Titulo:
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo
.
Sumario:
El objetivo de este estudio fue analizar la influencia del ángulo cenital de iluminación solar (mañana, mediodía y tarde) y la distancia (entre 10 y 50m) de imágenes multiespectrales de praderas de kikuyo, para la estimación de biomasa. Se capturaron datos espectrales de 40 muestras y se les calculó el índice de vegetación normalizada (NDVI) y la biomasa del forraje de las áreas fotografiadas. La relación de la biomasa con el NDVi, se hizo mediante modelos aditivos generalizados. Se encontró que es posible predecir la cantidad de biomasa con imágenes tomadas al mediodía y las alturas de vuelo analizadas (con R2 =0,99), indicando que el monitoreo de praderas puede incorporar información de sensores con bandas de rojo e infrarrojo cercano, to... Ver más
Guardado en:
0123-4226
2619-2551
22
2020-12-31
William Posada-Asprilla, Mario Fernando Cerón-Muñoz - 2019
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
metarevistapublica_udca_revistau.d.c.aactualidad_divulgacioncientifica_94_article_1338 |
|---|---|
| record_format |
ojs |
| institution |
UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADDECIENCIASAPLICADASYAMBIENTALES/logo.png |
| country_str |
Colombia |
| collection |
Revista U.D.C.A Actualidad & Divulgación Científica |
| title |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| spellingShingle |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo Posada-Asprilla, William Cerón-Muñoz, Mario Fernando agricultura de precisión índices de vegetación modelos aditivos generalizados sensor remoto generalized additive models precision farming remote sensor vegetation index |
| title_short |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| title_full |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| title_fullStr |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| title_full_unstemmed |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| title_sort |
influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo |
| title_eng |
Influence of height and zenith angle of multispectral images on the estimation of kikuyo grass biomass |
| description |
El objetivo de este estudio fue analizar la influencia del ángulo cenital de iluminación solar (mañana, mediodía y tarde) y la distancia (entre 10 y 50m) de imágenes multiespectrales de praderas de kikuyo, para la estimación de biomasa. Se capturaron datos espectrales de 40 muestras y se les calculó el índice de vegetación normalizada (NDVI) y la biomasa del forraje de las áreas fotografiadas. La relación de la biomasa con el NDVi, se hizo mediante modelos aditivos generalizados. Se encontró que es posible predecir la cantidad de biomasa con imágenes tomadas al mediodía y las alturas de vuelo analizadas (con R2 =0,99), indicando que el monitoreo de praderas puede incorporar información de sensores con bandas de rojo e infrarrojo cercano, tomadas entre las 12:00m y 1:00pm.
|
| description_eng |
The objective of this study was to analyze the effect of solar zenith angle (morning, noon and afternoon) and the distance (between 10 and 50m) of the multispectral images of kikuyo grasslands for biomass estimation. Spectral data from 40 samples were captured and the normalized vegetation index (NDVI) and the forage biomass of the photographed areas were calculated. The relationship of the biomass with the NDVi was made using generalized additive models. It was found that it is possible to predict the amount of biomass with images taken at noon and the flight heights analyzed (with R2 = 0.99), indicating that grassland monitoring can incorporate sensor information with red and near infrared bands taken between 12:00m and 1:00 pm
|
| author |
Posada-Asprilla, William Cerón-Muñoz, Mario Fernando |
| author_facet |
Posada-Asprilla, William Cerón-Muñoz, Mario Fernando |
| topicspa_str_mv |
agricultura de precisión índices de vegetación modelos aditivos generalizados sensor remoto |
| topic |
agricultura de precisión índices de vegetación modelos aditivos generalizados sensor remoto generalized additive models precision farming remote sensor vegetation index |
| topic_facet |
agricultura de precisión índices de vegetación modelos aditivos generalizados sensor remoto generalized additive models precision farming remote sensor vegetation index |
| citationvolume |
22 |
| citationissue |
2 |
| citationedition |
Núm. 2 , Año 2019 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre |
| publisher |
Universidad de Ciencias Aplicadas y Ambientales U.D.C.A |
| ispartofjournal |
Revista U.D.C.A Actualidad & Divulgación Científica |
| source |
https://revistas.udca.edu.co/index.php/ruadc/article/view/1338 |
| language |
spa |
| format |
Article |
| rights |
https://creativecommons.org/licenses/by-nc-sa/4.0/ William Posada-Asprilla, Mario Fernando Cerón-Muñoz - 2019 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| references |
BACH, J.; FRANCH, J. 2004. La enseñanza del Sistema Sol-Tierra desde la perspectiva de las ideas previas. Enseñ. cienc. Tierra. 12(3):302-312. 2. BARRACHINA, J.; CRISTOBAL, R.; TULLA, P.; ANTONI, F. 2010. Los recursos ganaderos en los sistemas extensivos de la montaña Pirenaica Catalana: aproximación al cálculo de la producción de biomasa herbácea mediante el uso de la teledetección. Ser. Geogr. 16:35-49. 3. BIVAND, R.; ROWLINGSON, B. 2016. rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-5. 4. BLANCO, E.; BONET, J.A.; EIZAGUIRRE, M. 2009. Uso de imágenes satélite Landsat para la detección de rodales de Pinus nigra Arn y Pinus sylvestris L. afectados por escolítidos. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Invest. Agrar. Sist. Recur. For. 18:264-275. 5. BOLAÑOS, G.; MARTÍN, A.; PAZ, P.F. 2010. Modelación general de los efectos de la geometría de iluminación-visión en la reflectancia de pastizales. Rev. Mex. Cienc. Pecuarias. 1(4):349-361. 6. CÁCERES, J.D. 2016. Análisis del comportamiento temporal de la biomasa en pastos del Departamento de Olancho en el contexto del cambio global - fase II. Ciencias Espaciales. 7(1):97-114. 7. CAMACHO DE COCA, F.; GARCÍA-HARO, F.J.; GILABERT, M.A.; MELIÁ, J. 2002. La anisotropía de la BRDF: Una nueva signatura de las cubiertas vegetales. Rev. Teledetec. 18:29-46. 8. CHRISTENSEN, L.; COUGHENOUR, M.B.; ELLIS, J.E.; CHEN, Z. 2003. Sustainability of Inner Mongolian grasslands: application of the Savanna model. J. Range Managem. 56:319-327. http://doi.org/10.2307/4004034 9. ESCRIBANO RODRÍGUEZ, J.A.; HERNÁNDEZ DÍAZ-AMBRIONA, C.G. 2013. Estimación de la producción de pastos en Dehesas por índices de vegetación. En: Memorias Congreso: Los pastos: nuevos retos, nuevas oportunidades Badajoz, España. p.465-472. 10. GAUSMAN, H.W.; ALLEN, W.A.; WIEGAND, C.L.; ESCOBAR, D.E.; RODRIGUEZ, R.; RICHARDSON, A.J. 1973. The leaf mesophylls of twenty crops, their light spectra, and optical and geometrical parameters. USDA. Washington, D.C. Technical Bulletin. 1465. 68p. 11. GAUSMAN, H.W. 1977. Reflectance of leaf components. Remote Sensing of Environment. 6(1):1-9. https://doi.org/10.1016/0034-4257(77)90015-3 12. GILABERT, M.A.; GONZÁLEZ-PIQUERAS, J.; GARCÍA-HARO, J. 1997. Acerca de los índices de vegetación.Rev. Teledetec. 8:10-17. 13. GUYOT, G. 1980. Analysis of factors acting on the variability of spectral signatures of natural surfaces. In Proceedings International Symposium I.S.P. Hamburg. International Archives Photogrammetry 22:382-393. 14. GUYOT, G. 1984. Caractérisation spectrale des couverts végétaux dans le visible et le proche infrarouge, application a la télédétection. Bull. Soc. Franc. Photogram. et Télédétection. 95:5-22. 15. GUYOT, G. 1990. Optical properties of vegetation canopies. In: Steven, M D.; Clark, J.A. (eds). Application of Remote Sensing in Agriculture. Ed. Butterworths (Inglaterra). p.19-44. 16. HIJMANS, R.J. 2016. Raster: Geographic Data Analysis and Modeling. R package version 2.5-8. 17. KIMES, D.S. 1983. Dynamics of directional reflectance factor distributions for vegetation canopies. Appl. Opt. 22:1264-1272. 18. MALENOVSKÝ, Z.; ROTT, H.; CIHLAR, J.; SCHAEPMAN, M.E.; GARCIA-SANTOS, G.; FERNANDES, R.; BERGER, M. 2012. Sentinels for Science: Potential of Sentinel-1, -2, and -3 missions for scientific observations of ocean, cryosphere, and land. Remote Sensing of Sentinels for science. 120:91-101. https://doi.org/10.1016/j.rse.2011.09.026 19. MEER, F.; JONG, S. 2001. Imaging Spectrometry. Remote Sensing and Digital Image Processing. Kluwe Academic Publishers. 4:111-197. 20. MENESES-TOVAR, C. 2011. El índice normalizado diferencial de la vegetación como indicador de la degradación del bosque. Unasylva. 238 62:39-46. 21. MUTANGA, O.; SKIDMORE, A.K. 2004. Narrow band vegetation indices overcome the saturation problem in biomass estimation. Int. J. Remote Sens. 25:3999-4014. 22. R CORE TEAM. 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. 23. ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium (Washington, DC: NASA). p.309-317. 24. ROY, D.P.; WULDER, M.A.; LOVELAND, T.R.; WOODCOCK.; C.E.; ALLEN, R.G.; ANDERSON, M.C.; HELDER, D.; IRONS, J.R.; JOHNSON, D.M.; KENNEDY, R.; SCAMBOS, T.A.; SCHAAF, C.B.; SCHOTT, J.R.; SHENG, Y.; VERMOTE, E.F.; BELWARD, A.S.; BINDSCHADLER, R.; COHEN, W.B.; GAO, F.; HIPPLE, J.D.; HOSTERT, P.; HUNTINGTON, J.; JUSTICE, C.O.; KILIC, A.; KOVALSKYY, V.; LEE, Z.P.; LYMBURNER, L.; MASEK, J.G.; MCCORKEL, J.; SHUAI, Y.; TREZZA, R.; VOGELMANN, J.; WYNNE, R.H.; ZHU, Z. 2014. Landsat-8: science and product vision for terrestrial global change research. Remote Sensing of Environment. 145:154-172. 25. SCHNETZLER, C.C. 1981. Effect of sun and sensor geometry, canopy structure and density, and atmospheric condition on the spectral response of vegetation, with particular emphasis on accross-track pointing. In Proceedings International Colloguium Spectral Signatures of Objects in Remote Sensing. Avignon, France. 8-11 Sept. Les Collogues de VINRA. 5:509-520. 26. STEADMAN, R.G. 1984. A universal Scale of apparent temperature. J Clim. 23:1674-687. 27. TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Rev. Teledetec. 8(2):127-150. 28. VERCHER, A.; CAMACHO DE COCA, F.; MELIÁ, J. 2004. Influencia de la geometría de adquisición en el NDVI. Rev. Teledetec. 21:95-99. 29. WOOD, S. 2017. Mixed GAM Computation Vehicle with GCV/AIC/REML smoothness estimation and GAMMs by REML/PQL. |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2020-12-31 |
| date_accessioned |
2019-12-31T00:00:00Z |
| date_available |
2019-12-31T00:00:00Z |
| url |
https://revistas.udca.edu.co/index.php/ruadc/article/view/1338 |
| url_doi |
https://doi.org/10.31910/rudca.v22.n2.2019.1338 |
| issn |
0123-4226 |
| eissn |
2619-2551 |
| doi |
10.31910/rudca.v22.n2.2019.1338 |
| url4_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/1338/1800 |
| url2_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/1338/1831 |
| _version_ |
1811201174314942464 |
| spelling |
Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo Influence of height and zenith angle of multispectral images on the estimation of kikuyo grass biomass El objetivo de este estudio fue analizar la influencia del ángulo cenital de iluminación solar (mañana, mediodía y tarde) y la distancia (entre 10 y 50m) de imágenes multiespectrales de praderas de kikuyo, para la estimación de biomasa. Se capturaron datos espectrales de 40 muestras y se les calculó el índice de vegetación normalizada (NDVI) y la biomasa del forraje de las áreas fotografiadas. La relación de la biomasa con el NDVi, se hizo mediante modelos aditivos generalizados. Se encontró que es posible predecir la cantidad de biomasa con imágenes tomadas al mediodía y las alturas de vuelo analizadas (con R2 =0,99), indicando que el monitoreo de praderas puede incorporar información de sensores con bandas de rojo e infrarrojo cercano, tomadas entre las 12:00m y 1:00pm. The objective of this study was to analyze the effect of solar zenith angle (morning, noon and afternoon) and the distance (between 10 and 50m) of the multispectral images of kikuyo grasslands for biomass estimation. Spectral data from 40 samples were captured and the normalized vegetation index (NDVI) and the forage biomass of the photographed areas were calculated. The relationship of the biomass with the NDVi was made using generalized additive models. It was found that it is possible to predict the amount of biomass with images taken at noon and the flight heights analyzed (with R2 = 0.99), indicating that grassland monitoring can incorporate sensor information with red and near infrared bands taken between 12:00m and 1:00 pm Posada-Asprilla, William Cerón-Muñoz, Mario Fernando agricultura de precisión índices de vegetación modelos aditivos generalizados sensor remoto generalized additive models precision farming remote sensor vegetation index 22 2 Núm. 2 , Año 2019 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre Artículo de revista Journal article 2019-12-31T00:00:00Z 2019-12-31T00:00:00Z 2020-12-31 application/xml application/pdf Universidad de Ciencias Aplicadas y Ambientales U.D.C.A Revista U.D.C.A Actualidad & Divulgación Científica 0123-4226 2619-2551 https://revistas.udca.edu.co/index.php/ruadc/article/view/1338 10.31910/rudca.v22.n2.2019.1338 https://doi.org/10.31910/rudca.v22.n2.2019.1338 spa https://creativecommons.org/licenses/by-nc-sa/4.0/ William Posada-Asprilla, Mario Fernando Cerón-Muñoz - 2019 BACH, J.; FRANCH, J. 2004. La enseñanza del Sistema Sol-Tierra desde la perspectiva de las ideas previas. Enseñ. cienc. Tierra. 12(3):302-312. 2. BARRACHINA, J.; CRISTOBAL, R.; TULLA, P.; ANTONI, F. 2010. Los recursos ganaderos en los sistemas extensivos de la montaña Pirenaica Catalana: aproximación al cálculo de la producción de biomasa herbácea mediante el uso de la teledetección. Ser. Geogr. 16:35-49. 3. BIVAND, R.; ROWLINGSON, B. 2016. rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-5. 4. BLANCO, E.; BONET, J.A.; EIZAGUIRRE, M. 2009. Uso de imágenes satélite Landsat para la detección de rodales de Pinus nigra Arn y Pinus sylvestris L. afectados por escolítidos. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Invest. Agrar. Sist. Recur. For. 18:264-275. 5. BOLAÑOS, G.; MARTÍN, A.; PAZ, P.F. 2010. Modelación general de los efectos de la geometría de iluminación-visión en la reflectancia de pastizales. Rev. Mex. Cienc. Pecuarias. 1(4):349-361. 6. CÁCERES, J.D. 2016. Análisis del comportamiento temporal de la biomasa en pastos del Departamento de Olancho en el contexto del cambio global - fase II. Ciencias Espaciales. 7(1):97-114. 7. CAMACHO DE COCA, F.; GARCÍA-HARO, F.J.; GILABERT, M.A.; MELIÁ, J. 2002. La anisotropía de la BRDF: Una nueva signatura de las cubiertas vegetales. Rev. Teledetec. 18:29-46. 8. CHRISTENSEN, L.; COUGHENOUR, M.B.; ELLIS, J.E.; CHEN, Z. 2003. Sustainability of Inner Mongolian grasslands: application of the Savanna model. J. Range Managem. 56:319-327. http://doi.org/10.2307/4004034 9. ESCRIBANO RODRÍGUEZ, J.A.; HERNÁNDEZ DÍAZ-AMBRIONA, C.G. 2013. Estimación de la producción de pastos en Dehesas por índices de vegetación. En: Memorias Congreso: Los pastos: nuevos retos, nuevas oportunidades Badajoz, España. p.465-472. 10. GAUSMAN, H.W.; ALLEN, W.A.; WIEGAND, C.L.; ESCOBAR, D.E.; RODRIGUEZ, R.; RICHARDSON, A.J. 1973. The leaf mesophylls of twenty crops, their light spectra, and optical and geometrical parameters. USDA. Washington, D.C. Technical Bulletin. 1465. 68p. 11. GAUSMAN, H.W. 1977. Reflectance of leaf components. Remote Sensing of Environment. 6(1):1-9. https://doi.org/10.1016/0034-4257(77)90015-3 12. GILABERT, M.A.; GONZÁLEZ-PIQUERAS, J.; GARCÍA-HARO, J. 1997. Acerca de los índices de vegetación.Rev. Teledetec. 8:10-17. 13. GUYOT, G. 1980. Analysis of factors acting on the variability of spectral signatures of natural surfaces. In Proceedings International Symposium I.S.P. Hamburg. International Archives Photogrammetry 22:382-393. 14. GUYOT, G. 1984. Caractérisation spectrale des couverts végétaux dans le visible et le proche infrarouge, application a la télédétection. Bull. Soc. Franc. Photogram. et Télédétection. 95:5-22. 15. GUYOT, G. 1990. Optical properties of vegetation canopies. In: Steven, M D.; Clark, J.A. (eds). Application of Remote Sensing in Agriculture. Ed. Butterworths (Inglaterra). p.19-44. 16. HIJMANS, R.J. 2016. Raster: Geographic Data Analysis and Modeling. R package version 2.5-8. 17. KIMES, D.S. 1983. Dynamics of directional reflectance factor distributions for vegetation canopies. Appl. Opt. 22:1264-1272. 18. MALENOVSKÝ, Z.; ROTT, H.; CIHLAR, J.; SCHAEPMAN, M.E.; GARCIA-SANTOS, G.; FERNANDES, R.; BERGER, M. 2012. Sentinels for Science: Potential of Sentinel-1, -2, and -3 missions for scientific observations of ocean, cryosphere, and land. Remote Sensing of Sentinels for science. 120:91-101. https://doi.org/10.1016/j.rse.2011.09.026 19. MEER, F.; JONG, S. 2001. Imaging Spectrometry. Remote Sensing and Digital Image Processing. Kluwe Academic Publishers. 4:111-197. 20. MENESES-TOVAR, C. 2011. El índice normalizado diferencial de la vegetación como indicador de la degradación del bosque. Unasylva. 238 62:39-46. 21. MUTANGA, O.; SKIDMORE, A.K. 2004. Narrow band vegetation indices overcome the saturation problem in biomass estimation. Int. J. Remote Sens. 25:3999-4014. 22. R CORE TEAM. 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. 23. ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium (Washington, DC: NASA). p.309-317. 24. ROY, D.P.; WULDER, M.A.; LOVELAND, T.R.; WOODCOCK.; C.E.; ALLEN, R.G.; ANDERSON, M.C.; HELDER, D.; IRONS, J.R.; JOHNSON, D.M.; KENNEDY, R.; SCAMBOS, T.A.; SCHAAF, C.B.; SCHOTT, J.R.; SHENG, Y.; VERMOTE, E.F.; BELWARD, A.S.; BINDSCHADLER, R.; COHEN, W.B.; GAO, F.; HIPPLE, J.D.; HOSTERT, P.; HUNTINGTON, J.; JUSTICE, C.O.; KILIC, A.; KOVALSKYY, V.; LEE, Z.P.; LYMBURNER, L.; MASEK, J.G.; MCCORKEL, J.; SHUAI, Y.; TREZZA, R.; VOGELMANN, J.; WYNNE, R.H.; ZHU, Z. 2014. Landsat-8: science and product vision for terrestrial global change research. Remote Sensing of Environment. 145:154-172. 25. SCHNETZLER, C.C. 1981. Effect of sun and sensor geometry, canopy structure and density, and atmospheric condition on the spectral response of vegetation, with particular emphasis on accross-track pointing. In Proceedings International Colloguium Spectral Signatures of Objects in Remote Sensing. Avignon, France. 8-11 Sept. Les Collogues de VINRA. 5:509-520. 26. STEADMAN, R.G. 1984. A universal Scale of apparent temperature. J Clim. 23:1674-687. 27. TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Rev. Teledetec. 8(2):127-150. 28. VERCHER, A.; CAMACHO DE COCA, F.; MELIÁ, J. 2004. Influencia de la geometría de adquisición en el NDVI. Rev. Teledetec. 21:95-99. 29. WOOD, S. 2017. Mixed GAM Computation Vehicle with GCV/AIC/REML smoothness estimation and GAMMs by REML/PQL. https://revistas.udca.edu.co/index.php/ruadc/article/download/1338/1800 https://revistas.udca.edu.co/index.php/ruadc/article/download/1338/1831 info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_1843 info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Publication |