Delimitación de zonas de manejo en agricultura de precisión a partir de adquisición remota de imágenes mediante vehículos aéreos no tripulados

Delimitación de zonas de manejo en agricultura de precisión a partir de adquisición remota de imágenes mediante vehículos aéreos no tripulados (UAV/RPAS). La agricultura de hoy se desarrolla en un mundo globalizado, en un nuevo escenario donde la utilización de la información y la tecnología para generar valor en el proceso de transformar insumos en producto final que genere mayor potencialidad y por consiguiente mayor rentabilidad, plantea nuevos desafíos, es así que el presente trabajo se basa en la adquisición y adopción de tecnologías basados en imágenes aéreas a través de (Sistemas aéreos no pilotados/sistemas aéreos pilotados remotamente) UAVS/RPAS, imágenes satelitales Sentinel 2A y análisis de las propiedades físico-químicas del suelo; para generar datos repetibles, información predictiva, decisiones de manejo aplicables y evaluación de resultados sistemáticos. Con esto se aborda la problemática relacionada con la escaza implementación de alternativas tecnológicas de planificación de las actividades agrícolas para optimizar el desarrollo de los sistemas productivos y predecir de antemano las condiciones del terreno antes de la siembra y tomar decisiones adecuadas. Para desarrollar el trabajo se realizó tres sobrevuelos con UAV/RPAS Phantom 3 profesional y INSPIRE 1. V2.0 de DJI equipadas con cámaras de alta definición RGB y cámara NIR, utilizando software especializado para el vuelo y tratamiento de imágenes PIX4D y Agishof Photoscan, para extrapolar la variabilidad del terreno. Con las imágenes obtenidas se realizó una clasificación de la cobertura y se obtuvo los índices de vegetación NDVI, SAVI y NGRDI del área de estudio. Por otro lado se analizó las propiedades físicas y químicas del suelo a 30 cm de profundidad para lo cual se delimitó el área, se estableció un muestreo de grillas cada 30 m x 30 m, con un total de 42 puntos de muestreo y buffer. Se Crearon los Shape file, de los puntos buffer obtenidos con GPS PENTAX, se estructuró una base de datos, los cuales fueron transferidos al software ArcGis 10.3.1 para el análisis geoestadistico mediante interpolación Krigin y creación de mapas mediante la herramienta Spatial Analysis tools de Arctoolbox, se ajustó el raster herramienta “Extract by mask” del set de herramientas de extracción ubicadas en “Spatial Analysis tools” del programa ArcGis 10.3.1... Finalmente se realizó el análisis estadístico y geoestadistico mediante estadística descriptiva con el programa IBM SPSS 24, con este mismo software se realizó el análisis factorial y clúster bajo el criterio de Kaiser, el análisis clúster se realizó tanto para las propiedades físico-químicos del suelo como para puntos de muestreo a través del algoritmo de Ward. Los resultados muestran índices de vegetación del área de estudio, mediante el uso de UAVS/RPAS e imágenes satelitales Sentinel 2A, cuyos datos de NDVI_S2A con valores (0,37 a 0,82); NDVI_UAV (0,0019 a 0,51; 0,52 a 0,62 y 0,63 a 1) y SAVI entre (0.0029 a 0,72; 0,72 a 1,01 y 1,01 a 1,5) indicando índices (alta, media y baja). Estos datos presentan limitaciones como instrumento de medición de la diferenciación de suelos, solo as propiedades químicas presentaron una correlación media con la CE 0,62; con K 0,64; con MO 0,57 y NT con 0,51. El análisis geoestadístico mostró que los modelos teóricos, gaussiano y esférico brindan el mejor ajuste en las variables estudiadas. Por otro lado; la variable pH presentó una fuerte dependencia espacial; las variables Arena, limo, CE, Mg, Na, K, CIC y MO con mediana dependencia espacial; Arcilla, Ca, NT y P con débil dependencia espacial. El análisis factorial de componentes principales realizó una agrupación de factores para las propiedades físico-químicas e índices de vegetación; donde el factor 1 (explica el 45,13% de la variación total) relacionando de manera significativa con los índices NDVI_UAV, NDVI_S2A y NGRDI; el factor 2 (26.8%) está relacionado con NDVI_S2A, Arcilla y limo; el factor 3 (9,86%) relaciona limo con arcilla. Respecto a las propiedades químicas agrupa 4 factores donde: (Factor 1 con 24,81%) correlacionado entre CE, MO, K, NDVI, NT y débil correlación con el CIC e inversamente con el pH; (Factor 2 con 23,35%) TBI, Ca, Mg, Na y S_B; (Factor 3 con 19,22%), entre índices de vegetación NDVI_UAV, NDVI_S2A, NGRDI y (Factor 4 con 12,86%) NT, P, CIC y débil e inversamente con el pH. Con la clasificación jerárquica se obtuvo tres agrupamientos o “clústers”. Los cuales definieron las tres zonas de manejo; zona 1, agrupando 20 puntos de muestreo, predominantemente con una clase textural franco arcilloso, pH neutro, contenidos altos a medios de Ca, Mg, K, MO, NT, CIC y P del centro hacia el noroeste; zona 2, agrupa 7 puntos de muestreo de textura franco arcillo arenoso, con pH neutro contenidos medios a bajos de MO, complejo Ca, Mg y K ubicado en el centro de norte a sur y zona 3, agrupando 14 puntos de muestreo con contenidos bajos, con signos de degradación y compactación del suelo. El mapa temático final establece tres zonas de manejo que constituye en instrumento de ayuda para la toma de decisiones a fin de implementar prácticas acordes con las características físicas y químicas específicas encontradas.

Bibliographic Details

Main Author:	Vallejos Zarco, Hernán
Other Authors:	Fernandez Chavez, Celia María, asesora
Format:	Thesis biblioteca
Language:	Spanish / Castilian
Published:	2017
Subjects:	AGRICULTURA DE PRECISIÓN, VEHÍCULOS AÉREOS NO TRIPULADOS, ZONAS DE MANEJO, TELEDETECCIÓN, SENSOR MULTIESPESTRAL, MUNICIPIO DE TIAHUANACU,
Online Access:	http://repositorio.umsa.bo/xmlui/handle/123456789/23742
Tags:	Add Tag No Tags, Be the first to tag this record!