ganaderÍa climÁticamente inteligente · 2020. 8. 12. · disparo de las cámaras cada dos...
TRANSCRIPT
GANADERÍA CLIMÁTICAMENTE INTELIGENTE
INTEGRANDO LA REVERSIÓN DE LA DEGRADACIÓN DE TIERRAS Y REDUCIENDO LOS RIESGOS DE
DESERTIFICACIÓN EN PROVINCIAS VULNERABLES
DOCUMENTO TÉCNICO
INFORME TÉCNICO DEL ANÁLISIS DEL ÍNDICE NDVI DE IMÁGENES AÉREAS, UTILIZANDO DRONES
Quito, Ecuador
Junio, 2020
Proyecto: GCP/ECU/085/GFF – GCPECU/092/SCF
Ganadería Climáticamente Inteligente
Integrando la Reversión de Degradación de Tierras y Reducción del Riesgo de Desertificación en Provincias Vulnerables
Ejecutado por el Ministerio del Ambiente (MAE), Ministerio de Agricultura, Ganadería, Acuacultura y Pesca (MAGAP), con el apoyo técnico de la Organización de las Naciones Unidad para la Agricultura y la Alimentación
(FAO) y el financiamiento del Fondo para el Medio Ambiente Mundial (GEF).
Documento Técnico: Informe técnico del análisis del índice NDVI de imágenes aéreas, utilizando drones
Elaborado por:
Armando Rivera Moncada (Técnico SIG- Proyecto GCI)
Emilia Ávila Castro (Asistente Técnica – Proyecto GCI)
Revisado por:
Juan Merino (Coordinador Nacional del Proyecto GCI)
Quito, junio de 2020
CONTENIDO
1. INTRODUCCIÓN .................................................................................................................... 4
2. LEVANTAMIENTO Y PROCESAMIENTO DE IMÁGENES ............................................................. 5
3. RESULTADOS ........................................................................................................................ 7
3.1. GUAYAS ........................................................................................................................................ 7
3.2. IMBABURA ................................................................................................................................... 8
3.3. LOJA .............................................................................................................................................. 9
3.4. MANABÍ ........................................................................................................................................ 9
3.5. MORONA SANTIAGO .................................................................................................................. 10
3.6. NAPO .......................................................................................................................................... 11
3.7. SANTA ELENA ............................................................................................................................. 11
4. RECOMENDACIONES ........................................................................................................... 12
5. BIBLIOGRAFÍA ..................................................................................................................... 13
ACRÓNIMOS
FAO Organización de las Naciones Unidas para la Alimentación y Agricultura
GCI Ganadería Climáticamente Inteligente
GEI Gases de efecto invernadero
MAG Ministerio de Agricultura y Ganadería
NDVI Índice de Vegetación de Diferencia Normalizada
SIG Sistemas de Información Geográfica
1. INTRODUCCIÓN La producción ganadera está directamente ligada al consumo de pasturas por parte de los animales. Este proceso está influenciado por varias dinámicas biológicas (Michez et al., 2019). Los animales presentan un comportamiento selectivo de consumo, mientras el manejo de los pastos requiere de técnicas que permitan un crecimiento óptimo de diferentes especies forrajeras. Los productores cuentan con herramientas estáticas para influenciar este consumo, tales como cercados eléctricos, rotación de pasturas, etc. Estas técnicas usan a los animales como factores de control de consumo, lo cual no muestra el impacto en las pasturas. Varios estudios, utilizando sensores remotos, se han generado para tomar a las pasturas como factor determinante de consumo, observando su estado de salud vegetativo y altura. En este aspecto, el uso de vehículos autónomos (drones) se ha implementado como una alternativa económica que presenta una gran resolución de imágenes para poder medir la biomasa y productividad de las pasturas (Michez et al., 2019). En 1975 se desarrolló un método para identificar áreas de vegetación desde fotografías satelitales, conocido como el índice NDVI. Su aplicación se ha enmarcado en temas de identificación de áreas de cultivos y bosques, así como la detección de problemas en cultivos, tales como falta de nutrientes o densidad de plantas en un área específica. El índice NDVI es el más utilizado a nivel mundial y es construido a partir de sensores de cámaras cercanas al infrarrojo. El desarrollo de sensores más económicos ha permitido implementarlos en drones para un uso más extensivo (McKinnon & Hoff, 2017). Existen varias ventajas en el uso de drones para la agricultura de precisión, entre los que destacan: el vuelo autónomo, la precisión de vuelo por la incorporación de módulos GPS y la modificación de parámetros de vuelo que permiten personalizar el levantamiento de información. De igual manera, se pueden adaptar varios tipos de sensores que permiten la construcción de índices que facilitan la identificación de deficiencias nutricionales, estrés vegetativo y enfermedades (Mahajan & Raj, 2016). Una de las aplicaciones más destacadas a nivel mundial es la identificación de áreas afectadas por ciertas enfermedades, mediante un análisis de imágenes aéreas, con el fin de focalizar el uso de pesticidas y ahorrar costos en su aplicación (Mogili & Deepak, 2018). Aunque el uso drones implica una serie de ventajas, existen ciertas limitantes en su uso, tales como el tiempo de vuelo y las áreas que pueden cubrir, la distancia de vuelo y el uso de los equipos solo durante los días secos (Reinecke & Prinsloo, 2017). En el marco del proyecto Ganadería Climáticamente Inteligente (GCI), se han implementado tecnologías para identificar el estado vegetativo de pastos, mediante el uso de drones en 85 fincas piloto. Este ejercicio permitió evaluar la eficiencia del sistema y generar documentos metodológicos para el levantamiento de información. El proyecto GCI es una iniciativa implementada en conjunto por el Ministerio de Agricultura y Ganadería (MAG), el Ministerio del Ambiente y Agua (MAAE) y la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO, por sus siglas en inglés), con el financiamiento del Fondo para el Medio Ambiente Mundial (GEF, por sus siglas en inglés). El objetivo de esta iniciativa es reducir la degradación de la tierra e incrementar la capacidad de adaptación al cambio climático y de reducción de emisiones de gases de efecto invernadero (GEI), a través de la implementación de políticas intersectoriales y técnicas de ganadería sostenible, con particular atención en las provincias vulnerables.
2. LEVANTAMIENTO Y PROCESAMIENTO DE IMÁGENES El proceso de levantamiento de fotografías aéreas se realizó mediante una programación de vuelos autónomos y utilizando dos cámaras MAPIR (RGB y RGN) acopladas a un drone 3DR SOLO. Se configuró una superposición de 70% entre imágenes tanto lateralmente como verticalmente, y se programó el disparo de las cámaras cada dos segundos. El trabajo de levantamiento de información duró 5 meses. La metodología y los equipos utilizados se describen en la “Guía de levantamiento de imágenes con drones” (Anexo 1). Previo al vuelo en cada una de las provincias, se realizó un proceso de capacitación al personal técnico del proyecto GCI, quienes levantaron la información en 85 fincas piloto, asociadas a la implementación de buenas prácticas ganaderas en el marco de la iniciativa GCI. En promedio se levantaron 85 imágenes RGB (red, green, blue) y 85 imágenes RGN (red, green, near infrared) por cada una de las fincas. Con las imágenes obtenidas de cada una de las cámaras, se realizó un proceso de selección de aquellas que mostraban el vuelo a la máxima altura, eliminando imágenes tanto del despegue como del aterrizaje del drone. El procesamiento de las imágenes se lo realizó utilizando el software OpenDronMap, tanto para las imágenes RGB como para las RGN. Este proceso permite realizar un mosaico con las fotografías mediante un análisis de puntos en común, resultante de la superposición de imágenes, generando una ortofoto georreferenciada del área cubierta por el vuelo. Cabe señalar que por cada una de las fincas de intervención se generó una ortofoto RGB (Figura 1) y una ortofoto RGN (Figura 2). Una vez generadas las ortofotos, se calculó el índice NDVI a partir de la imagen RGN, utilizando el software MAPIR_Camera_Control_07302019, software oficial de MAPIR, cuyas cámaras fueron utilizadas en el levantamiento de imágenes. El cálculo del índice se lo realiza mediante la siguiente fórmula:
𝑁𝐷𝑉𝐼 =(𝑁𝐼𝑅 − 𝑅𝐸𝐷)
(𝑁𝐼𝑅 + 𝑅𝐸𝐷)
La cámara RGN utilizada en el levantamiento de información, incorpora sensores “RED” y “NIR”, lo cual permite el cálculo del índice NDVI. Este proceso también se lo puede realizar manualmente en software GIS como ArcGIS y QGIS. Las imágenes procesadas con el índice NDVI tuvieron un proceso de ortorectificación utilizando el software ArcGIS, de tal forma que coincida con la ortofoto RGB. Posterior a esto, cada uno de los equipos provinciales realizó una descripción gráfica de las áreas expuestas en las fotografías de cada finca, información que fue digitalizada mediante la generación de polígonos y una tabla de atributos en ArcGIS (Figura 3), para facilitar el análisis de la información.
Ortofoto RGN
El procedimiento de construcción es similar a la ortofoto RGB, pero en este caso se utilizan las imágenes de la cámara RGN. La ventaja de esta fotografía es que permite utilizar un sensor infrarrojo para observar las superficies que absorben este tipo de luz. Su uso se da principalmente para generar índices de vegetación.
Figura 2. Ortofoto RGN
Ortofoto RGB
La ortofoto es generada con 85 fotografías aéreas levantadas con una cámara RGN y utilizando el software OpenDronMap. Mediante un análisis de puntos de superposición, se genera una sola imagen georreferenciada, en la cual se puede distinguir las características del área.
Figura 1. Ortofoto RGB
Áreas de interés
Por cada una de las fincas piloto, utilizando la ortofoto RGB, se realizó una descripción de cada área de intervención dentro de la finca, desatacando áreas de pastos con intervención del proyecto y áreas sin intervención.
Figura 3. Áreas de interés
Es importante señalar que de 165 fincas piloto implementadas en el marco del proyecto GCI, únicamente se generaron resultados en 85, debido principalmente a dos causas: 1) problemas con el clima que evitaron el levantamiento de información y 2) el procesamiento de imágenes generó errores en la construcción de ortofotos y cálculo del índice NDVI. La distribución de las fincas procesadas por provincia se presenta en el Cuadro 1.
Cuadro 1. Distribución de fincas procesadas por provincia
Provincia Número de fincas procesadas
Guayas 11
Imbabura 13
Loja 16
Manabí 17
Morona Santiago 7
Napo 11
Santa Elena 10
TOTAL 85
El análisis de datos NDVI se realizó a través de estadísticas zonales en ArcGIS, lo cual permitió generar un índice NDVI en cada zona de intervención, enfocado en áreas vegetativas con intervención del proyecto y sin intervención, visualizando los cambios generados durante la implementación de buenas prácticas ganaderas.
3. RESULTADOS El índice NDVI muestra cuanta reflectancia existe entre la luz roja y NIR (infrarrojo cercano). Cuanto más valor NIR es reflejado en relación a la luz roja, significa que existe una mayor actividad fotosintética, lo cual muestra un mayor valor NDVI (MAPIR, 2020). Basados en la información del índice NDVI, se determinó un valor promedio de este índice en áreas vegetativas productivas que tuvieron intervención del proyecto y aquellas áreas que no fueron intervenidas a fin de observar diferencias en cada una de las fincas (Anexo 2). En el análisis no se tomaron en cuenta áreas de protección, restauración o cercas vivas, puesto que estas no son áreas productivas (pastos, cultivos para la alimentación del ganado). Durante el presente estudio no se pudo realizar una calibración de las fotografías aéreas, tal como lo recomienda el fabricante de las cámaras. Esto debido a que no en todas las fincas se utilizó el cuadrante de calibración. Sin embargo, esto no perjudica el análisis realizado, ya que lo que se intenta observar es el cambio del índice NDVI en una misma ortofoto, entre áreas intervenidas y no intervenidas.
3.1. GUAYAS Los resultados en la provincia del Guayas muestra 7 fincas con un índice NDVI más alto en zonas intervenidas que en zonas sin intervención (Gráfico 1). De manera general existe una mejor actividad fotosintética de las áreas intervenidas, sin embargo, el índice en algunas fincas está por debajo de cero, lo cual indica que, aunque existe mejoría en el índice, este no representa una vegetación robusta ni con alta actividad fotosintética. Es importante destacar que en la provincia existe una gran cantidad de animales que se alimentan en áreas de bosque seco, cuyas condiciones no favorecen el óptimo desarrollo de las pasturas. La implementación de buenas prácticas enfocadas en el manejo y gestión
del agua, permitirá identificar áreas de pasturas que reflejen un valor mucho más alto en el índice NDVI, que no se visualiza en el presente reporte, por la temporalidad en su implementación.
Gráfico 1. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia del Guayas
3.2. IMBABURA
El Gráfico 2 detalla los resultados del índice NDVI en las fincas de la provincia de Imbabura. El índice NDVI presenta valores más altos en las zonas intervenidas (mayores a cero) frente a las zonas sin intervención (valores cercanos y por debajo de cero). Estos resultados indican que existe un fuerte cambio en la vegetación de las áreas intervenidas, principalmente relacionados a las prácticas de manejo de pastos que se implementaron en la provincia.
Gráfico 2. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Imbabura
-0.35
-0.3
-0.25
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
NO
SI
-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
NO
SI
3.3. LOJA La provincia de Loja muestra valores de NDVI similares entre áreas de intervención y áreas no intervenidas, aunque ciertas fincas muestran una mejoría, no se puede observar un cambio significativo en los dos tipos de áreas (ver gráfico 3). Es muy probable que una segunda evaluación muestre los cambios generados del proceso de intervención, toda vez que las prácticas implementadas en las fincas de la provincia se enfocaron en el manejo de los pastos, la implementación de mezclas forrajeras y en prácticas de manejo y gestión del agua; lo cual influye directamente en el índice NDVI.
Gráfico 3. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Loja
3.4. MANABÍ La provincia de Manabí muestra una gran diferencia entre las áreas de intervención y las áreas no intervenidas. En el gráfico 4 se muestra un índice NDVI muy superior en las áreas intervenidas, incluso se puede observar que el índice tiende a estabilizarse en 0.1. Esto indica un fuerte cambio en la actividad fotosintética por la implementación de nuevos pastos y la introducción de prácticas de manejo de pasturas. Uno de los trabajos más destacados en la provincia de Manabí, fue la introducción de cercas eléctricas y los cortes de igualación como prácticas de manejo y renovación de pasturas. Los cambios son visibles en el análisis de las imágenes aéreas, siendo una de las provincias en donde mayores cambios se observan entre los dos tipos de áreas.
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
NO
SI
Gráfico 4. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Manabí
3.5. MORONA SANTIAGO En 4 de las 7 fincas levantadas en la provincia se puede observar una alta actividad fotosintética en las áreas de intervención, no así en 3 fincas donde se muestra un índice NDVI relativamente más bajo (ver gráfico 5). Al igual que Manabí, la provincia de Morona Santiago presenta un índice estable cercano a 0.1, dada la implementación de prácticas enfocadas al manejo de pasturas.
Gráfico 5. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Morona Santiago
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
NO
SI
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
MSZ1FP2 MSZ2FP1 MSZ2FP2 MSZ3FP1 MSZ3FP3 MSZ4FP2 MSZ4FP3
NO
SI
3.6. NAPO Las fincas de la provincia de Napo presentan un índice NDVI más alto en las áreas intervenidas en 7 de las 11 fincas. En las otras 4 se puede observar que los valores del índice se mantienen cercanos a 0.05, sin presentar una variación considerable con las áreas no intervenidas (ver gráfico 6). Cabe destacar que las prácticas implementadas en esta provincia se enfocaron en el manejo y renovación de pasturas.
Gráfico 6. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Napo
3.7. SANTA ELENA La provincia de Santa Elena muestra altos índices NDVI en las zonas con intervención. En 5 fincas las áreas sin intervención presentan valores menores a 0, al contrario de las áreas con intervención cuyos índices NDVI son mayores a 0. Esto asociado a la implementación de prácticas enfocadas al establecimiento y manejo de pasturas, manejo y gestión del agua, considerando que la provincia presenta varios problemas vinculados al déficit hídrico. Al igual que Guayas, es muy probable que en futuras evaluaciones se vean con mayor claridad los cambios generados por la intervención.
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
NO
SI
Gráfico 7. Promedio del índice NDVI de las zonas productivas intervenidas por el proyecto (SI), y las zonas no intervenidas
(NO) en las fincas de la provincia de Santa Elena
En todas las provincias se puede observar valores altos del índice NDVI asociados a las zonas intervenidas por el proyecto GCI en relación a las no intervenidas. La información levantada permite la comparación dentro de una misma finca, mas no entre fincas y provincias. Esto debido a que los vuelos fueron generados en distintas horas del día y al no poder calibrarse las imágenes, las condiciones de luminosidad juegan un rol importante en los valores de reflectancia. Por esta razón se definieron áreas no intervenidas a fin de poder observar cambios con la implementación de buenas prácticas ganaderas dentro de la misma finca.
4. RECOMENDACIONES Los vuelos se realizaron durante la época seca en cada una de las provincias para garantizar las condiciones climáticas. Es necesario realizar el mismo ejercicio en la época de lluvias a fin de observar el cambio en la vegetación cuando existe la presencia de precipitación. Adicionalmente, se recomienda calibrar las imágenes o definir un horario específico de levantamiento de imágenes a fin de poder evaluar entre fincas los resultados con mayor precisión. Se recomienda realizar dos vuelos por cada una de las fincas a fin de tener un respaldo en caso de un fallo en el procesamiento de las imágenes. Esto con el fin de garantizar el procesamiento de todas las fincas. Este informe está acompañado por un tutorial paso a paso de la forma de utilizar un drone para generar ortofotos. Las herramientas y software utilizados fueron seleccionados de acuerdo al tipo de drone 3DR SOLO, sin embargo, existen herramientas para todo tipo de drones comerciales.
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
NO
SI
5. BIBLIOGRAFÍA Mahajan, U., & Raj, B. (2016, October). Drones for normalized difference vegetation index (NDVI), to estimate crop health for precision agriculture: A cheaper alternative for spatial satellite sensors. In Proceedings of the International Conference on Innovative Research in Agriculture, Food Science, Forestry, Horticulture, Aquaculture, Animal Sciences, Biodiversity, Ecological Sciences and Climate Change (AFHABEC-2016), Delhi, India (Vol. 22). MAPIR (2020). Calibrating Images in MAPIR Camera Control Application McKinnon, T., & Hoff, P. (2017). Comparing RGB-based vegetation indices with NDVI for drone based agricultural sensing. Agribotix. Com, 1-8.
Michez, A., Lejeune, P., Bauwens, S., Herinaina, A. A. L., Blaise, Y., Castro Muñoz, E., ... & Bindelle, J. (2019). Mapping and monitoring of biomass and grazing in pasture with an unmanned aerial system. Remote Sensing, 11(5), 473. Mogili, U. R., & Deepak, B. B. V. L. (2018). Review on application of drone systems in precision agriculture. Procedia computer science, 133, 502-509. Reinecke, M., & Prinsloo, T. (2017, July). The influence of drone monitoring on crop health and harvest size. In 2017 1st International Conference on Next Generation Computing Applications (NextComp) (pp. 5-10). IEEE.