Uso de Drones en el Sector Agrícola, Forestal y Agroforestal

focalizada, es precisamente ahí en donde los vehículos aéreos no tripulados (VAT) o drones tienen una participación importante en esta revolución.

Tecnologías para la adquisición de información

Las tecnologías de adquisición de datos e información incluyen el software y equipos físicos utilizados en el registro y almacenamiento de variables del suelo y atmosfera en la parcela o huerta.  Los sensores inalámbricos utilizan detectores de cambios en suelo, agua y atmosfera mientras que la detección con satélites y drones generan diversos espectros electromagnéticos utilizando sensores y cámaras que aplican diversas longitudes de onda para obtener las imágenes georreferenciadas (luz visible, luz infrarroja, rayos gamma, rayos X, ultravioleta).

Sensores inalámbricos. Son equipos que recopilan y almacenan información detallada sobre las condiciones del suelo, atmosfera y la salud de los cultivos. Estos equipos envían la información recabada vía bluetooth o wireless a una ubicación central programada.  Los sensores inalámbricos más comunes en las huertas son los sensores de humedad, conductividad eléctrica, pH, temperatura y nutrimentos del suelo, sensores de humedad relativa, velocidad del viento y temperatura ambiental.

Teledetección basada en satélites. En la actualidad es posible descargar imágenes obtenidas a través de satélites y procesarlas  mediante sistemas de información geográfica (SIG) que crean mapas en donde se superponen diversas variables agroclimáticas y se obtienen caracterizaciones de grandes superficies agrícolas y forestales. Con estas caracterizaciones podemos priorizar diferentes actividades de manejo de la parcela o perfilar la afinidad de algún cultivo, variedad o híbrido a las condiciones presentes.

Teledetección basada en VAT o drones. El uso de VAT o drones ofrecen el potencial de identificar áreas estresadas y tomar algunas medidas correctivas en tiempo real (pulverización de fertilizantes y pesticidas). Para monitorear las parcelas los drones utilizan diversos sensores, los más disponibles son: RGB (400-700 nm), térmico (5000-14,000 nm), infrarrojo (IR), infrarrojo cercano (NIR) (700-8500 nm), multiespectral e hiperespectral.

Tecnologías de manejo autónomo remoto

Agricultura inteligente. La agricultura inteligente o smart agriculture observa, mide y analiza las cantidades masivas de datos provenientes de los sensores enlazados vía IoT, enseguida toma decisiones y da respuestas en tiempo y espacio a las variaciones internas y externas en los cultivos mediante aplicaciones específicas del sitio, gestión sostenible de recursos y maquinaria interconectada. En la actualidad existen diversas plataformas y es un sector en desarrollo.

Agricultura de precisión. La agricultura de precisión integra las tecnologías de información, comunicación y control en la agricultura, para lograr este objetivo utiliza robots, herramientas, tecnologías y plataformas. Los dos tipos de robots más empleados son los vehículos terrestres no tripulados (VVT) y VAT para aplicaciones de agroinsumos, desmalezado mecánico o la cosecha de frutas.

• Vehículos aéreos no tripulados (VAT). Los VAT) o drones están siendo cada día más utilizados en el asperjado o aplicación de herbicidas, insecticidas, fungicidas, fertilizantes y biofertilizantes foliares, rápida, eficiente y con daño físico mínimo al cultivo.
• Vehículo terrestre no tripulado (VTT). En la actualidad existe un gran desarrollo de tractores autónomos que preparan la tierra, siembran, fertilizan, podan, aplican insecticidas, fungicidas, herbicidas, cosechan y transportan el producto a la zona de embalaje.

Riego inteligente. Este sistema se basa en algoritmos de predicción que utilizan datos históricos del clima para identificar y predecir patrones de lluvia y cambios climáticos; creando un sistema inteligente que riega los campos de cultivo selectivamente solo cuando es necesario, según el clima y las condiciones de humedad del suelo en tiempo real. También se consideran factores como la evapotranspiración de la planta, que depende de varios parámetros atmosféricos como es la humedad, velocidad del viento, radiación solar e incluso los factores del cultivo como la etapa de crecimiento, densidad de la planta, propiedades del suelo e incidencia de plagas. Este sistema de riego automático basado en inteligencia artificial e IoT puede regar los campos de forma autónoma utilizando datos de humedad del suelo. Esta tecnología resulta ser bastante prometedora ante el cambio climático y se está desarrollando ampliamente en el mundo científico.

En resumen, el uso de drones ha vuelto ampliamente disponible el uso de imágenes aéreas de campos agrícolas para producir mapas, que permitan entender la salud de los cultivos, detectar áreas problemáticas y la toma de decisiones para remediar cualquier problema de forma rápida y eficiente.

Sensores y usos

• Sensor RGB. Estimación y monitoreo de biomasa, conteo de plantas, emergencia, segmentación de la vegetación, estimación del área posterior al incendio, índice del área foliar y cubierta del dosel.
• Thermal. Clasificación del uso del suelo y evaluación del estado del agua.
• Multispectral. Detección de vida silvestre, detección de incendios, producción de mapas de vigor basados en índices de vegetación, gestión de riego.
• Hyperspectral. Segmentación de imágenes, mapeo de malezas, estimación del estado del nitrógeno, estimación de la biomasa, estimación de la clorofila, evaluación del estado del agua y detección temprana de enfermedades de las plantas.
• NIR. Estimación de biomasa y estructura de dosel.
• Lidar. El equipo Lidar no es operado por un dron, es un equipo que va en un vehículo aéreo tripulado. Sin embargo, también tiene varias aplicaciones en el sector forestal para realizar inventarios forestales, determinar la velocidad de crecimiento de la vegetación, determinar los índices de propagación de enfermedades, determinar propiedades estructurales del bosque y evaluar algunos parámetros de los árboles.

Cámaras y sensores

• Laos cámaras disponibles en los drones para la obtención de imágenes RGB son la Sony Alpha 7, GoPro Hero 4 Black edition, Nikon D800, Panasonic Lumix DMC-TZ71 o Canon G9X.
• Las cámaras disponibles en los drones para la obtención de imágenes NIR son la Panasonic Lumix 7, Canon S110 y Fujifilm X-M1.
• Las cámaras disponibles en los drones para la obtención de imágenes termales son la Workswell WIRIS y FLIR Vue.
• Las cámaras disponibles en los drones para la obtención de imágenes multiespectrales son la Parrot Sequoia, Tetracam ADC, multiSPEC 4C y MicaSense RedEdge.
• Las cámaras disponibles en los drones para la obtención de imágenes hyperspectrales son la Headwall Photonics Micro-Hyperspec, Rikola Hyperspectral camera y Surface Optics Corp. SOC710-GX.
• Las cámaras disponibles para la obtención de mapa Lidar son la Yellowscan Mapper, Routescene lidar Pod y Velodyne PUCK.

Modelos de drones recomendados

• Mavic 2 Pro. El equipo cuenta con sensor CMOS de 1/2.3” y 12 MP, obtiene fotos de superesolucion de 48 MP, puede mantener 31 minutos de vuelo continuo y una distancia de transmisión de hasta 8 km.
• Phantom 4 Pro v2. El equipo cuenta con sensor CMOS de 1 pulgada y 20 MP, 4k, detector de obstáculos, puede mantener 30 minutos de vuelo continuo.
• Skydio 2. El equipo cuenta con una cámara térmica FLIR 320x256, puede mantener 35 minutos de vuelo continuo, una distancia de transmisión de hasta 6.2 km, operable de día y noche.
• Mavic 2 Entreprise Dual. El equipo cuenta con una cámara dual, un sensor CMOS de 1/2.3” y 12 MP y un sensor térmico radiométrico FLIR® integrado.
• Matrice 200/210 Series. El equipo es compatible con las cámaras Zenmuse X4S, Zenmuse X5S, Zenmuse XT y Zenmuse Z30, además de tener un tiempo promedio de vuelo de 35 minutos.
• AGRAS T16. Tiene una capacidad de 16 litros, diámetro de rociado de 4-6.5 metros, su velocidad de rociado es de 3.6-4.8 l/min y puede asperjar de 6 a 10 hectáreas por hora.

Cita correcta de este artículo 

Montes-Colmenares, O. R. 2020. Uso de Drones en el Sector Agrícola, Forestal y Agroforestal. Serie Fitosanidad, Núm. 125. Artículos Técnicos de INTAGRI. México. 6 p.

Literatura consultada

• Kestur, R., Omkar, S. N., y Subhash, S. (2020). Unmanned Aerial System Technologies for Pesticide Spraying. In Innovative Pest Management Approaches for the 21st Century (pp. 47-60). Springer, Singapore. DOI: https://doi.org/10.1007/978-981-15-0794-6_3
• Mogili, U. R., y Deepak, B. B. (2018). Review on application of drone systems in precision agriculture. Procedia Computer Science, 133, 502-509. DOI: https://doi.org/10.1016/j.procs.2018.07.063
• Montes, C., O., Castro, B.,  R., Villanueva, V., C., Pérez, G., M., Uribe, G.  y Jiménez C., C. (2020). Fast analysis of plant health, plant count and nitrogen status using drones. Research on Crops, 21(1): 82-87. DOI: 10.31830/2348-7542.2020.013.
• Pádua, L., Vanko, J., Hruška, J., Adão, T., Sousa, J. J., Peres, E., y Morais, R. (2017). UAS, sensors, and data processing in agroforestry: A review towards practical applications. International Journal Of Remote Sensing, 38(8-10), 2349-2391. DOI: https://doi.org/10.1080/01431161.2017.1297548
• Raj, R., Kar, S., Nandan, R., y Jagarlapudi, A. (2020). Precision Agriculture and Unmanned Aerial Vehicles (UAVs). In Unmanned Aerial Vehicle: Applications in Agriculture and Environment (pp. 7-23). Springer, Cham. DOI: https://doi.org/10.1007/978-3-030-27157-2_2
• Rose, D. C., y  Chilvers, J. (2018).  Agriculture 4.0: Broadening responsible innovation in an era of smart farming. Frontiers in Sustainable Food Systems, 2, 87. DOI: https://doi.org/10.3389/fsufs.2018.00087 
• Zhai, Z., Martínez, J. F., Beltran, V., y Martínez, N. L. (2020). Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, 170, 105256. DOI: https://doi.org/10.1016/j.compag.2020.105256
• Zoto, J., Musci, M. A., Khaliq, A., Chiaberge, M., y Aicardi, I. (2019). Automatic path planning for unmanned ground vehicle using uav imagery. In International Conference on Robotics in Alpe-Adria Danube Region (pp. 223-230). Springer, Cham. https://doi.org/10.1007/978-3-030-19648-6_26