para evitar las zonas con datos faltantes. La altura ideal es la altitud máxima por encima del cual los sensores de elección ya no
proporcionan suficiente resolución para una robusta fi cación de los objetos de interés, siempre y cuando se observan los límites legales. Aunque la
mejor configuración posible sólo se puede lograr mediante el estudio cuidadoso de las características específicas de cada encuesta [ 40 ], Debería
ser posible derivar algunas pautas generales que son una razonablemente buena fi cio en la mayoría de los casos.
restricciones de carga útil significan que los sensores deben ser miniaturizados como sea posible. Sin embargo, en el caso específico de
sensores de imagen, por lo general hay un compromiso entre la miniaturización y la calidad de los datos. Hay algunos sensores miniaturizados que
pueden ofrecer una calidad óptica similares a sus homólogos de mayor tamaño, pero tienden a ser considerablemente más caro [ 169 ]. Esto tiene que
ser tenido en cuenta para el control del estrés, ya que, dependiendo de la GSD, distorsiones ópticas pueden hacer que el estrés identificación inviable.
Aunque las normas que regulan el uso de vehículos aéreos no tripulados están evolucionando hacia un mejor equilibrio entre la seguridad y la viabilidad
práctica el uso, que son, en general, lo suficientemente estrictos como para causar problemas en muchas situaciones. Las regulaciones varían de país a país,
pero algunas reglas son comunes a la mayoría de ellos, incluyendo la necesidad de una licencia de piloto y una exención especial dependiendo del tamaño de
la aeronave, la necesidad de mantener la aeronave dentro de una línea visual de la vista, y los límites de la altitud máxima fl ying (típicamente 120 m) y la
velocidad, entre otros. Las reglas tienden a ser menos estrictas en zonas poco pobladas, pero todavía necesitan ser considerados cuando se emplean
vehículos aéreos no tripulados para vigilar la tensión.
3.2. Problemas especí fi co
El tipo de sensor juega un papel importante en la capacidad de que la vigilancia basada en el UAV tiene que detectar las tensiones de interés [ 125 ].
RGB cámaras convencionales pueden ofrecer resoluciones espaciales muy altas incluso con alta volador de vehículos aéreos no tripulados, y tienden a
ser mucho más asequible que otros tipos de sensores, pero su información espectral es muy limitada. cámaras multiespectrales pueden ofrecer altas
resoluciones espaciales y re detallada reflectancia de información para unas pocas bandas con anchos de banda relativamente amplios, pero tienden a
ser considerablemente más caras que las cámaras RGB. resoluciones espaciales típicas de los sensores hiperespectrales son mucho menores que las
ofertas entregadas en RGB y cámaras multiespectrales, pero que ofrecen una muy alta resolución espectral per fi l que contiene información de
reflectancia para cientos de bandas espectrales estrechas. Esto permite la detección de alteraciones fi espectrales nely localizado causado por las
tensiones [ 160 ], Pero la resolución espacial relativamente baja puede causar problemas debido a los píxeles mixtos. Este tipo de sensor también tiende a
ser la menos asequible. Finalmente, los sensores térmicos tienen por objeto detectar las alteraciones de temperatura minutos causadas por ciertas
tensiones, con resoluciones espaciales que tienden a estar a la par con los entregados por un sensor hiperespectral. Elegir el sensor adecuado para una
aplicación dada es una tarea compleja que siempre debe tener en cuenta el equilibrio entre la ganancia potencial en la precisión y el costo asociado con
sensores más sofisticados. La información contenida en la literatura puede ser muy útil para lograr este objetivo, pero una de fi nida respuesta sólo puede
ser alcanzado por teniendo en cuenta todas las particularidades de la aplicación deseada.
La mayoría de los estudios sobre la vigilancia y la detección de estrés realizadas hasta el momento de abordar la cuestión como un
problema binario (la presencia de una ausencia de la tensión de interés). Los experimentos se realiza usando un grupo de control (plantas sanas) y
un grupo para el que se induce el estrés de interés. El problemwith este enfoque es que hay varios otros tipos de estrés que puede ocurrir en un
entorno real, todos ellos capaces de inducir alteraciones fisiológicas y espectrales que pueden o bien imitar las producidas por el estrés de interés
o que pueden alterar drásticamente los efectos observables cuando se produzca simultáneamente con el estrés dirigida [ 154 ]. Aunque teniendo en
cuenta todo posible variabilidad en los estudios con un presupuesto limitado y severas limitaciones de tiempo es a menudo inviable, es importante
tener en cuenta, al menos, las combinaciones más probables de los factores con el fin de aumentar la aplicabilidad práctica de los métodos que se
propone.
Como se discutió previamente, la operación de los UAV puede ser costoso, especialmente si se utiliza un equipo más sofisticado. Esto llevó
a algunos autores a especular que, en muchas situaciones, los UAVs no puede ser rentable si se compara con otras fuentes de datos, tales como
sensores proximales activos [ 110 ]. Por otro lado, los UAVs son altamente flexibles para el control de diferentes parámetros durante la estación de
crecimiento, por lo que más información se puede obtener a un costo total más bajo [ 110 ].
La significación y el alcance de los resultados reportados en un estudio dado están directamente relacionados con la calidad de los datos de la
planta de la verdad se tome como referencia para evaluar las técnicas y los métodos propuestos. Sin embargo, la adquisición de datos de referencia de alta
calidad puede ser un reto. La colección de datos de referencia a menudo requiere un viaje al campo experimental para las mediciones a realizar in loco. Los
sitios seleccionados para el muestreo de datos a menudo son difíciles de acceder, y la recogida de datos adecuada puede llegar a ser inviable en
condiciones meteorológicas adversas. Además, los datos de referencia tiene que alinearse correctamente con los datos de prueba y para cubrir toda la
variabilidad espera que ocurra dentro de los parámetros establecidos para los experimentos [ 116 ]. Por ejemplo,
si el objetivo es controlar una determinada enfermedad, los datos de referencia deben tener en cuenta toda la gama de posibles síntomas y niveles de
gravedad que se pueden encontrar en la práctica. Dada la variedad de condiciones y las interacciones entre los diferentes factores que pueden ocurrir en la
práctica, es culto fi muy dif estar seguro de que una referencia conjunto dado es lo suficientemente representativa. Sin embargo, siempre se debe hacer un
esfuerzo para incluir tanta diversidad como sea posible con el fin de garantizar que los resultados experimentales son una buena representación de la
realidad.
Algunos experimentos basados en imágenes digitales no requieren la recopilación de datos de referencia en el campo, y no confiar en el manual de
identi fi cación de las características de interés en las imágenes. Este proceso de etiquetado de imágenes, siendo una tarea subjetiva, puede ser muy
propenso a errores [ 14 ], Sobre todo si las características de interés tienden a mezclarse con el resto de la imagen. La subjetividad involucrada en el proceso
es sobre todo inevitable, pero los errores de etiquetado se puede reducir mediante el empleo de múltiples evaluadores humanos y un sistema de voto
mayoritario.
4. Conclusiones
A medida que evoluciona la tecnología, diferentes métodos para resolver los problemas que afectan a la actividad agrícola se están
proponiendo constantemente. Un aspecto que es común a todos esos métodos es la necesidad de fuentes de datos fiables para que funcione
correctamente. Proximal, transmitidas-UAV, y sensores de imágenes a bordo de satélites están siendo probados extensivamente para una
amplia gama de aplicaciones, y los resultados parecen indicar que son complementarias y no compiten por el mismo espacio. Es fi cil muy dif
para indicar cuál sería el mejor enfoque sin conocer los detalles de la aplicación deseada, porque hay demasiados factores que pueden influir
en la decisión (costes, la resolución espacial, la cobertura del área, el tipo de imagen para ser utilizado, el tipo de función de índice de
calcularse, etc.). Es interesante notar que, incluso cuando se utiliza el mismo tipo de sensor, dieciséis ].
Tan alentador ya que los resultados experimentales han sido, una adopción práctica de monitoreo de estrés basado en imágenes ha sido lento, sin importar el tipo de sensor y método
de despliegue. Una posible razón de esto es que hay tantos factores capaces de alterar las características fisiológicas y morfológicas de las plantas en condiciones prácticas que las respuestas
inequívocas basan únicamente en la información contenida en las imágenes se vuelven inviables con la tecnología actual. Esto parece indicar que los métodos actuales para el control del
estrés tienen un valor limitado en forma aislada, pero podría ser muy útil como parte de las estructuras basadas en el conocimiento más grandes que adoptan una visión sistémica capaz de
combinar diferentes tipos de datos, incluyendo la información del tiempo, los datos históricos sobre la incidencia de la enfermedad, prácticas de riego, aplicación de pesticidas, etc. En cualquier
caso, tecnologías de sensores y UAV seguirán evolucionando, y más poderosas técnicas de aprendizaje automático seguirán siendo propuesto. Al mismo tiempo, los nuevos experimentos
conducirán a una mejor comprensión de la fisiología vegetal y cómo las diferentes tensiones afectan a los procesos biológicos. Además, con un número creciente de grupos de investigación
haciendo su datos experimentales disponibles libremente, será posible probar nuevos métodos más rigurosamente, lo que conducirá a una mejor comprensión de las capacidades y limitaciones
de cada tipo de sensor reales y el método de despliegue . Con un montón de preguntas c científica aún sin respuesta, estos avances representan una excelente oportunidad para que los
investigadores explorar. nuevos experimentos conducirán a una mejor comprensión de la fisiología vegetal y cómo las diferentes tensiones afectan a los procesos biológicos. Además, con un
número creciente de grupos de investigación haciendo su datos experimentales disponibles libremente, será posible probar nuevos métodos más rigurosamente, lo que conducirá a una mejor
comprensión de las capacidades y limitaciones de cada tipo de sensor reales y el método de despliegue . Con un montón de preguntas c científica aún sin respuesta, estos avances
representan una excelente oportunidad para que los investigadores explorar. nuevos experimentos conducirán a una mejor comprensión de la fisiología vegetal y cómo las diferentes tensiones
afectan a los procesos biológicos. Además, con un número creciente de grupos de investigación haciendo su datos experimentales disponibles libremente, será posible probar nuevos métodos
más rigurosamente, lo que conducirá a una mejor comprensión de las capacidades y limitaciones de cada tipo de sensor reales y el método de despliegue . Con un montón de preguntas c
científica aún sin respuesta, estos avances representan una excelente oportunidad para que los investigadores explorar. lo que conducirá a una mejor comprensión de las capacidades reales y limitaciones de cada tipo de sen
Fondos: Esta investigación recibió ninguna financiación externa.
Los conflictos de interés: El autor declara ningún conflicto de intereses.
referencias
1. Zhang, C .; Kovacs, JM La Aplicación de pequeños sistemas aéreos no tripulados para Agricultura de Precisión: Una revisión.
Resumen. Agric. 2012, 13, 693-712.

2. Hunt, ER, Jr .; Daughtry, CST; Mirsky, SB; Hively, Teledetección WD con aviones no tripulados simulado Imágenes para aplicaciones de precisión
Agricultura. IEEE J. Sel. parte superior. Appl. Obs tierra. Sens remotas. 2014, 7, 4566 a 4.571.
3. Beloev, IH Una revisión sobre las posibilidades de aplicación actuales y emergentes para vehículos aéreos no tripulados.
Acta Technol. Agric. 2016, 19, 70-76.

4. Barbedo, JGA; Koenigkan, Perspectivas LV en el uso de sistemas aéreos no tripulados para monitorear ganado.
Perspectivas Agric. 2018, 47, 214-222.
5. Hogan, SD; Kelly, M .; Stark, B .; Chen, Y. sistemas aéreos no tripulados para la Agricultura y Recursos Naturales.
Calif. Agric. 2017, 71, 5-14.

6. Mulero-Pázmány, M .; Stolper, R .; Essen, L .; Negro, JJ; Sassen, T. pilotados a distancia Sistemas de aeronaves como una herramienta rinoceronte Anti-caza
furtiva en África. Más uno 2014, 9, e83873.
7. Miller, JO; Adkins, J .; Tully, K. Proporcionar imágenes aéreas través de vehículos aéreos no tripulados, 2017. Hoja FS-1056. Disponible en linea: https://drum.lib.umd.edu/handle/1903/191
(Consultado el 20 April2019).
8. Freeman, PK; Freeland, RS UAV agrícolas en los Estados Unidos: Potencial, Políticas y bombo. Sens remotas. Appl. Soc. Reinar. 2015, 2, 35-43.
9. Gabriel, JL; Zarco-Tejada, PJ; López-Herrera, PJ; Pérez-Martín, E .; Alonso-Ayuso, M .; Quemada, M. Airborne y el nivel del suelo sensores para controlar
el estado de nitrógeno en cultivos AMAIZe. Biosyst. Ing. 2017, 160, 124-133.
10. Anderson, K .; Gaston, KJ ligeros vehículos aéreos no tripulados revolucionará Ecología espacial.
Frente. Ecol. Reinar. 2013, 11, 138-146.

11. Krizhevsky, A .; Sutskever, I .; Hinton, GE IMAGEnet Clasi fi cación con profunda convolucionales Redes Neuronales. En Actas de la Conferencia Anual sobre
neuronales Sistemas de Procesamiento, Lago Tahoe, Dakota del Norte, EE.UU., 3-6 de diciembre de 2012; pp. 1106-1114.
12. Goodfellow, I .; Bengio, Y .; Courville, A. Aprendizaje profundo, 1st ed .; MIT Press, Cambridge, MA, EE.UU., 2016.
13. Matese, A .; Di Gennaro, SF Aplicaciones prácticas de una plataforma UAV multisensor Basado en multiespectral, térmica y RGB de alta resolución de
imágenes en viticultura de precisión. Agricultura 2018, 8, 116.
14. Sandino, J .; Pegg, G .; González, F .; Smith, G. cartografía aérea de los bosques afectados por agentes patógenos Uso de vehículos aéreos no tripulados, hiperespectrales
Sensores, y la inteligencia artificial. sensores 2018, 18, 944.
15. Zheng, H .; Li, W .; Jiang, J .; Liu, Y .; Cheng, T .; Tian, Y .; Zhu, Y .; Cao, W .; Zhang, Y .; Yao, X. Una evaluación comparativa de las diferentes algoritmos de
modelado de nitrógeno foliar estimación del contenido en trigo de invierno Uso de imágenes multiespectrales de un vehículo aéreo no tripulado. Sens
remotas. 2018, 10, 2026.

16. Otsu, K .; Pla, M .; Vayreda, J .; Brotons, L. Calibración de la gravedad de los bosques defoliación Por polilla procesionaria del pino con Landsat y UAV
Imagery. sensores 2018, 18, 3278.
17. Shi, Y .; Thomasson, JA; Murray, SC; Pugh, NA; Rooney, WL; Sha fi una, S .; Rajan, N .; Rouze, G .; Morgan, CLS; Neely, HL; et al. Vehículos aéreos no
tripulados de Alto Rendimiento del fenotipo y la Investigación Agronómica.
Más uno 2016, 11, e0159781.

18. Zaman-Allah, M .; Vergara, O .; Araus, JL; Tarekegne, A .; Magorokosho, C .; Zarco-Tejada, PJ; Hornero, A .; Alba, AH; Das, B .; Craufurd, P .; et al.
Unmanned Aerial Platform-Basado Multi-espectral Imaging para Campo fenotipado de maíz. Planta Métodos 2015, 11, 35.
19. Yu, N .; Li, L .; Schmitz, N .; Tian, LF; Greenberg, JA; Diers, BW desarrollo de métodos para mejorar la soja Rendimiento Estimación y predecir madurez de la
planta con una plataforma basada en vehículo no tripulado aérea. Sens remotas. Environ. 2016, 187, 91-101.
20. Tattaris, M .; Reynolds, MP; Chapman, Carolina del Sur una comparación directa de la teledetección Enfoques de Alto Rendimiento Fenotipificación en el
fitomejoramiento. Frente. Plant Sci. 2016, 7, 1131.
21. Machovina, BL; Feeley, KJ; Machovina, BJ UAV Teledetección espacial de la variación en la producción del banano.
Crop Sci Pasture. 2016, 67, 1281-1287.

22. Zhou, X .; Zheng, H .; Xu, X .; Él, J .; Ge, X .; Yao, X .; Cheng, T .; Zhu, Y .; Cao, W .; Tian, Y. La predicción de rendimiento del grano en el arroz Usando
multiespectral basado en FromUAV vegetación índices multi-temporal e imágenes digitales. ISPRS J. Photogramm. Sens remotas. 2017, 130, 246-255.
23. Kyratzis, AC; Skarlatos, DP; Menexes, GC; Vamvakousis, VF; Katsiotis, A. Evaluación de la vegetación índices derivados Por UAV Imágenes para
DurumWheat Fenotipificación Bajo Awater Limited y Estrés por Calor Medio Ambiente Mediterráneo. Frente. Plant Sci. 2017, 8, 1114.
24. Kefauver, SC; Vicente, R .; Vergara-Díaz, O .; Fernández-Gallego, JA; Kerfal, S .; López, A .; Melichar, JPE; Serret Molins, MD; Araus, JL UAV comparativo y
campo Fenotipificación para evaluar el rendimiento y nitrógeno Uso Ef fi ciencia En híbrido y convencional cebada. Frente. Plant Sci. 2017, 8, 1733.
25. Possoch, M .; Bieker, S .; Hoffmeister, D .; Bolten, A .; Schellberg, J .; Bareth, G. multitemporales modelos de cultivos de superficie combinada con el índice de
vegetación RGB a partir de imágenes UAV-base para el forraje de monitoreo en los pastizales.
SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2016, XLI-B1, 991-998.
26. Maimaitijiang, M .; Ghulam, A .; Sidike, P .; Hartling, S .; Maimaitiyiming, M .; Peterson, K .; Máquinas de afeitar, E .; Fishman, J .; Peterson, J .; Kadam, S .; et
al. Sistema aéreo no tripulado (UAS) a base de Fenotipificación de soja Uso de Multi-Sensor de Fusión de Datos y Extreme Machine Learning. ISPRS J.
Photogramm. Sens remotas. 2017, 134, 43-58.

27. Ballesteros, R .; Ortega, JF; Hernandez, D .; Moreno, MA Monitoring cebolla Biomasa Usando basados en UAV RGB Imaging. Resumen. Agric. 2018, 19, 840-857.
28. Cruzan, MB; Weinstein, BG; Grasty, MR; Kohrn, BF; Hendrickson, CE; Arredondo, TM; Thompson, PG pequeños vehículos aéreos no tripulados (UAVs Micro-,
Drones) en ecología vegetal. Appl. Plant Sci. 2016, 4.
29. Baena, S .; Boyd, DS; Foso, J. UAV En busca de experiencias del mundo Conservación de Plantas-Real. Ecol. Informar.
2018, 47, 2-9.
30. Ishida, T .; Kurihara, J .; Viray, FA; Namuco, SB; Paringit, CE; Pérez, GJ; Takahashi, Y .; Marciano, JJ Un nuevo enfoque para la vegetación Clasi fi cación
Usando basados en UAV hiperespectrales Imaging. Comput. Electrón. Agric. 2018,
144, 80-85.
31. Sankey, T .; McVay, J .; Swetnam, T .; McClaran, M .; Heilman, P .; Nichols, M. UAV hiperespectral y Lidar de datos y su fusión de vigilancia de la vegetación
de tierras áridas y semiáridas. Sens remotas. Ecol. Conserv. 2018, 4, 20-33.
32. Chianucci, F .; Disperati, L .; Guzzi, D .; Bianchini, D .; Nardino, V .; Lastri, C .; Rindinella, A .; Corona, P. Estimación de Canopy atributos en los bosques de
haya Uso de imágenes en color verdadero digitales froma pequeño UAV de ala fija. En t. J. Appl. Obs tierra. Geoinf. 2016, 47, 60-68.
33. Duan, T .; Zheng, B .; Guo, W .; Ninomiya, S .; Guo, Y .; Chapman, SC Comparación de la cubierta vegetal Las estimaciones de las parcelas experimento en
algodón, sorgo y caña de azúcar a partir de imágenes y orto-mosaicos grabados por la UAV. Func. Plant Biol. 2016, 44, 169-183.
34. Sankey, T .; Donager, J .; McVay, J .; Sankey, JB UAV lidar e hiperespectrales Fusión de vigilancia de los bosques en el suroeste de EE.UU.. Sens remotas.
Environ. 2017, 195, 30-43.

35. Gennaro, SFD; Rizza, F .; Badeck, FW; Berton, A .; Delbono, S .; Gioli, B .; Toscano, P .; Zaldei, A .; Matese, A. basados en UAV fenotipado de alto
rendimiento para discriminar cebada Vigor con índices de vegetación visibles y del infrarrojo cercano. En t. J. Sens remoto. 2018, 39, 35-43.
36. Han, L .; Yang, G .; Yang, H .; Xu, B .; Li, Z .; Yang, basado en el campo X. Clustering Maize fenotipado de crecimiento de plantas de altura y la cubierta
espectrales Dinámica Uso de un UAV Enfoque de teledetección. Frente. Plant Sci. 2018, 9, 1638.
37. Holman, FH; Riche, AB; Michalski, A .; Castle, M .; Wooster, MJ; Hawkesford, MJ Alto Rendimiento Campo Fenotipificación de la planta del trigo altura y la
tasa de crecimiento en los ensayos de parcelas de campo Uso de UAV base Teledetección.
Sens remotas. 2016, 8, 1031.
38. Wang, X .; Singh, D .; Marla, S .; Morris, G .; basado en el campo Polonia, J. Fenotipificación de alto rendimiento de la Altura de la planta en el sorgo utilizando diferentes
tecnologías de detección. Planta Métodos 2018, 14, 53.
39. Chu, T .; Starek, MJ; Brewer, MJ; Murray, SC; Pruter, LS La evaluación de Alojamiento gravedad a lo largo de un maíz experimental ( Zea mays L.) Campo Usando
UAS Imágenes. Sens remotas. 2017, 9, 923.
40. Liu, T .; Li, R .; Zhong, X .; Jiang, M .; Jin, X .; Zhou, P .; Liu, S .; Sun, C .; Guo, W. Las estimaciones de arroz especiales Uso de índices derivados de UAV
imágenes infrarrojas visibles y térmicas. Agric. Por. Meteorol. 2018, 252, 144-154.
41. Zarco-Tejada, P .; Guillén-Climent, M .; Hernández-Clemente, R .; Catalina, A .; González, M .; Martín, P. Estimación de la hoja de carotenoides contenido en
viñedos Uso de alta resolución hiperespectral Las imágenes adquiridas de un vehículo aéreo no tripulado (UAV). Agric. Por. Meteorol. 2013, 171-172, 281-294.
42. Li, W .; Niu, Z .; Chen, H .; Li, D. Caracterización de Canopy complejidad estructural para la estimación de maíz LAI Basado en UAV imágenes estéreo ALS
de datos y. En t. J. Sens remoto. 2017, 38, 2106-2116.
43. Karydas, C .; Gewehr, S .; Iatrou, M .; Iatrou, G .; Mourelatos, S. oliva Mapeo plantación en una escala sub-árbol con el Análisis de imágenes basado en
objetos de datos multiespectrales UAV; Potencial operativa en el árbol de Monitoreo estrés.
J. Imaging 2017, 3, 57.

44. Chen, R .; Chu, T .; Landivar, JA; Yang, C .; Maeda, MM Monitoreo de algodón ( Gossypium hirsutum L.) Germinación El uso de ultra alta resolución UAS
Imágenes. Resumen. Agric. 2018, 19, 161-177.
45. Johansen, K .; Raharjo, T .; McCabe, MF Uso de Multi-espectral UAV Imagery extraer Árbol de Cultivos propiedades estructurales y evaluar los efectos de
poda. Sens remotas. 2018, 10, 854.
46. Maes, WH; Huete, AR; Avino, M .; Boer, MM; Dehaan, R .; Pendall, E .; Griebel, A .; Estepa, K. Puede UAV basada en termografía infrarroja puede utilizar
para estudiar la planta-parásito interacciones entre muérdago y eucalipto árboles?
Sens remotas. 2018, 10, 2062.
47. Milas, AS; Romanko, M .; Reil, P .; Abeysinghe, T .; Marambe, A. La importancia del Índice de Área Foliar En Mapeo clorofila Contenido de maíz bajo
diferentes tratamientos agrícolas que utilizan UAV Imágenes. En t. J. Sens remoto.
2018, 39, 5415 a 5431.
48. Padua, L .; Marques, P .; Hruska, J .; Adao, T .; Bessa, J .; Sousa, A .; Peres, E .; Morais, R .; Sousa, RGB Las imágenes basadas en Ua JJ Vineyard
Propiedades de extracción combinación con la elevación de datos. En t. J. Sens remoto. 2018,

39, 5377 hasta 5401.
49. Oliveira, HC; Guizilini, VC; Nunes, IP; Detección de Fallo de Souza, JR en cultivos en hileras De UAV de imágenes mediante operadores morfológicos. IEEE
Geosci. Sens remoto. Lett. 2018, 15, 991-995.

50. Franceschini, MHD; Bartholomeus, HM; Apeldoorn, DV; Suomalainen, J .; Kooistra, L. evaluar los cambios en Canopy patata causada por tizón tardío de la
Orgánicos sistemas de producción mediante basados en UAV Pushroom Espectrómetro de Imágenes.
En t. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2017, 42, 109.
doi: 10.5194 / SIFT-archivos-XLII-2-W6-109-2017.
51. Wallace, L .; Lucieer, A .; Watson, C .; Turner, D. Desarrollo de una aplicación UAV-Lidar Systemwith al inventario forestal. Sens remotas. 2012, 4, 1519-1543.
52. Johnson, R .; Smith, K .; Wescott, K. Introducción: Unmanned Aircraft System (UAS) Aplicaciones a la tierra y los recursos naturales. Reinar. Pract. 2015, 17,
170-177.
53. Mahlein, AK Plant Disease detección por imágenes de Sensores-paralelos y demandas especí fi cas para la agricultura de precisión y la Planta
Fenotipificación. Crop Sci Pasture. 2016, 100, 241-251.
54. Padua, L .; Vanko, J .; Hruska, J .; Adao, T .; Sousa, JJ; Peres, E .; Morais, R. Ua, sensores y procesamiento de datos en Agroforestería: Una revisión hacia
aplicaciones prácticas. En t. J. Sens remoto. 2017, 38, 2349-2391.
55. Adão, T .; Hruska, J .; Padua, L .; Bessa, J .; Peres, E .; Morais, R .; Sousa, JJ imágenes hiperespectrales: Una revisión sobre Sensores UAV-base,
producción y aplicaciones para la agricultura y la silvicultura de datos. Sens remotas. 2017, 9, 1110.
56. Saari, H .; Polonen, I .; Salo, H .; Honkavaara, E .; Hakala, T .; Holmlund, C .; Mäkynen, J .; Mannila, R .; Antila, T .; Akujarvi, A. miniaturizada hiperespectral
de imágenes y calibración de vuelos UAV Campañas. En las actas de los sensores, sistemas, y la próxima generación de satélites XVII, Dresden,
Alemania, 23-26 de de septiembre de 2013; 8889. doi: 10.1117 Volumen / 12.2028972.
57. Aasen, H .; Burkart, A .; Bolten, A .; Bareth, G. Generación de información 3D hiperespectrales con el peso ligero UAV cámaras instantáneas de vigilancia de
la vegetación: De Calibración de la cámara a la garantía de calidad. ISPRS J. Photogramm. Sens remotas. 2015, 108, 245-259.
58. Gómez-Candón .; Torres-Sánchez, J .; Labbé, S .; Jolivot, A .; Martínez, S .; Regnard, la evaluación del estrés J. hídricos a nivel de árbol: de alta resolución
UAV térmica Imagery adquisición y procesamiento. Acta Hórtico. 2017, 1150, 159-166.
59. Ribeiro-Gomes, K .; Hernandez-Lopez, D .; Ortega, JF; Ballesteros, R .; Poblete, T .; Moreno, MA no refrigerado térmica Calibración de la cámara y la
optimización del proceso de fotogrametría para aplicaciones UAV en la agricultura. sensores 2017, 17, 2173.
60. Maes, WH; Huete, AR; Estepa, K. Optimizar el procesamiento de imágenes térmicas UAV-base. Sens remotas.
2017, 9, 476.
61. González-Dugo, V .; Zarco-Tejada, P .; Fereres, E. Aplicabilidad y limitaciones del uso del agua estrés de los cultivos Índice como un indicador de Agua De
déficits fi en plantaciones de cítricos. Agric. Por. Meteorol. 2014, 198-199, 94-104. doi: 10.1016 / j.agrformet.2014.08.003.
62. Balota, M .; Oakes, J. UAV teleobservación para tolerancia Fenotipificación sequía en cacahuetes. En Aire autónoma y
Sensing Systems tierra para la optimización de Agricultura y Fenotipificación II; Sociedad de foto-óptico Ingenieros de Instrumentación (SPIE) Ciclo de
conferencias; Sociedad Internacional para la Óptica y la Fotónica: Washington, DC, EE.UU., 2017, Tomo 10218, p. 102180C. doi: 10.1117 / 12.2262496.
63. Bellvert, J .; Zarco-Tejada, PJ; Girona, J .; Fereres, E. Índice de Asignación de agua para cultivos estrés en un viñedo 'Pinot noir': La comparación de
mediciones en tierra con térmica Teledetección imágenes de una vehículo aéreo no tripulado.
Resumen. Agric. 2014, 15, 361-376. doi: 10.1007 / s11119-013-9334-5.

64. Berni, JAJ; Zarco-Tejada, PJ; Suarez, L .; Fereres, E. térmica y multiespectral de banda estrecha Teledetección para la vegetación Monitoreo Froman vehículo
aéreo no tripulado. IEEE Trans. Geosci. Sens remotas. 2009, 47, 722-738. doi: 10.1109 / TGRS.2008.2010457.
65. Calderón, R .; Navas-Cortés, J .; Lucena, C .; Zarco-Tejada, P. de alta resolución e imágenes hiperespectrales Airborne térmica para la detección precoz de la
verticilosis de oliva usando fluorescencia, la temperatura y la estrechez de banda espectral índices. Sens remotas. Environ. 2013, 139, 231-245. doi:
10.1016 / j.rse.2013.07.031.
66. Ciężkowski, W .; Jozwiak, J .; Szporak-Wasilewska, S .; Dabrowski, P .; Kleniewska, M .; Goraj, M .; Chormanski, J. Índice de Estrés de agua de pantanos y
cenagales Sobre la base de UAV Measuremnts la superficie terrestre y su dependencia de Airborne Hyperespectral de datos. En Actas de la IEEE
2018-2018 IGARSS Internacional de Ciencias de la Tierra y el Simposio de la teledetección, Valencia, España, 23-27 de julio de de 2018; pp. 9257 a
9.260.
67. Delalieux, S .; Zarco-Tejada, PJ; Tits, L .; a. J. Bello, M .; Intrigliolo, DS; Somers, fusión basada en desmezcla B. de Hyperspatial y hiperespectrales aéreos
Imagery de detección precoz de estrés de la vegetación. IEEE J. Sel. Parte superior. Appl. Obs tierra. Sens remotas. 2014, 7, 2571-2582. doi: 10.1109 /
JSTARS.2014.2330352.
68. Espinoza, CZ; Khot, LR; Sankaran, S .; Jacoby, PW alta resolución multiespectrales y térmica evaluación del estrés de agua basado en la teledetección en la
subsuperficie de regadío vides. Sens remotas. 2017, 9, 961.

doi: 10.3390 / rs9090961.
69. González-Dugo, V .; Zarco-Tejada, P .; Nicolás, E .; Nortes, PA; Alarcón, JJ; Intrigliolo, DS; Fereres, E. Uso de alta resolución UAV imágenes térmicas para
evaluar la variabilidad en el estado de las aguas de cinco especies de árboles frutales dentro de un huerto comercial. Resumen. Agric. 2013, 14, 660-678.
doi: 10.1007 / s11119-013-9322-9.
70. Hoffmann, H .; Jensen, R .; Thomsen, A .; Nieto, H .; Rasmussen, J .; Friburgo, T. agua para cultivos estrés Mapas para una temporada de cultivo de los UAV
Desde las Imágenes visible y térmica. Biogeosciences 2016, 13, 6.545 a 6.563. doi: 10.5194 / bg-13-6545-2016.
71. Katsigiannis, P .; Misopolinos, L .; Liakopoulos, V .; Alexandridis, TK; Zalidis, G. Un sistema UAV multisensor Autónoma de insumos reducido Agricultura de
Precisión Aplicaciones. En Actas de la 24 de 2016
Conferencia Mediterránea para el Control y Automatización (MED), Atenas, Grecia, 21-24 de de junio de de 2016; pp. 60-64. doi: 10.1109 /
MED.2016.7535938.
72. Ludovisi, R .; Tauro, F .; Salvati, R .; Khoury, S .; Mugnozza Scarascia, G .; Harfouche, A. Thermal Imaging UAV-Basados para-Alto Rendimiento Campo
Fenotipificación de álamo Negro respuesta a la sequía. Frente. Plant Sci. 2017,
8, 1681. doi: 10.3389 / fpls.2017.01681.

73. Park, S .; Nolan, A .; Ryu, D .; Fuentes, S .; Hernández, E .; Chung, H .; O'Connell, M. Estimación de Crop estrés hídrico en una nectarina Orchard
Usando-imágenes de alta resolución de vehículo aéreo no tripulado (UAV). En Actas del Congreso Internacional MODSIM2015-21st sobre Modelización y
Simulación, Gold Coast, Australia, 29 de noviembre 4 diciembre de 2015; Weber, T., McPhee, M., Anderssen, R., Eds .; Modelado y Simulación de la
Sociedad de Australia y Nueva Zelanda: Canberra, Australia, 2015; pp. 1413-1419.
74. Park, S .; Ryu, D .; Fuentes, S .; Chung, H .; Hernández-Montes, E .; O'Connell, M. adaptativo de estimación de la cosecha estrés hídrico en la nectarina y
melocotoneros El uso de imágenes de alta resolución desde un vehículo aéreo no tripulado (UAV). Sens remotas. 2017, 9, 828. doi: 10.3390 / rs9080828.
75. Poblete-Echeverría, C .; Sepulveda-Reyes, D .; Ortega-Farías, S .; Zuñiga, M .; Fuentes, detección de estrés S. Planta de Agua Basado en aérea y terrestre
termografía infrarroja: Un Estudio de Caso de Martha y Olivar. Acta Hórtico. 2016, 1112, 141-146. doi: 10.17660 / ActaHortic.2016.1112.20.
76. Poblete, T .; Ortega-Farías, S .; Moreno, MA; Bardeen, M. Arti fi cial red neuronal para predecir la condición Vine agua Variabilidad espacial Uso de la
información multiespectral obtenida de un vehículo aéreo no tripulado (UAV). sensores
2017, 17, 2488. doi: 10.3390 / s17112488.
77. Poblete, T .; Ortega-Farías, S .; Ryu, D. automática Coregistro Algoritmo para Eliminar dosel de sombra píxeles en imágenes térmicas UAV-Borne para
mejorar la estimación del Índice de Estrés de la cosecha de agua de un riego por goteo Vineyard Cabernet Sauvignon. sensores 2018, 18, 397. doi: 10.3390
/ s18020397.
78. Romero, M .; Luo, Y .; Su, B .; Fuentes, S. Con viñedo Estimación de estado Mediante multiespectral imágenes de una plataforma UAV y algoritmos de
aprendizaje de máquina para el riego de Gestión de Programación. Comput. Electrón. Agric.
2018, 147, 109-117. doi: 10.1016 / j.compag.2018.02.013.
79. Santesteban, L .; Gennaro, SD; Herrero-Langreo, A .; Miranda, C .; Royo, J .; Matese, A. de alta resolución basados en vehículos aéreos no tripulados de imagen térmica
para estimar la instantánea y la variabilidad estacional del estado de la planta de agua dentro AVineyard.
Agric. Manag agua. 2017, 183, 49-59. doi: 10.1016 / j.agwat.2016.08.026.

80. Soubry, I .; Patias, P .; Tsioukas, V. Supervisión de viñedos con vehículos aéreos no tripulados y de múltiples sensores para la evaluación del estrés hídrico y la madurez
de la uva. J. Unmanned Veh. Syst. 2017, 5, 37-50. doi: 10.1139 / juvs-2016-0024.
81. Stagakis, S .; González-Dugo, V .; Cid, P .; Guillén-Climent, M .; Zarco-Tejada, P. Monitoreo estrés hídrico y la calidad del fruto En Una Huerta de naranjas
con riego regulado déficit Uso de banda estrecha estructurales y fisiológicas Índices de teledetección.
ISPRS J. Photogramm. Sens remotas. 2012, 71, 47-61.
doi: 10.1016 / j.isprsjprs.2012.05.003.
82. Suarez, L .; Zarco-Tejada, P .; González-Dugo, V .; Berni, J .; Sagardoy, R .; Morales, F .; Fereres, E. Detección de estrés hídrico Efectos sobre la calidad de la
fruta en los huertos con la serie Tiempo PRI Airborne Imagery. Sens remotas. Environ. 2010,
114, 286-298. doi: 10.1016 / j.rse.2009.09.006.

83. Sullivan, DG; Fulton, JP; Shaw, JN; Bland, G. Evaluación de la sensibilidad de un sistema aéreo no tripulado infrarrojo térmico para detectar el estrés de agua
en una Algodón dosel. Proc. ASABE 2007, 50, 1955-1962.
84. Zarco-Tejada, P .; Berni, J .; Suarez, L .; Sepulcre-Canto, G .; Morales, F .; Miller, J. Imaging clorofila fluorescencia con una banda estrecha de la cámara
Airborne multiespectral para la detección de la vegetación estrés. Sens remotas. Environ.
2009, 113, 1262-1275. doi: 10.1016 / j.rse.2009.02.016.
85. Zarco-Tejada, P .; González-Dugo, V .; Berni, J. fluorescencia, temperatura y Índices de banda estrecha adquirida desde una plataforma UAV para la
detección de estrés de agua Uso de Imager AMicro-hiperespectral y una cámara térmica.
Sens remotas. Environ. 2012, 117, 322-337. doi: 10.1016 / j.rse.2011.10.007.

86. Zarco-Tejada, P .; González-Dugo, V .; Williams, L .; Suárez, L .; Berni, J .; Goldhamer, D .; Fereres, Índice de estrés hídrico basado en PRI E. Una
combinación estructural y efectos de la clorofila: Evaluación del uso de banda estrecha diurna Airborne Las imágenes y el índice térmico CWSI. Sens
remotas. Environ. 2013, 138, 38-50. doi: 10.1016 / j.rse.2013.07.024.
87. Zhao, T .; Stark, B .; Chen, Y .; Ray, AL; Muñeca, D. Un estudio de campo detallado de las correlaciones directas entre la realidad del terreno estrés de los
cultivos de agua y el índice de vegetación normalizado (NDVI) desde el sistema aéreo no tripulado Pequeño (CSU). En las actas de la 2015 Conferencia
Internacional sobre sistemas aéreos no tripulados (ICUas), Denver, CO, EE.UU., 9-12 de junio de 2015; pp. 520-525. doi: 10.1109 / ICUas.2015.7152331.
88. Zhao, T .; Stark, B .; Chen, Y .; Ray, AL; Muñeca, D. Desafíos del estrés hídrico Quanti fi cación utilizando el sistema de Pequeño aéreos no tripulados (CSU):
Lecciones de una temporada de cultivo de almendra. J. Intell. Robot. Syst. 2017, 88, 721-735. doi: 10.1007 / s10846-017-0513-x.
89. Zhao, T .; Doll, D .; Wang, D .; Chen, Y. un nuevo marco para procesamiento de datos remotos de detección basados en vehículos aéreos no tripulados y su aplicación en
Almendra estrés hídrico Quanti fi cación. En Actas del 2017 Internacional
Conferencia sobre sistemas aéreos no tripulados (ICUas), Miami, FL, EE.UU., 13-16 de de junio de 2017. pp. 1794-1799. doi: 10.1109 /
ICUas.2017.7991498.
90. Graeff, S .; Pfenning, J .; Claupein, W .; Liebig, HP Evaluación de Análisis de Imágenes para determinar la demanda de N-fertilizante de plantas de brócoli ( Brassica
oleracea Convar. Botrytis Var. Italica). Adv. Optar. Technol. 2008, 2008, 359.760.
91. Dezordi, LR; Aquino, LA; Aquino, rfbA; Clemente, JM; Assunção, N. Métodos de diagnóstico para evaluar el estado nutricional del cultivo de zanahoria. Rev.
Bras. De Ciencia Do Solo 2016, 40, e0140813.

92. Balasubramaniam, P .; Ananthi, VP Segmentación de nutrientes deficiencia en el cultivo incompletas Imágenes Usando intuicionista Fuzzy C-significa
algoritmo de clústeres. Dyn no lineal. 2016, 83, 849-866.
doi: 10.1007 / s11071-015-2372-y.
93. Jia, L .; Chen, X .; Zhang, F .; Buerkert, A .; Römheld, V. Uso de la cámara digital para evaluar el estado de nitrógeno de trigo de invierno en el norte del
llano de China. J. Plant Nutr. 2004, 27, 441-450. doi: 10.1081 / PLN-120028872.
94. Naus, J .; Prokopová, J .; REBI CEK, J .; Špundová, M. medidor de clorofila SPAD lectura puede ser pronunciada
Afectado por el movimiento del cloroplasto. Photosynth. Res. 2010, 105, 265-271. doi: 10.1007 / s11120-010-9587-z.
95. Ali, MM; Al-Ani, A .; Eamus, D .; Tan, determinación de nitrógeno Hoja DKY utilizando técnicas de un método no destructivo de Revisión. J. Plant Nutr. 2017, 40,
928-953. doi: 10.1080 / 01904167.2016.1143954.
96. Meggio, F .; Zarco-Tejada, P .; Núñez, L .; Sepulcre-canto, G .; González, M .; Martín, P. Evaluación de la calidad de la uva en los viñedos afectados por el
hierro De clorosis deficiencia Uso de banda estrecha fisiológicos Índices de teledetección.
Sens remotas. Environ. 2010, 114, 1968-1986. doi: 10.1016 / j.rse.2010.04.004.

97. Sims, NC; Culvenor, D .; Newnham, G .; Coops, NC; Hopmans, P. hacia el uso operacional de satélite hiperespectrales datos de imagen para el Mapeo de
nutrientes de estado y necesidades de fertilizantes en los bosques de plantación de Australia. IEEE J. Sel. Parte superior. Appl. Obs tierra. Sens remotas. 2013,
6, 320-328. doi: 10.1109 / JSTARS.2013.2251610.

98. Huang, S .; Miao, Y .; Zhao, G .; Yuan, F .; Ma, X .; Tan, C .; Yu, W .; Gnyp, ML; Lenz-Wiedemann, VIS; Rascher, U .; et al. Teledetección por satélite con
sede en la temporada Diagnóstico de nitrógeno Rice Status InNortheast China. Sens remotas.
2015, 7, 10646-10667.
99. Congalton, RG; Gu, J .; Yadav, K .; Thenkabail, P .; Ozdogan, M. Global de la cubierta terrestre Cartografía: una revisión y análisis de incertidumbre. Sens remotas.
2014, 6, 12.070 hasta 12.093. doi: 10.3390 / rs61212070.
100. Agüera, F .; Carvajal, F .; Pérez, M. Medición de girasol sistema basado en vehículos de estado nitrógeno FromAnUnmannedAerial Sol y una en el
dispositivo de tierra. SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2011, 3822, 33-37. doi: 10.5194 / isprsarchives-XXXVIII-1-C22-33-2011.
101. Ballester, C .; Hornbuckle, J .; Brinkhoff, J .; Smith, J .; Quayle, evaluación de W. Dentro de la temporada de estado nitrógeno algodón y predicción de rendimiento
a partir de pelusa sistemas aéreos no tripulados Imagery. Sens remotas. 2017, 9, 1149. doi: 10.3390 / rs9111149.
102. Benincasa, P .; Antognelli, S .; Brunetti, L .; Fabbri, CA; Natale, A .; Sartoretti, V .; Modeo, G .; Guiducci, M .; Tei, F .; Vizzari, M. Fiabilidad de NDVI derivado
por satélite de alta resolución y UAV comparación con los métodos de campo In- para la evaluación de Early estado de los cultivos N y rendimiento del
grano en el trigo. Exp. Agric. 2018, 54, 604-622. doi: 10.1017 / S0014479717000278.
103. Capolupo, A .; Kooistra, L .; Berendonk, C .; Boccia, L .; Suomalainen, J. Estimación de la planta Rasgos de Grasslands Desde UAV-Adquirida
hiperespectrales de archivo: Una comparación de los enfoques estadísticos. SIFT Int. J. Geo-Inf. 2015,
4, 2792-2820. doi: 10.3390 / ijgi4042792.

104. Caturegli, L .; Corniglia, M .; Gaetani, M .; Grossi, N .; Magni, S .; Migliazzi, M .; Angelini, L .; Mazzoncini, M .; Silvestri, N .; Fontanelli, M .; Raffaelli, M .;
Peruzzi, A .; Volterrani, M. vehículo aéreo no tripulado para estimar el estado de nitrógeno de céspedes. Más uno 2016, 11, 1-13. doi: 10.1371 /
journal.pone.0158268.
105. Corti, M .; Cavalli, D .; Cabassi, G .; Vigoni, A .; Degano, L .; Marino Gallina, P. aplicación de una cámara de bajo costo en un UAV para estimar las variables
relacionadas con el nitrógeno de maíz. Resumen. Agric. 2018. doi: 10.1007 / s11119-018-9609-y.
106. Felderhof, L .; Gillieson, D. infrarrojo cercano Imagery FromUnmanned sistemas aéreos y los satélites pueden utilizarse para especificar Aplicación de Fertilizantes
tarifas en los cultivos de árboles. Poder. J. Sens remoto. 2011, 37, 376-386. doi: 10.5589 / m11-046.
107. Geipel, J .; Link, J .; Wirwahn, JA; Claupein, sistema de cámara multiespectral W. Un programable aérea de biomasa de los cultivos durante la temporada y el
nitrógeno contenido de estimación. Agricultura 2016, 6, 4. doi: 10.3390 / agriculture6010004.
108. Hunt, ER, Jr .; Cavigelli, M .; Daughtry, CST; McMurtrey, JE; Walthall, Evaluación CL de la fotografía digital FromModel Aviones de Percepción Remota de
cosecha de la biomasa y nitrógeno Estado. Resumen. Agric. 2005, 6, 359-378. doi: 10.1007 / s11119-005-2324-5.
109. Hunt, ER, Jr .; Rondon, SI; Hamm, PB; Turner, RW; Bruce, AE; Brungardt, detección de insectos JJ y gestión del nitrógeno para regadío Patatas El uso de la
teledetección desde pequeños sistemas aéreos no tripulados. En Aire autónoma y tierra Sensing Systems para la optimización de la Agricultura y del
fenotipo; Sociedad Internacional para la Óptica y la Fotónica: Washington DC, EE.UU., 2016; 9866. doi: 10.1117 Volumen / 12.2224139.
110. Hunt, ER; Horneck, DA; Spinelli, CB; Turner, RW; Bruce, AE; Gadler, DJ; Brungardt, JJ; Hamm, PB supervisión del estado del nitrógeno de las patatas de
uso de pequeños vehículos aéreos no tripulados. Resumen. Agric. 2018, 19, 314-333. doi: 10.1007 / s11119-017-9518-5.
111. Jay, S .; Baret, F .; Dutartre, D .; Malatesta, G .; Heno, S .; Comar, A .; Weiss, M .; Maupas, F. explotando la Resolución Centímetro de UAV Imágenes
Multiespectrales para mejorar las estimaciones de teledetección de Canopy Estructura y Bioquímica en los cultivos de remolacha azucarera. Sens remotas.
Environ. 2018. doi: 10.1016 / j.rse.2018.09.011.

112. Lelong, CCD; Burger, P .; Jubelin, G .; Roux, B .; Baret, evaluación SLF de Unmanned Aerial Vehicles Imágenes para el seguimiento cuantitativo de la cosecha de
trigo en parcelas pequeñas. sensores 2008, 8, 3557 hasta 3585.
113. Li, J .; Zhang, F .; Qian, X .; Zhu, Y .; Shen, G. Quanti fi cación del índice de equilibrio del nitrógeno del pabellón de arroz de imágenes digitales FromUnmanned
vehículo aéreo. Sens remoto. Lett. 2015, 6, 183-189. doi: 10.1080 / 2150704X.2015.1021934.
114. Liu, H .; Zhu, H .; Wang, P. cuantitativa Modelado de nitrógeno foliar contenido de trigo de invierno El uso de UAV basada en datos hiperespectrales. En t. J.
Sens remoto. 2017, 38, 2117-2134. doi: 10.1080 / 01431161.2016.1253899.

115. Liu, S .; Li, L .; Gao, W .; Zhang, Y .; Liu, Y .; Wang, S .; Lu, J. diagnóstico del estado de nitrógeno en Winter semilla oleaginosa Violación ( Brassica napus L.) El uso
in-situ de datos hiperespectrales y vehículo aéreo no tripulado (UAV) imágenes multiespectrales.
Comput. Electrón. Agric. 2018, 151, 185-195. doi: 10.1016 / j.compag.2018.05.026.

116. Van Der Meij, B .; Kooistra, L .; Suomalainen, J .; Barel, JM; De Deyn, GB teleobservación de respuestas de las plantas rasgo Comentarios planta-suelo basada en el campo por
medio de sensores ópticos basados en vehículos aéreos no tripulados. Biogeosciences 2017, 14, 733-749. doi: 10.5194 / bg-14-733-2017.
117. Saberioon, MM; Gholizadeh, A. nuevo enfoque para la estimación de nitrógeno contant en arroz Fialds Usando baja altitud sistema de detección remota.
SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2016,
XLI-B1, 1011-1015. doi: 10.5194 / SIFT-archivos-XLI-B1-1011-2016.
118. Schirrmann, M .; Giebel, A .; Gleiniger, F .; P fl ANZ, M .; Lentschke, J .; Dämmer, parámetros agronómicos KH vigilancia de los cultivos de trigo de invierno
con bajo costo Imagery UAV. Sens remotas. 2016, 8, 706.
119. Severtson, D .; Callow, N .; Flower, K .; Neuhaus, A .; Olejnik, M .; Nansen, C. vehículo aéreo no tripulado Canopy reflectancia de datos detecta PotassiumDe
fi ciencia y melocotón verde áfido Susceptibilidad En canola. Resumen. Agric.
2016, 17, 659-677. doi: 10.1007 / s11119-016-9442-0.
120. Swain, KC; Jayasuriya, HPW; Salokhe, VM Idoneidad de baja altura de Imágenes de Teledetección para la estimación de las variaciones del tratamiento del
nitrógeno en Rice Cortes para la Adopción Agricultura de precisión. J. Appl. Sens remotas. 2007,
1, 1-11. doi: 10.1117 / 1.2824287.

121. Vega, FA; Ramírez, FC; Saiz, MP; Rosúa, Imaging FO multi-temporal que usa un vehículo aéreo no tripulado para el Monitoreo de Cultivos Un Sol girasol. Biosyst.
Ing. 2015, 132, 19-27. doi: 10.1016 / j.biosystemseng.2015.01.008.

122. Du, W .; Xu, T .; Yu, F .; Chen, C. Medición del contenido de nitrógeno en el arroz mediante la inversión de hiperespectral reflectancia de datos desde un
vehículo aéreo no tripulado. Ciência rural. 2018, 48.
123. Yakushev, VP; Kanash, Evaluación EV de nitrógeno trigo Estado por las características colorimétricas del dosel del cultivo se presentan en imágenes
digitales. J. Agric. Informar. 2016, 7, 65-74.
124. Zermas, D .; Teng, D .; Stanitsas, P .; Bazakos, M .; Kaiser, D .; Morellas, V .; Mulla, D .; Papanikolopoulos, N. Soluciones de automatización para la
Evaluación de la Salud de la planta en campos de maíz. En Actas de la IEEE / RSJ Conferencia Internacional de 2015 sobre Robots y Sistemas
Inteligentes (IRO), Hamburgo, Alemania, 28 de septiembre al 2 de octubre de 2015; pp. 6.521 a 6.527. doi: 10.1109 / IROS.2015.7354309.
125. Zheng, H .; Cheng, T .; Li, D .; Zhou, X .; Yao, X .; Tian, Y .; Cao, W .; Zhu, Y. evaluación de RGB, Color-infrarrojos y multiespectrales Imágenes adquiridas
de sistemas aéreos no tripulados para la determinación del nitrógeno acumulación en el arroz. Sens remotas. 2018, 10, 824. doi: 10.3390 / rs10060824.
126. Zhu, J .; Wang, K .; Deng, J .; Harmon, T. Cuantificación de nitrógeno Estado de arroz Uso del sistema de UAV-Montado baja altitud y la metodología de
segmentación orientada a objetos. En Actas de las Conferencias Internacionales de Diseño de Ingeniería Técnica y equipos de información y en la
Conferencia de Ingeniería, San Diego, CA, EE.UU., 30 de agosto 2 septiembre de 2009; pp. 1-7.
127. Zhu, H .; Liu, H .; Xu, Y .; Guijun, Análisis hiperespectrales basados en UAV Y. y espectrales Indices La construcción para la Supervisión de
Cuantitativamente nitrógeno Leaf contenido de trigo de invierno. Appl. Optar. 2018, 57, 7.722-7732. doi: 10.1364 / AO.57.007722.
128. Chang, SX; Robison, DJ no destructiva y Rapid Estimación de Estado Hardwood foliar de nitrógeno usando el medidor de clorofila SPAD-502. Por. Ecol.
Manag. 2003, 181, 331-338. doi: 10.1016 / S0378-1127 (03) 00004-5.

129. Bock, CH; Poole, GH; Parker, PE; Gottwald, gravedad de la enfermedad TR Planta estimada visualmente, por la fotografía digital y análisis de imágenes, y
por imágenes hiperespectrales. Crit. Rev. Plant Sci. 2010, 29, 59-107. doi: 10.1080 / 07352681003617285.
130. Factores Barbedo, JGA que influyen en el uso de profundo aprendizaje para Plant reconocimiento de la enfermedad. Biosyst. Ing. 2018,
172, 84-91.
131. Altas, Z .; Özgüven, MM; Yanar, Y. Determinación de azúcar de remolacha Mancha foliar Nivel de Enfermedades ( Cercospora beticola
Sacc.) Con la técnica de procesamiento de imágenes mediante aviones no tripulados. Curr. Investig. Agric. Curr. Res. 2018, 5, 621-631. doi: 10.32474 /
CIACR.2018.05.000214.
132. Dang, LM; Hassan, SI; Suhyeon, I .; Sangaiah, AK; Mehmood, I .; Rho, S .; Seo, S .; Luna, H. UAV basado Wilt de detección del sistema a través
convolucionales Redes Neuronales. Sostener. Comput. Informar. Syst. 2018.
doi: 10.1016 / j.suscom.2018.05.010.
133. Dash, JP; Watt, MS; Pearse, GD; Heaphy, M .; Dungey, SA evaluación de Muy Alta Resolución UAV Imágenes de salud forestal Durante un brote de
enfermedad simulada. ISPRS J. Photogramm. Sens remotas. 2017,
131, 1-14. doi: 10.1016 / j.isprsjprs.2017.07.007.

134. Dash, JP; Pearse, GD; Watt, MS UAVMultispectral Las imágenes pueden complementar los datos de satélite de salud forestal. Sens remotas. 2018, 10, 1216.
doi: 10.3390 / rs10081216.
135. Kerkech, M .; Ha fi ane, A .; R. Canals, Enfoque Profundo inclinada con espacios colorimétricos y vegetación índices de detección de enfermedades de la vid
En UAV imágenes. Comput. Electrón. Agric. 2018, 155, 237-243.

doi: 10.1016 / j.compag.2018.10.006.
136. Sarkar, SK; Das, J .; Ehsani, R .; Kumar, V. hacia Autónomas Fitopatología: Resultados y Desafíos del enverdecimiento de los cítricos detección de
enfermedades a través de corto alcance de teledetección. En Actas del 2016
Conferencia Internacional IEEE de Robótica y Automatización (ICRA), Montreal, QC, Canadá, 20-24 de de mayo de de 2016; pp. 5143-5148. doi: 10.1109
/ ICRA.2016.7487719.
137. Su, J .; Liu, C .; Coombes, M .; Hu, X .; Wang, C .; Xu, X .; Li, Q .; Guo, L .; Chen, WH trigo roya amarilla Control por aprendizaje fromMultispectral UAV
imágenes aéreas. Comput. Electrón. Agric. 2018, 155, 157-166. doi: 10.1016 / j.compag.2018.10.017.
138. Sugiura, R .; Tsuda, S .; Tsuji, H .; Murakami, N. infectados por el virus de detección de la planta de producción de semillas de patata Campo Por UAV
Imagery. En Actas de la Reunión Anual 2018 ASABE Internacional, Detroit, MI, EE.UU. 29 de julio-1 de agosto de 2018; pag. 1800594. doi: 10.13031 /
aim.201800594.
139. Tetila, CE; Machado, BB; Belete, NAS; Guimarães, DA; Pistori, H. identificación de soja enfermedades foliares Uso de Imágenes vehículo aéreo no tripulado.
IEEE Geosci. Sens remoto. Lett. 2017, 14, 2190-2194.

doi: 10.1109 / LGRS.2017.2743715.
140. Balota, M .; Oakes, J. exploratorio uso de una plataforma UAV para la selección de variedades En cacahuete. Proc. SPIE 2016, 9866.
doi: 10.1117 / 12.2228872.
141. Gibson-Poole, S .; Humphris, S .; Toth, I .; Hamilton, A. identificación de la aparición de la enfermedad dentro de un cultivo de papa El uso de un UAV
Equipado con Un-modi fi ed y Modi fi ed Commercial off-the-shelf cámaras digitales.
Adv. Anim. Biosci. 2017, 8, 812-816. doi: 10.1017 / S204047001700084X.

142. Sugiura, R .; Tsuda, S .; Tamiya, S .; Itoh, A .; Nishiwaki, K .; Murakami, N .; Shibuya, Y .; Hirafuji, M .; Nuske, Sistema Fenotipificación S. El campo para la
evaluación de la patata resistencia al tizón tardío Usando señales RGB Las imágenes de un vehículo aéreo no tripulado. Biosyst. Ing. 2016, 148, 1-10. doi:
10.1016 / j.biosystemseng.2016.04.010.
143. Zhang, D .; Zhou, X .; Zhang, J .; Huang, L .; Zhao, J. desarrollo de una plataforma UAV pequeño para detectar tizón de la vaina del arroz. En Actas de la IEEE
2017 Internacional Ciencias de la Tierra y el Simposio Teledetección (IGARSS), Fort Worth, TX, EE.UU., 23-28 de de julio de 2017; pp. desde 3.190 hasta
3193. doi: 10.1109 / IGARSS.2017.8127675.
144. Albetis, J .; Duthoit, S .; Guttler, F .; Jacquin, A .; Goulard, M .; Poilvé, H .; Féret, JB; Dedieu, G. detección de la enfermedad de la vid Dorée Flavescense Uso
de vehículo aéreo no tripulado (UAV) Multispectral Imagery. Sens remotas.
2017, 9, 308. doi: 10.3390 / rs9040308.
145. Albetis, J .; Jacquin, A .; Goulard, M .; Poilvé, H .; Rousseau, J .; Clenet, H .; Dedieu, G .; Duthoit, S. en la potencialidad de UAVMultispectral Imagery para
detectar flavescencia dorada y la madera de la vid Enfermedades. Sens remotas. 2018,
11, 23. doi: 10.3390 / rs11010023.

146. Al-Saddik, H .; Simon, JC; Brousse, O .; Cointault, F. Proyecto DAMAV para Vineyard detección de enfermedades por UAV Imagery. En Actas de la
Conferencia Internacional sobre Ingeniería Agrícola, Automatización, Medio Ambiente y Seguridad Alimentaria, Aarhus, Dinamarca, 26-29 de de junio de de
2016; pp. 1-7.
147. Calderón, R .; Montes-Borrego, M .; Landa, BB; Navas-Cortés, JA; Zarco-Tejada, PJ Detección del mildiu de la amapola de opio El uso de alta resolución
multi-espectral y térmica Imagery Adquirida con un vehículo aéreo no tripulado. Resumen. Agric. 2014, 15, 639-661. doi: 10.1007 / s11119-014-9360-y.
148. Gennaro, SD; Battiston, E .; Marco, SD; Facini, O .; Matese, A .; Nocentini, M .; Palliotti, A .; Mugnai, L. vehículo aéreo no tripulado (UAV) basado en la
teledetección para monitorizar la enfermedad de la raya de la hoja de la vid en un viñedo ve afectado por la Esca complejo. Phytopathol. Mediterr. 2016, 55, 262-275.
149. Khot, LR; Sankaran, S .; Carter, AH; Johnson, DA; Cummings, TF Ua herramientas de decisión para Árido trigo de invierno y Gestión de la Producción de
Papa regadío de imagen basados. En t. J. Sens remoto. 2016, 37, 125-137.

doi: 10.1080 / 01431161.2015.1117685.
150. Nebiker, S .; Lack, N .; Abächerli, M .; Läderach, S. peso ligero multiespectrales Sensores Uav y sus capacidades para predecir el rendimiento de grano y la detección
de enfermedades de las plantas. SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci.
2016, 963-970. doi: 10.5194 / SIFT-archivos-XLI-B1-963-2016.
151. Patrick, A .; Pelham, S .; Culbreath, A .; Holbrook, CC; De Godoy, IJ; Li, C. High Throughput fenotipado de la marchitez del punto de tomate en los
cacahuetes Uso de sistemas aéreos no tripulados y Multispectral Imaging. IEEE Instrument. Meas. revista 2017, 20, 4-12. doi: 10.1109 / MIM.2017.7951684.
152. Calderón, R .; Navas-Cortés, J .; Lucena, C .; Zarco-Tejada, P. de alta resolución hiperespectral y térmica Plataformas Imagery Adquirida FromUAV para la
detección temprana de verticilosis utilizando índices de fluorescencia, temperatura y de banda estrecha. En Actas del Taller sobre métodos de
teledetección UAV-basaed para la vigilancia de la vegetación, Colonia, Alemania, 9-10 de de septiembre de 2013; pp. 7-14. doi: 10.5880 /
TR32DB.KGA94.3.
153. Smigaj, M .; Gaulton, R .; Barr, SL; Suárez, JC Uav transmitidas de imagen térmica de salud forestal: detección de la enfermedad inducida por aumento de la
temperatura del pabellón. SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2015, 349-354. doi: 10.5194 / isprsarchives-XL-3-W3-349-2015.
154. Barbedo, JGA Una revisión sobre los retos principales en la enfermedad automático de identi fi cación de Plantas Basado en imágenes visibles rango. Biosyst.
Ing. 2016, 144, 52-60. doi: 10.1016 / j.biosystemseng.2016.01.017.

155. Sugiyama, M .; Nakajima, S .; Kashima, H .; Buenau, PV; Kawanabe, M. Estimación importancia directa con la selección del modelo y su aplicación a la
adaptación Shift covariable. En Los avances en la información neuronales procesan sistemas de 20; Platt, JC, Koller, D., Singer, Y., Roweis, ST, Eds .;
Curran Associates Inc .: Vancouver, BC, Canadá, 2008; pp. 1433-1440.
156. Ben-David, S .; Blitzer, J .; Crammer, K .; Kulesza, A .; Pereira, F .; Vaughan, JW una teoría del aprendizaje de diferentes dominios. Mach. Aprender. 2010, 79, 151-175.
doi: 10.1007 / s10994-009-5152-4.
157. Lehmann, JRK; Nieberding, F .; Prinz, T .; CIR basado en el sistema Knoth, C. Análisis de Imágenes aéreos no tripulados en el sector forestal-Una nueva perspectiva para
controlar los niveles de infestación de plagas. bosques 2015, 6, 594-612. doi: 10.3390 / f6030594.
158. Stanton, C .; Starek, MJ; Elliott, N .; Brewer, M .; Maeda, MM; Chu, T. Aviones no tripulados sistema deriva la altura del cultivo y el Índice de Vegetación
Normalizado Métrica para Sorgo El rendimiento y la evaluación del estrés áfidos.
J. Appl. Sens remotas. 2017, 11, 1-20. doi: 10.1117 / 1.JRS.11.026035.

159. Zhang, N .; Zhang, X .; Yang, G .; Zhu, C .; Huo, L .; Feng, H. Evaluación de defoliación durante el Dendrolimus tabulaeformis Tsai y Liu brote de desastres
mediante imágenes hiperespectrales a base de UAV. Sens remotas. Environ.
2018, 217, 323-339. doi: 10.1016 / j.rse.2018.08.024.
160. Vanegas, F .; Bratanov, D .; Powell, K .; Weiss, J .; González, F. A Metodología Novel para Mejorar parásito planta de vigilancia en viñedos y cultivos usando
hiperespectrales base-UAV y datos espaciales. sensores 2018, 18, 260. doi: 10.3390 / s18010260.
161. Vanegas, F .; Bratanov, D .; Weiss, J .; Powell, K .; González, F. multi e hiperespectrales UAV Teledetección: Vid filoxera en los viñedos de detección. En
Actas de la Conferencia IEEE 2018 aeroespacial, Big Sky, MT, EE.UU., 4-11 de marzo de 2018; IEEE: Piscataway, NJ, EE.UU., 2018; pp. 1-9. doi:
10.1109 / AERO.2018.8396450.
162. Yuan, Y .; Hu, bosque aleatoria X. y basado en Objetados Clasi fi cación para el bosque de plagas Extracción De Uav imágenes aéreas.
SIFT Int. Arco. Photogramm. Sens remotas. Escupió. Inf. Sci. 2016, 1093-1098.
doi: 10.5194 / SIFT-archivos-XLI-B1-1093-2016.
163. Li, L .; Fan, Y .; Huang, X .; Tian, L. tiempo real UAVWeed explorador de Control Robusto control selectivo de malezas Por adaptativa y máquina Algoritmo
de Aprendizaje. En 2016 Actas de la Sociedad Americana de Ingenieros biológicos Encuentro Internacional Anual Agrícola y, ASABE 2016, Orlando, FL,
EE.UU., 17-20 de de julio de 2016; Sociedad Americana de Ingenieros Agrícolas y Biológicos: St. Joseph, Missouri, EE.UU., 2016. doi: 10.13031 /
aim.20162462667.
164. Rasmussen, J .; Nielsen, J .; Garcia-Ruiz, F .; Christensen, S .; Streibig, JC usos potenciales de los sistemas aéreos no tripulados (UAS) Pequeños En Weed
Research. Res malezas. 2013, 53, 242-248. doi: 10.1111 / wre.12026.
165. Yano, IH; Alves, JR; Santiago, WE; Mederos, BJ La identificación de las malas hierbas en la caña de azúcar campos
A través de imágenes tomadas por el UAV y el bosque aleatorio Clasi fi cador. IFAC-PapersonLine 2016, 49, 415-420.
doi: 10.1016 / j.ifacol.2016.10.076.
166. Huang, Y .; Reddy, KN; Fletcher, RS; Pennington, D. UAV Baja Altura de teledetección para la precisión manejo de malezas. Weed Technol. 2018, 32, 2-6.
doi: 10.1017 / wet.2017.89.
167. Gennaro, SFD; Matese, A .; Gioli, B .; Toscano, P .; Zaldei, A .; Palliotti, A .; Genesio, Enfoque L. multisensor para evaluar Thermal Dynamics Vineyard La
combinación de alta resolución vehículo aéreo no tripulado (UAV) Teledetección y redes de sensores inalámbricos (WSN) proximal de detección.
Sci. Hórtico. 2017, 221, 83-87.

doi: 10.1016 / j.scienta.2017.04.024.
168. Malenovský, Z .; Lucieer, A .; Rey, DH; Turnbull, JD; Robinson, SA aviones no tripulados SystemAdvances HealthMapping de Frágil Polar vegetación. Métodos
Ecol. Evol. 2017, 8, 1842-1857. doi: 10.1111 / 2041-210X.12833.

169. Roy, R .; Miller, J. La miniaturización de los sensores de imagen: El papel de las innovaciones en las tecnologías complementarias para superar tecnológicos Las
compensaciones asociadas con la innovación de producto. J. Eng. Technol. Manag. 2017, 44, 58-69. doi: 10.1016 / j.jengtecman.2017.01.002.
©do2019 por el autor. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido bajo los
términos y condiciones de la licencia Creative Commons (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Arnal 2019.en - Es PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Arnal 2019.en - Es PDF

Transféré par

Droits d'auteur :

Formats disponibles

aviones no tripulados

Una revisión sobre el uso de vehículos aéreos no tripulados y

Jayme García Arnal Barbedo

Embrapa Informática Agrícola, Campinas-SP 13083-886, Brasil; jayme.barbedo@embrapa.br

Recibido: 29 Marzo 2019; Aceptado: 17 Abril 2019; Publicado: 20 Abril 2019

aviones no tripulados 2019, 3, 40; doi: 10.3390 / drones3020040 www.mdpi.com/journal/drones

particularmente valioso en el caso de imágenes de teledetección [ 12 ].

material abundante sobre UAVs [ 4 , 7 , 52 - 54 ], Los sensores [ 4 , 55 ], Y su calibración [ 56 - 60 ].

Árbitro. Tipo de vehículos aéreos no tripulados

[ 62 ] Giratorio Maní multiespectral NDVI puntuación visual marchitamiento La regresión lineal

[ 75 ] ? Vineyard, huerto de oliva Térmico T do - T una potencial Stemwater La regresión lineal

[ 76 ] ? Viñedo multiespectral bandas espectrales estrechas potencial Stemwater MLP NN

[ 77 ] Giratorio Viñedo Multiespectral, térmica CWSI potencial Stremwater La regresión lineal

[ 78 ] Giratorio Viñedo multiespectral índices de vegetación potencial Stemwater MLP NN

[ 81 ] Giratorio huerto de naranja multiespectral PRI potencial Stemwater La regresión lineal

conductancia estomática, hoja

conductancia estomática, hoja

mantiene el rendimiento y la rentabilidad económica a los productores [ 69 ].

siguientes cuatro variables a partir de imágenes aéreas:

destinadas a resaltar ciertas propiedades de vegetación.

Hídrico de línea de base (NWSB), también fue utilizado en algunas investigaciones [ 61 ].

variables parecen minimizar los efectos deletéreos [ 81 ].

de datos reales y sintéticos que representan los huertos de cítricos [ 67 ].

2.2. Trastornos de la nutrición

más allá del alcance de esta revisión y no serán discutidos.

Árbitro. Tipo de vehículos aéreos no tripulados

re fl promedio de reflectancia El sodio y el potasio

[ 104 ] Giratorio El césped multiespectral NDVI El contenido de nitrógeno La regresión lineal

varios vegetación La concentración de nitrógeno y

estado de nitrógeno (el

[ 113 ] Giratorio Arroz RGB DGCI La concentración de nitrógeno La regresión lineal

Multiespectral, índices espectrales y

[ 121 ] Giratorio De girasol multiespectral NDVI La concentración de nitrógeno La regresión lineal

RGB, CIR, la acumulación de nitrógeno

[ 15 ] Giratorio Trigo multiespectral RDVI La concentración de nitrógeno Varios modelos ML

funciones de color, que se calculan a partir de imágenes RGB.

utilizado para determinar el estado de nitrógeno en el maíz y el trigo.

efectiva de abordar esta cuestión y reducir las incoherencias [ 127 ].

de soporte de decisiones [ 110 ].

por vehículos aéreos no tripulados.

Tabla 3. Las referencias frente a la vigilancia de las enfermedades en los cultivos.

Árbitro. Tipo de vehículos aéreos no tripulados

20 índices y Clasif. saludable y

Flavescencia dorada, 24 índices y Clasif. saludable y

ángulo Hue, más verde Caída de hojas (enfermedad

Clasif. tierra, sanos,

aguja banda Red temperatura

un blanco puntual, polvorienta Color, textura, Clasif. saludable y

enfermedades [correctamente 141 ].

resaltar los efectos de la enfermedad en cuestión [ 136 ].

inviable, lo que puede conducir a métodos con uso práctico limitado.

están estrechamente relacionados con las observaciones extraídas en la sección “Sequía”.

fi ciente para la adquisición de datos de referencia.

Tabla 4. Las referencias tratar con el monitoreo de plagas en los cultivos.

procesionaria El estrés hídrico Daños cuanti fi Regresión

Multiespectrales, contenido de potasio Análisis

Multiespectrales, índices de La regresión

Multiespectrales, índices de La regresión

pino chino oruga del pino La defoliación a trozos

Rotatorio, Palmer amaranto, Inspección

Palmer amaranto, mijo de

imagen estadística Cultivos y malezas bosque al

Árbitro. Tipo de vehículos aéreos no tripulados