1
1
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
https://vocero.uach.mx/index.php/tecnociencia
ISSN-e: 2683-3360
Artículo Científico
Uso de imágenes captadas mediante UAV para
estimar la topografía, morfoestructura y estado de
salud de huertas citrícolas
Use of UAV imagery to estimate the topography, morphostructure
and health status of citrus orchards
*Correspondencia: ramos.carlos@inifap.gob.mx (Carlos Miguel Ramos Cruz)
DOI: https://doi.org/10.54167/tch.v16i2.1007
Recibido: 30 de junio de 2022; Aceptado: 09 de septiembre de 2022
Publicado por la Universidad Autónoma de Chihuahua, a través de la Dirección de Investigación y Posgrado.
Resumen
Los vehículos aéreos no tripulados (UAV), permiten monitorear de manera constante variables de
importancia para la producción agrícola. Es por ello que su uso es deseable. Por lo tanto, el objetivo
del estudio fue estimar la topografía, las características morfoestructurales y el estado de salud de
los árboles en dos huertas citrícolas mediante imágenes captadas UAV. Se realizó fotogrametría y se
determinó la altura individual de árboles, diámetro de copa, número de árboles, geolocalización de
árboles faltantes, identificación de árboles de otra especie y la salud de la huerta mediante el Índice
de Vegetación de Diferencia Normalizada (NDVI). De acuerdo con los resultados, es posible
identificar y geolocalizar el número de árboles, conocer el marco real de plantación, y determinar la
altura de árboles 70 % más rápido en comparación con el método aleatorio. La altura promedio de
árbol fue de 3 y 4 m, en la huerta 1 y 2 respectivamente. El NDVI en las huertas oscilo entre 0.18 a
0.95, encontrándose los valores mayores en la huerta 2. La información obtenida puede ser utilizada
por productores para subsanar fallas de forma dirigida, y por las aseguradoras para la renovación y
estimar los costos de las pólizas de seguro.
Palabras clave: Vehículos aéreos no tripulados, huertas citrícolas, agricultura de precisión.
Carlos Miguel Ramos-Cruz1*, Ramón Trucios-Caciano 2, Emilia Raquel Pérez-Evangelista3,
Enrique Miguel-Valle3, Gerardo Delgado-Ramírez2
1 Campo Experimental, General Terán-INIFAP, Km 31 Carretera Montemorelos-China. C. P. 67400.
General Terán, Nuevo León.
2 Centro Nacional de Investigación Disciplinaria en Relación Agua Suelo Planta Atmósfera (CENID-
RASPA) del INIFAP. Canal Sacramento Km. 6.5. C.P. 35140. Gómez Palacio, Durango.
3Universidad Autónoma Agraria Antonio Narro-Unidad Laguna. Periférico Raúl López Sánchez y
carretera Santa Fe. C.P. 27054. Torreón Coahuila.
2
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
Abstract
The Unmanned aerial vehicles (UAVs) allow constant monitoring of variables of importance for
agricultural production. This is why its use is desirable. Therefore, the objective of the study was to
estimate the topography, morphostructural characteristics and health status of trees in two citrus
orchards using UAV imagery. Photogrammetry was performed and individual tree height, crown
diameter, number of trees, geolocation of missing trees, identification of trees of other species and
orchard health were determined using the Normalized Difference Vegetation Index (NDVI).
According to the results, it is possible to identify and geolocate the number of trees, know the actual
planting frame, and determine the height of trees 70 % faster compared to the random method. The
average tree height was 3 and 4 m in orchard 1 and 2, respectively. The NDVI in the orchards ranged
from 0.18 to 0.95, with the highest values found in orchard 2. The information obtained can be used
by producers to correct failures in a directed way, as well as by insurers for the renewal and
estimation of the costs of insurance policies.
Keywords: Unmanned aerial vehicles, citrus orchards, precision agriculture.
1. Introducción
Actualmente, la agricultura propende por la seguridad alimentaria a futuro, razón por la cual, se
busca tecnologías modernas que contribuyan a mitigar la falta de atención de diversas
particularidades de los cultivos que generan gastos innecesarios durante su producción (González
et al., 2016). Los avances en plataformas de detección remota y tecnología de sensores han acelerado
el interés por la agricultura de precisión (AP) (Ha et al., 2022), como un paso prometedor hacia el
cumplimiento de una demanda de producir más alimentos, de mejor calidad y de manera sostenible
al incrementar la eficiencia en el uso de los recursos, la productividad, rentabilidad y sostenibilidad
de la producción agrícola (Delavarpour et al., 2021).
Los vehículos aéreos no tripulados (UAV) son más accesibles y versátiles para el público (Volpato et
al., 2021), lo que permite la adquisición de datos confiables con alta resolución espacial y temporal en
comparación con las plataformas aéreas y satelitales (Maimaitijiang et al., 2020). Además de ser
rentables y de alto rendimiento, permiten realizar estudios de forma rápida, confiable y no invasiva
(Abdulridha et al., 2018; Sagan et al., 2019). Entre las principales ventajas de los UAV se encuentran
la aplicación de pesticidas, la inspección de daños por desastres, agricultura de precisión, manejo
forestal, la logística y los medios (Kameyama and Sugiura, 2020).
La información obtenida de datos adquiridos por UAV permiten visualizar y estudiar los distintos
rasgos de la planta en sus etapas fenológicas (Houborg and Boegh, 2008; Pino, 2019). Con dicha
información es posible identificar en las huertas áreas con problemas bióticos o abióticos como
presencia de plagas o enfermedades, deficiencias nutricionales, entre otras; situaciones que causan
estrés en el cultivo y en consecuencia disminuye la productividad. Esta herramienta, pudiera ser útil
para la implementación oportuna de acciones de mejora en forma dirigida (Zeng et al., 2021). Con lo
cual, es posible incrementar la calidad y rendimiento del cultivo, reducir el número de aplicaciones
de plaguicidas, dirigir la aplicación de fertilizantes de acuerdo con las necesidades del árbol y realizar
un uso eficiente del agua. Por lo anterior, el objetivo del presente estudio fue estimar la topografía,
3
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
las características morfoestructurales y el estado de salud de los árboles en dos huertas citrícolas
mediante imágenes captadas por vehículos aéreos no tripulados.
2. Materiales y métodos
2.1 Materiales
El área de estudio se localiza en la región citrícola del estado de Nuevo León, México; en el
municipio de General Terán, con coordenadas 25°18´42.82´´ N, 99°35´25.46´´ W y una elevación
promedio de 263 msnm. El clima predominante es subtropical semiseco (Ramos et al., 2018) con
temperatura promedio anual de 23.9 °C, mínima de 0.8 °C y máxima de 41 °C. Las temperaturas más
bajas se presentan de noviembre a marzo y las máximas en julio y agosto. La precipitación promedio
anual es de 610 mm. El suelo es de textura migajón arcillo-arenosa con profundidad mayor a 1.5 m
y pH de 6 a 6.5. Existe contenido alto de carbonato de calcio y magnesio, y es deficiente en materia
orgánica, fósforo y micronutrientes. Para el estudio se utilizaron dos huertas plantadas con toronja
(Citrus paradisi L.), que cubren una superficie de 23.0 hectáreas.
La huerta 1 ocupa una superficie de 8.0 hectáreas, los árboles tienen una edad de 12 años, plantados
a una separación de 8x5 m, con una densidad de 250 árboles por hectáreas. La huerta 2, ocupa una
superficie de 15.0 hectáreas, los árboles tienen una edad de 22 años, plantados a la misma separación
y con la misma densidad que la huerta 1 (Fig. 1). El riego en las huertas es inundación, mediante un
sistema de riego tipo válvulas alfalferas.
Figura 1. Localización del área de estudio, General Terán, Nuevo León, México.
Figure 1. Location of the study area, General Terán, Nuevo León, México.
4
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
2.1.1. Adquisición de imágenes de UAV
Para la adquisición de imágenes se utilizó un vehículo aéreo no tripulado (UAV) de ala fija de la
marca eBee modelo plus®. Las imágenes se tomaron antes del mediodía, con el objetivo de reducir
los efectos de sombra, se realizaron dos vuelos de forma independiente; en el primer vuelo se utilizó
la cámara multiespectral Parrot Sequoia®, con la cual se determinó los índices de vegetación
relacionados a la salud de los cultivos y en el segundo vuelo se utilizó la cámara fotogramétrica
senseFly® S.O.D.A., que permitió conocer características morfoestructurales de los cultivos y
condiciones topográficas de la huerta.
La cámara Parrot Squoia (Sensor multiespectral para agricultura) equipada con: dos sensores, mide
la cantidad de luz absorbida y la reflejada por las plantas. El primer sensor (sensor multiespectral)
captura imágenes en RGB mediante la luz reflejada en cuatro bandas de frecuencia (rojo, verde y dos
bandas de infrarrojos invisibles al ojo humano). El segundo sensor (sensor solar) registra la
intensidad de luz ambiental en las cuatro bandas y realiza una calibración radiométrica para
incrementar la calidad y precisión de las imágenes.
Sensor SenseFly® S.O.D.A. es una cámara de fotogrametría para el uso en UAV, captura imágenes
áreas de alta calidad en distintas condiciones de luz, lo cual permite generar ortomosaicos
minuciosos y modelos de superficie en 3D con alta precisión.
2.1.2. Planeación de vuelo
Para la planeación y gestión del proyecto de vuelo se utilizó el software eMotion 3.5 (senseFly
Parrot Gruop), en el cual generó de manera automática una propuesta de vuelo para el dron. Sin
embargo, fue necesario realizar algunos ajustes como definir área a cartografiar (volar), establecer los
parámetros de altura de vuelo, sensor y geobase a utilizar, así como indicar el modelo de dron que
realizará el vuelo. Para este estudio, se seleccionó un área de vuelo de 69.89 ha a una altura de 127.5
m, y una duración aproximada de vuelo de 00:32 m:36s, con lo cual se obtuvo una resolución de
capturas de 3 cm-2 por pixel.
2.1.3. Geobase
Con la finalidad de obtener mayor precisión de las imágenes captadas por el dron, se utilizó la
radio Sensefly GeoBase®, la cual tiene 132 canales, para las constelaciones de satélites en L1/ L2 / L2C
GPS, GLONAS y SBAS, las cuales se supervisaron y corrigen constantemente para garantizar una
precisión en RTK (del inglés Real Time Kinematic o navegación cinética satelital en tiempo real) de
0.6 cm ± 0.5 ppm en horizontal y 1 cm ± 1 ppm en vertical.
2.2 Métodos
2.2.1. Generación de imágenes fotogramétricas y multiespectrales
Las imágenes individuales capturadas por el UAV de ambas huertas se procesaron con el software
Pix4D Mapper® ver. 4.5.6, software especializado en fotogrametría para mapeo móvil y de drones.
En este proceso se generaron mapas de las bandas: azul (B), verde (G), rojo (R) e infrarrojo cercano
5
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
(N). Así como los modelos digitales de terreno (MDT) y de superficie (MDS), de los cuales se obtuvo
la pendiente topográfica. Para el procesamiento de las variables raster y vectorial y generación de los
mapas se utilizó el software Qgis ver. 3.10.14.
2.2.2. Identificación de la densidad y árboles faltantes
Para ello, fue necesario realizar recorridos de manera física por las huertas y con un navegador
GPS Garmin modelo Etrex® se recolectaron las coordenadas de árboles faltantes de cada huerta. En
gabinete se proyectaron las coordenadas del GPS en el software Qgis ver. 3.10.14 y se contrastaron
con los resultados de la identificación de árboles mediante la imagen multiesprectral generada con
UAV.
Para conocer el área individual del dosel de los árboles se creó una capa shapefile de puntos mediante
una clasificación supervisada. La capa se integró de las siguientes clases: Clase 1: Suelo desnudo;
Clase 2: Árbol de toronjo; Clase 3: Sombra y Clase 4: Árbol de nogal. Posteriormente el archivo en
formato raster de la clasificación se convirtió a formato vectorial para poder filtrar la información de
interés. Con la información del área de dosel y la Ec. (1) se obtuvo el diámetro de copa.
Ec. (1)
Donde: D es el diámetro de copa.
2.2.3. Cálculo de altura de los árboles
Con la calculadora ráster del software Qgis ver. 3.10.14, se generó la capa “altura relativa” que
es el resultado de la diferencia entre el Modelo Digital del Terreno (MDT) y el Modelo Digital de
Superficie (MDS) (Ec. 2):
Ec. (2)
Posteriormente para obtener la altura individual de los árboles se aplicó el algoritmo de segmentación
de cuencas hidrográficas a la capa altura relativa mediante el software SAGA GIS ver 8.2.1
(Lemenkova, 2020).
2.2.4. Estimación del Índice de Vegetación de Diferencia Normalizada (NDVI)
El NDVI, es indicador de salud de la biomasa vegetal que se basa en la forma en que se reflejan
las ondas de luz. Vegetación con alto contenido de clorofila y buena estructura celular absorbe la luz
roja (RED) y refleja el infrarrojo cercano (NIR), y cuando una planta está enferma ocurre lo contrario.
Este índice se obtiene de forma robusta desde las imágenes multiespectrales al combinar de forma
algebraica las reflectividades del RED y NIR (Ec. 3), obteniendo mapas realacionados con el
desempeño saludable y fisiológico de la vegetación (Huete et al., 2002; Hashimoto et al., 2019).
𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅𝐸𝐷
𝑁𝐼𝑅 + 𝑅𝐸𝐷
Ec. (3)
6
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
3. Resultados y discusión
3.1. Pendiente topográfica
Mediante los MDT se determinó que las huertas presentan pendiente longitudinal muy
pronunciada. Para el caso de la huerta 1, la pendiente promedio es del 0.12 % en longitudes de melga
de 140.0 m. La huerta 2, tiene una pendiente aproximada del 0.29 %, en longitudes de melga
promedio de 426 m (Fig. 2). Demin, (2014) indica que en melgas con pendiente mayores a 0.1 %, el
avance del agua es rápido, la infiltración es baja y la erosión alta. Lo anterior, podría ocasionar una
eficiencia de distribución del agua menor al 50 %, debido a que en longitudes mayores a 180 m es
difícil controlar la pendiente y el gasto unitario (Delgado et al., 2014). Debido a la pronunciada
pendiente de la huerta 2, la mayor infiltración del agua se realiza al final de la melga, ocasionando
que los árboles de la cabecera presenten estrés hídrico antes que los árboles del final de la melga.
Figura 2. Modelo digital de terreno de la huerta 1 (imagen a) y huerta 2 (imagen b), los colores de la simbología
indican la pendiente de terreno (239.3 a 234.8 m); perfil topográfico huerta 1 (imagen c), perfil topográfico
huerta 2 (imagen d).
Figure 2. Digital terrain model of orchard 1 (image a) and orchard 2 (image b) the colors of the symbology
indicate the terrain slope (239.3 to
234.8 m); Orchard 1 topographic profile (image c), Orchard 2 topographic profile (image d).
c)
d)
7
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
3.2. Densidad y árboles faltantes
Con las imágenes multiespectrales obtenidas a partir del UAV se identificó y geolocalizó el
número de árboles de las huertas, el diámetro de copa, la distancia entre hileras y entre árboles (Fig.
3). Para el caso de la huerta 2 fue posible identificar árboles de nogal pecanero (Carya illinoinensis).
Sin embargo, en las dos huertas fue imposible identificar árboles de reposición y árboles de poca
altura (Fig. 3). Lo anterior, puede deberse al tamaño de copa y altura de los árboles (menores a 1.10
m), lo cual, coincide con Ampatzidis et al. (2020) quienes encontraron dificultad para identificar
árboles recién plantados (reposición) menores a 1 m de altura mediante imágenes de UAV e
inteligencia artificial. En otro estudio similar, Csillik et al. (2018) encontraron dificultad para
diferenciar árboles pequeños de grandes, además de detectar capas múltiples dentro de árboles
individuales. Por otro lado, Ampatzidis y Partel (2019) consideran que la calidad para identificar
árboles individuales mediante imágenes multiespectrales de UAV, dependen de que los diámetros
de copa de los árboles tengan una distancia mínima entre ellas.
Figura 3. Identificación de árboles en la huerta; en la figura a) al centro se tienen árboles de reposición que no
son identificados, en la figura b), los árboles son identificados perfectamente, debido al diámetro de copa.
Figure 3. Identification of trees in the orchard; in figure a) at the center there are replacement trees that are not
identified, in figure b), the trees are perfectly identified, due to the diameter of the crown.
3.3. Altura de árboles
Asimismo, mediante las imágenes captadas por UAV fue posible determinar la altura individual
de los árboles. En la huerta 1 los árboles más bajos encontrados fueron de 1.2 m, máximo de 4.4 m y
el promedio de 3.0 m de altura. En la Huerta 2 el valor más bajo encontrado fue de 1.2 m, el máximo
de 6.0 m y el promedio fue 4.0 m de altura (Fig. 4). Lo anterior puede atribuirse a la edad de los
árboles, debido a que los árboles de la huerta 1 tiene una edad promedio de 12 años y los árboles de
la huerta 2 una edad promedio de 22 años. Con los resultados obtenidos del uso de imágenes
capturadas por UAV podemos indicar que es posible determinar la altura individual de árboles de
toronjo hasta en un 70 % más rápido en comparación con el método aleatorio (de 5 a 11 puntos según
condiciones de la plantación). Lo anterior, coincide con Nasiri et al. (2021) quienes indican que la
altura y diámetro de copa del árbol son dos atributos usuales de los árboles que se pueden estimar
8
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
de forma individual a partir de imágenes provenientes de UAV. Asimismo, Torres et al. (2015)
encontraron una precisión del 97 % al estimar la altura individual de árboles leñosos mediante el uso
de Modelos Digitales de Superficie (MDS) obtenidos de drones y técnicas de análisis basadas en
objetos. Sin embargo, Ampatzidis et al. (2020) indican la dificultad para distinguir árboles jóvenes de
áreas donde la maleza tiene la misma o mayor altura.
Figura 4. Distribución de altura de árboles; en la figura a), se presentan el número de árboles encontrados
por rango de altura de la huerta 1; en la figura b), se presentan el número de árboles encontrados por rango de
altura de la huerta 2.
Figure 4. Tree height distribution; Figure a) shows the number of trees found by height range of orchard 1;
Figure b) shows the number of trees found by height range of orchard 2.
3.4. Índice de Vegetación de Diferencia Normalizada (NDVI)
Los valores de NDVI de las huertas fluctuaron entre 0.18 a 0.95, encontrando los mayores valores
de vigor en la huerta 2, y los valores más bajos se presentaron en la huerta 1 (Fig. 5). Se identificó que
aproximadamente el 50 % de la huerta 1, presentó los valores más bajos de NDVI (0.18-0.55). Lo
anterior, podría atribuirse a que en la fecha del vuelo se encontraba estresada por falta de riego. Para
el caso de la huerta 2, se identificó que más del 80 % se encontraba con valores adecuados de NDVI
(0.76-0.95). Solamente se identificaron valores de NDVI cercanos a 0.18, en áreas donde la pendiente
de riego se encontraba en contra del sentido de riego (contrapendiente) y en árboles con daños al
follaje considerados para ser eliminados por el productor. De acuerdo con Pino (2019), valores de
NDVI cercano a 1.0 representan vegetación sana, mientras que valores cercanos a 0, indican suelo
desnudo o que la vegetación presenta condiciones desfavorables tales como: estrés hídrico, daños al
follaje causados por plagas o enfermedades o que presenten deficiencia nutricional. Por su parte,
Costa et al. (2020) consideran que el NDVI tiene algunas limitaciones en las mediciones, siendo la
primera los efectos del clima y la luz del sol; la segunda limitante es que la formula no está
normalizada, podría generar valores superiores a uno en áreas sin vegetación.
25 100
1009
1273
50
0
200
400
600
800
1000
1200
1400
1.1 - 2.0 2.1 - 3.0 3.1 - 4.0 4.1 - 5.0 5.1 - 6.0
Número de árboles
Altura
28
738
988
12
0
200
400
600
800
1000
1200
1.1 - 2.0 2.1 - 3.0 3.1 - 4.0 4.1 - 5.0
Número de árboles
Altura
a)
b)
9
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
Figura 5. Valores de NDVI de las huertas en estudio. a) Huerta 1; b) Huerta 2.
Figure 5. NDVI values of the orchards under study. a) Orchard 1; b) Orchard 2.
4. Conclusiones
Mediante el uso de imágenes captadas por UAV, es posible conocer el estado general de huertas
citrícolas que incluye, la geoubicación de los árboles, altura individual de los árboles, diámetro de
copa, número de árboles, árboles de otras especies, identificación de árboles a eliminar, delimitación
de áreas de atención, así como identificar áreas con problemas de malezas y obtener un panorama
sobre el manejo del agua en las huertas con base en la topografía y el sistema de riego.
El uso de imágenes captadas por UAV constituye una herramienta eficaz para el monitoreo de
huertas citrícolas. Con su uso, el productor puede identificar en forma oportuna y focalizada
problemas que reducen la productividad del cultivo e implementar medidas para su corrección.
Asimismo, pudiera ser utilizada por empresas aseguradoras que necesitan conocer el estado de salud
y características morfoestructurales de las huertas con el fin de determinar si es viable la renovación
del seguro, además de la estimación del costo de la póliza.
Conflicto de interés
Los autores declaran que no hay conflictos de interés.
5. Referencias
Abdulridha, J., Ehsani, R., Abd-Elrahman, A., Ampatzidis, Y. 2018. A remote sensing technique for
detecting laurel wilt disease in avocado in presence of other biotic and abiotic stresses. Computers
and Electronics in Agriculture, 156: 549-557. https://doi.org/10.1016/j.compag.2018.12.018
10
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
Ampatzidis, Y., Partel, V. 2019. UAV-Based High Throughput Phenotyping in Citrus Utilizing
Multispectral Imaging and Artificial Intelligence. Remote Sensing, 11 (410): 2-19.
https://doi.org/10.3390/rs11040410
Ampatzidis, Y., Partel, V., Costa, L. 2020. Agroview: Cloud-based application to process, analyze and
visualize UAVcollected data for precision agriculture applications utilizing artificial intelligence.
Computers and Electronics in Agriculture, 174 105457: 1-12.
https://doi.org/10.1016/j.compag.2020.105457
Costa, L., Nunes, L., Ampatzidis, Y. 2020. A new visible band index (vNDVI) for estimating NDVI
values on RGB images utilizing genetic algorithms. Computers and Electronics in Agriculture,
172: 1-13. https://doi.org/10.1016/j.compag.2020.105334
Csillik, O., Cherbini, J., Johnson, R., Lyons, A., Kelly, M. 2018. Identification of Citrus Trees from
Unmanned Aerial Vehicle Imagery Using Convolutional Neural Networks. Drones, 2 (4): 1-16.
https://doi:10.3390/drones2040039
Delavarpour, N., Koparan, C., Nowatzki, J., Bajwa, S., Sun, X. 2021. A Technical Study on UAV
Characteristics for Precision Agriculture Applications and Associated Practical Challenges.
Remote Sensing, 13: 1-25. https://doi.org/10.3390/rs13061204
Delgado, G., Estrada, J., Rivera, M., Catalán, E., Esquivel, G. 2014. Evaluación y diseño del riego por
melgas mediante un modelo de simulasión. AGROFAZ, 14(2): 45-51.
https://dialnet.unirioja.es/servlet/articulo?codigo=5733354
Demin, P.E. 2014. Aportes para el mejoramiento del manejo de los sistemas de riego. Instituto
Nacional de Tecnología Agropecuaria. San Fernando del Valle de Catamarca, Catamarca. pp 28.
https://bit.ly/3SkIkO9
González, A., Amarillo, G., Amarillo, M., Sarmiento, F. 2016. Drones aplicados a la agricultura de
precisión. Revista Especializada en Ingeniería, 10: 23-37. https://doi.org/10.22490/25394088.1585
Ha, T., Duddu, H., Vandenberg, A., Shirtliffe, S. 2022. A semi-automatic workflow for plot boundary
extraction of irregularly sized and spaced field plots from UAV imagery. The Plant Phenome 2022;
5:e20039: 1-8. https://doi.org/10.1002/ppj2.20039
Hashimoto, N., Saito, Y., Maki, M., Homma, K. 2019. Simulation of Reflectance and Vegetation
Indices for Unmanned Aerial Vehicle (UAV) Monitoring of Paddy Fields. remote sensing, 11
(2119): 2-13. https://doi.org/10.3390/rs11182119
Houborg, R., y Boegh, E. 2008. Mapping leaf chlorophyll and leaf area index using inverse and
forward canopy reflectance modeling and SPOT reflectance data. Remote Sensing of
Environment, 112: 186–202. https://doi:10.1016/j.rse.2007.04.012
Huete, A., Didan, K., Miura, T., Rodríguez, E.P., Gao, X., Ferreira, L.G. 2002. Overview of the
radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of
Environment, 83 (1): 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2
Kameyama, S., Sugiura, K. 2020. Estimating Tree Height and Volume Using Unmanned Aerial
Vehicle Photography and SfM Technology, with Verification of Result Accuracy. 4 (19): 1-21.
https://doi.org/10.3390/drones4020019
11
Ramos-Cruz et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVI (2) e 1007 (2022)
Lemenkova, P. 2020. Object Based Image Segmentation Algorithm of SAGA GIS for Detecting Urban
Spaces in Yaoundé, Cameroon. Central European Journal of Geography and Sustainable
Development, 2 (2), 38-51. https://doi.org/47246/CEJGSD.2020.2.2.4
Maimaitijiang, M., Sagan, V., Sidike, P., Hartling, S., Esposito, F., Fritschi, F.B. 2020. Soybean yield
prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of
Environment, 237-111599: 1-20. https://doi.org/10.1016/j.rse.2019.111599
Nasiri, V., Darvishsefat, A.A., Arefi, H., Pierrot, M., Namiranian, M., Le Bris, A. 2021. Unmanned
aerial vehicles (UAV)-based canopy height modeling under leaf-on and leaf-off conditions for
determining tree height and crown diameter (case study: Hyrcanian mixed forest). Can. J. For.
Res, 51: 926-971. https://dx.doi.org/10.1139/cjfr-2020-0125
Pino, E. 2019. Los drones una herramienta para una agricultura eficiente: un futuro de alta tecnología.
IDESIA (Chile), 37 (1): 75-84. http://dx.doi.org/10.4067/S0718-34292019005000402
Ramos, C., Delgado, G., Catalán, E., Rivera, M., Almeyda, I. 2018. Eficiencia agrononomica del riego
localizado: caso de estudio en region citrícola de Nuevo León. AGROFAZ, Esp. 103-112.
Sagan, V., Maimaitijiang, M., Sidike, P., Eblimit, K., Peterson, K.T., Hartling, S., Esposito, F., Khanal,
K., Newcomb, M., Pauli, D., Ward, R., Fritschi, F., Shakoor, N., Mockler, T. 2019. UAV-Based High
Resolution Thermal Imaging for Vegetation Monitoring, and Plant Phenotyping Using ICI 8640
P, FLIR Vue Pro R 640, and thermoMap Cameras. Remote Sensing, 11(3): 330.
https://doi.org/10.3390/rs11030330
Torres, J., López, F., Serrano, N., Arquero, O., Peña, J. 2015. High-Throughput 3-D Monitoring of
Agricultural-Tree Plantations with Unmanned Aerial Vehicle (UAV) Technology. PLOS ONE, 10
(6): 1-20. https://doi.org/10.1371/journal.pone.0130479
Volpato, L., Dobbels, A., Borem, A., Lorenz, A.J. 2021. Optimization of temporal UAS-based imagery
analysis to estimate plant maturity date for soybean breeding. The Plant Phenome J., 2021;
4:e20018: 1-15. https://doi.org/10.1002/ppj2.20018
Zeng, L., Peng, G., Meng, R., Man, J., Li, W., Xu, B., Lv, Z., Sun, R. 2021. Wheat Yield Prediction Based
on Unmanned Aerial Vehicles-Collected Red–Green–Blue Imagery. Remote Sensing, 13(2937): 1-
19. https://doi.org/10.3390/rs13152937
2022 TECNOCIENCIA CHIHUAHUA.
Esta obra está bajo la Licencia Creative Commons Atribución No Comercial 4.0 Internacional.
https://creativecommons.org/licenses/by-nc/4.0/