DOI:
https://doi.org/10.14483/23448407.12374Publicado:
2017-08-09Número:
Núm. 11 (2016)Sección:
Artículo de investigación científica y tecnológicaAplicación de imágenes de satélite y de sistemas UAV para la producción de guayaba en la provincia de Vélez, Santander
Palabras clave:
ALOS PALSAR, drone, guayaba, landsat 8 tirs, sensores remotos, uav. (es).Descargas
Resumen (es)
El presente artículo muestra el acercamiento de imágenes provenientes de sensores remotos tales como imágenes de satéliteo imágenes tomadas en sistemas de Vehículos Aéreos No Tripulados (UAV, por sus siglas en inglés), aplicadas a la producción
de la guayaba. El Centro de Gestión Agroempresarial de Oriente (CGAO), perteneciente al Servicio Nacional de Aprendizaje
(SENA), generó productos de escala regional para la provincia
de Vélez con imágenes Landsat 8 TIRS como lo son mapas de
índices de vegetación diferencialmente normalizados y ajustados
al suelo (NDVI, SAVI), Mapas de Índices Foliares (IAF, por sus
siglas en inglés) y mapas de temperatura. El Modelo Digital de
Elevación (MDE) para la provincia se generó a partir de imágenes
del sensor ALOS PALSAR; los productos generados a escala local
para los cultivos en diversas etapas de la producción (en función
de la poda) corresponden a ortofotomosaicos, ortofotomapas,
Modelos Digitales de Elevación (MDE) con imágenes capturadas por sistemas UAV. Las resoluciones de los diversos sensores
utilizados facilitan al estudio encontrar una correlación entre las
características locales y regionales que afectan directa e indirectamente la producción de la guayaba en la zona
Referencias
Aguirre Salado, C. et al. (2011). Mapeo del índice de área foliar y cobertura arbórea mediante fotografía hemisférica y datos SPOT 5 HRG: Regresión y K-NN. Agrociencia, 45, 105-119.
Bernardis, C. D., Vicente Guijalba, F., Martinez Marin, T. and Lopez Sanchez, J. (2016). Contribution to Real-Time Estimation of Crop Phenological States in a Dynamical Framework Based on NDVI Time Series: Data Fusion With SAR and Temperature. IEEE Jour-nal of Selected Topics in Applied Earth Observations and Remote Sensing, 1-12.
Boratto Isa, M. D. P. and Gomide, R. L. (2013). Apli-cação dos índices de vegetação NDVI, SAVI e IAF na caracterização da cobertura vegetativa da região Norte de Minas Gerais. Brasil, Anais XVI Simpósio Brasileiro de Sensoriamento Remoto.
Borgogno-Mondino, E. and Lessio, A. (2015). Estimation and mapping of NDVI uncertainty from Landsat 8 OLI datasets: An operational approach. Milan, 629-632, 2015 IEEE International Geoscience and Remote Sens-ing Symposium (IGARSS).
Bouzidi, S., Berroir, J. P. and Herlin, I. (2002). An oper-ational approach to monitor vegetation using remote sensing. Seattle, WA, 1998, Acoustics, Speech andSignal Processing, 1998. Proceedings of the 1998 IEEE International Conference on.
Didan, K. and Huete, A. (2004). Analysis of the global veg-etation dynamic metrics using MODIS vegetation index and land cover products. Anchorage, In IEEE Interna-tional IEEE International IEEE International Geoscience and Remote Sensing Symposium, 2004. IGARSS ’04. Proceedings, 2004.
Kerekes, J. P. and Baum, J. E. (2004). Full spectrum modeling of at-sensor spectral radiance variability due to surface variability. IGARSS, Geoscience and Remote Sensing Symposium, 2004. IGARSS ‘04. Proceedings. 2004 IEEE International.
Li, M. et al. (2005). The temperature research of urban residential area with remote sensing. IGARSS, Geosci-ence and Remote Sensing Symposium, 2005. Proceed-ings. 2005 IEEE International.
Li, Z. and Chen, Z. (2011). Remote sensing indicators for crop growth monitoring at different scales. IGARSS, Geoscience and Remote Sensing Symposium, IEEE International.
Mermer, A. et al. (2015). Monitoring rangeland vegetation through time series satellite images (NDVI) in Cen-tral Anatolia Region. Istanbul, Agro-Geoinformatics (Agro-geoinformatics), 2015 Fourth International Con-ference on 20-24 July.
Teo, T. A. and Chen, S. Y. (2011). Feature-based image registration of ALOS PALSAR and AVNIR-2 images. Vancouver, BC, 2011, 566-569, 24-29 July, Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International.
USGS (2016). Landsat 8 (L8), Data Users Handbook, Sioux Falls, South Dakota: U.S. Geological Survey.
Waters, R. et al. (2002). SEBAL - Surface Energy Balance Algorithms for Land , Advanced Training and Users Manual, s.l.: NASA EOSDIS/Synergy grant from the Raytheon Company.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
La revista UD y la Geomática se encuentra bajo una licencia Creative Commons - 2.5 Colombia License.
Atribución - No Comercial - Sin Derivadas
