título del trabajo: análisis de las correcciones

Departamento de Automática y Sistemas Computacionales

Título del trabajo: Análisis de las correcciones geométricas y

radiométricas de los software Agisoft y Pix4D

Autores del trabajo: Juan Alberto Pozo Díaz

Tutores del trabajo: Ing. Samy Kharuf Gutierrez

Dr. Ruben Orozco Morales

, Julio de 2018

Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de

Las Villas, y se encuentra depositado en los fondos de la Biblioteca Universitaria “Chiqui

Gómez Lubian” subordinada a la Dirección de Información Científico Técnica de la

mencionada casa de altos estudios.

Se autoriza su utilización bajo la licencia siguiente:

Atribución- No Comercial- Compartir Igual

Para cualquier información contacte con:

Dirección de Información Científico Técnica. Universidad Central “Marta Abreu” de Las

Villas. Carretera a Camajuaní. Km 5½. Santa Clara. Villa Clara. Cuba. CP. 54 830

Teléfonos.: +53 01 42281503-1419

i

PENSAMIENTO

La confianza en sí mismo es el secreto del éxito.

Ralph Waldo Emerson

ii

DEDICATORIA

A mis padres

Que son el motivo de que yo esté aquí

A mi hermana

Que siempre estuvo apoyándome en todo momento

A toda mi familia

Que se preocuparon siempre por mí

iii

AGRADECIMIENTOS

A mis padres

Por todo el apoyo que me han dado

A toda mi familia

Por estar siempre ayudándome en todo lo que he necesitado

A mis dos excelentes tutores Orozco y Samy

Por todo la ayuda y apoyo brindado en la realización de este trabajo

A mis compañeros

Por haber compartido tantas cosas juntos estos 5 años de carrera

iv

RESUMEN

La agricultura de precisión ha tenido un desarrollo vertiginoso en el mundo en los últimos

años debido al empleo de nuevas herramientas tecnológicas. Entre las principales

herramientas que utiliza está la fotogrametría mediante el empleo de UAV. Este avance lleva

consigo mejorar problemas actuales en el manejo de cultivos y procesos agrícolas tales como

la calidad en la producción y el impacto sobre el medio ambiente. El GARP ha desarrollado

diversos métodos para el cálculo de variables de interés agrícola, como los índices

vegetativos; los mapas multiespectrales varían en dependencia de las correcciones

radiométricas que introduce el software con el que se procesen las imágenes.

En este trabajo se implementan varios algoritmos de corregistro para identificar puntos

comunes entre los ortomosaicos de ambos software debido a las diferentes correcciones

geométricas que implementan cada uno de los software, también se implementan métodos

para el análisis de la corrección radiométrica de imágenes multiespectrales con vista a la

obtención de índices vegetativos de áreas agrícolas calculados mediante Pix4D y Agisoft.

v

TABLA DE CONTENIDOS

PENSAMIENTO ..................................................................................................................... i

DEDICATORIA .................................................................................................................... ii

AGRADECIMIENTOS ........................................................................................................ iii

RESUMEN ............................................................................................................................ iv

INTRODUCCIÓN .................................................................................................................. 1

Organización del informe ................................................................................................... 3

CAPÍTULO 1. MARCO TEÓRICO .................................................................................. 5

1.1 Agricultura de precisión. .......................................................................................... 5

1.2 Teledetección. .......................................................................................................... 6

1.3 Fotogrametría Multiespectral. .................................................................................. 6

1.4 Índices Vegetativos. ................................................................................................. 8

1.4.1 Cámara multiespectral. ..................................................................................... 9

1.4.2 Software para el procesamiento de imágenes multiespectrales aéreas con

vistas a calcular los índices vegetativos. ....................................................................... 10

1.5 Distorsiones radiométricas ..................................................................................... 11

1.5.1 Refracción atmosférica ................................................................................... 11

1.5.2 Dispersión atmosférica ................................................................................... 12

1.5.3 Absorción atmosférica .................................................................................... 13

1.5.4 Errores introducidos por el sensor .................................................................. 13

1.5.5 Efectos de iluminación y ángulo de visión ..................................................... 14

1.5.6 Efectos topográficos ....................................................................................... 14

1.6 Correcciones radiométricas. ................................................................................... 14

vi

1.7 Correcciones geométricas ...................................................................................... 18

1.8 Consideraciones finales del capítulo ...................................................................... 19

CAPÍTULO 2. MATERIALES Y MÉTODOS ................................................................ 20

2.1 UAVs...................................................................................................................... 20

2.1.1 Características del UAV 3DR RTF X8+ ........................................................ 20

2.2 Cámara multiespectral ............................................................................................ 21

2.2.1 Características del sensor Sequoia .................................................................. 21

2.3 Mission Planner ...................................................................................................... 22

2.4 Software empleado para las correcciones radiométricas y propiedades

computacionales ................................................................................................................ 22

2.5 Software utilizados para el análisis de los índices vegetativos. ............................. 23

2.6 Metodología de corregistrado de puntos comunes en ortomosaicos de Agisoft y

Pix4D. ............................................................................................................................... 25

2.7 Cálculo de la relación funcional entre las imágenes corregidas radiométricamente

por Agisoft y Pix4D. ......................................................................................................... 26

2.8 Conclusiones del capítulo ...................................................................................... 28

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN ............................................................. 29

3.1 Corregistro de puntos comunes entre ortomosaicos de Agisoft y Pix4D ............... 29

3.2 Variantes de relación funcional .............................................................................. 31

3.3 Imágenes corregidas por bandas ............................................................................ 35

3.4 Cálculo del Índice de Vegetación de Diferencia Normalizada .............................. 39

3.5 Tiempos de procesamiento ..................................................................................... 40

3.6 Análisis económico y medioambiental .................................................................. 40

3.7 Conclusiones del capítulo ...................................................................................... 41

CONCLUSIONES Y RECOMENDACIONES ................................................................... 42

vii

Conclusiones ..................................................................................................................... 42

Recomendaciones ............................................................................................................. 43

REFERENCIAS BIBLIOGRÁFICAS ................................................................................. 44

ANEXOS .............................................................................................................................. 49

Anexo I Otras relaciones funcionales ........................................................................... 49

INTRODUCCIÓN 1

INTRODUCCIÓN

El procesamiento y el análisis de imágenes digitales tienen gran influencia en la sociedad

actual y están en la vanguardia en diferentes campos debido a que persigue como objetivo

mejorar el aspecto de las imágenes, resaltando detalles y brindando información que no puede

advertirse a simple vista, así como utilizar esa información con diversos fines. En la esfera

de la agricultura el procesamiento de imágenes tiene como fin lograr un mejoramiento en la

toma de decisiones en la gestión de cultivos.

La agricultura de precisión ha experimentado un progreso vertiginoso en todo el orbe en las

últimas décadas. Entre las herramientas fundamentales que emplea la misma está la

fotogrametría multiespectral, donde la banda espectral del infrarrojo cercano (NIR por sus

siglas en inglés) es vital para realizar el cálculo de los índices vegetativos que posibilitan

identificar de forma rigurosa y altamente segura el vigor vegetal, el déficit de agua en las

plantas, las plagas y el posible rendimiento de las áreas cultivadas.

El índice vegetativo es una combinación de varias bandas espectrales diseñadas para resaltar

el vigor vegetal. Permite estimar y evaluar el estado de salud de la vegetación mediante la

radiación que emiten las plantas. Existen varios índices vegetativos entre los más empleados

se encuentran: NDVI, GNDVI y SAVI.

Para obtener índices vegetativos exactos se deben implementar las correcciones

radiométricas pertinentes, estas consisten en eliminar o reducir la inconsistencia entre los

valores registrados por los sensores, la reflectancia espectral y la radiación de los objetos.

Estas abarcan las correcciones radiométricas absolutas y relativas, y son muy importantes

para aplicaciones como el análisis de índices vegetativos, construcción de mosaicos entre

otras.

INTRODUCCIÓN 2

Algunas instituciones como ETICA (Estación Territorial de Investigaciones de la Caña de

Azúcar), GEOCUBA (facultada para la elaboración de mapas de relieve) y CEMPALAB

(encargada de investigación en agricultura de precisión), han mostrado interés en el

procesamiento de imágenes aéreas y en la mejora de los resultados. A partir de estas posibles

aplicaciones de la agricultura de precisión y la utilidad en estos campos el Grupo de

Automatización, Robótica y Percepción (GARP) de la Universidad Central “Marta Abreu”

de Las Villas tiene como proyecto analizar las posibles correcciones radiométricas y

geométricas que introducen los Software Agisfot y Pix4D en los ortomosaicos.

Situación de problema:

Aunque el GARP ha desarrollado diversos métodos para el cálculo de variables de interés

agrícola, como los índices vegetativos, los mapas multiespectrales varían en dependencia de

las correcciones radiométricas que introduce el software con el que se procesen las imágenes.

Es por ello que el estudio que se lleva a cabo con esta investigación pretende identificar estos

métodos mediante la programación de un grupo de correcciones radiométricas recogidas en

publicaciones recientes, que permitan obtener mapas de índices uniformes

independientemente del software de procesamiento empleado.

El problema científico se enfoca entonces en que no están definidas las relaciones funcionales

existentes entre las bandas multiespectrales corregidas radiométricamente y

geométricamente por los software Agisoft y Pix4D.

Como hipótesis se plantea que, mediante el software Matlab es posible encontrar la relación

funcional existente entre las bandas multiespectrales obtenidas con los software Agisoft y

Pix4D con vistas a homogenizar los mapas de índices generados con ambos software.

El objetivo general propuesto para este trabajo es:

Implementar en Matlab diversos métodos para el análisis de la corrección radiométrica y

geométrica de imágenes multiespectrales con vista a la obtención de índices vegetativos de

áreas agrícolas calculados mediante Pix4D y Agisoft.

Teniendo como objetivos específicos:

Analizar la literatura científica relacionada con la temática.

INTRODUCCIÓN 3

Identificar las relaciones que existen entre las correcciones radiométricas y

geométricas aplicadas por los software PIX4D y Agisoft Photoscan a las imágenes.

Implementar algoritmos de corrección radiométrica y geométrica para calcular los

índices vegetativos obtenidos con el software Agisoft Photoscan.

Para cumplir con los objetivos del trabajo se plantean las siguientes tareas de investigación:

Revisión bibliográfica técnico-especializada para la construcción del marco teórico

de referencia general de la pesquisa.

Selección de las correcciones radiométricas referidas en la literatura, que sean

aplicables a imágenes capturadas desde un UAV.

Obtención de los ortomosaicos multiespectrales mediante los softwares Pix4D y

Agisoft Photoscan.

Programación en Matlab de diversos métodos de corrección radiométrica de

imágenes multiespectrales.

Comparación de los resultados de los métodos programados para las correcciones

radiométricas y geométricas obtenidas con los softwares Pix4D y Agisoft Photoscan.

Evaluación del método de corrección que arroje los mejores resultados en el cálculo

de índices vegetativos.

Organización del informe

El informe de investigación está compuesto por la Introducción, tres Capítulos,

Conclusiones, Bibliografía y Anexos.

El Capítulo 1 se realiza el análisis crítico de la literatura especializada consultada. Se

presentan las principales metodologías que constituyen el eje de esta investigación,

introduciendo los temas relacionados. Se plantea la panorámica general existente en torno al

problema que se aborda y un estudio sobre los métodos que se usan en la actualidad.

En el Capítulo 2 los Software utilizados son el Agisoft Photoscan y Pix4D para el análisis de

las correcciones radiométricas. Se establece el procedimiento a seguir para realizar las

correcciones radiométricas y geométricas a partir de las características de las imágenes

utilizadas.

INTRODUCCIÓN 4

En el Capítulo 3 se exponen los resultados de la validación del procedimiento empleado para

las correcciones radiométricas y geométricas.

Conclusiones

Recomendaciones

Referencias bibliográficas

Anexos

CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA 5

CAPÍTULO 1. MARCO TEÓRICO

En este capítulo se presentan varios epígrafes en los cuales se realiza un estudio sobre la

agricultura de precisión, la teledetección; la fotogrametría multiespectral, donde se exponen

varias aplicaciones de la cámara multiespectral empleada y los software utilizados para el

procesamiento de las imágenes. También se hace un análisis de las correcciones

radiométricas y geométricas.

1.1 Agricultura de precisión.

La agricultura de precisión (AP) es la capacidad de manejar variaciones en la productividad

dentro de un campo, maximizar el rendimiento financiero y minimizar el impacto en el

medioambiente mediante la recopilación automatizada de datos, la documentación y la

utilización de dicha información para decisiones estratégicas de gestión de granjas mediante

tecnología de detección y comunicación (McBratney et al., 2005).

Hasta la fecha, se han aplicado herramientas y métodos de agricultura de precisión a nivel de

campo y se ha comprobado la capacidad de los datos de alta resolución para coincidir con la

variabilidad del campo a esta escala y los beneficios potenciales de su manejo según la

zonificación obtenida (Tey and Brindal, 2012). El nivel de campo corresponde a la unidad

de producción que tiene la misma edad, variedad y patrón, y generalmente se maneja de

manera uniforme en términos de fertilización, poda, riego (Santesteban et al., 2013).

Las nuevas tecnologías permiten que la agricultura de precisión mejore la precisión y la

eficiencia de la aplicación. La aplicación aérea proporciona una solución para aplicar

insumos de campo tales como reguladores de crecimiento, defoliantes e insecticidas. La

tecnología de agricultura de precisión tiene el potencial de beneficiar a la industria agrícola

al ahorrar tiempo y dinero a operadores y agricultores (Lan et al., 2010).


1.2 Teledetección.

La teledetección es una herramienta de la agricultura de precisión, consiste en la detección y

discriminación de objetos o características de superficie, basándose en localizar y registrar la

energía radiante reflejada o emitida por objetos. Diferentes objetos devuelven diversas

cantidades de energía en múltiples bandas del espectro electromagnético, que inciden sobre

el este. Esto depende de la propiedad del material (estructural, químico y físico), la rugosidad

de la superficie, el ángulo de incidencia, la intensidad y la longitud de onda de la energía

radiante (Liaghat and Balasundram, 2010).

La percepción remota es básicamente una ciencia multidisciplinaria que incluye disciplinas

como óptica, espectroscopía, fotografía, informática, electrónica y telecomunicaciones,

lanzamiento de satélites, etc. Todas estas tecnologías están integradas para actuar como un

sistema completo en sí mismo, conocido como sistema de detección remota (Sahai, 1988).

La teledetección basada en vehículos aéreos no tripulados (UAV por sus siglas en inglés)

ofrece grandes posibilidades de adquirir datos de campo de manera rápida y fácil para

aplicaciones de agricultura de precisión. Este campo de estudio está aumentando rápidamente

debido a los beneficios y ventajas para el manejo de los recursos agrícolas, particularmente

para el estudio de la salud de los cultivos (Berni et al., 2009).

En (Rokhmana, 2015) se muestran algunas experiencias prácticas de uso de la plataforma

basada en UAV para la detección remota apoyada de la cartografía de la agricultura de

precisión. Este sistema tiene la capacidad de producir imágenes con una resolución espacial

<10 cm, medir el área, evaluar los árboles individuales y la topografía.

1.3 Fotogrametría Multiespectral.

El objetivo de la fotogrametría de largo alcance es el conocimiento de las dimensiones y la

posición de objetos en el espacio, a partir de las mediciones realizadas por la intersección de

dos o más fotografías, o de una fotografía y el modelo digital del terreno correspondiente al

lugar representado. Puede apoyarse de información espectral y radiométrica de una imagen

digital. La fotogrametría puede ser terrestre o aérea dependiendo desde donde son obtenidas

las imágenes.


La cobertura del suelo es un rasgo importante que afecta la captura de radiación del cultivo,

la eficiencia del uso del agua y el rendimiento del grano. En (Duan et al., 2017) se combinaron

dos métodos basados en imágenes para estimar la cobertura del suelo a nivel de parcela para

tres especies. Se crearon nubes de puntos reconstruidos, mosaicos ortográficos para todo el

campo y se desarrolló un flujo de trabajo de procesamiento de imágenes personalizado para:

1. Segmentar los conjuntos de datos de "campo completo" en gráficos individuales.

2. "Calcular inversamente" cada gráfica de la imagen sin distorsión.

En (García and Herrera, 2015) se realizó un estudio en Palmira (Colombia - América del

Sur), donde se ejecuta un experimento que consiste en aplicar diferentes dosis de nitrógeno

y tres variedades de caña de azúcar (CC 85-92, CC 01- 1940 y CC 93-4418). El resultado

mostró un gran potencial para la generación de mosaicos útiles para realizar tareas como la

digitalización o la interpretación de fotografías digitales. Asimismo, se evaluaron los índices

de vegetación (NDVI y SAVI), se encontró una alta correlación con la estimación de biomasa

en caña de azúcar.

El índice de vegetación utilizado como indicador de biomasa puede obtenerse fácilmente

mediante sensores terrestres o mediante imágenes orbitales y no orbitales obtenidas

utilizando un UAV. El objetivo de (Magalhães et al., 2013) fue evaluar la predicción de la

biomasa de la caña de azúcar utilizando IV obtenidos por medio de un sensor de campo y un

UAV en una escala de campo, y correlacionar los resultados con los datos del terreno y del

suelo. Los resultados mostraron que el IV obtenido por sensores terrestres y no orbitales tiene

correlación con la producción de biomasa, pero no con los atributos químicos del suelo, lo

que significa que la variabilidad espacial del campo es más dependiente de otros factores que

los atributos químicos del suelo.

La estimación de la productividad en caña de azúcar resulta de gran importancia para la

economía colombiana. En (Calier et al., 2015) se aplica el modelo de Productividad Primaria

Neta (PPN) a escala regional de Kumar y Monteith. Se realizaron monitoreos de campo, para

adquirir la información fisiológica de las plantas evaluadas y las condiciones edáficas de la

plantación objeto de estudio. Los datos colectados fueron analizados en el software ArcGIS

10.1. Como resultado, se obtuvo una serie de mapas temáticos de la distribución espacio-

temporal de las características del suelo y biofísicas de la plantación.


Las imágenes fotográficas recolectadas por UAV (Vehículos Aéreos no Tripulados) pueden

permitir estimaciones de la producción de follaje midiendo los cambios en la altura de la

vegetación a lo largo del tiempo. En (Hogan et al., 2017) se comparan las mediciones a nivel

del suelo de la altura de la vegetación con los resultados de los modelos de superficie digital

(mapas topográficos de muy alta resolución) generados a partir de imágenes capturadas por

cámaras montadas en UAV. El software de procesamiento de imágenes utiliza un enfoque

fotogramétrico, que analiza múltiples imágenes superpuestas para generar mapas de

elevación precisos.

En (Díaz García, 2015), a partir de imágenes multiespectrales se detecta el estrés en la

vegetación producido por la presencia de plagas y enfermedades, generándose mapas

diversos, que permiten detectar problemas en los cultivos de forma localizada. Esto permitió

aumentar los beneficios económicos de los agricultores y evitó la aplicación innecesaria de

herbicidas y pesticidas.

1.4 Índices Vegetativos.

Los índices vegetativos (IV) son combinaciones algebraicas de diferentes bandas espectrales

empleadas para resaltar el vigor vegetal. Entre todos los IV que existen, los más usados y

derivables de un sensor multiespectral tribanda son: NDVI, GNDVI y SAVI.

En (Di Gennaro et al., 2017), se adquirieron imágenes digitales de alta resolución con una

plataforma prototipo de UAV en un campo experimental. Se calcularon seis índices de

vegetación generados a partir de las imágenes rojo-verde-azul e infrarrojo cercano para 912

parcelas experimentales de cebada y estos proporcionaron una alta correlación con los índices

determinados a partir de datos hiperespectrales tomados en el suelo.

En (Milioto et al., 2017), se presenta un enfoque de segmentación semántica de campos de

que identifica cultivos, malas hierbas. Se propuso un codificador-decodificador

Convolutional Nural Network (CNN) para la segmentación semántica que se alimenta con

una imagen de 14 canales que almacena índices de vegetación para resolver tareas de

clasificación de malas hierbas. Se implementó y evaluó el sistema en un robot agrícola real

que opera en diferentes campos en Alemania y Suiza. Los resultados muestran que el sistema

es adecuado para el funcionamiento en línea en los campos.


En (Ballester et al., 2018), se evaluó la capacidad de una serie de índices de banda estrecha

sensibles a parámetros biofísicos de diferente naturaleza para rastrear los efectos del estrés

hídrico en una granja compuesta por cinco especies de cultivos de árboles frutales. Los

índices sensibles a la estructura, la clorofila y la xantofila fueron capaces de detectar

diferencias entre los tratamientos de riego.

Varios factores contribuyen al aumento del rendimiento de la caña de azúcar como mayor

suministro de nutrientes y agua, mejor control de malezas por mayor sombreado del suelo,

más protección del suelo contra la erosión debido al impacto de las gotas de lluvia, más

macollos por hectárea, entre otros. La forma más fácil de medir el cierre del dosel es a través

del índice del área foliar (IAF). En (Duft et al., 2017), los resultados mostraron que el cierre

del dosel de la caña de azúcar podría detectarse utilizando el Índice de Vegetación Verde-

Rojo (GRVI).

1.4.1 Cámara multiespectral.

En este proyecto la cámara debe tener características multiespectrales y tener un peso ligero

ya que el UAV posee una capacidad de carga útil muy limitada. En (Evora Jiménez, 2016)

se realizó un análisis de las principales cámaras del mercado en cuanto a sus prestaciones y

precios y se llegó a la conclusión que el sensor Parrot Sequoia era el más adecuado.

El uso de cámaras multiespectrales desplegadas en UAV en aplicaciones de cobertura

terrestre y mapeo de vegetación continúa mejorando y recibe un mayor reconocimiento y

adopción por parte de los profesionales de la gestión de recursos y de la prospección forestal.

En (Ahmed et al., 2017) se determinaron cinco clases de cubierta vegetal (bosque, arbustos,

herbáceas, suelo desnudo y edificado) con una correlación de hasta el 95% en general entre

los datos de la cámara digital multiespectral Parrot Sequoia en comparación con

observaciones de campo independientes.

El sensor Parrot Sequoia se utilizó para recopilar imágenes RGB, multiespectrales y

térmicas a lo largo de la temporada de crecimiento en un sitio establecido cerca de Columbia,

Missouri, EE. UU. En (Maimaitijiang et al., 2017) se evaluó la potencia de la alta resolución

espacial RGB, fusión de datos multiespectrales y térmicos para estimar parámetros

bioquímicos de soja, incluyendo contenido de clorofila, concentración de nitrógeno, y


parámetros biofísicos como IAF. La fusión de datos multiespectrales y térmicos resultó ser

la mejor para la estimación de biomasa.

1.4.2 Software para el procesamiento de imágenes multiespectrales aéreas con vistas

a calcular los índices vegetativos.

Existen diferentes software para el procesamiento de imágenes asociadas la agricultura de

precisión. Están los que tienen plataformas de procesamiento en la nube y los que son

provistos como paquetes de software. En (Evora Jiménez, 2016), se realiza un análisis de

varios software en el mercado, siendo Agisoft PhotoScan y Pix4Dmapper las mejores

soluciones de fotogrametría para realizar el procesamiento de las imágenes multiespectrales

y el cálculo automático de los índices vegetativos en plataformas de escritorio.

En (Bendig et al., 2013), la adquisición de imágenes se realizó con un Mini-UAV de bajo

costo y bajo peso (<5 kg). Las imágenes se procesan en MSC (Modelo de Superficie de

Cultivo) con el uso del software Agisoft Photoscan. Los modelos resultantes tienen una

resolución de 0.02 m y una cantidad promedio de alrededor de 12 millones de puntos. Los

conjuntos de datos multitemporales se analizan en función del tamaño de la gráfica. Los

resultados se pueden comparar y combinar con los datos de campo adicionales. La detección

de la altura de la planta con técnicas de medición no invasivas permite el análisis de su

correlación con la biomasa y otros parámetros del cultivo medidos en el campo.

En (Katsigiannis et al., 2016), se demostró el uso operacional de un sistema de imagen UAV

multisensor autónomo, que está diseñado para proporcionar información espectral

relacionada con la gestión del agua para un huerto de granadas. Los índices de vegetación y

estrés hídrico se obtuvieron a partir de datos multiespectrales y térmicos recopilados

simultáneamente del sistema mediante el software Agisoft, estos índices se utilizaron como

indicadores del estrés hídrico y la condición de salud del cultivo.

En (Sona et al., 2016), se produjeron ortomosaicos multiespectrales y multitemporales en un

campo de prueba, para mapear los índices de vegetación y suelo, así como las alturas de

cultivo, con una resolución de suelo adecuada. Las imágenes se procesaron en Agisoft

Photoscan para producir el Modelo de Superficie Digital (DSM) de las ortofotos

multiespectrales. Para superar algunas dificultades en la búsqueda automática de puntos de

coincidencia para el ajuste del bloque de la imagen de recorte, también se utilizó el software


científico desarrollado por el Politécnico de Milán para mejorar la orientación de las

imágenes.

Datos del NDVI (Índice de Vegetación de Diferencia Normalizada) calculados por el

software Pix4D son utilizados para estimar la salud de la vegetación verde y las imágenes de

alta definición postprocesadas para la agricultura de precisión. Un sensor acoplado a un UAV

proporciona una imagen de alta resolución tomada de los cultivos y se comparan las

intensidades reflejadas del infrarrojo cercano (NIR) y la luz visible (Mahajan and Bundel,

2017).

En (Kavvadias et al., 2015) , el NDVI proporcionado por el UAV y el satélite se calculó por

separado mediante Pix4D y ENVI. Se realizó una comparación y evaluación de los

indicadores de los dos medios de teledetección para examinar la efectividad de los datos

recibidos de la cámara de UAV.

1.5 Distorsiones radiométricas

Efectos Atmosféricos

La radiación electromagnética (EMR por sus siglas en inglés) puede viajar a la velocidad de

la luz de 3 × 108𝑚𝑠−1 en el vacío en el que el EMR no se ve afectado. Los efectos

atmosféricos en EMR incluyen principalmente la absorción y la dispersión de los gases y

aerosoles atmosféricos. Debido a tales efectos sobre la EMR, la atmósfera puede afectar no

solo la velocidad de la radiación, sino también otras propiedades de la EMR, como la longitud

de onda, la intensidad y la distribución espectral. En la atmósfera, la radiación solar también

puede desviarse de su dirección original debido a la refracción. Dado que un sensor o sistema

remoto a bordo de una plataforma aérea o espacial registra el resplandor total que está

pasando originalmente a través de la atmósfera dos veces (una vez solo para registrar la

radiancia emitida), la radiación registrada siempre está contaminada por los efectos

atmosféricos, especialmente dispersión y absorción (Song et al., 2001).

1.5.1 Refracción atmosférica

La refracción se puede definir como la flexión de la luz cuando pasa de un medio a otro con

diferente densidad. El fenómeno de refracción generalmente ocurre cuando los medios son

de diferentes densidades y la velocidad del recorrido de EMR varía en cada capa del medio


con diferente densidad. Dado que la densidad atmosférica es variable desde la parte superior

de la atmósfera hasta la superficie de la Tierra con una tendencia de densidad que aumenta

al acercarse a la superficie de la Tierra, el fenómeno de refracción puede tener lugar en la

atmósfera. La refracción de la radiación puede describirse usando un índice de refracción, n,

de la densidad óptica de una sustancia. El índice se define como una relación entre la

velocidad de la luz en el vacío, C, y la velocidad de la luz en una sustancia como la atmósfera

o el agua, 𝐶𝑛 :

𝑛 =𝐶

𝐶𝑛 (1.1)

Según la Ecuación 1.1, dado que la velocidad de la luz en una sustancia nunca puede alcanzar

la velocidad de la luz en el vacío, el índice de refracción en la sustancia siempre debe ser

mayor que 1.

En la práctica, la ley de Snell puede usarse para describir una relación entre dos índices de

refracción en dos medios 𝑛1 y 𝑛2 y sus ángulos correspondientes (𝜃1 y 𝜃2) de incidencia de

la radiación en los medios 1 y 2. La relación se puede describir como:

𝑛1𝑠𝑖𝑛𝜃1 = 𝑛2𝑠𝑖𝑛𝜃2 (1.2)

Por lo tanto, si se conoce los índices de refracción de dos medios adyacentes 𝑛1 y 𝑛2 y el

ángulo de radiación incidente al medio 1, se puede usar la ley de Snell (Ecuación 1.2) para

predecir la cantidad de refracción que tendrá lugar en el medio 2 utilizando la relación

trigonométrica (Pu, 2017).

1.5.2 Dispersión atmosférica

La dispersión atmosférica es el resultado de reflejos difusos múltiples de EMR por moléculas

de gas y partículas suspendidas (aerosoles) en la atmósfera. La dispersión es impredecible y

difiere de la refracción que es predecible. Según la longitud de onda del EMR incidente en

relación con el diámetro de los gases, el vapor de agua y las partículas suspendidas con las

que interactúa el EMR, la dispersión atmosférica se puede dividir en dos tipos principales:

dispersión Rayleigh y dispersión Mie (a veces denominada dispersión no selectiva).

La radiancia del paso atmosférico puede reducir drásticamente el contenido de información

de los datos hiperespectrales detectados a distancia hasta el punto en que las imágenes


pierden el contraste entre las características de la superficie y, por lo tanto, resulta difícil

diferenciar una característica de otra (Aggarwal, 2004).

1.5.3 Absorción atmosférica

La absorción atmosférica es un proceso mediante el cual la atmósfera retiene la energía

radiante incidente. En el proceso, cuando la atmósfera absorbe energía, el resultado es una

transformación irreversible de la radiación hacia otra forma de energía. Hay muchos gases y

partículas diferentes en la atmósfera, que absorben y transmiten muchas longitudes de onda

diferentes de la energía EMR que pasa por la atmósfera.

Una banda de absorción es un rango de longitudes de onda (o frecuencia) en el espectro

electromagnético dentro del cual la energía radiante es absorbida por la sustancia.

Aproximadamente la mitad de la región espectral entre 0.1 y 30 μm se ve afectada por la

absorción del vapor de agua atmosférico. El efecto acumulativo de la absorción por las

diversas sustancias en la atmósfera puede causar que la atmósfera "se cierre" por completo

en ciertas regiones de longitud de onda, mientras que, en otras regiones del espectro, la EMR

puede transmitirse a través de la atmósfera de la Tierra. Esas regiones de longitud de onda

del espectro que permiten que la radiación pase efectivamente a través de la atmósfera se

llaman ventanas atmosféricas. En las ventanas atmosféricas, hay muy poca atenuación de la

radiación por la atmósfera que atraviesa. Como resultado, solo las regiones de longitud de

onda fuera de las principales bandas de absorción de los gases atmosféricos pueden utilizarse

para la detección remota porque minimizan los efectos de absorción atmosférica. Estas

ventanas se encuentran en el NIR visible, ciertas bandas en el infrarrojo térmico y las regiones

de microondas (Gao et al., 2009).

1.5.4 Errores introducidos por el sensor

Antes de que un instrumento de teledetección se lance al espacio o se instale en una aeronave,

su calibración espectral y radiométrica generalmente se realiza en un laboratorio (esto se

denomina calibración previa al lanzamiento). Sin embargo, dado que algunos procesos tales

como desgasificación, envejecimiento, degradación de componentes ópticos o electrónicos y

desalineación debido a vibraciones mecánicas son inevitables después de que el instrumento

de teledetección esté en vuelo (a bordo del satélite o la aeronave), el rendimiento del

instrumento puede cambiar en comparación con su versión calibrada en laboratorio, y así los


errores espectrales y radiométricos pueden crearse en el vuelo (Guanter et al., 2006). Para

detección remota hiperespectral, tales errores inducidos por el sistema pueden consistir en

dos tipos:

1. Artefactos de rayas de imágenes hiperespectrales causados por píxeles defectuosos e

inexactitudes en la precisión de la calibración radiométrica a través del conjunto de

detectores,

2. Artefactos del sensor de imágenes hiperespectrales causados por errores de registro

espectrales y espaciales en el conjunto de detectores a lo largo de las dimensiones

espectrales y espaciales, respectivamente.

1.5.5 Efectos de iluminación y ángulo de visión

La magnitud de la señal registrada por un sensor depende del ángulo de elevación solar, el

ángulo de visión del sensor y la inclinación del objetivo de tierra en relación con el Sol. El

ángulo de visión de los sensores es importante ya que controla la longitud del camino

ascendente. La corrección de elevación del Sol toma en cuenta la posición del Sol en relación

con la Tierra como resultado de la temporada. La corrección de elevación del Sol se puede

determinar dividiendo cada valor de píxel por el coseno del ángulo del Sol desde el cenit

(Themistocleous and Θεμιστοκλέους, 2011).

1.5.6 Efectos topográficos

Aunque el ángulo del cenit solar se calcula fácilmente en terreno plano, para calcular el

ángulo de incidencia en un terreno no plano, se requiere un modelo de elevación digital

(DEM), que debe expresarse en el mismo sistema de coordenadas que la imagen a corregir

Los efectos del ángulo de la pendiente de un DEM se pueden calcular fácilmente suponiendo

el coseno de Lambert (Pu, 2017).

1.6 Correcciones radiométricas.

La calidad de la información derivada de los datos procesados por teledetección puede

depender de muchos factores, principalmente relacionados con la medida en que la

adquisición de datos está influenciada por las condiciones atmosféricas, los efectos

topográficos, el ángulo solar, etc. El objetivo de las correcciones radiométricas es reducir

dichos efectos (Mateos et al., 2010).


Hay dos enfoques para la corrección radiométrica: calibraciones absolutas y relativas. Debido

a la gran cantidad de productos de datos libres disponibles, las técnicas absolutas de

calibración radiométrica pueden consumir mucho tiempo y son financieramente costosas

debido a las entradas necesarias para los modelos (a menudo estos datos no están disponibles

y pueden ser difíciles de obtener). El enfoque relativo a la corrección radiométrica, conocido

como normalización radiométrica relativa se prefiere porque no se requieren datos auxiliares.

En (Bao et al., 2012) se comparan dos métodos de Normalización Radiométrica Relativa

(RRN), un método manual y otro automático; usando las características pseudovariantes

(PIFs) en múltiples imágenes satelitales de áreas urbanas y rurales en Australia. Se realiza

una evaluación de calidad incluyendo mediciones de pendiente, error cuadrático medio, y

diferentes índices de vegetación normalizados. Se comprueba que en áreas urbanas ambos

métodos se desempeñaron de forma similar. Sin embargo, en áreas rurales el método

automático de selección de PIF usando un Análisis de Componentes Principales (PCA) se

comporta mejor debido a las raras características de construcción que son requeridas en la

selección de PIF manual.

En (Canty et al., 2004), se aplicó la Detección de Alteración Multivariante (MAD) para

seleccionar píxeles sin cambios en imágenes bitemporales, y luego se usa para la

normalización radiométrica, lo cual es importante para muchas aplicaciones como el

mosaico, el seguimiento de índices vegetativos, la clasificación de cobertura del suelo

supervisada y no supervisada. El procedimiento es simple, rápido y completamente

automático y es muy favorable en comparación con las PIFs seleccionadas a mano.

Las ventajas particulares del método implementadas en (Roy et al., 2008) son: no requiere

ningún parámetro de ajuste y, por lo tanto, puede ser automático; se aplica por píxel y no se

ve afectado por la presencia de píxeles de imágenes satelitales vecinas ausentes o

contaminadas, este método mejora considerablemente la calidad de las imágenes.

En (Yuan and Elvidge, 1996) se aplican siete técnicas empíricas de normalización

radiométrica multitemporal a las imágenes satelitales de 1973 y 1990 adquiridas de

Washington DC. Los resultados de las diversas técnicas se compararon tanto visualmente

como usando una medida del ajuste basada en la estadística de error estándar. Ambos


métodos de comparación indican que una técnica de regresión lineal, que utiliza píxeles de

las dos imágenes y que no experimentó cambios espectrales produce los mejores resultados.

En los artículos anteriores las fotos son tomadas mediante satélites, a las cuales hay que

realizarle mayores correcciones que a las fotos de UAV. A continuación se comentarán

diferentes publicaciones relacionadas con fotos de UAV que es el objetivo de este trabajo.

En (Berra et al., 2017) se generaron ortomosaicos calibrados radialmente para 17 fechas, a

partir de las cuales se corrigieron los números digitales de la reflectancia de la superficie

mediante el método de línea empírica. Los resultados confirman que las cámaras COTS,

después de la calibración, pueden proporcionar estimados de reflectancia precisos. El método

usado tiene un gran potencial para proporcionar enfoques flexibles y de bajo costo para el

monitoreo de la vegetación, con una resolución espacial precisa y para períodos revisitados

controlados por el usuario.

Debido a la variación de las condiciones atmosféricas, la iluminación diferente y la

calibración del sensor, la precisión radiométrica es difícil de mantener entre las imágenes de

detección remota multitemporal. Por lo tanto, la normalización radiométrica se realizó en

(Du and Noguchi, 2016), para ajustar imágenes multitemporales a un conjunto de datos de

referencia y compensar los efectos anteriores. Los datos de referencia se generan al calcular

los valores promedio de los valores de píxeles de las características pseudoinvariantes (PIF),

que se refiere a los objetos de suelo cuyos valores de reflectancia son casi constantes a lo

largo del tiempo. De acuerdo con los valores de píxel de estos PIF de cada banda y los datos

de referencia correspondientes, los modelos de normalización radiométrica de imágenes de

satélite, así como imágenes de UAV, se obtuvieron construyendo ecuaciones de regresión

lineal.

En (Imai et al., 2017), se realizó una evaluación de la calidad radiométrica del mosaico de

una plantación de naranjas producida utilizando imágenes capturadas por un generador de

imágenes hiperespectrales, aplicando el método de ajuste de bloque radiométrico. Se realizó

una encuesta hiperespectral basada en UAV de alta resolución en una granja productora de

naranjas ubicada en Santa Cruz do Rio Pardo, estado de São Paulo, Brasil. El análisis de

tendencia se aplicó a los valores de una muestra extraída de las plantas. Los resultados de


estos análisis de tendencias demostraron que la calidad del mosaico es suficiente para muchas

aplicaciones.

Las técnicas de detección remota, como la espectroscopía de campo, proporcionan

información con un gran nivel de detalle sobre las características espectrales de las plantas

que permiten el monitoreo de los cultivos. En (Moriya et al., 2018) se realizó un análisis de

la influencia del ángulo de visión en la estimación de la Función de Distribución de

Reflectancia Bidireccional (BRDF) para el caso de la caña de azúcar. La corrección de BRDF

se aplicó usando el modelo de Walthall (Walthall et al., 1985), reduciendo así los efectos de

BRDF. A partir de los resultados obtenidos en los experimentos, las firmas espectrales

mostraron un patrón similar que variaba principalmente en intensidad. Los efectos de BRDF

en los datos de teledetección de la cubierta vegetal se pueden minimizar aplicando este

modelo. Esta conclusión contribuye al desarrollo de algoritmos adecuados para producir

mosaicos radiométricamente calibrados con imágenes de teledetección tomadas por

plataformas aéreas.

Después de un estudio realizado se llegó a la conclusión que el método empleado en

(Honkavaara and Khoramshahi, 2018) es más idóneo, en el cual se desarrolló un enfoque de

optimización global para la corrección radiométrica de bloques de imágenes UAV, con un

ajuste de bloque radiométrico. Se llevó a cabo un estudio empírico utilizando imágenes

capturadas empleando una cámara hiperespectral de formato de marco 2D en cultivos de trigo

de invierno. El método proporcionó una herramienta automatizada para la corrección,

compensando las perturbaciones radiométricas de manera eficiente en las imágenes. Este

método no se pudo implementar debido a la falta de diferentes datos de la cámara que se

emplean en las fórmulas del modelo radiométrico implementado en dicho método como son:

el ángulo cenital de la iluminación incidente (𝜃𝑖), la vista de reflexión ángulo cenital (𝜃𝑟), el

ángulo de acimut relativo (𝜑), entre otros parámetros. Estos datos se encuentran en unos

metadatos que da la cámara pero todavía no se sabe cómo extraer cada uno de estos datos en

específico.


1.7 Correcciones geométricas

La corrección geométrica se puede realizar utilizando enfoques paramétricos o no

paramétricos. Los enfoques no paramétricos requieren la identificación de características

comunes a la imagen detectada y un mapa. Convencionalmente, se utilizan las características

distintivas de puntos denominados puntos de control de tierra (GCP). Los enfoques

paramétricos requieren información sobre la geometría y los parámetros de orientación

exterior del sensor (altitud y posición) que describen las circunstancias que produjeron la

imagen detectada (Shi et al., 2011).

La distorsión geométrica significativa de las imágenes de UAV es causada por el lente de la

cámara digital SLR común y la ondulación del terreno. La distorsión causada por la lente de

la cámara es constante, por lo que se pueden utilizar los elementos de orientación interior y

exterior de las imágenes para corregir su distorsión geométrica en lotes. En cuanto a lo

último, por un lado podemos aumentar apropiadamente la altitud de vuelo del UAV para

reducir la distorsión causada por el terreno. Por otro lado, se puede hacer uso de los puntos

de control de tierra (GCP) junto con los datos topográficos para corregir (Lin et al., 2010).

En (Turner et al., 2012), se describe una metodología para la corrección geométrica de

imágenes que utiliza nuevos algoritmos de Computer Vision (CV) y Structure from Motion

(SfM) que son más aplicables a la fotografía UAV. La técnica es totalmente automática y

puede georreferenciar y rectificar las imágenes directamente con posiciones de cámara de

baja precisión, lo que da como resultado mosaicos de imágenes UAV en coordenadas del

mundo real. La automatización y simplicidad de esta técnica es ideal para las operaciones de

UAV que generan grandes conjuntos de datos de imágenes que requieren rectificación y

creación de mosaicos antes del análisis posterior.

Antes de que una imagen aérea pueda usarse para soportar una aplicación específica del sitio,

es esencial realizar las correcciones geométricas y la geocodificación. En (Xiang and Tian,

2011), se discute un método de georreferenciación de imagen aérea automática para una

plataforma de adquisición de datos de imagen de UAV que no requiere el uso de GCP. Un

sistema de navegación a bordo es capaz de proporcionar estimaciones continuas de la

posición y la altitud del UAV. Según los datos de navegación y el modelo de distorsión de la

lente de la cámara, la imagen captada por una cámara multiespectral incorporada se puede


georreferenciar automáticamente. Se logró un error de mosaico de 56,9 cm. Esta precisión se

considera suficiente para la mayoría de las aplicaciones agrícolas de precisión previstas.

1.8 Consideraciones finales del capítulo

En el presente capítulo se evidencia el aumento alcanzado en el orbe por la fotogrametría

multiespectral en la agricultura de precisión. Se evidenció la importancia del cálculo de

índice vegetativo para identificar el vigor vegetal. Se comprobó la diversidad de métodos

empleados en la literatura para realizar la corrección radiométrica.

Presentado el marco teórico y analizado la bibliografía consultada, se arriba a las siguientes

conclusiones:

La aplicación de la Agricultura de Precisión es la vía más segura para aumentar las

producciones, ahorrando insumos agrícolas y cuidando el medio ambiente.

Se realizó un estudio del método de ajuste de bloque radiométrico y se llegó a la

conclusión de la imposibilidad de su implementación debido a la falta de parámetros

necesarios de la cámara multiespectral.

Existen diferentes correcciones geométricas a la hora de generar el ortomosaico.

CAPÍTULO 2. MATERIALES Y METODOS 20

CAPÍTULO 2. MATERIALES Y MÉTODOS

En el presente capítulo se describen los elementos fundamentales del sistema de adquisición

de las imágenes: los UAVs, la cámara multiespectral. Se describe el cálculo de la relación

funcional entre las imágenes corregidas radiométricamente por Agisoft y Pix4D, y la

metodología de corregistrado de puntos comunes en ortomosaicos.

2.1 UAVs

El UAV debe ser seleccionado según la tarea de fotogrametría a ejecutar ya que puede no ser

capaz de levantar el vuelo con la cámara multiespectral si este tiene poca capacidad de carga,

o que su velocidad de movimiento sea demasiada elevada para las capacidades de disparo de

la cámara.

2.1.1 Características del UAV 3DR RTF X8+

Figura 2-1 UAV 3DR RTF X8+


Diseño robusto y resistente.

Batería 4S 14.8V 10.000 mAh.

Transmisor Flysky FS TH9X.

Peso con la batería: 2,56 kg.

15 minutos de vuelo con una batería completa.

Capacidad de carga útil: 800 g.

Transmisor de radio 3DR con telemetría.

2.2 Cámara multiespectral

El sensor Sequoia, creado por los especialistas de Parrot y MicaSense, es el de mejor relación

calidad precio y está totalmente especializado para aplicaciones de la agricultura de precisión.

2.2.1 Características del sensor Sequoia

Principales características:

Protocolo estándar PTP para la comunicación con los drones.

Alimentada por USB.

Expansión: slot SD.

Contiene:

Figura 2-2 Sensor Sequoia + Sensor de Irradiación.


5 sensores independientes que operan simultáneamente para obtener sus respectivas

imágenes en múltiples bandas:

1 RGB de 16 Mpx (4608 × 3456), píxel de 1.34 µm, 24 bpp, distancia focal de

4.88 mm y salvadas en formato JPG.

4 monocromáticas en bandas: verde (G) a 550 nm con BW de 40 nm, rojo (R) a

660 nm con BW de 40 nm, borde rojo (RE) a 735 nm con BW de 10 nm, e

infrarrojo cercano (NIR) a 790 nm con BW de 40 nm. Todas con 1.2 Mpx (1288

× 960), píxel de 3.75 µm, 16 bpp (65536 niveles de gris), distancia focal de 3.98

mm y salvadas en formato TIF.

1 sensor de intensidad para ajustar las cámaras a la iluminación existente.

1 módulo GPS.

1 unidad de medición inercial que registra la orientación de las cámaras.

1 magnetómetro que actúa como brújula e indica la dirección en el vuelo.

2.3 Mission Planner

Con el software Mission Planner, se puede programar una ruta predeterminada, lo cual

garantizará la completa cobertura de la zona de cultivo, además se puede programar la

velocidad, altura de vuelo y la frecuencia a la cual se toman las imágenes para asegurar un

buen solape y también se cuenta con un sistema de adquisición de datos que registra los

ángulos en los que son tomados las imágenes. Estos datos son importantes ya que con la

información de los ángulos se puede realizar la corrección geométrica de las imágenes y

usarlo como paso previo del registro de estas.

2.4 Software empleado para las correcciones radiométricas y propiedades

computacionales

El software seleccionado para el trabajo fue el MATLAB en su versión 9.3.0.713579

(R2017b). MATLAB es el nombre abreviado de “MATrix LABoratory”. Es un programa

para realizar cálculos numéricos con vectores y matrices. Entre sus prestaciones básicas se

hallan: la manipulación de matrices, la representación de datos y funciones, la

implementación de algoritmos, la creación de interfaces de usuario (GUI) y la comunicación

con programas en otros lenguajes y con otros dispositivos. Una de las capacidades más


atractivas es la de realizar una amplia variedad de gráficos en dos y tres dimensiones. Por ser

una herramienta de alto nivel, el desarrollo de programas numéricos con MATLAB puede

requerir hasta un orden de magnitud menos de esfuerzo que con lenguajes de programación

convencionales, como Fortran, Pascal, C/C++, Java o Visual Basic.

Tabla 2-1. Propiedades computacionales de la laptop empleada para el procesamiento.

Fabricante Acer

Modelo Aspire E5-575G

Procesador Intel(R) Core(TM) i5-7200U CPU @ 2.50GHZ

Memoria RAM 8 GB

Sistema

Operativo Microsoft Windows 10 Home 64-bit

Tarjeta Gráfica NVIDIA GeForce 940MX

2.5 Software utilizados para el análisis de los índices vegetativos.

Agisoft PhotoScan es un software no libre de fotogrametría para la generación de

ortomosaicos georeferenciados, modelos de textura poligonales, DEMs/DTMs (Modelos

Digitales del Terreno) y cálculo de índices vegetativos. Este software tiene diversas

aplicaciones como son: la agricultura, la minería, la arqueología, la arquitectura, los efectos

visuales entre otros.

Pix4D es un software para el procesamiento de imágenes que permite convertir miles de

imágenes en mosaicos georreferenciados y modelos 3D. El software Pix4D procesa

automáticamente las imágenes terrestres y aéreas adquiridas por UAVs.

Cada uno de estos software a la hora de construir el ortomosaico realizan diferentes

correcciones radiométricas y geométricas.

En la figura 2-3 el valor con Agisoft es de 0.5679 mientras que el de Pix4D 0.4583, por lo

que se aprecia la diferencia del valor en un mismo pixel en las imágenes debido a las

diferentes correcciones radiométricas que implementa cada uno de estos software.


En la figura 2-4 se superpone las fotos de los software con la misma escala, la que está en

color rojo es la foto de Agisoft y la que esta con cian es la Pix4D. Se evidencia con mucha

claridad lo diferentes que son geométricamente debido a las correcciones que implementan

cada software.

Figura 2-3 Imágenes de Agisoft (izquierda) y Pix4D (derecha) en la banda NIR

Figura 2-4 Imágenes de Agisoft (en rojo) y Pix4D (en

cian) de la banda NIR


2.6 Metodología de corregistrado de puntos comunes en ortomosaicos de Agisoft y

Pix4D.

Debido a las diferencias geométricas que existe entre las dos imágenes se implementan tres

métodos para encontrar puntos comunes entre los mosaicos, estos puntos serán utilizados

como referencia en un futuro análisis.

FAST (Características de la Prueba de Segmento Acelerado)

El detector FAST, introducido por Rosten y Drummond en (Rosten and Drummond, 2005) y

(Rosten and Drummond, 2006) fue construido en el detector SUSAN (Smith and Brady,

1997). SUSAN calcula la fracción de píxeles dentro de una vecindad que tienen una

intensidad similar al centro de píxeles. FAST toma esta idea, que compara los píxeles solo

en un círculo de radio fijo alrededor del punto. El criterio de prueba funciona considerando

un círculo de 16 píxeles alrededor del candidato de la esquina. Los píxeles se clasifican en

subconjuntos oscuros, similares y brillantes. El algoritmo ID3 de (Quinlan, 1986) se usa para

seleccionar los píxeles que producen la mayor información sobre si el píxel candidato es una

esquina. Esto se mide por la entropía de las respuestas de clasificación de esquina positiva y

negativa basadas en este píxel. El proceso se aplica recursivamente en los tres subconjuntos

y finaliza cuando la entropía de un subconjunto es cero.

HARRIS

El detector Harris, propuesto por Harris y Stephens (Harris and Stephens, 1988), se basa en

la matriz de segundo momento, también llamada matriz de autocorrelación, que a menudo se

usa para la detección de características y para describir estructuras de imágenes locales. La

matriz de momento describe la distribución de gradiente en la vecindad local de un punto.

Las derivadas locales de imagen se calculan con núcleos de escala gaussianos (la escala de

diferenciación). Las derivadas se promedian en la vecindad del punto mediante suavizado

con una ventana de escala gaussiana (la escala de integración). Los valores propios de esta

matriz representan los principales cambios de señal en dos direcciones ortogonales en un

vecindario alrededor del punto definido por la escala de diferenciación. En función de esta

propiedad, las esquinas se pueden encontrar como ubicaciones en la imagen para las cuales

la señal de la imagen varía significativamente en ambas direcciones, o en otras palabras, para

las que ambos valores propios son grandes.


Cuando se utiliza como un detector de punto de interés, se extraen los máximos locales de la

función de esquina, utilizando supresión no máxima. Tales puntos son la traducción y la

rotación invariante. Además, son estables bajo diversas condiciones de iluminación.

Comparando diferentes detectores de puntos de interés (Schmid et al., 2000), la esquina de

Harris ha demostrado ser la más repetible y la más informativa. Además, se pueden hacer

muy precisos, la precisión subpíxel se puede lograr a través de la aproximación cuadrática de

la función de esquina en la vecindad de un máximo local.

SURF (Funciones robustas aceleradas)

Las características robustas aceleradas han sido propuestas por (Bay et al., 2006) y (Bay et

al., 2008). Es un detector de características invariante de escala basado en la matriz de

Hessian, como lo es, por ejemplo, el detector de Hessian-Laplace.

2.7 Cálculo de la relación funcional entre las imágenes corregidas radiométricamente

por Agisoft y Pix4D.

Para la implementación de este método es necesario extraer las bandas NIR y RED de las

imágenes de ambos software, Pix4D extrae directo las bandas pero en Agisoft hay que extraer

el ortomosaico que contiene 5 bandas y separar la banda 2 y la 3 que son la NIR y la RED

respectivamente.

Corrección para la banda NIR:

1. Los ortomosaicos generados por ambos software difieren ya que la corrección

geométrica que implementa cada uno es diferente. Debido a esto se le pasan los tres

algoritmos de corregistrado (FAST, HARRIS y SURF) para obtener puntos de

características similares entre las imágenes de cada banda utilizadas de Agisoft y

Pix4D y se selecciona el que mejores resultados obtuvo.

2. Con uno de estos puntos seleccionados, el cual se tiene seguridad que coinciden, se

crea un entorno alrededor de este obteniendo una matriz de 7x7. Por ejemplo, en

Matlab, luego de encontrarse los puntos comunes mediante corregistro, puede

procederse de la forma siguiente,

I2rec = I2new(1066-3:1066+3,512-3:512+3); %agisoft


nir_pix4dr_rect = nir_pix4d(783-3:783+3,305-3:305+3); %pix

3. Las dos matrices de la banda NIR de los software se transforman en columnas para

su análisis posterior. Para ello se utilizan las líneas de comando siguientes,

Sa = I2rec(:); %agisoft

Sp = double(nir_pix4dr_rect(:)); %Pix

4. Con estas dos columnas, mediante una regresión no-lineal se calcula una función

polinomial de orden n que relacione ese par de datos como se muestra en la figura 2-

6. Para realizar esta regresión se emplea la aplicación de matlab Curve Fitting. En la

figura 2-5 se muestra como introducir los datos. Por las X se le pasa los valores de la

banda NIR de Aigsoft y por las Y los de Pix4D.

Figura 2-7 Introducir datos.

Figura 2-6 Grado de la función y tipo.

Figura 2-5 Interfaz de la aplicación de matlab.


5. A la función calculada se le pasa por la X la imagen de NIR de Agisoft y por la Y se

obtiene la imagen corregida de Agisoft.

agi_nir_cor = p1*I2new.^3 + p2*I2new.^2 + p3*I2new + p4;

6. Este mismo procedimiento se realiza para la banda RED.

7. Cuando se tiene corregida radiométricamente las dos bandas de Agisoft se realiza el

cálculo de NDVI para compararlo con el que da Pix4D.

ndvi_agi = abs(agi_nir_cor-agi_red_cor)./((agi_nir_cor)+(agi_red_cor));

2.8 Conclusiones del capítulo

Para la obtención y el procesamiento de las imágenes multiespectrales es necesario:

el UAV, el sensor Parrot Sequoia y los software Agisoft y Pix4D

Para comparar ortomosaicos de Agisoft y Pix4D es necesario ejecutar un algortimo

de corregistro de puntos comunes debido a las diferentes correcciones geométricas

que emplean cada software.

Figura 2-7 Resultados de la aplicación

de matlab

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN 29

CAPÍTULO 3. RESULTADOS Y DISCUSIÓN

En este capítulo se analiza el corregistro de puntos comunes entre los ortomosaicos de

Agisoft y Pix4D, se estudian las diferentes relaciones funcionales entre los dos software, con

esta función se corrige las bandas de Agisoft, se comparan las fotos por bandas de cada

software y las que obtienen mejores resultados se usan para calcular el índice vegetativo

NDVI, y este se compara con el NDVI calulado con Pix4D.

3.1 Corregistro de puntos comunes entre ortomosaicos de Agisoft y Pix4D

A continuación, se muestran los resultados de aplicar los tres métodos de corregistro de

imágenes, utilizados para determinar puntos comunes en los mosaicos construidos para cada

banda espectral por los softwares Agisoft y Pix4D. Estos puntos se señalan mediante círculos

rojos en el ortomosaico construido por Agisoft y por círculos azules en el ortomosaico

construido por Pix4D. Estos resultados se muestran en las figuras 3-1, 3-2 y 3-3 para los

métodos SURF, Harris y FAST respectivamente.


a) Imagen de Agisoft b) Imagen de Pix4D

Figure 3-1 Imágenes procesadas con el algoritmo SURF


Figure 3-2 Imágenes procesadas con el algoritmo Harris



Figure 3-3 Imágenes procesadas con el algoritmo FAST

Los resultados del algoritmo SURF no son factibles debido a que obtiene muchos y a la hora

de extraer los puntos comunes se dificulta mucho ya que esta se realiza de forma manual y

es muy difícil poder identificar cuáles son los que coinciden y cuáles no. Por otra parte el

algoritmo Harris detecta muy pocos puntos y se equivoca, esto se refleja en la figura 3-2. De

los tres, el FAST es el que mejor resultados provee, ya que es más exacto en la detección de

puntos.

Similares resultados se obtienen para la banda espectral del rojo.

3.2 Variantes de relación funcional

Con las columnas que se obtienen hasta realizar el paso 3 del epígrafe 2-7 se forman

funciones usando la aplicación de Matlab “Curve Fitting”.

Los entornos son matrices de 7x7 que se crean alrededor de los puntos comunes encontrados

por los algoritmos anteriores. Con el algoritmo FAST se obtienen 13 puntos, de los cuales se

escogen los de mejor R2 y son los que se utiliza para calcular las funciones.


Se puede apreciar en la figura 3-4 y en la figura 3-5 que con el entorno 1 da buen resultado

con un coeficiente de correlación R2 = 0.9706, en las dos figuras da la misma R2 a pesar de

que se utiliza una aproximación polinomial de grado 3 y la otra de grado 4.

Figura 3-4 Resultados con el entorno 1, utilizando polinomio de grado 3


La función de grado 4 que se muestra en la figura 3-7 obtiene un resultado ligeramente mejor

con respecto a la R2 que la de la figura 3-6.




En las figuras 3-8, 3-9 y 3-10 se muestran las diferentes funciones calculadas con el entorno

3 con varios grados de polinomio. La que mejor resultado brinda es la que tiene grado 5 con

R2 = 0.9302.


Figura 3-8 Resultados con el entorno3 grado 3




En las figuras de la 3-4 a la 3-10 se muestran los resultados de la búsqueda de la relación

funcional entre las imágenes corregidas radiométricamente por Agisoft y la original de

Pix4D, utilizando regresión no lineal mediante la herramienta computacional Matlab. Todas

las variantes presentadas ofrecen un buen resultado con un coeficiente de correlación entre

los datos 𝑅2 > 0.90. Estas funciones serán utilizadas en el siguiente epígrafe para modificar

los valores de intensidad de los mosaicos construidos para cada una de las bandas corregidas

radiométricamente por Agisoft, con el objetivo que sus intensidades queden lo más cercano

posible a las de Pix4D.

Debe enfatizarse en la utilidad del procedimiento utilizado, pues con solo encontrar un

conjunto pequeño de puntos comunes en ambos mosaicos, es posible determinar una función

polinomial que permite corregir radiométricamente todo el mosaico de varios millones de

píxeles generado por Agisoft en cada una de las bandas. Con ello, el índice de vegetación

que se calcule a partir de los mapas espectrales producidos por Agisoft tendrá una mayor

coincidencia con el que se calcula mediante Pix4D.

3.3 Imágenes corregidas por bandas

En este epígrafe se muestran los resultados de las bandas de Agisoft corregidas con las

funciones obtenidas anteriormente, la intensidad de dos de sus pixeles son comparadas con

respecto a dos de Pix4D, los pixeles comparados son los obtenidos por los algoritmos de

corregistro.

Pruebas con la banda NIR:

Para el caso del entorno 1 la función de grado 3 es la que mejor resultado obtiene, debido a

que las intensidades de los pixeles se acercan más a los de Pix4D, esto se evidencia en la

figura 3-11 y 3-12.



Figura 3-11 Resultados con el entorno 1 grado 3



En el caso del entorno 2 la función de grado 4 da ligeramente un mejor resultado como se

muestra en la figura 3-13 y 3-14.






En el entorno 3 la banda corregida con la función de grado 3 obtuvo mejores resultados que

la de grado 5 como se ve en la figura 3-15 y 3-16. En este caso los valores obtenidos dan muy

similares a los de Pix4D.






De todas las imágenes corregidas la que mejor resultados obtiene es la corregida con la

función del entorno 3 de grado 3, debido a que las intensidades de los pixeles son las más

cercanas a las de Pix4D, a pesar que la de grado 5 había dado mejor R2; este entorno también

es utilizado para corregir la banda RED y se obtienen buenos resultados.


3.4 Cálculo del Índice de Vegetación de Diferencia Normalizada

A continuación se muestran los resultados obtenidos de calcular NDVI con la bandas de

Agisoft que mejores resultados mostraron en el epígrafe anterior, estas se comparan con las

de Agisoft sin corregir y con las de Pix4D.

En la figura 3-16 se evidencia la diferencia que existe en los índices vegetativos NDVI antes

y después de corregir las bandas de Agisoft debido a las diferentes correcciones radiométricas

que implementan cada software.

a) Imagen de Agisoft antes b) Imagen de Agisoft después

Figura 3-17 Comparación NDVI antes y después de corregir

En la figura 3-17 se observa lo similar de los valores de intensidad de pixeles entre los

ortomosaicos de Agisoft corregida por bandas y la original de Pix4D. Por tanto el

ortomosaico de Agisoft se corrigió radiométricamente de forma correcta.



Figura 3-18 Comparación NDVI después de corregir

3.5 Tiempos de procesamiento

Tabla 3.1. Tiempos de procesamiento

Tarea Tiempo de

procesamiento

Corregistro 10s

Relación funcional 20s

Corregir por bandas 45s

Calcular NDVI 15s

Total 1.30m

El tiempo de procesamiento del algoritmo implementado en Matlab para hacer el cálculo de

NDVI con las imágenes corregidas de Agisoft es bastante bajo.

3.6 Análisis económico y medioambiental

La agricultura de precisión ha experimentado un progreso vertiginoso en Cuba debido al uso

de nuevas tecnologías, entre las herramientas fundamentales que emplea la misma está la


fotogrametría multiespectral, donde la banda espectral NIR es vital para realizar el cálculo

de los índices vegetativos que posibilitan identificar de forma rigurosa y altamente segura el

vigor vegetal, el déficit de agua en las plantas, las plagas y el posible rendimiento de las áreas

cultivadas.

A continuación, se revelan los costos de las principales herramientas para la realización de

este proyecto. El costo del UAV y sus componentes es de 400 dólares americanos (USD),

una PC portátil para el trabajo de campo con un costo de 350 USD, la cámara parrot sequoia

cuesta 3500 USD, mientras que las licencias de los softwares Pix4D y Agisoft PhotoScan

tienen un valor de 6500 USD y 4000 USD respectivamente. El costo total es de 15 100 USD.

3.7 Conclusiones del capítulo

El algoritmo FAST mostró buenos resultados en la obtención de puntos comunes

entre los ortomosaicos de los software.

La aplicación de matlab “Curve Fiting” es una herramienta de gran ayuda para la

obtención de la relación funcional entre los software Agisoft y Pix4D.

La banda NIR se corrigió satifactoriamente con la función obtenida con el entorno 3

de grado 3, lo mismo con la banda RED.

Finalmente el NDVI calculado con la bandas de Agisoft corregidas son similares a

las obtenidas con Pix4D.

CONCLUSIONES Y RECOMENDACIONES 42

CONCLUSIONES Y RECOMENDACIONES

Conclusiones

Durante el transcurso de esta investigación se estudiaron y evaluaron un conjunto de

estrategias para las correcciones radiométricas y geométricas a los ortomosaicos generados

con Agisoft. Los principales resultados obtenidos se exponen a continuación:

1 Los mapas de índices vegetativos generados por los software Agisoft PhotoScan y

Pix4D son corregidos geométricamente de forma que los puntos en común en ambos

mapas no poseen las mismas coordenadas.

2 El algoritmo de corrección geométrica implementado permitió detectar los puntos en

común en los mapas de índices obtenidos con los diferentes software a pesar de las

distorsiones de los ortomosaicos multiespectrales.

3 La aplicación de matlab “Curve Fiting” permitió diseñar funciones a partir de las

imágenes corregidas de Agisoft y la original de Pix4D.

4 La función obtenida por la aplicación “Curve Fiting” para la corrección radiométrica

de los mapas de índices solamente puede ser aplicada al vuelo con el cual se diseñó.

CONCLUSIONES Y RECOMENDACIONES 43

Recomendaciones

Para establecer la continuidad que debe tener este trabajo se recomienda lo siguiente:

1 Continuar este trabajo para desarrollar una función que no dependa del vuelo.

2 Continuar analizando diferentes métodos de corrección radiométrica para poder

corregir los ortomosaicos de Agisoft sin la necesidad de tener el de Pix4D.

REFERENCIAS BIBLIOGRÁFICAS 44

REFERENCIAS BIBLIOGRÁFICAS

AGGARWAL, S. 2004. Principles of remote sensing. Satellite remote sensing and GIS

applications in agricultural meteorology, 23-38.

AHMED, O. S., SHEMROCK, A., CHABOT, D., DILLON, C., WILLIAMS, G., WASSON,

R. & FRANKLIN, S. E. 2017. Hierarchical land cover and vegetation classification

using multispectral data acquired from an unmanned aerial vehicle. International

journal of remote sensing, 38, 2037-2052.

BALLESTER, C., ZARCO-TEJADA, P., NICOLÁS, E., ALARCÓN, J., FERERES, E.,

INTRIGLIOLO, D. & GONZALEZ-DUGO, V. 2018. Evaluating the performance of

xanthophyll, chlorophyll and structure-sensitive spectral indices to detect water stress

in five fruit tree species. Precision Agriculture, 19, 178-193.

BAO, N., LECHNER, A. M., FLETCHER, A., MULLIGAN, D., MELLOR, A. & BAI, Z.

2012. Comparison of relative radiometric normalization methods using pseudo-

invariant features for change detection studies in rural and urban landscapes. Journal

of Applied Remote Sensing, 6, 063578.

BAY, H., ESS, A., TUYTELAARS, T. & VAN GOOL, L. 2008. Speeded-up robust features

(SURF). Computer vision and image understanding, 110, 346-359.

BAY, H., TUYTELAARS, T. & VAN GOOL, L. Surf: Speeded up robust features.

European conference on computer vision, 2006. Springer, 404-417.

BENDIG, J., WILLKOMM, M., TILLY, N., GNYP, M., BENNERTZ, S., QIANG, C.,

MIAO, Y., LENZ-WIEDEMANN, V. & BARETH, G. 2013. Very high resolution

crop surface models (CSMs) from UAV-based stereo images for rice growth

monitoring in Northeast China. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci,

40, 45-50.

BERNI, J. A., ZARCO-TEJADA, P. J., SUÁREZ, L. & FERERES, E. 2009. Thermal and

narrowband multispectral remote sensing for vegetation monitoring from an

unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing, 47,

722-738.

BERRA, E. F., GAULTON, R. & BARR, S. 2017. Commercial Off-the-Shelf Digital

Cameras on Unmanned Aerial Vehicles for Multitemporal Monitoring of Vegetation

Reflectance and NDVI. IEEE Transactions on Geoscience and Remote Sensing, 55,

4878-4886.


CALIER, F. R., MALLUNGO, L. A. P., VARGAS, W. L. V. & BÁEZ, S. A. D. 2015.

Aplicación de una metodología de análisis de datos obtenidos por percepción remota

orientados a la estimación de la productividad de caña para panela al cuantificar el

NDVI (índice de vegetación de diferencia normalizada). Corpoica. Ciencia y

Tecnología Agropecuaria, 16, 25-40.

CANTY, M. J., NIELSEN, A. A. & SCHMIDT, M. 2004. Automatic radiometric

normalization of multitemporal satellite imagery. Remote Sensing of Environment,

91, 441-451.

DI GENNARO, S. F., RIZZA, F., BADECK, F. W., BERTON, A., DELBONO, S., GIOLI,

B., TOSCANO, P., ZALDEI, A. & MATESE, A. 2017. UAV-based high-throughput

phenotyping to discriminate barley vigour with visible and near-infrared vegetation

indices. International Journal of Remote Sensing, 1-15.

DÍAZ GARCÍA, C. 2015. Estudios de índices de vegetación a partir de imágenes aéreas

tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. Tesis

para obtener el grado de Máster en Tecnologías de la información Geográfica.

Facultad de Geografía e Historia. Universidad Complutense de Madrid.

DU, M. & NOGUCHI, N. 2016. Multi-temporal Monitoring of Wheat Growth through

Correlation Analysis of Satellite Images, Unmanned Aerial Vehicle Images with

Ground Variable. IFAC-PapersOnLine, 49, 5-9.

DUAN, T., ZHENG, B., GUO, W., NINOMIYA, S., GUO, Y. & CHAPMAN, S. C. 2017.

Comparison of ground cover estimates from experiment plots in cotton, sorghum and

sugarcane based on images and ortho-mosaics captured by UAV. Functional Plant

Biology, 44, 169-183.

DUFT, D. G., SANCHES, G. M., LUCIANO, A. C. S., MONTIBELLER, B., DA

SILVEIRA, H. L. F., SANCHES, I. D. A. & KÖLLN, O. T. Identificação de

fechamento de dossel de cana-de-açúcar através de imagens de VANT. Embrapa

Solos-Artigo em anais de congresso (ALICE), 2017. In: SIMPÓSIO BRASILEIRO

DE SENSORIAMENTO REMOTO, 18., 2017, Santos. Anais... São José dos

Campos: Inpe, 2017. p. 5998-6005.

EVORA JIMÉNEZ, E. 2016. Sistema de procesamiento de imágenes NIR e IR aéreas para

agricultura de precisión. Universidad Central" Marta Abreu" de Las Villas. Facultad

de Ingeniería Eléctrica. Departamento de Automática y Sistemas Computacionales.

GAO, B.-C., MONTES, M. J., DAVIS, C. O. & GOETZ, A. F. 2009. Atmospheric correction

algorithms for hyperspectral remote sensing data of land and ocean. Remote Sensing

of Environment, 113, S17-S24.

GARCÍA, C. & HERRERA, F. 2015. Percepción remota en cultivos de caña de azúcar

usando una cámara multiespectral en vehículos aéreos no tripulados. Anais XVII

Simpósio Brasileiro de Sensoriamento Remoto-SBSR, João Pessoa-PB, Brasil, 25.

GUANTER, L., RICHTER, R. & MORENO, J. 2006. Spectral calibration of hyperspectral

imagery using atmospheric absorption features. Applied optics, 45, 2360-2370.

HARRIS, C. & STEPHENS, M. A combined corner and edge detector. Alvey vision

conference, 1988. Citeseer, 10.5244.


HOGAN, S., KELLY, M., STARK, B. & CHEN, Y. 2017. Unmanned aerial systems for

agriculture and natural resources. California Agriculture, 71, 5-14.

HONKAVAARA, E. & KHORAMSHAHI, E. 2018. Radiometric Correction of Close-

Range Spectral Image Blocks Captured Using an Unmanned Aerial Vehicle with a

Radiometric Block Adjustment. Remote Sensing, 10, 256.

IMAI, N., MORIYA, E., HONKAVAARA, E., MIYOSHI, G., DE MORAES, M.,

TOMMASELLI, A. & NÄSI, R. 2017. ANALYSIS OF THE RADIOMETRIC

RESPONSE OF ORANGE TREE CROWN IN HYPERSPECTRAL UAV IMAGES.

ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial

Information Sciences, 73-79.

KATSIGIANNIS, P., MISOPOLINOS, L., LIAKOPOULOS, V., ALEXANDRIDIS, T. K.

& ZALIDIS, G. An autonomous multi-sensor UAV system for reduced-input

precision agriculture applications. Control and Automation (MED), 2016 24th

Mediterranean Conference on, 2016. IEEE, 60-64.

KAVVADIAS, A., PSOMIADIS, E., CHANIOTI, M., GALA, E. & MICHAS, S. Precision

Agriculture-Comparison and Evaluation of Innovative Very High Resolution (UAV)

and LandSat Data. HAICTA, 2015. 376-386.

LAN, Y., THOMSON, S. J., HUANG, Y., HOFFMANN, W. C. & ZHANG, H. 2010.

Current status and future directions of precision aerial application for site-specific

crop management in the USA. Computers and electronics in agriculture, 74, 34-38.

LIAGHAT, S. & BALASUNDRAM, S. K. 2010. A review: The role of remote sensing in

precision agriculture. American journal of agricultural and biological sciences, 5,

50-55.

LIN, J., TAO, H., WANG, Y. & HUANG, Z. Practical application of unmanned aerial

vehicles for mountain hazards survey. Geoinformatics, 2010 18th International

Conference on, 2010. IEEE, 1-5.

MAGALHÃES, P. S. G., SANCHES, G. M., MOLIN, J. P., PORTZ, G., AMARAL, L.,

KOLLN, O. T. & DUFT, G. Potential solution to contribute for sugar cane spatial

variability management. EFITA-WCCACIGR Conference “Sustainable Agriculture

through ICT Innovation”, Turin, Italy, 2013. 24-27.

MAHAJAN, U. & BUNDEL, B. R. Drones for Normalized Difference Vegetation Index

(NDVI), to Estimate Crop Health for Precision Agriculture: A Cheaper Alternative

for Spatial Satellite Sensors. International Conference on Innovative Research in

Agriculture, Food Science, Forestry, Horticulture, Aquaculture, Animal Sciences,

Biodiversity, Ecological Sciences and Climate Change (AFHABEC-2016), At

Jawaharlal Nehru University, 2017.

MAIMAITIJIANG, M., GHULAM, A., SIDIKE, P., HARTLING, S., MAIMAITIYIMING,

M., PETERSON, K., SHAVERS, E., FISHMAN, J., PETERSON, J. & KADAM, S.

2017. Unmanned Aerial System (UAS)-based phenotyping of soybean using multi-

sensor data fusion and extreme learning machine. ISPRS Journal of Photogrammetry

and Remote Sensing, 134, 43-58.


MATEOS, C. J. B., RUIZ, C. P., CRESPO, R. G. & SANZ, A. G. C. 2010. Relative

radiometric normalization of multitemporal images. IJIMAI, 1, 54-59.

MCBRATNEY, A., WHELAN, B., ANCEV, T. & BOUMA, J. 2005. Future directions of

precision agriculture. Precision agriculture, 6, 7-23.

MILIOTO, A., LOTTES, P. & STACHNISS, C. 2017. Real-time semantic segmentation of

crop and weed for precision agriculture robots leveraging background knowledge in

cnns. arXiv preprint arXiv:1709.06764.

MORIYA, É. A. S., IMAI, N. N. & TOMMASELLI, A. M. G. 2018. A STUDY ON THE

EFFECTS OF VIEWING ANGLE VARIATION IN SUGARCANE

RADIOMETRIC MEASURES. Boletim de Ciências Geodésicas, 24, 85-97.

PU, R. 2017. Hyperspectral Remote Sensing: Fundamentals and Practices, CRC Press.

QUINLAN, J. R. 1986. Induction of decision trees. Machine learning, 1, 81-106.

ROKHMANA, C. A. 2015. The potential of UAV-based remote sensing for supporting

precision agriculture in Indonesia. Procedia Environmental Sciences, 24, 245-253.

ROSTEN, E. & DRUMMOND, T. Fusing points and lines for high performance tracking.

Computer Vision, 2005. ICCV 2005. Tenth IEEE International Conference on, 2005.

IEEE, 1508-1515.

ROSTEN, E. & DRUMMOND, T. Machine learning for high-speed corner detection.

European conference on computer vision, 2006. Springer, 430-443.

ROY, D. P., JU, J., LEWIS, P., SCHAAF, C., GAO, F., HANSEN, M. & LINDQUIST, E.

2008. Multi-temporal MODIS–Landsat data fusion for relative radiometric

normalization, gap filling, and prediction of Landsat data. Remote Sensing of

Environment, 112, 3112-3130.

SAHAI, B. Remote sensing in agriculture. 1988. Indian Society Of Remote Sensing;

Ahmedabad.

SANTESTEBAN, L., GUILLAUME, S., ROYO, J. & TISSEYRE, B. 2013. Are precision

agriculture tools and methods relevant at the whole-vineyard scale? Precision

Agriculture, 14, 2-17.

SCHMID, C., MOHR, R. & BAUCKHAGE, C. 2000. Evaluation of interest point detectors.

International Journal of computer vision, 37, 151-172.

SHI, J., WANG, J. & XU, Y. 2011. Object-based change detection using georeferenced UAV

images. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci, 38, 177-182.

SMITH, S. M. & BRADY, J. M. 1997. SUSAN—a new approach to low level image

processing. International journal of computer vision, 23, 45-78.

SONA, G., PASSONI, D., PINTO, L., PAGLIARI, D., MASSERONI, D., ORTUANI, B. &

FACCHI, A. 2016. UAV multispectral survey to map soil and crop for precision

farming applications. The International Archives of Photogrammetry, Remote

Sensing and Spatial Information Sciences, 41, 1023.


SONG, C., WOODCOCK, C. E., SETO, K. C., LENNEY, M. P. & MACOMBER, S. A.

2001. Classification and change detection using Landsat TM data: when and how to

correct atmospheric effects? Remote sensing of Environment, 75, 230-244.

TEY, Y. S. & BRINDAL, M. 2012. Factors influencing the adoption of precision agricultural

technologies: a review for policy implications. Precision Agriculture, 13, 713-730.

THEMISTOCLEOUS, K. & ΘΕΜΙΣΤΟΚΛΈΟΥς, Κ. 2011. Improving atmospheric

correction methods for aerosol optical thickness retrieval supported by in-situ

observations and GIS analysis. Department of Civil Engineering and Geomatics,

Faculty of Engineering and Technology, Cyprus University of Technology.

TURNER, D., LUCIEER, A. & WATSON, C. 2012. An automated technique for generating

georectified mosaics from ultra-high resolution unmanned aerial vehicle (UAV)

imagery, based on structure from motion (SfM) point clouds. Remote Sensing, 4,

1392-1410.

WALTHALL, C., NORMAN, J., WELLES, J., CAMPBELL, G. & BLAD, B. 1985. Simple

equation to approximate the bidirectional reflectance from vegetative canopies and

bare soil surfaces. Applied Optics, 24, 383-387.

XIANG, H. & TIAN, L. 2011. Method for automatic georeferencing aerial remote sensing

(RS) images from an unmanned aerial vehicle (UAV) platform. Biosystems

Engineering, 108, 104-113.

YUAN, D. & ELVIDGE, C. D. 1996. Comparison of relative radiometric normalization

techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 51, 117-126.

ANEXOS 49

ANEXOS

Anexo I Otras relaciones funcionales


ANEXOS 50



ANEXOS 51



ANEXOS 52

título del trabajo: análisis de las correcciones

Documents