Botello Aguillon C MC Hidrociencias 2018

COLEGIO DE POSTGRADUADOS
INSTITUCIÓN DE ENSEÑANZA E INVESTIGACIÓN EN CIENCIAS AGRÍCOLAS
CAMPUS MONTECILLO
PROGRAMA DE POSTGRADO EN HIDROCIENCIAS
ESTIMACIÓN DE BIOMASA
AÉREA DE FORRAJES DE
INVIERNO BAJO RIEGO A
TRAVÉS DE UN DRON
CÉSAR BOTELLO AGUILLÓN
T E S I S
PRESENTADA COMO REQUISITO PARCIAL
PARA OBTENER EL GRADO DE:
MAESTRO EN CIENCIAS
MONTECILLO, TEXCOCO, EDO. DE MÉXICO
2018
CARTA DE CONSENTIMIENTO D E USO D E LOS DERECHOS D E AUTOR Y
DE LAS REGALIAS COMERCIALES DE PRODUCTOS DE INVESTIGACION
E n adición a i b e n e f i c i o ético, x n o r a i y académico q u e h e o b t e n i d o d u r a n t e m i s estudios

e n e l C o l e g i o d e P o s t g r a d u a d o s , e l q u e suscribe CÉSAR B O T E L L O A G U I L L Q N
A l u m n o ( a ) d e esta Institución, e s t o y de a c u e r d o e n ser p a r t i c i p e d e las regalías
económicas y / o académicas, d e p r o c e d e n c i a n a c i o n a l e i n t e r n a c i o n a l , q u e se d e r i v e n
del t r a b a j o d e investigación q u e realicé e n esta institución, b a j o l a dirección
del P r o f e s o r ^ ' ^ ^ ' ^ ^ ' ^ ^ Q Q ^ ^ ' R E Y E S p^^, ^^^^.g^ derechos d e
ESTIMACION DE BIOMASA AÉREA DE FORRAJES
a u t o r de m i tesis
DE INVIERNO BAJO RIEGO A TRAVÉS DE UN DRON
y d e l o s p r o d u c t o s d e d i c h a investigación a l C o l e g i o d e P o s t g r a d u a d o s . L a s patentes y
secretos indusüiales q u e se p u e d a n d e r i v a r serán r e g i s t r a d o s a n o m b r e d e l c o l e g i o d e
P o s t g r a d u a d o s y l a s regalías económicas q u e se d e r i v e n serán d i s t r i b u i d a s e n t r e l a
Institución, E l C o n s e j e r o o D i r e c t o r d e T e s i s y e l q u e suscribe, d e a c u e r d o a l a s
n e g o c i a c i o n e s e n t r e l a s tres partes, p o r e l l o m e c o m p r o m e t o a n o r e a l i z a r n i n g u n a
acción q u e dañe e l p r o c e s o d e explotación c o m e r c i a l d e d i c h o s p r o d u c t o s a f a v o r de esta
Institución.
M o n t e c i l l o , M p i o . d e T e x c o c o , E d o . de México, a 15 ^^UO de 2 0 1 8
F i r m a del
A l u m n o (a)
V o , B o . d e l C o n s e j e r o o D i r e c t o r de T e s i s
La p r e s e n t e t e s i s t i t u l a d a : ""Estimaciéii de Biomasa Aérea de Forrajes de
Invierno Bajo Riego d Través de un Dron**, r e a l i z a d a p o r e l a l u m n o : César
Botello AguiUón b a j o l a dirección d e l C o n s e j o P a r t i c u l a r i n d i c a d o , h a s i d o
aprobada p o r e l m i s m o y aceptada como requisito parcial para obtener e l
grado de:
MAESTRO E N CIENCIAS
HIDROCIENCIAS
CONSEJO PARTICULAR
CONSEJERO
C I S C O GÁVI R E Y E S
ASESOR
E O W A R D O T I J E R I N A CHÁVEZ
ASESOR
DR. ARTURO Gm,VIS SPINOLA
M o n t e c i l l o , T e x c o c o , E s t a d o d e México, j u l i o d e 2 0 1 8
ESTIMACIÓN DE BIOMASA AÉREA DE FORRAJES DE INVIERNO BAJO
RIEGO A TRAVÉS DE UN DRON
César Botello Aguillón, M. C.

Colegio de Postgraduados, 2018
RESUMEN
Existe escasa información sobre el uso de cámaras digitales acopladas a drones
para cuantificar biomasa de forrajes, a pesar de que esta tecnología podría
disminuir tiempo y costo en su determinación y contribuiría a la agricultura de
precisión. El objetivo de esta investigación fue desarrollar un procedimiento para
estimar biomasa con imágenes digitales captadas desde un dron y modelación
3D (ID-Dron-3D) aplicable a alfalfa y avena forrajera. Con cámara digital
acoplada al dron se obtuvieron imágenes antes de la cosecha, que fueron
procesadas con software para estimar volumen de biomasa. En cada cultivo se
midió altura de la planta y área cosechada, volumen aparente y real de biomasa,
y peso de biomasa fresca y seca. Con el análisis de correlación de los datos y
considerando un p<0.05, se obtuvieron R=0.89 y 0.68 entre el volumen real
(principio de Arquímedes) y el volumen aparente (área cosechada por altura) de
avena y alfalfa, respectivamente; en el mismo orden R=0.82 y 0.75 entre el
volumen estimado con ID-Dron-3D y el volumen real; asimismo R=0.90 y 0.81
entre el volumen estimado con ID-Dron-3D y el volumen aparente para avena y
alfalfa, respectivamente. Con base en el análisis de regresión se obtuvieron
modelos lineales (p<0.05) para predecir: biomasa fresca en avena (R2=0.70) y
alfalfa (R2 =0.47); y biomasa seca en avena (R2=0.78) y en alfalfa (R2=0.31)
iv
mediante ID-Dron-3D. Con lo anterior se cumplió el objetivo de establecer un
procedimiento para predecir biomasa seca y fresca de avena y alfalfa de invierno
mediante ID-Dron-3D.
Palabras Clave: agricultura de precisión; modelado 3D; regresión lineal;
sensores; teledetección.
v
ESTIMATION OF AERIAL BIOMASS OF WINTER FORAGES IN IRRIGATION
THROUGH A DRONE
César Botello Aguillón, M. C.

Colegio de Postgraduados, 2018
ABSTRACT
There is scarce information about the use of drones and digital cameras to
quantify forage biomass, although this technology could reduce time and cost in
its determination and contribute to precision agriculture. The objective of this
research was to develop a procedure to estimate biomass yield with images
captured through a drone and 3D modeling (ID-Dron-3D) applicable to alfalfa
and oats forage. With a digital camera coupled to the drone, pre-harvest images
were obtained, which were processed with software to estimate biomass volume.
In each crop, plant height, harvested area, apparent and real biomass volume,
as well as fresh and dry biomass yield. With the correlation analysis of the data
and considering p <0.05, R=0.89 and 0.68 were obtained between real biomass
volume (Archimedes' principle) and apparent biomass volume (area harvested
multiplied by plant height) of oats and alfalfa, respectively; in the same order
R=0.82 and 0.75 between estimated biomass volume with ID-Dron-3D and real
biomass volume; also R=0.90 and 0.81 between estimated biomass volume with
ID-Dron-3D and apparent biomass volume for oats and alfalfa, respectively.
Based on regression analysis, linear models (p> 0.05) were obtained to predict:
fresh biomass yield in oats (R2=0.70) and alfalfa (R2=0.47); and dry biomass yield
in oats (R2=0.78) and alfalfa (R2=0.31) through ID-Drone-3D. The objective to
vi
establish a procedure to predict dry and fresh biomass yield of winter oats and
alfalfa using ID-Dron-3D was achieved.
Keywords: 3D modeling; linear regression; precision agriculture; remote
sensing; sensors.
vii
Dedico esta tesis a:
Dios, mis padres, J. Jesús Botello Rangel y María Estela Aguillón Romo, a mis
hermanos, Jesús, Esaú y Trinidad, quienes han sido la guía y el camino para
poder llegar a este punto de mi carrera.
Lidia Estela Sosa Márquez, por su apoyo e infinita paciencia a lo largo de estos
últimos años.
Todas las personas, llámense profesor (a), compañero (a), amigo (a) o familia,
quienes de alguna manera me han acompañado hasta hoy, aun en la distancia.
César Botello Aguillón
viii
AGRADECIMIENTOS
Los millones de mexicanos (as) que pagan impuestos, quienes, a través del
Consejo Nacional de ciencia y Tecnología (CONACYT) y el Colegio de
Postgraduados, han financiado parte de mi formación.
Los doctores integrantes de mi Consejo Particular, Francisco Gavi Reyes,
Leonardo Tijerina Chávez y Arturo Galvis Spinola por el esfuerzo, la dedicación,
el tiempo y el apoyo que me han brindado, pero sobre todo por la paciencia para
conmigo.
Al Dr. Rodrigo Roblero Hidalgo por el apoyo del dron para realizar esta
investigación, pero más por el uso de su valioso tiempo en la obtención de la
información.
ix
CONTENIDO
RESUMEN ....................................................................................................... iv
ABSTRACT ...................................................................................................... vi
LISTA DE FIGURAS ....................................................................................... xiii
LISTA DE TABLAS .......................................................................................... xv
1. INTRODUCCIÓN ...........................................................................................1
2. REVISIÓN DE LITERATURA .........................................................................2
2.1. GRAMÍNEAS Y LEGUMINOSAS ..............................................................2
2.2. BIOMASA ...............................................................................................3
2.2.1. LA BIOMASA EN EL SECTOR PECUARIO .........................................4
2.2.2. LA IMPORTANCIA DE LA BIOMASA EN EL SUELO ..........................5
2.2.3. LA BIOMASA COMO ALIMENTO DEL HOMBRE. ..............................6
2.2.4. CAPTURA DEL CARBONO Y EL MEDIO AMBIENTE .........................7
2.3. ESTIMACIÓN DE BIOMASA ....................................................................9
2.3.1. MÉTODO MANUAL ...........................................................................9
2.3.2. MÉTODOS DIRECTOS ...................................................................10
2.3.3. IMÁGENES DIGITALES ..................................................................10
2.3.4. MODELACIÓN 3D ..........................................................................13
2.3.5. SENSORES LIDAR .........................................................................15
2.3.6. IMÁGENES HIPERESPECTRALES ..................................................16
2.3.7. RESUMEN DE LA REVISIÓN BIBLIOGRÁFICA ...............................17
3. OBJETIVOS E HIPÓTESIS ..........................................................................19
3.1. OBJETIVO GENERAL ...........................................................................19
3.2. OBJETIVOS PARTICULARES ................................................................19
3.3. HIPÓTESIS ...........................................................................................19
4. MATERIALES Y MÉTODOS .........................................................................21
4.1. UBICACIÓN ..........................................................................................21
4.2. MATERIALES .......................................................................................21
4.2.1. VANT..............................................................................................21
4.2.2. SOFTWARE ....................................................................................22
x
4.3. MÉTODOS ............................................................................................23
4.3.1. OBTENCIÓN DE IMÁGENES ..........................................................23
4.3.2. VOLUMEN DE BIOMASA ................................................................24
4.3.2.1. Volumen aparente en campo .................................................25
4.3.2.2. Volumen real .........................................................................26
4.3.2.3. Volumen aparente con modelación 3D ..................................26
4.3.3. RENDIMIENTO DE BIOMASA .........................................................28
4.3.3.1. Biomasa fresca ......................................................................28
4.3.3.2. Biomasa seca ........................................................................28
4.3.4. RELACIÓN ENTRE VARIABLES ......................................................29
4.3.4.1. Correlación de volúmenes .....................................................29
4.3.4.2. Modelo de regresión lineal para estimación de biomasa .........31
5. RESULTADOS Y DISCUSIÓN ......................................................................34
5.1. OBTENCIÓN DE IMÁGENES ................................................................34
5.2. VOLUMEN DE BIOMASA ......................................................................35
5.2.1. VOLUMEN REAL ............................................................................35
5.2.2. VOLUMEN APARENTE EN CAMPO .................................................36
5.2.3. VOLUMEN APARENTE CON MODELACIÓN 3D ..............................38
5.3. RENDIMIENTO DE BIOMASA ...............................................................39
5.3.1. BIOMASA FRESCA .........................................................................39
5.3.2. BIOMASA SECA .............................................................................40
5.4. RELACIÓN ENTRE VARIABLES ............................................................42
5.4.1. CORRELACIÓN DE VOLÚMENES...................................................42
5.4.1.1. Avena ....................................................................................42
5.4.1.2. Alfalfa....................................................................................44
5.4.2. CORRELACIÓN VOLUMEN-BIOMASA ............................................46
5.4.2.1. Avena ....................................................................................46
5.4.2.2. Alfalfa....................................................................................46
5.4.3. REGRESIÓN LINEAL PARA ESTIMACIÓN DE BIOMASA .................47
5.4.3.1. Avena ....................................................................................47
5.4.3.2. Alfalfa....................................................................................54
xi
5.5. DISCUSIÓN ..........................................................................................61
6. CONCLUSIONES ........................................................................................65
7. REFERENCIAS ...........................................................................................67
xii
LISTA DE FIGURAS
Figura 1. Características principales de la cámara del dron, obtenidas con Agisoft

PhotoScan Pro. ...............................................................................................21
Figura 2. Calculadora GSD descargada de https://support.pix4d.com/hc/en-

us/articles/202560249#gsc.tab=0. ................................................................24
Figura 3. Modelo de la malla utilizada para el volumen aparente en campo. ...25
Figura 4. Grafica entre los valores de volumen aparente obtenidos en el cultivo

de avena. ........................................................................................................43
Figura 5. Grafica entre los valores de volumen real y estimado por dron obtenidos
en el cultivo de avena. ....................................................................................44
Figura 6. Grafica entre los valores de volumen aparente obtenidos en el cultivo

de alfalfa.........................................................................................................45
en el cultivo de alfalfa. ....................................................................................45
Figura 8. Gráfica del modelo para estimar biomasa fresca en avena. ..............49
Figura 9. Gráfica de valores ajustados vs residuales del ANOVA para el modelo

de biomasa fresca en avena. ...........................................................................50
Figura 10. Gráfica del modelo para estimar biomasa seca en avena. ...............52
de biomasa seca en avena. .............................................................................53
Figura 12. Gráfica del modelo de modelo para estimar biomasa fresca en alfalfa.
.......................................................................................................................56
xiii
Figura 13. Gráfica de valores ajustados vs residuales del ANOVA del modelo para
estimar biomasa fresca en alfalfa ....................................................................57
Figura 14. Gráfica de la tendencia del modelo para estimar biomasa seca en
alfalfa. ............................................................................................................59
Figura 15. Gráfica de valores ajustados vs residuales del ANOVA del modelo de
biomasa seca de alfalfa ...................................................................................60
xiv
LISTA DE TABLAS
Tabla 1. Reglas para interpretar el tamaño del coeficiente de correlación (Vicente,

I., 2013). .........................................................................................................31
Tabla 2. Propiedades principales de las imágenes. ..........................................34
Tabla 3. Volumen real de cada unidad de muestreo (u.m.) en la parcela de avena.

.......................................................................................................................35
Tabla 4. Volumen real de cada unidad de muestreo (u.m.) en la parcela de alfalfa.

.......................................................................................................................36
Tabla 5. Volumen aparente de cada unidad de muestreo (u.m.) en la parcela de

avena..............................................................................................................37

alfalfa .............................................................................................................37
Tabla 7. Volumen estimado de cada unidad de muestreo (u.m.) en la parcela de

avena..............................................................................................................38

alfalfa. ............................................................................................................39
Tabla 9. Rendimiento de biomasa fresca en las unidades de muestreo (u.m) de

avena..............................................................................................................40
Tabla 10. Rendimiento de biomasa fresca en las unidades de muestreo (u.m.) de

alfalfa. ............................................................................................................40
Tabla 11. Fracción de materia seca (ms) y biomasa seca en las unidades de
muestreo (u.m.) del cultivo de avena...............................................................41
xv
muestreo (u.m.) del cultivo de alfalfa. .............................................................41
Tabla 13. Coeficientes de correlación de datos de volumen en avena. .............42
Tabla 14. Valores de correlación de datos de volumen en alfalfa. ....................44
Tabla 15. Correlación entre volumen estimado y la biomasa de avena. ...........46
Tabla 16. Correlación entre volumen estimado y la biomasa de alfalfa. ...........47
Tabla 17. Análisis de regresión del modelo para estimar biomasa fresca en avena.
.......................................................................................................................48
Tabla 18. ANOVA del modelo de regresión para estimar biomasa fresca en avena.
.......................................................................................................................48
Tabla 19.. Prueba de Durbin-Watson para comprobar independencia de

residuos. ........................................................................................................49
Tabla 20. Prueba de Shapiro-Wilk para el modelo de biomasa fresca en avena.

.......................................................................................................................51
Tabla 21. Análisis de regresión del modelo para estimar biomasa seca en avena.
.......................................................................................................................51
Tabla 22. ANOVA del modelo de regresión para estimar biomasa seca en avena.
.......................................................................................................................52
Tabla 23. Prueba de Durbin-Watson para comprobar independencia del modelo

de estimación de biomasa seca en avena. .......................................................53
Tabla 24. Prueba de Shapiro-Wilk del MRL para estimación de biomasa seca en
avena..............................................................................................................54
Tabla 25. Análisis de regresión para estimar biomasa fresca en alfalfa. ..........54
xvi
Tabla 26. ANOVA del modelo de regresión para estimar biomasa fresca en alfalfa.
.......................................................................................................................55
Tabla 27. Prueba de Durbin-Watson para comprobar independencia del modelo

de estimación de biomasa fresca en alfalfa. ....................................................56
Tabla 28. Prueba de no constancia de varianza de la RL de BF de alfalfa. .......57
Tabla 29. Prueba de Shapiro-Wilk del modelo de estimación de biomasa fresca

en alfalfa. .......................................................................................................58
Tabla 30. Análisis de regresión para estimar biomasa seca en alfalfa..............58
Tabla 31. Prueba de Durbin-Watson de la RL para estimación de biomasa seca

en alfalfa. .......................................................................................................60
Tabla 32. Prueba de no constancia de varianzas del modelo de estimación de

biomasa seca de alfalfa. ..................................................................................61
Tabla 33. Prueba de Shapiro-Wilk en la RL para estimación de B.S. en alfalfa.

.......................................................................................................................61
xvii
1. INTRODUCCIÓN
Hoy en día, gracias al avance en la generación de conocimiento y al desarrollo
tecnológico en diversas disciplinas, los vehículos aéreos no tripulados (VANT) (o
UAV por sus siglas en inglés), sus sensores y software asociados se han
convertido en plataformas idóneas para llevar a cabo la teledetección de
numerosas variables agronómicas. Entre éstas, la biomasa es una variable de
gran interés en el sector agropecuario. Existen diferentes procedimientos
utilizados para conocer esta variable, algunos de ellos se usan en tiempo real en
épocas cercanas a las fechas de cosecha y otros se aplican incluso antes de la
época de siembra, los cuales incluyen modelos de simulación del desarrollo de
los cultivos para conocer su potencial de producción.
Las prácticas tradicionales para estimar biomasa implican un gran esfuerzo y
dinero para el productor. Los métodos que involucran imágenes de satélite se
ven limitados por la calidad y nivel de información que poseen y los modelos de
simulación deben considerar una serie de factores edáficos, climáticos y del
mismo cultivo que no siempre están disponibles.
Es así que se busca proponer una metodología para obtener la biomasa de los
cultivos de avena y alfalfa en la etapa de cosecha, con ayuda de fotografías
tomadas desde un VANT o comúnmente llamado “dron” y el uso de un software
para procesar imágenes digitales que, mediante la combinación de técnicas de
fotogrametría digital, genera una reconstrucción tridimensional (3D) del cultivo.
1
2. REVISIÓN DE LITERATURA
2.1. GRAMÍNEAS Y LEGUMINOSAS
Las plantas comúnmente conocidas como gramíneas (Familia: Poaceae Barnhart
(= Gramineae Juss., nom. cons.)) y leguminosas (Familia: Fabaceae Lindley
(=Leguminosae Jussieu, nom. cons.)) son de gran importancia ya que son
capaces de aportar gran cantidad de calorías y proteínas a la dieta humana y
animal, además de ser plantas que presentan gran cantidad de biomasa
(Martínez Romero & Leyva Galán, 2014).
Las gramíneas probablemente son las de mayor importancia para la economía
humana. Alrededor del 70 % de la superficie cultivable del mundo está sembrada
con gramíneas y el 50 % de las calorías consumidas por la humanidad proviene
de sus numerosas especies que son utilizadas directamente en la alimentación
humana y en la de las especies animales domésticas. En términos de la
producción global, las cuatro gramíneas cultivadas más importantes son: caña
de azúcar, trigo, arroz y maíz. La avena es el séptimo cereal más cosechado a
nivel mundial. (Parodi, 2005).
Las leguminosas son plantas herbáceas, que producen frutos en forma de vaina.
Sus semillas, son muy ricas en diferentes tipos de nutrientes, fibras y minerales
como el magnesio, folato, hierro y zinc. Se encuentran ampliamente
diversificadas y distribuidas en todo el territorio nacional mostrando variadas
formas biológicas (Estrada Castillón et al., 2005).
2
2.2. BIOMASA
La cosecha de un cultivo es la recolección de biomasa, entendiéndose por ésta el
peso fresco o seco de sustancias vivientes en un momento determinado
(Mollaldo, 2002). La biomasa puede ser útil directamente como materia orgánica
en forma de abono y tratamiento de suelos, adicionalmente a su utilidad más
común: servir de alimento a diversos organismos, la humanidad incluida (Black,
1974).
La vida en la tierra depende de las plantas. Los humanos, al igual que el resto
de los animales, sin las plantas no se podrían alimentar. Directa o
indirectamente lo que se consume procede de las plantas y su biomasa. Algunos
autores plantean que la biomasa es la cantidad total de materia viviente, que se
encuentra en un área determinada y se expresa en toneladas por unidad de
superficie. La cantidad de biomasa en un período determinado recibe el nombre
de producción de un sistema o de un área determinada (Pineda, 2007), según el
Diccionario de la Real Academia Española, la biomasa es la materia total de los
seres que viven en un lugar determinado, expresada en peso por unidad de área
o de volumen (RAE, 2018).
En un ecosistema natural la biomasa es uno de los atributos más relevantes
para caracterizar el estado de un ecosistema o el proceso de sucesión ecológica
en un territorio (Odum, 2000).
3
En un agroecosistema, sistema originado por la acción del hombre sobre el
ecosistema natural, que tiene como objetivos la utilización del medio en forma
sostenida para obtener plantas o animales de consumo inmediato o
transformable (Mollaldo, 1985), lo importante es cosechar la biomasa útil para
un fin determinado, ya sea como alimento humano o como forraje.
2.2.1. LA BIOMASA EN EL SECTOR PECUARIO
En la alimentación del ganado bovino y ovino principalmente, las leguminosas
por sí solas o en asociación con las gramíneas forrajeras presentan una serie de
nutrientes que incrementan la producción de leche y carne y, la eficiencia
reproductiva de los rebaños (Martínez Romero & Leyva Galán, 2014). Las
leguminosas forrajeras se siembran asociadas con gramíneas para mejorar la
calidad de la oferta alimenticia para el ganado. Así, se cultivan para este objetivo
numerosas especies de pastos perennes, tanto en climas templados como en
climas tropicales o subtropicales (Kass, 1997).
Entre las especies invernales se hallan la avena (Avena fatua y Avena sativa), el
centeno y la cebada forrajera (Hordeum vulgare). Para los cultivos de primavera
se utiliza el maíz y el sorgo forrajero (Sorghum sudanense). Además, hay cereales
que se utilizan para alimentar animales, como el mijo (Panicum miliaceum) y el
alpiste (Phalaris arundinacea) para alimentar pájaros, o el maíz y el sorgo para
alimentar vacas, cerdos y aves de corral (Catasus, 2000).
4
Tanto algunas gramíneas como leguminosas son consideradas buenas opciones
para la suplementación de vacunos y rumiantes menores en condiciones de
bajos insumos (García et al., 2006).
2.2.2. LA IMPORTANCIA DE LA BIOMASA EN EL SUELO
No es común que los actores o productores consideren la biomasa como un
alimento imprescindible para alimentar el suelo. Esa sería una de las razones
por las cuales se utiliza ampliamente la quema como práctica de manejo en la
agricultura mundial (Martínez Romero & Leyva Galán, 2014).
La producción de biomasa vegetal derivados de la propia actividad agrícola es
considerable. Una práctica que podría contribuir a mitigar el déficit húmico de
los suelos es la incorporación de estos subproductos, que podrían aumentar el
nivel de materia orgánica del suelo y su fertilidad (Cegarra et al., 1983).
Las leguminosas presentan un beneficio adicional como mejoradoras del suelo,
ya que fijan el nitrógeno atmosférico en sus nódulos radiculares. El nitrógeno
fijado es aportado al suelo una vez que han envejecido o muerto las raíces, siendo
fácilmente aprovechado por los siguientes cultivos. La cantidad de nitrógeno
fijado por las leguminosas puede variar de 20 a 560 kg anuales por hectárea,
dependiendo del tipo de suelo y de la humedad disponible. Esta capacidad de
fijar nitrógeno les permite su establecimiento en suelos de fertilidad baja en N,
sin que esto afecte significativamente su producción y calidad de biomasa
(Machado & Menéndez, 2006).
5
Destaca de manera notable que los restos de cereales presentan una mayor
relación C/N, lo que precisan nitrógeno extra para su mineralización; en cambio
los residuos de hortalizas presentan una relación más baja, por lo que su
aplicación a los suelos pueda realizarse de forma inmediata (Parr & Colacicco,
2005).
La biomasa de residuos de cosechas puede aportar una cantidad importante de
humus beneficioso para el suelo (Cegarra et al., 2008).
Se ha comprobado que la adición de estos residuos, produce efectos beneficiosos
sobre otras propiedades del suelo como la capacidad de retención hídrica y de
intercambio catiónico. Uno de los beneficios de la práctica “abonado con restos
de cosechas”, es la disminución del riego realizado en posteriores etapas de
cultivo y consiguiente ahorro de agua (Rule et al., 2007).
2.2.3. LA BIOMASA COMO ALIMENTO DEL HOMBRE.
La vida en la tierra depende de las plantas. Los humanos, al igual que el resto
de los animales, sin las plantas no se podrían alimentar. Directa o
indirectamente lo que se consume procede de biomasa de las plantas.
Las verduras y hortalizas, ricas en vitaminas y minerales, son necesarias para
vivir y mantener la salud humana. Lechugas, tomates, cebollas, acelgas, repollos
y zanahorias, espinacas, coles, alcachofas, entre otras, forman parte habitual de
6
nuestra dieta (Basulto, 2010). La biomasa vegetal también aporta antioxidantes
y fitoquímicos a la dieta humana.
La biomasa vegetal de hoja verde es sumamente alta en minerales como el calcio,
el hierro, magnesio y potasio. También tienen cantidades importantes de
vitaminas como la vitamina A (beta caroteno), vitamina C, vitamina E y el ácido
fólico. Algunos vegetales de hoja verde tienen más hierro, más calcio, como
también otros minerales y vitaminas, incluso más proteínas que la carne (Macek,
2009).
Lamentablemente los gustos se han degenerado debido a la gran cantidad de
azúcar, grasa y sal de la dieta moderna, al punto que los vegetales, especialmente
los de hoja verde, ya no gustan (Aristizábal & Montoya, 2010).
2.2.4. CAPTURA DEL CARBONO Y EL MEDIO AMBIENTE
La relación carbono/nitrógeno es un valor numérico que determina la proporción
de estos dos elementos en un suelo. El carbono y el nitrógeno son indispensables
para el desarrollo de la vida ya que afectan directa o indirectamente a todos los
procesos biológicos. El carbono fijado por la biomasa proviene del CO2
atmosférico, reducido durante el proceso de fotosíntesis por las plantas, y suele
oscilar en torno a un 50-60 % de la materia orgánica. Sin embargo, el porcentaje
de nitrógeno es muchísimo menor que el porcentaje de carbono. La relación C/N
se utiliza para medir la biomasa y la evolución de la materia orgánica en los
estudios de fertilidad del suelo (Sánchez, 2010).
7
La determinación de la biomasa de los bosques es también importante, ya que
con ella y su relación C/N se puede conocer la relación ha de bosque/habitante
que se debe mantener para tener un equilibrio ecológico en el planeta. La
biomasa de otras especies, como las cultivadas, también puede ser usada para
hacer los balances que nos permitan planear mejor las actividades agropecuarias
para fines ambientales.
Aproximadamente del 42 al 50 % de la biomasa de un árbol materia seca es
carbono. Hay una captura de carbono neta, únicamente mientras el árbol se
desarrolla para alcanzar madurez. Cuando el árbol muere, emite hacia la
atmósfera la misma cantidad de carbono que capturó. En estado estable, un
bosque en plena madurez aporta la misma cantidad de carbono que captura.
Durante el día la mayoría de las plantas absorben C02 a través de los poros en
sus hojas y emiten más C02 del que absorben a través de sus hojas (Brown &
Lugo, 1984).
La biomasa de cualquier planta contiene en su composición química como
promedio un 45 % de carbono, en las hojas secas de la caña de azúcar desciende
al 43 %. Con base en la estimación de las t ha-1 de biomasa producida en cada
ciclo anual y el porcentaje de C, se calculó la cantidad de C total fijado y el
remanente, y por diferencia el C emitido a la atmósfera (Cabrera et al., 2005).
8
2.3. ESTIMACIÓN DE BIOMASA
La biomasa se refiere a todo el material herbáceo presente sobre el suelo, y es
expresada comúnmente como rendimiento en materia seca (‘t Mannetje, 2000).
Con el aumento de la presión demográfica en todo el mundo y la necesidad de
aumentar la producción agrícola, existe una clara necesidad de mejorar la
gestión de los recursos agrícolas mundiales. Para que esto suceda, primero es
necesario obtener datos confiables (Liaghat & Balasundram, 2010), como en el
caso de la biomasa.
2.3.1. MÉTODO MANUAL
Entre las distintas técnicas de estimación de la materia seca, el método del
cuadrante es el más certero (Holchek et al., 2001). Consiste en cortar toda la
masa vegetal dentro de un área determinada a nivel de suelo; posteriormente el
forraje es secado en un horno de ventilación constante durante 48 a 72 h, a una
temperatura que varía entre 60 y 65 ºC, para evitar la desnaturalización de las
proteínas; luego, la muestra seca es pesada, dando una medida precisa de la
materia seca. Sin embargo, su utilidad práctica está limitada al área de la
investigación como herramienta de calibración de otros métodos (‘t Mannetje,
2000) por ser un método destructivo, exigente en tiempo y recursos,
especialmente para los productores (Harmoney et al., 1997).
9
2.3.2. MÉTODOS DIRECTOS
La estimación visual según ‘t Mannetje (2000) pueden ser certeras utilizando
como referencia estándares fotográficos de rendimientos de materia seca
conocidos. Este mismo autor señala, sin embargo, que la precisión de la
medición, cuando se habla en términos de t ha-1, debiera expresarse como
máximo en cientos de kilogramos (+/- 100 kg). Los métodos fotográficos son
utilizados comúnmente en monitoreo de pastizales, para apreciar visualmente
cambios en la cobertura. Como fortalezas se menciona su capacidad para
sintetizar en imágenes la información sobre el sitio, y la posibilidad de
combinarse con datos obtenidos en campo, además de ser un método
relativamente rápido y poco costoso. Sin embargo, las imágenes utilizadas en
monitoreo generalmente no son apropiadas por sí solas para un análisis
cuantitativo del forraje, debido a obstrucciones y distorsiones ocasionadas al ser
tomadas en perspectiva, no obstante, si las imágenes son obtenidas desde cierta
altura sobre un plano horizontal, este método se convierte en una extensión
natural del método del cuadrante, puesto que los límites de la imagen serían
análogos a los límites del cuadrante, lo que permite analizar la imagen para
determinar distintas características de la vegetación (Zhou & Robson, 2001).
2.3.3. IMÁGENES DIGITALES
En la actualidad, la fotografía digital se ha convertido en un método común y
económico de documentación y presentación de imágenes por parte de la
10
comunidad científica (Karcher & Richardson, 2003). Las imágenes obtenidas
mediante una cámara digital poseen la ventaja de ser fáciles de transferir a un
computador personal para su posterior procesamiento; las imágenes están
constituidas por píxeles compuestos a su vez por los colores verde, rojo y azul,
característica que permite alterar los colores de la imagen facilitando así el
análisis de la misma. El análisis computacional de imágenes digitales como
aproximación a la productividad primaria mediante la estimación de la cobertura
vegetal es relativamente reciente en la literatura agronómica, probando ser una
técnica confiable.
Los rasgos geométricos de un cultivo pueden estimarse construyendo el modelo
digital de superficie (MDS) o el modelo digital de elevación (MDE) y realizando
análisis de clasificación de imágenes, que pueden usarse para estimar la altura
de la planta, la proporción del área de alojamiento (desprendimiento de las partes
aéreas del cultivo), la emergencia, etc. (Li et al., 2015).
Lobell et al. (2003) dice que es posible realizar predicciones de rendimiento
precisas utilizando sólo una imagen, siempre que se adquiera cerca del pico de
desarrollo para la mayoría de los campos. Los VANT con cámaras digitales
pueden adquirir rápidamente imágenes en escala de grises o en color para
estimar la altura del cultivo, la distribución de las hojas, el Índice de Área Foliar
y el color de la hoja. La cámara RGB es la más utilizada con los drones en la
investigación fenotípica de cultivos. El sensor tiene las ventajas de bajo costo,
peso ligero, operación conveniente, procesamiento de datos simple y requisitos
11
de entorno de trabajo relativamente bajos. Los datos pueden recopilarse tanto
en condiciones soleadas como nubosas (Yang et al., 2017).
Bendig et al. (2014) realizaron un análisis de regresión entre la altura de la planta
de cebada medida en campo y altura del cultivo obtenida con imágenes digitales
RGB, obteniendo R2 = 0.92 para un modelo lineal; para regresión entre la altura
del cultivo obtenida con imagen digital y biomasa fresca y seca, obtuvieron un
R2 = 0.81 y 0.82 (para un modelo exponencial), respectivamente.
De Souza et al. (2017) describen la generación de modelos de superficie de cultivo
(MSC) obtenidos a partir de imágenes de alta resolución que se obtuvieron desde
un VANT con una cámara RGB para estimar altura de la caña de azúcar, con las
cuales se crean nubes de puntos tridimensionales densificadas del área de
estudio en dos direcciones de línea de vuelo diferentes (Norte / Sur y Este /
Oeste) usando la estructura del movimiento (SfM) con vista múltiple estéreo
(MVS), donde el modelo de superficie digital (MSD) y el modelo de terreno digital
(MDE) fueron extraídos y utilizados para crear los MSC.
En otro estudio de Brocks y Bareth (2018) encontraron correlaciones con R =
0.80 entre la altura del cultivo de cebada obtenida con imagen digital y de
manera manual, y con ello calcularon biomasa fresca y seca donde encontraron
modelos lineales con R2 de 0.59 y 0.72, respectivamente.
Paruelo et al., (2000) obtuvieron buenos resultados al usar imágenes de la
cobertura vegetal como predictor de la biomasa trabajando con comunidades
12
variadas de plantas y del mismo modo Lukina et al. (1999) con especies
individuales.
También se ha utilizado el análisis de imágenes digitales con distintos propósitos
en la investigación de las plantas, como la estimación del grado de madurez en
cereales (Adamsen et al., 1999), la identificación y conteo de flores (Adamsen et
al., 2000), la cuantificación del color del césped (Karcher & Richardson, 2003) y
el análisis de la estructura vertical de las plantas (Zehm et al., 2003), entre otros.
2.3.4. MODELACIÓN 3D
Nuevas metodologías, que utilizan modelos digitales 3D, como la que emplea
laser-escáner, cámaras de profundidad o sistemas basados en luz estructurada
han creado modelos muy cercanos a la realidad que permiten el estudio detallado
de las características morfológicas de cada planta (Andújar et al., 2017).
En la actualidad, los modelos 3D de cultivo pueden obtenerse económicamente
a partir de imágenes superpuestas capturadas desde VANTs o con sensores
proximales unidos a vehículos terrestres utilizados para la administración
regular (Schirrmann et al., 2017).
Fournier, & Andrieu (1998) implementaron un modelo 3D de desarrollo de maíz
basado en el proceso arquitectónico y basado en el software L-system Graphtal,
interconectado con modelos físicos que computan el microclima distribuido en
la estructura del dosel 3D.
13
Omasa et al. (2006) utilizaron el sensor LiDAR para elaborar un modelo 3D de
robles (Quercus myrsinaefolia Blume) para comprender y diagnosticar las
respuestas de la planta al estrés y evaluación de emisiones de carbono.
Keightley & Bawden (2010) usaron un modelo 3D impulsado por escáner laser
terrestre (TLS) para el cálculo del volumen de la vid, con el cual se pudieron
predecir volúmenes de vid. La precisión aumentó con la adición de más ángulos
de visión, pero a un costo mayor en el esfuerzo de recopilación de datos. La
colocación de estándares esféricos dentro del campo de visión de TLS
proporcionó una técnica rápida y precisa para la alineación del escaneo y la
demostración de que es factible predecir el rendimiento de uva con dicha
metodología.
Hämmerle & Höfle (2016) realizaron pruebas para obtención directa de la altura
del cultivo de maíz a través de un modelo 3D con ayuda de una cámara
Microsoft® Kinect® para Xbox One ™ basada en una comparación integral de
datos de referencia de escaneo láser terrestre. Andujar et al. (2017) encontraron
un alto grado de correlación entre el índice de área foliar estimado en modelación
3D y la biomasa seca medida en la planta (R2=0.963).
En esta sección se han mencionado sólo algunos ejemplos de modelación 3D
utilizados en la agricultura, pero esta técnica se ha desarrollado previamente en
la arquitectura, hidrología, arqueología e ingeniería civil, entre otros, así como
14
en la reconstrucción de escenas e investigación de diferentes situaciones que
requieren del modelado tridimensional.
2.3.5. SENSORES LIDAR
La eficiencia del software de procesamiento de datos debe mejorarse para
satisfacer los requisitos de rapidez y precisión. El software de procesamiento
digital de imágenes, como Agisoft PhotoScan Professional Edition y Pix4D, que
se puede utilizar para la corrección geométrica y el mosaico, se ha desarrollado
rápidamente en los últimos años; sin embargo, las imágenes hiperespectrales y
los datos de LIDAR no se pueden procesar con el software de procesamiento
comercial debido a la falta de un módulo especial para el análisis de información
de teledetección (Yang et al., 2017).
Hoffmeister et al. (2010), usaron el escáner laser Riegl LMS-Z420i cinco veces
por año en 2008 y 2009 para estimar la distribución de la altura de la planta de
los cultivos de campo de trigo de invierno, cebada de primavera y remolacha
azucarera mediante el uso de modelos de superficie de cultivo (MSC) y modelos
de volumen de cultivo (MVC) encontrando variabilidad en las alturas de 0 a 0.60
metros. Después Tilly et al. (2013) usaron este escaneo de laser terrestre en
arrozales encontrando una correlación con medidas tomadas manualmente de
R2=0.71.
15
Bareth et al. (2016) encontraron que la altura de la planta obtenida con imagen
digital y la estimada con un escaneo de láser terrestre, está estrechamente
relacionada (R2 0.91).
Christiansen et al. (2018), con base en un estudio usando un sensor LiDAR
montado en un vehículo terrestre, encontraron dos polinomios para predecir el
rendimiento del cultivo de trigo de invierno con un R2 de 0.55 y 0.57,
mencionando que éstos coeficientes son bajos por la variabilidad de los datos
resultantes del muestreo. Muchas de estas medidas, particularmente la
interferometría de radar y LiDAR, se ven afectadas a una resolución espacial
relativamente alta (Lewis, 2007).
Jiménez-Berni et al. (2018) demostraron la capacidad de detección y
determinación de la luz (LiDAR), mediante un sensor montado en una plataforma
terrestre liviana y móvil, para una estimación temporal y no destructiva rápida
de la altura del dosel (R2=0.99), la cobertura del suelo (R²=0.92) y la biomasa,
ésta mediante el índice de voxel 3D (3DVI) y el índice de perfil 3D (3DPI), con
R²=0.93 y R²=0.92, respectivamente.
2.3.6. IMÁGENES HIPERESPECTRALES
Los estudios de Yue et al. (2017) cuyo objetivo principal fue la estimación de un
modelo de biomasa aérea con una cámara hiperespectral acoplada a un VANT,
indicaron que los modelos de un sólo parámetro son poco precisos (altura del
16
cultivo: R2=0.50, R670: R2=0.54, NDVI: R2=0.37), respecto a los que combinan
la altura y algún otro parámetro (R2=0.78).
Bendig et al. (2015) combinaron los índices de vegetación (VI): VI rojo verde
(GRVI), el GRVI modificado (MGRVI) y el VI rojo verde azul (RGBVI) con la
información de la altura de la planta para estimar la biomasa en un experimento
de cebada de verano, encontrando que los VI de banda visibles tienen potencial
para la predicción de biomasa en la etapa de crecimiento. La estimación fue
robusta para la biomasa a partir de los modelos de altura de la planta, con R2
de 0.80 a 0.82, pero presenta la limitación de que los VI visibles de la banda sólo
funcionaron para las primeras etapas de crecimiento.
Si bien la teledetección no puede capturar todo tipo de información agrícola,
proporcionar información precisa, confiable y oportuna para guiar la toma de
decisiones agronómicas y económicas (Liaghat & Balasundram, 2010).
2.3.7. RESUMEN DE LA REVISIÓN BIBLIOGRÁFICA
En el proceso de estimación de la biomasa de forrajes, se intenta superar el
tiempo y esfuerzo necesario de los métodos directos, mediante el uso de
tecnología moderna, sin perder la precisión requerida. Se ha pasado de la
cosecha de cuadrantes representativos del campo forrajero, en suficiente número
para que exista representación de las muestras, al uso de tecnología moderna y
su software asociado.
17
Se ha intentado la cuantificación de la biomasa con resultados alentadores,
usando la teledetección mediante imágenes de satélite, fotografías digitales y
diversos índices de vegetación, cuya interpretación y correlación respectiva es
útil para predecir la biomasa de un cultivo, casi en tiempo real.
Asimismo, se ha usado la tecnología LiDAR y modelación 3D para estimar
volúmenes de vegetación, los cuales mediante comparaciones con datos tomados
en campo y sus respectivos ajustes mediante modelado, dan como resultado
estimaciones de biomasa con alto grado de confiabilidad.
Existe información escasa sobre la determinación de biomasa de forrajes con el
apoyo de cámaras digitales montadas en VANT, lo cual puede ser una opción
cuando no se cuenta con imágenes multiespectrales o tecnología LiDAR, ya que
actualmente tanto los VANT como las cámaras digitales se están usando más
debido a que ahora son más baratos que en el pasado. Lo anterior es la
motivación de la presente investigación de tesis, junto con el interés en
contribuir con una metodología alternativa útil en la predicción de biomasa.
Por lo anterior se usó una cámara digital montada a un VANT, de uso cada vez
más común y de precios accesibles, con el fin de generar un procedimiento para
estimar biomasa aérea de forrajes de invierno (avena y alfalfa), mediante el
análisis de imágenes digitales y modelación 3D, con un software de post-
procesamiento capaz de generar información rápida, confiable y de bajo costo en
la etapa de cosecha.
18
3. OBJETIVOS E HIPÓTESIS
3.1. OBJETIVO GENERAL
1. Generar un procedimiento para estimar biomasa aérea de forrajes de
invierno bajo riego mediante imágenes captadas desde un VANT y
modelación 3D.
3.2. OBJETIVOS PARTICULARES
1. Determinar las relaciones que existen entre el volumen aparente del forraje
de invierno medido en campo, el volumen real estimado mediante el
principio de Arquímedes y el volumen aparente obtenido a través del uso
de tecnología de percepción remota.
2. Verificar si existe una relación entre el volumen aparente del forraje de
invierno obtenida a través del uso de tecnología de percepción remota y la
biomasa fresca y seca en forrajes de invierno determinada por el método
de corte.
3.3. HIPÓTESIS
1. El uso de imágenes captadas desde un VANT y la modelación en 3D
permiten generar un procedimiento para la estimación de biomasa fresca
y seca.
19
2. Existe correlación entre los volúmenes de forrajes de invierno obtenidos
con el uso de una metodología en campo no destructiva, una destructiva
y una con tecnología de percepción remota.
3. Se puede encontrar una relación entre los valores de volumen aparente del
forraje de invierno medidos con el uso de tecnología de percepción remota
y su biomasa fresca y seca estimada por el método de corte.
20
4. MATERIALES Y MÉTODOS
4.1. UBICACIÓN
Este estudio se llevó a cabo en el Campo experimental del Colegio de
Postgraduados, Campus Montecillo ubicado en Carretera México-Texcoco km.
36.5 Montecillo, Texcoco durante marzo de 2018 en un cultivo de avena y
durante mayo del mismo año en el cultivo de alfalfa, delimitando aleatoriamente
17 unidades de muestreo de 1.05 m x 1.05 m en una parcela de avena y 17
unidades de muestreo de igual área en una parcela de alfalfa, tratando de captar
la variabilidad del rendimiento, desde bajo a alto.
4.2. MATERIALES
4.2.1. VANT
Se utilizó el dron DJI Phantom 4, equipado con una cámara de 12 Megapíxeles
con un tamaño de píxel en el sensor de 0.00156192 mm de ancho por
0.00156192 mm de alto y una distancia focal de 3.61 mm, capaz de producir
fotografías de 4000 píxeles de ancho por 3000 píxeles de alto. Las características
de la cámara se muestran en la Figura 1.
Figura 1. Características principales de la cámara del dron, obtenidas con Agisoft

PhotoScan Pro.
21
4.2.2. SOFTWARE
• Agisoft PhotoScan Professional, desarrollado por Agisoft LLC.
Agisoft PhotoScan es un producto de software independiente que realiza el
procesamiento fotogramétrico de imágenes digitales y genera datos espaciales en
3D para ser utilizado en aplicaciones GIS, documentación de patrimonio cultural
y producción de efectos visuales, así como para mediciones indirectas de objetos
de diversas escalas. Utiliza una técnica de fotogrametría digital implementada
con inteligencia aplicada con métodos de visión por computadora, con esto, el
resultado es un sistema inteligente de procesamiento automatizado que, por un
lado, puede ser administrado por un recién llegado en el campo de la
fotogrametría; sin embargo, por otro lado, tiene mucho que ofrecer a un
especialista que puede ajustar el flujo de trabajo a numerosas tareas y diferentes
tipos de datos. A lo largo de varios estudios de casos, PhotoScan demuestra que
produce resultados precisos y de calidad (Agisoft, 2018).
• Civil 3D 2017, desarrollado por Autodesk, Inc.
AutoCAD Civil 3D es una solución de diseño y documentación para ingeniería
civil que admite flujos de trabajo de BIM (Building Information Modeling). Los
equipos de proyecto pueden colaborar en tiempo real, compartiendo y
actualizando la información. (Autodesk, 2017). El software nos ayudó a crear
superficies digitales para el cálculo del volumen entre dos superficies (del terreno
y del cultivo), esto con la introducción de puntos con características de longitud,
22
latitud y elevación que obtuvimos de imágenes captadas por una cámara
montada a un VANT.
• DJI GO, desarrollado por DJI.
La aplicación que viene con el dron DJI, sirvió para la planeación del vuelo,
instalado en una Tablet. Con ella se ubicó la zona donde se encuentran las
parcelas y se delimitó el área de vuelo (DJI, 2018).
4.3. MÉTODOS
4.3.1. OBTENCIÓN DE IMÁGENES
Para el levantamiento de imágenes con el dron en las parcelas de avena y alfalfa,
se programó el vuelo en campo con ayuda del software propio del VANT. En la
interfaz de la aplicación se observó una vista de satélite del terreno, y se indicó
la superficie a reconocer durante el vuelo (el área de cada parcela) así como la
altura del vuelo (30 m). Este plan de reconocimiento se determinó en gran
medida por el tiempo de vuelo, que no debe exceder de 10 minutos para no poner
en riesgo el equipo por una descarga de la batería, y la distancia de muestreo del
terreno que debía ser menor a 1 cm por píxel.
Se verifico el cálculo de la distancia de muestreo del terreno o GSD, por sus
siglas en inglés (ground sampling distance), con ayuda de una calculadora GSD
como la que se encuentra en la Figura 2 que fue descargada de internet (Pix4D,
2018), donde se añadieron los datos de ancho y alto del sensor de la cámara en
23
milímetros, la altura que se pretendió realizar el vuelo en metros, el tamaño en
píxeles del ancho y alto de las imágenes. De este modo se obtuvo un GSD de
0.75 centímetros por píxel que cumplió con las características requeridas para
el presente estudio. Las imágenes que se obtuvieron una vez terminado el vuelo
se guardaron en la memoria extraíble del dron y posteriormente se transfirieron
a una laptop para su manejo.
Figura 2. Calculadora GSD descargada de https://support.pix4d.com/hc/en-

us/articles/202560249#gsc.tab=0.
4.3.2. VOLUMEN DE BIOMASA
El procedimiento para obtener el volumen de biomasa por distintos métodos se
describe a continuación.
24
4.3.2.1. Volumen aparente en campo
En cada una de las unidades de muestreo marcadas en las parcelas, se colocó
una malla de 1.05 m x 1.05 m con divisiones a cada 15 cm. El modelo de malla
se muestra en la Figura 3.
Figura 3. Modelo de la malla utilizada para el volumen aparente en campo.
Se midió la altura de la planta más alta de cada celda de la malla, posteriormente
se multiplicaron las alturas por el área de cada celda (15 m x 15 cm). Con los
productos (área x altura de cada celda) se realizó una sumatoria cuyo resultado
constituyó el volumen aparente (m3) de cada unidad de muestreo.
25
4.3.2.2. Volumen real
Se cortó el forraje de cada unidad de muestreo a unos cinco centímetros del nivel
del suelo para simular el paso de la cortadora de forraje, este se pesó con ayuda
de una báscula digital (+ 1 g) para el posterior cálculo de biomasa fresca y seca.
El forraje cortado y pesado, se colocó dentro de un recipiente de plástico de 20
L, previamente lleno totalmente de agua. El agua desplazada por el forraje
sumergido fue recuperada y medida con una probeta de un litro con graduación
a cada 1 mL. El volumen de agua recuperada fue el volumen del forraje de
acuerdo al principio de Arquímedes, el cual establece que la fuerza flotante sobre
un objeto inmerso en un fluido es igual al peso del fluido desplazado por el objeto
(Campos, 2006).
4.3.2.3. Volumen aparente con modelación 3D
Las imágenes obtenidas por la cámara acoplada al dron, se guardaron en un
fichero, previamente creado, para cada cultivo en la laptop.
Mediante el programa de computo Agisoft PhotoScan Pro dichas imágenes fueron
procesadas con la finalidad de construir un ortomosaico y una nube de puntos
de la cobertura del forraje.
Para esto en el software se creó un nuevo proyecto por cultivo donde se cargaron
las imágenes para inicialmente hacer la alineación de la cámara que consistió
en que PhotoScan encontrara puntos comunes en fotografías y las comparara,
26
asimismo encontrara la posición de la cámara en cada imagen. Con ello
PhotoScan generó la nube de puntos densa en función de las posiciones y las
imágenes de la cámara. Esto para posteriormente crear un ortomosaico de la
superficie volada con el dron en el cual estuvieron identificadas las unidades de
muestreo.
La nube de puntos densa y el ortomosaico se exportaron en archivos con
extensiones ¨.las¨ y ¨.TIFF¨, respectivamente, georreferenciados en coordenadas
UTM zona 14 Norte con datum WGS84 (World Geodetic System). En un nuevo
archivo de civilCAD 3D se configuró el mismo sistema de coordenadas de la nube
de puntos y ortomosaico, para cargar los archivos en él. Con ayuda del
ortomosaico se identificaron las unidades de muestreo y se delimitaron con un
polígono, además se localizaron unos puntos marcados en campo a nivel del
suelo, que se representaron con puntos en el software, y con ayuda de la nube
de puntos densa se creó una superficie de red de triángulos irregulares (TIN) que
representa la superficie de la cobertura del cultivo. Con los puntos a nivel del
suelo se generó otra superficie TIN, pero esta vez representó la topografía del
terreno (suelo) que ayudo a darle una altura a los polígonos ubicados en las
unidades de muestreo.
Con la superficie TIN de la cobertura vegetal y los polígonos con la propiedad de
altura, se realizó un balance de volumen entre ellos para obtener el volumen
aparente en metros cúbicos de cada unidad de muestreo y lo que fue llamado
27
volumen estimado (con imágenes digitales tomadas desde el dron y su
modelación 3D) para diferenciarlo del volumen obtenido a partir de las alturas.
4.3.3. RENDIMIENTO DE BIOMASA
Se obtuvieron los valores de biomasa fresca y seca en kilogramos.
4.3.3.1. Biomasa fresca
Se utilizó el peso obtenido durante la obtención del volumen real (principio de
Arquímedes) de la biomasa y se expresó en kg m-2.
4.3.3.2. Biomasa seca
En cada unidad de muestreo se realizó el corte de una muestra de biomasa y se
pesó en campo, posteriormente fue colocada en una bolsa de papel y se puso a
secar en un horno de ventilación forzada a 70º por 48 horas, se volvió a pesar y
se obtuvo la fracción de materia seca con la siguiente expresión.
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
𝑀𝑀𝑀𝑀 =
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑜𝑜
Entonces se multiplicó la biomasa fresca de cada unidad de muestreo por su
fracción de materia seca correspondiente y se obtuvo el rendimiento de biomasa
seca.
28
4.3.4. RELACIÓN ENTRE VARIABLES
Se analizaron los datos de volúmenes obtenidos de diferentes métodos para
encontrar una correlación que permitiera a partir del volumen estimado, de igual
modo que en los casos del uso del volumen aparente calculado con la altura del
cultivo, predecir la biomasa de los cultivos bajo estudio.
A partir de los resultados de la fase anterior, se realizó un análisis de regresión
para encontrar un modelo de regresión lineal significativo (p>0.05) útil en la
predicción de biomasa a partir del volumen estimado con tecnología percepción
remota usada en el presente estudio.
4.3.4.1. Correlación de volúmenes
Cuando se realiza un análisis de información, sobre un conjunto de datos. una
de las herramientas más potentes para poder extraer conclusiones es el análisis
de correlación.
La correlación es una técnica de análisis de información estadística y, por ende,
con bases matemáticas. Consiste en analizar la relación entre, al menos, dos
variables, por ejemplo: dos campos de una base de datos. El resultado debe
mostrar la fuerza y el sentido de la relación (Sabadías, 1995).
Para analizar la relación entre variables se utilizan los llamados coeficientes de
correlación. Se realizan sobre sobre variables cuantitativas o cualitativas. Es una
técnica ampliamente documentada, con múltiples fuentes de información
29
abiertas para que cualquiera pueda acceder a sus principios y realizar sus
propios análisis.
Hasta el momento la aplicación de la correlación ha sido amplia y diversa en
diferentes campos como ciencias naturales, economía, psicología, entre otras,
con diferentes fines de investigación.
Fundamentos matemáticos de la correlación:
Para el caso más típico de dos variables cuantitativas. La relación puede ser de
tipo lineal, polinómica, logarítmica, etc. Para ello se utiliza el Método de Mínimos
Cuadrados. Consiste en minimizar el error de la relación calculada frente al
hecho real, es decir, minimizar la desviación típica de los residuos de la regresión
(Error Cuadrático Medio).
Siendo: ei la diferencia para cada elemento entre la observación real y el dato
estimado , y n el número de elementos observados.
De ahí, aplicando un ajuste lineal, se obtiene:
En el caso más simple: con una variable dependiente y otra independiente
tendríamos:
30
De esta surge el Coeficiente de Correlación de Pearson, el más conocido de los
coeficientes de correlación:
Siendo: σxy la covarianza de las variables X e Y, σx la desviación típica de la
variable X, y σy la desviación típica de la variable Y.
Los valores que puede tomar R son: -1≤R≤1. Una interpretación de los valores de
R se presenta en la Tabla 1.
Tabla 1. Reglas para interpretar el tamaño del coeficiente de correlación (Vicente,

I., 2013).
Tamaño de la correlación Interpretación
0.90 a 1.00 (-0.90 a -1.00) Correlación bien alta positiva (negativa)
0.70 a 0.90 (-0.70 a -0.90) Correlación alta positiva (negativa)
0.50 a 0.70 (-0.50 a -0.70) Correlación moderada positiva (negativa)
0.30 a 0.50 (-0.30 a -0.50) Correlación baja positiva (negativa)
0.00 a 0.30 (-0.00 a -0.30) Si existe correlación, es pequeña
4.3.4.2. Modelo de regresión lineal para estimación de biomasa
En algunos casos la naturaleza de las variables permite suponer que existe
relación de dependencia entre ellas, es decir, que los valores de una variable Y
(variable dependiente o endógena) dependen o están influidos por los valores de
otra variable, X (variable independiente o exógena). En el caso en que pueda
suponerse una relación lineal de dependencia, ésta podrá sintetizarse mediante
un modelo de regresión (Sabadías,1995).
31
A partir del diagrama de dispersión y de los resultados obtenidos en el análisis
de correlación puede decidirse si está relación es de tipo lineal o de otro tipo. En
este caso, los puntos del diagrama de dispersión aparecen tanto más próximos
a una línea recta ajustada a la nube de puntos cuanto más intenso es el grado
de asociación. Por otra parte, según sea el sentido de la asociación dicha línea
tendrá pendiente positiva si el coeficiente de correlación simple, R, es positivo y
negativa en caso contrario.
El punto de partida del modelo de regresión lineal simple (MRLS) es que la
relación entre ambas variables no es de tipo determinista, sino estocástico; de
forma que para cada valor de X existe una distribución de probabilidad de Y,
siendo la relación tal que los valores esperados de las distribuciones de
probabilidad de Y asociadas a cada uno de los valores de X están situados sobre
una línea recta, llamada recta de regresión poblacional, que se expresa como:
𝐸𝐸(𝑌𝑌𝑖𝑖 ) = 𝛼𝛼 + 𝛽𝛽𝑋𝑋𝑖𝑖
Para ello se utilizó la herramienta R para generar así los modelos de regresión
lineal para la estimación de biomasa fresca y seca a partir del volumen del cultivo
estimado (con imágenes digitales captadas desde el dron y su modelación 3D),
así como para comprobar los supuestos del modelo.
32
Comprobación del modelo
Para garantizar la validez del modelo, se deben cumplir las siguientes
condiciones:
1. Independencia: los residuos deben ser independientes entre sí.
2. Homocedasticidad o igualdad de varianzas: para cada valor de la variable X,
la varianza de los 𝑒𝑒𝑖𝑖 = �Ý𝑖𝑖 − 𝑌𝑌𝑖𝑖 � debe ser la misma (es decir, que el ajuste es igual
de preciso independientemente de los valores que tome X).
3. Normalidad: para cada valor de la variable X, los residuos 𝑒𝑒𝑖𝑖 tienen
distribución normal de media cero.
Por lo tanto, para ver si los modelos de regresión lineal obtenidos en el presente
estudio eran válidos, se aplicaron las pruebas respectivas para comprobar que
cumplieran con estas tres condiciones sobre los residuos.
33
5. RESULTADOS Y DISCUSIÓN
5.1. OBTENCIÓN DE IMÁGENES
Con los vuelos realizados en las superficies sembradas con avena y alfalfa se
obtuvieron 153 y 97 fotografías, respectivamente, cuyas características
principales son: Dimensiones 4000 píxeles de ancho por 3000 píxeles de alto,
con resolución vertical y horizontal de 72 ppp (píxeles por pulgada). Las
principales propiedades de las imágenes se presentan en la Tabla 2.
Tabla 2. Propiedades principales de las imágenes.
Los tiempos de vuelo aproximados fueron de 7 minutos en la parcela de avena y
de 4 minutos en la parcela de alfalfa.
34
La superficie captada en el vuelo de alfalfa fue de 1-77-87 ha mientras que en el
vuelo sobre la parcela de avena fue de 2-70-71 ha.
5.2. VOLUMEN DE BIOMASA
5.2.1. VOLUMEN REAL
El volumen de la biomasa cortada en cada unidad de muestreo, se obtuvo en
mL, y después se convirtieron a m3. Los datos correspondientes a avena se
presentan en la Tabla 3.
Tabla 3. Volumen real de cada unidad de muestreo (u.m.) en la parcela de avena.

volumen real volumen real
u.m. mL m3 u.m. mL m3
1 3100 0.0031 10 3600 0.0036
2 3000 0.0030 11 2000 0.0020
3 1600 0.0016 12 3300 0.0033
4 2400 0.0024 13 3200 0.0032
5 2800 0.0028 14 2300 0.0023
6 2100 0.0021 15 2500 0.0025
7 6300 0.0063 16 3800 0.0038
8 3000 0.0030 17 3600 0.0036
9 2900 0.0029
Los datos de volumen real en m3 en avena tuvieron una media de 0.003 y una
desviación estándar de 0.001.
35
Los datos correspondientes a volumen real de la unidades de muestreo de la
alfalfa se presentan en la Tabla 4
Tabla 4. Volumen real de cada unidad de muestreo (u.m.) en la parcela de alfalfa.

volumen real volumen real
u.m. mL m3 u.m. mL m3
1 1926 0.0019 9 2175 0.0022

2 1458 0.0015 10 2030 0.0020
3 1835 0.0018 11 2238 0.0022
4 1793 0.0018 12 1820 0.0018
5 2108 0.0021 13 1853 0.0019
6 2146 0.0021 14 1948 0.0019
7 1579 0.0016 15 1591 0.0016
8 1622 0.0016
La media para el conjunto de datos de alfalfa de volumen real en m3 fue de
0.0019 con una desviación estándar de 0.0002.
5.2.2. VOLUMEN APARENTE EN CAMPO
El volumen aparente fue el calculado a partir de la altura del cultivo por el área
muestreada de cada celda del cuadrante usado. La suma de volúmenes aparente
de cada celda del cuadrante, constituye el volumen aparente de cada unidad de
muestreo, cuyos valores a continuación se presentan, Tabla 5 para avena y Tabla
6 para alfalfa.
36
avena.
volumen aparente volumen aparente
u.m. m 3 u.m. m3
1 0.91 10 0.99
2 0.92 11 0.73
3 0.73 12 0.85
4 0.82 13 0.89
5 0.84 14 0.85
6 0.80 15 0.81
7 1.10 16 1.00
8 0.86 17 1.04
9 0.88
La media para el conjunto de datos en avena de volumen aparente en m3 fue de
0.88 con 0.103 de desviación estándar.

alfalfa
volumen aparente volumen aparente
u.m. m3 u.m. m3
1 0.56 9 0.65
2 0.53 10 0.65
3 0.59 11 0.67
4 0.61 12 0.56
5 0.64 13 0.59
6 0.63 14 0.62
7 0.64 15 0.60
8 0.58
La media del conjunto de datos de alfalfa fue de 0.61 y 0.04 su desviación
estándar.
37
5.2.3. VOLUMEN APARENTE CON MODELACIÓN 3D
El volumen que se generó con la modelación 3D de las imágenes captadas con
la cámara acoplada al dron fue aparente, ya que integra el volumen de la biomasa
existente y el espacio vacío que existe entre las plantas. Con el fin de diferenciar
dicho volumen del volumen aparente medido a partir de la altura de planta x
área de celda muestreada, lo denominamos como volumen estimado. A
continuación, se presentan los registros de este volumen en Tabla 7 para avena
y Tabla 8 para alfalfa.

avena.
volumen estimado volumen estimado
u.m. m3 u.m. m3
1 0.64 10 0.75
2 0.57 11 0.36
3 0.27 12 0.44
4 0.60 13 0.58
5 0.52 14 0.58
6 0.41 15 0.50
7 0.86 16 0.67
8 0.54 17 0.63
9 0.58
El conjunto de datos de volumen estimado tuvo una media de 0.56 y una
desviación estándar de 0.14.
38
alfalfa.
volumen estimado volumen estimado
u.m. m3 u.m. m3
1 0.29 9 0.34
2 0.27 10 0.36
3 0.34 11 0.38
4 0.32 12 0.31
5 0.35 13 0.31
6 0.36 14 0.31
7 0.35 15 0.26
8 0.29
Estos valores presentan una media de 0.32 con una desviación estándar de
0.001.
5.3. RENDIMIENTO DE BIOMASA
La biomasa es una variable de interés en los estudios de vegetación, que puede
cuantificarse mediante su peso en fresco o seco. En este trabajo se cuantificó el
peso de la biomasa aérea fresca y seca en áreas de 1.05 m2, valores que fueron
transformados a kg m-2.
5.3.1. BIOMASA FRESCA
El registro del peso fresco de los cultivos muestreados se registró directamente
con el peso obtenido en campo. A continuación, se presentan los resultados en
la Tabla 9 para el cultivo de avena y Tabla 10 para el cultivo de alfalfa.
39
Tabla 9. Rendimiento de biomasa fresca en las unidades de muestreo (u.m) de
avena.
biomasa fresca biomasa fresca
u.m. kg m -2 u.m. kg m-2
1 1.75 10 2.08
2 1.68 11 1.27
3 1.08 12 1.84
4 1.44 13 1.80
5 1.61 14 1.40
6 1.19 15 1.41
7 3.24 16 2.05
8 1.75 17 2.15
9 1.77
Los valores tienen una media de 1.74 y desviación estándar de 0.50.
Tabla 10. Rendimiento de biomasa fresca en las unidades de muestreo (u.m.) de

alfalfa.
biomasa fresca biomasa fresca
u.m. kg m -2 u.m. kg m-2
1 1.08 9 1.18
2 0.87 10 1.24
3 0.93 11 1.18
4 1.08 12 0.88
5 1.19 13 1.02
6 1.14 14 1.05
7 0.94 15 0.93
8 0.92
Los valores de biomasa fresca tienen una media de 1.04 y 0.13 de desviación
estándar.
5.3.2. BIOMASA SECA
La biomasa seca se calculó después de obtener la fracción de materia seca de
cada muestra y se hizo multiplicando de manera directa el dato de biomasa
40
fresca por su fracción de materia seca. Los valores de este cálculo se presentan
para el cultivo de avena en la Tabla 11 y para el cultivo de alfalfa en la Tabla 12.
muestreo (u.m.) del cultivo de avena.
biomasa seca biomasa seca
u.m. ms kg m -2 u.m. ms kg m-2
1 0.26 0.46 10 0.26 0.55
2 0.26 0.43 11 0.24 0.31
3 0.26 0.28 12 0.23 0.42
4 0.26 0.37 13 0.2 0.36
5 0.25 0.40 14 0.28 0.39
6 0.26 0.31 15 0.26 0.36
7 0.22 0.72 16 0.26 0.53
8 0.23 0.41 17 0.25 0.54
9 0.25 0.44
Los valores van de 0.28 a 0.72 kg m-2, valor medio de 0.43 y una desviación
estándar de 0.11. Los valores de fracción de materia seca oscilaron de 0.20 a
0.28 teniendo un valor de 0.25 como media.
muestreo (u.m.) del cultivo de alfalfa.
biomasa seca biomasa seca
u.m. ms kg m -2 u.m. ms kg m-2
1 0.24 0.26 9 0.25 0.30
2 0.23 0.20 10 0.25 0.31
3 0.23 0.22 11 0.25 0.30
4 0.24 0.26 12 0.25 0.22
5 0.23 0.27 13 0.26 0.26
6 0.22 0.25 14 0.25 0.26
7 0.24 0.22 15 0.24 0.22
8 0.28 0.26
41
Los valores de biomasa oscilaron entre 0.20 y 0.31 kg m-2, con una media de
0.25 y una desviación estándar de 0.03. La fracción de materia seca tuvo una
media de 0.24 siendo 0.22 el valor que indicó un menor porcentaje de materia
seca y 0.28 el que indico mayor porcentaje.
5.4. RELACIÓN ENTRE VARIABLES
A fin de cumplir con los objetivos de este trabajo, se realizó una correlación entre
los diferentes volúmenes obtenidos, entre el volumen estimado y los valores de
biomasa y al final se presentó el modelo de regresión lineal generado para la
estimación de biomasa a partir del volumen estimado mediante percepción
remota.
5.4.1. CORRELACIÓN DE VOLÚMENES
A continuación, se presentan los resultados del análisis de correlación de los
datos de volumen de avena y alfalfa.
5.4.1.1. Avena
Los coeficientes de correlación (R) obtenidos entre los volúmenes de biomasa
determinados en el cultivo de avena se presentan en la Tabla 13.
Tabla 13. Coeficientes de correlación de datos de volumen en avena.

volumen volumen volumen
correlaciones
real aparente estimado
volumen real 1.00
volumen aparente 0.89 1.00
volumen estimado 0.82 0.90 1.00
42
Las correlaciones entre los volúmenes obtenidos con diferentes métodos
presentan valores de R de 0.82 a 0.90, es decir que entre los datos existe una
correlación alta positiva.
El interés de este estudio principalmente fue la correlación entre el volumen
aparente estimado a través de imágenes digitales captadas desde un dron y su
modelación 3D y el volumen aparente en campo, asimismo entre el volumen
estimado a través del dron y el volumen real. A continuación en la Figura 4 se
presenta de manera gráfica la correlación de volúmenes aparentes y en la Figura
5 se presenta de manera gráfica la correlación entre el volumen real y el estimado
a través del dron en el cultivo de avena.
Figura 4. Grafica entre los valores de volumen aparente obtenidos en el cultivo de

avena.
43
CORRELACIÓN DE VOLUMENES EN
AVENA
VOLUMEN ESTIMADO POR DRON (M3)

0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.001 0.002 0.003 0.004 0.005 0.006 0.007
VOLUMEN REAL (M3)
en el cultivo de avena.
5.4.1.2. Alfalfa
Se presentan los coeficientes de correlación (R) obtenidos entre los volúmenes de
biomasa determinados en el cultivo de alfalfa en la Tabla 14.
Tabla 14. Valores de correlación de datos de volumen en alfalfa.

volumen volumen volumen
correlación
real aparente estimado
volumen real 1.00
volumen aparente 0.68 1.00
volumen estimado 0.75 0.81 1.00
Con esta información se puede decir que existe correlación (p<0.01) entre el
volumen aparente, volumen estimado y volumen real obtenidos en el cultivo de
alfalfa, pero la correlación que existe entre el volumen aparente y real es menor
que el resto. Se presenta de manera gráfica la correlación entre el volumen
aparente estimado a través de un dron y el medido en campo en la Figura 6 y en
44
la Figura 7 se presenta la gráfica de la correlación entre el volumen real y el
estimado a través del dron en el cultivo de alfalfa.
Figura 6. Grafica entre los valores de volumen aparente obtenidos en el cultivo de

alfalfa.
en el cultivo de alfalfa.
45
5.4.2. CORRELACIÓN VOLUMEN-BIOMASA
Para la creación de un modelo donde a partir de una variable independiente
(volumen estimado) conozcamos el valor de una variable dependiente (biomasa
fresca o seca) se verificó si existe correlación significativa entre estas dos
variables. De este modo se realizó el análisis de correlación como en el caso de
las variables de volumen.
5.4.2.1. Avena
La información numérica de la correlación entre las variables de biomasas y
volumen estimado mediante dron en el cultivo de avena se muestran en la Tabla
15.
Tabla 15. Correlación entre volumen estimado y la biomasa de avena.

volumen biomasa biomasa
correlación
estimado fresca seca
volumen estimado 1.00
biomasa fresca 0.83 1.00
biomasa seca 0.88 0.96 1.00
La correlación que hay entre el volumen estimado y la biomasa fresca y seca es
considerada una correlación alta positiva de acuerdo a los valores de R
encontrados, que van de 0.83 a 0.88 (con un nivel de significancia p<0.01).
5.4.2.2. Alfalfa
Los valores de correlación entre las biomasas y volumen estimado en el cultivo
de alfalfa se presentan en la Tabla 16.
46
Tabla 16. Correlación entre volumen estimado y la biomasa de alfalfa.
volumen biomasa biomasa
correlaciones
estimado fresca seca
volumen estimado 1.00
biomasa fresca 0.68 1.00
biomasa seca 0.56 0.90 1.00
Considerando los valores de R, la correlación entre el volumen estimado y la
biomasa fresca fue considerada en el rango moderada positiva, igual que la
correlación entre el volumen estimado y biomasa seca (p<0.05).
5.4.3. REGRESIÓN LINEAL PARA ESTIMACIÓN DE BIOMASA
Para el cálculo del modelo y la verificación de los supuestos se usó el programa
estadístico R (R, 2018).
5.4.3.1. Avena
El análisis de regresión del modelo para predecir biomasa fresca de avena a
partir de los valores de volumen obtenidos mediante percepción remota, se
presenta en la Tabla 17.
47
Tabla 17. Análisis de regresión del modelo para estimar biomasa fresca en avena.
La ecuación obtenida es la siguiente:
𝑦𝑦 = 3.26𝑥𝑥 + 0.09
El intercepto tiene el valor de 0.09 y la pendiente un valor de 3.26, de estos
valores sólo la pendiente es significativa (p<0.01); el modelo tiene una R2 de 0.70,
es decir que sólo el 70% de los datos son explicados por este modelo, el cual
presentó significancia estadística (p = 0.00003).
La comprobación del ajuste del modelo se realizó mediante un análisis de
varianza (ANOVA). Los estadísticos de este se presenta en la Tabla 18.
Tabla 18. ANOVA del modelo de regresión para estimar biomasa fresca en avena.
48
Al ser un valor significativo podemos comprobar que existe una correlación
diferente de cero entre las variables estudiadas.
Una representación visual de como el modelo de regresión lineal representa la
información con la cual fue alimentado es la gráfica de los datos con la línea de
tendencia, que se presenta en la Figura 8.
Figura 8. Gráfica del modelo para estimar biomasa fresca en avena.
La prueba de Durbin-Watson, para comprobar el supuesto de independencia de
residuos en la regresión lineal, se presenta en la Tabla 19.
Tabla 19.. Prueba de Durbin-Watson para comprobar independencia de residuos.
49
Los residuos son independientes entre sí, dado que DW = 1.87 está entre los
valores de 1.5 y 2.5.
Para comprobar la homocedasticidad graficamos los valores ajustados contra los
residuales del ANOVA (Figura 9) y se observó que no existía un patrón en el
grupo de datos.

de biomasa fresca en avena.
Finalmente se comprobó el supuesto de normalidad con una prueba de Shapiro-
Wilk (p-value>0.05). Los resultados se encuentran en la Tabla 20. Se observó
que el modelo de regresión lineal ajustado para la estimación de biomasa fresca
en avena es válido.
50
Tabla 20. Prueba de Shapiro-Wilk para el modelo de biomasa fresca en avena.
Después de comprobar los supuestos de la regresión lineal para la estimación de
biomasa fresca en avena, se analizó el segundo caso, que fue el modelo para
predecir biomasa seca de avena a partir de los valores de volumen obtenidos
mediante percepción remota (Tabla 21).
Tabla 21. Análisis de regresión del modelo para estimar biomasa seca en avena.
La ecuación de este modelo es la siguiente:
𝑦𝑦 = 0.75𝑥𝑥 + 0.05
El intercepto tiene el valor de 0.05 y la pendiente un valor de 0.75, de estos
valores sólo la pendiente es significativa (p<0.01); el modelo tiene una R2 de 0.78,
51
es decir que solo el 78% de los datos son explicados por este modelo, que es
estadísticamente significativo (p = 0.0000027).
La comprobación del modelo en relación con su bondad de ajuste de realizó
mediante un ANOVA, el cual se presenta en la Tabla 22.
Tabla 22. ANOVA del modelo de regresión para estimar biomasa seca en avena.
El modelo fue significativo por lo que se pudo comprobar que existió una
correlación entre nuestros datos. La grafica de estos con la línea de tendencia se
presenta en la Figura 10.
Figura 10. Gráfica del modelo para estimar biomasa seca en avena.
52
Se comprobó que los residuos son independientes entre sí, dado que DW = 2.11
resultó entre los valores de 1.5 y 2.5, como se muestra en la Tabla 23.
Tabla 23. Prueba de Durbin-Watson para comprobar independencia del modelo de

estimación de biomasa seca en avena.
La homocedasticidad se comprobó al graficar los valores ajustados contra los
residuales del ANOVA (Figura 11), ya que no se observó un patrón de asociación
en el grupo de datos.
de biomasa seca en avena.
Wilk (p-value>0.05), la cual se presenta en la Tabla 24 y, por lo tanto, se verificó
53
que el modelo de regresión lineal ajustado para la estimación de biomasa seca
de avena es válido.
Tabla 24. Prueba de Shapiro-Wilk del MRL para estimación de biomasa seca en
avena.
5.4.3.2. Alfalfa
Después de que se obtuvieron los modelos de regresión lineal para predecir
biomasa fresca y seca de la avena, se realizó el mismo procedimiento con la
información disponible de los datos del cultivo de alfalfa, cuyo resumen de la
regresión lineal se presenta en la Tabla 25.
Tabla 25. Análisis de regresión para estimar biomasa fresca en alfalfa.
54
𝑦𝑦 = 2.74𝑥𝑥 + 0.26
El intercepto tiene el valor de 0.26 y la pendiente un valor de 2.74, este último
con un nivel significativo (p<0.05); el modelo tiene una R2 de 0.46 indicando que
sólo el 46% de los datos son explicados por este modelo, el cual presentó
significancia estadística (p = 0.005).
Para conocer la bondad de ajuste del modelo se realizó un ANOVA, que se
presenta en la Tabla 26.
Tabla 26. ANOVA del modelo de regresión para estimar biomasa fresca en alfalfa.
El valor de probabilidad significativa encontrada comprueba que existe una
correlación diferente de 0 en los datos.
Una representación visual del modelo de regresión lineal con la línea de
tendencia se presentan en la Figura 12.
55
Figura 12. Gráfica del modelo de modelo para estimar biomasa fresca en alfalfa.
Con el fin de conocer la validez del modelo se realizaron las pruebas de
Independencia, Homocedasticidad u homogeneidad de varianzas y Normalidad.
Con base en la prueba de Durbin- Watson (Tabla 27) se comprobó la
independencia de residuos, dado que DW = 1.62 resultó entre los valores de 1.5
y 2.5.
Tabla 27. Prueba de Durbin-Watson para comprobar independencia del modelo de

estimación de biomasa fresca en alfalfa.
Para comprobar la homocedasticidad se graficaron los valores ajustados contra
los residuales del ANOVA y se observó que no existía un patrón en el grupo de
datos, dicha gráfica se presenta en la Figura 13.
56
Figura 13. Gráfica de valores ajustados vs residuales del ANOVA del modelo para
estimar biomasa fresca en alfalfa
Otra forma en la que se comprobó este supuesto fue con una prueba de no
constancia de varianza (Tabla 28). Donde la hipótesis nula declaró que los
valores son homogéneos. Es decir, al obtener un p-value>0.05 no se rechaza la
hipótesis nula, y el modelo cumple con el segundo supuesto.
Tabla 28. Prueba de no constancia de varianza de la RL de BF de alfalfa.
Wilk (p-value>0.05) donde no pudimos rechazar la hipótesis nula que declara
que los datos son normales (Tabla 29). Con la comprobación de los tres
supuestos se concluyó que el modelo de regresión lineal ajustado para la
estimación de biomasa fresca de alfalfa es válido.
57
Tabla 29. Prueba de Shapiro-Wilk del modelo de estimación de biomasa fresca en
alfalfa.
Finalmente, se obtuvo el modelo de regresión lineal para predecir biomasa seca
de la alfalfa (Tabla 30) y se verificó que cumpliera con los tres supuestos de
validez del modelo.
Tabla 30. Análisis de regresión para estimar biomasa seca en alfalfa.
𝑦𝑦 = 0.58𝑥𝑥 + 0.09
El intercepto tiene el valor de 0.09 y la pendiente un valor de 0.58; el modelo
tiene R2 de 0.31 es decir que solo el 31% de los datos son explicados por este
modelo. Dado que el modelo resultó significativo (p-value<0.03) indica que
podemos rechazar la hipótesis nula: R=0 (no tiene efecto).
58
En la representación gráfica del modelo lineal (Figura 14) se observa como los
datos están más alejados de la línea de tendencia; por esa razón se obtuvo una
R2 = 0.31.
Figura 14. Gráfica de la tendencia del modelo para estimar biomasa seca en
alfalfa.
Aunque la regresión lineal no resulto alta como lo esperado, se le realizó la
comprobación de los supuestos de independencia, homogeneidad de varianza y
normalidad.
Al realizar la prueba de Durbin-Watson (Tabla 31) puesto que el indicador
obtenido fue de 1.51, es decir entre el rango de 1.5 y 2.5, se concluyó que cumplió
con el supuesto de independencia de residuos.
59
Tabla 31. Prueba de Durbin-Watson de la RL para estimación de biomasa seca en
alfalfa.
El supuesto de homogeneidad de varianza u homocedasticidad se comprobó de
la manera gráfica (Figura 15) al no detectarse ningún patrón de asociación entre
los datos graficados.
Figura 15. Gráfica de valores ajustados vs residuales del ANOVA del modelo de
biomasa seca de alfalfa
Se aplicó la prueba de no constancia de varianzas (Tabla 32), cumpliéndose el
supuesto al no observar picos en la gráfica y obtener un p-value >0.05 en la
prueba.
60
Tabla 32. Prueba de no constancia de varianzas del modelo de estimación de
biomasa seca de alfalfa.
Finalmente se comprobó que se cumplió el supuesto de normalidad al resultar
un p-value >0.05 en la prueba de Shapiro-Wilk aplicada a los residuos del
ANOVA del modelo (Tabla 33).
Tabla 33. Prueba de Shapiro-Wilk en la RL para estimación de B.S. en alfalfa.
5.5. DISCUSIÓN
La medición de biomasa es una tarea importante durante la cosecha para fines
de alimentación del ganado, ya sea mediante el autoconsumo en la granja o para
su comercialización. Los procedimientos manuales destructivos en campo han
sido muy usados, pero requieren de gran labor y pueden incrementar los costos
de producción. Como alternativa a ello se han propuesto índices para estimar la
biomasa de forma indirecta y sin destruirla (Bruno, 1995; Scarabotti et al., 2002;
Mónaco et al., 2015; Mónaco et al., 2017).
Con el avance del conocimiento científico y el desarrollo tecnológico en diferentes
disciplinas de la ciencia, cada día se proponen diversas adaptaciones de
tecnologías de otras áreas económicas hacia el sector agrícola. La disponibilidad
61
de imágenes de satélite con diferente resolución y bandas espectrales, con el
software apropiado, ha permitido el desarrollo de índices de vegetación, que
pueden ser calibrado con datos de campo para estimar biomasa de diferentes
especies de pastos (Oyarzabal et al., 2012; Chávez Castillo et al., 2017).
Detección remota de biomasa de especies cultivadas también ha sido objeto de
estudios recientes, usando modelación 3D a partir de imágenes digitales
tomadas desde drones (Bareth et al., 2016; Bendig et al., 2014; Bendig et al.,
2015). En México poca atención ha tenido el estudio de detección remota de
biomasa de cultivos forrajeros, por lo que el presente estudio mediante el uso de
fotografías digitales tomadas desde un dron, constituye un trabajo pionero en
este tema. Con base en la disponibilidad cada vez más común de drones y sus
respectivas cámaras a precios más accesibles, se establece la hipótesis que es
posible derivar un procedimiento para determinar la biomasa aérea de los
cultivos de avena y alfalfa para forraje por medio de imágenes digitales tomadas
desde un dron y su modelación 3D. En el presente estudio, el volumen estimado
que se detectó con esta tecnología en la avena se correlacionó altamente con el
volumen aparente (altura de la planta x área muestreada) con una R = 0.90, y
con el volumen real (principio de Arquímedes) determinado en campo con una R
= 0.82. Asimismo, el volumen aparente determinado con el procedimiento remoto
se correlacionó significativamente (p < 0.05) con la biomasa seca y fresca, cuyos
modelos obtenidos son: Y = 3.26x+0.09 y Y = 0.75x+0.05, con R2 de 0.70 y 0.78,
respectivamente. Estos resultados son prometedores, ya que sus valores de
62
correlación pueden compararse con aquellos obtenidos con otros procedimientos
más complejos y que ocupan drones e imágenes con mayor información espectral
(Bendig et al., 2015; Yue et al., 2017; Christiansen et al., 2018). Considerando
los R2 de los modelos obtenidos, los resultados en la avena forrajera fueron
mejores, respecto a los detectados en alfalfa, lo cual se puede deber a la mayor
variabilidad de la cobertura vegetal, ya que, en algunas unidades de muestreo,
las plantas de alfalfa no cubrían completamente el suelo. En otros estudios se
ha reportado esto como un factor de interferencia en las estimaciones (Paruelo
et al., 2004; Castañeda-Ibáñez et al., 2015). Este tipo de estimaciones usando
drones, imágenes digitales y modelación 3D, en la medida que el equipo aéreo,
fotográfico y software sea más accesible desde el punto de vista económico, será
más fácil de adoptar por los productores, con un grado de precisión aceptable
(Liaghat & Balasundram, 2010). El presente estudio cumplió el objetivo general
de generar un procedimiento para estimar biomasa aérea de forrajes de invierno
bajo riego mediante imágenes digitales captadas a desde de un dron y
modelación 3D. El desarrollo de estas aplicaciones agrícolas usando drones
también contribuyen al desarrollo de la Agricultura de Precisión (Best et al.,
2014), ya que con la presente propuesta metodológica se pueden elaborar mapas
de rendimiento, en el futuro cercano, en tiempo real. Otras aplicaciones incluyen
la determinación de la huella hídrica de los cultivos, ya que esta es fundamental
para evaluar el impacto del uso del agua de riego (Jeswani & Azapagic, 2011). El
procedimiento propuesto requiere ser automatizado, mediante un software, que
63
permita durante el vuelo del dron enviar la información de las imágenes digitales
a una computadora que procese las imágenes y dé como resultado inmediato la
estimación de biomasa.
En la estimación de biomasa con la metodología propuesta, se recomienda que
los cultivos estén densos y limpios de malezas, ya que de lo contrario los
coeficientes de correlación y determinación tienden a ser bajos, como se observó
en la alfalfa del presente estudio y en otras investigaciones (Zhou & Robson,
2001).
Es necesario realizar pruebas en otros cultivos forrajeros para robustecer esta
metodología y que pueda remplazar a otras.
64
6. CONCLUSIONES
Existe una correlación significativa (p<0.05) entre los volúmenes de biomasa
determinados en los cultivos forrajeros de avena y alfalfa. Asimismo, la biomasa
fresca y seca de ambos cultivos se correlacionó significativamente con su
respectivo volumen estimado con imágenes digitales tomadas desde un dron y
su procesamiento 3D.
El volumen aparente y el volumen real de biomasa presentaron coeficientes de
correlación (R) de 0.89 en avena y de 0.68 para alfalfa. El volumen real y el
volumen estimado de biomasa presentaron R de 0.82 en avena y de 0.75 en
alfalfa. El volumen aparente y el volumen estimado de biomasa presentaron R
de 0.90 en avena y de 0.81 en alfalfa.
La biomasa del cultivo de avena y el volumen aparente estimado con dron tienen
coeficientes de correlación (R) de 0.83 para biomasa fresca y de 0.88 para
biomasa seca. La biomasa del cultivo de alfalfa y el volumen aparente estimado
con dron tienen R de 0.68 para biomasa fresca y de 0.56 para biomasa seca.
Es factible predecir biomasa de los cultivos forrajeros a partir del volumen
estimado con imágenes digitales tomadas desde un dron y su procesamiento 3D.
Los modelos obtenidos mediante regresión para estimar biomasa a partir del
volumen estimado resultaron significativos (p<0.05) y cumplieron con los
criterios de validez: independencia de residuos, homocedasticidad y normalidad.
En el cultivo de avena los R2 fueron de 0.70 para biomasa fresca y de 0.78 para
65
biomasa seca. En el cultivo de alfalfa los R2 fueron de 0.47 para biomasa fresca
y de 0.31 para biomasa seca.
66
7. REFERENCIAS
Adamsen, F. J., Coffelt, T. A., Nelson, J. M., Barnes, E. M., & Rice, R. C.
2000. Method for using images from a color digital camera to estimate
flower number. Crop Science, 40(3), 704-709.
Adamsen, F. G., Pinter, P. J., Barnes, E. M., LaMorte, R. L., Wall, G. W.,
Leavitt, S. W. & Kimball, B. A. 1999. Measuring wheat senescence
with a digital camera. Crop Science, 39(3), 719-724.
Andújar, D., Calle, M., Peña, J. M., Ribeiro, Á., Fernández Quintanilla, C.,
& Dorado, J. 2017. Modelización 3D de malas hierbas en cultivos de
maíz mediante fotogrametría digital automatizada. Universidad
Pública de Navarra / Nafarroako Unibertsitate Publikoa. Recuperado
a partir de https://academica-e.unavarra.es/xmlui/handle/2454/
27194.
Aristizábal, M. & Montoya, S. 2010. Las Vitaminas. El Manual Merck 9na
edición. Grupo Editorial Oceano/CENTRUM, p. 10-34.
Agisoft LLC. 2018. Agisoft PhotoScan. St. Petersburg, Russia. Consultado el
5 de marzo 2018 en www.agisoft.com.
Autodesk, Inc. 2017. Civil 3D. California, EE. UU. Consultado el 5 de marzo
de 2018 en https://latinoamerica.autodesk.com/ products/civil-
3d/overview.
Bareth, G., Bendig, J., Tilly, N., Hoffmeister, D., Aasen, H., & Bolten, A.
2016. A comparison of UAV-and TLS-derived plant height for crop
monitoring: using polygon grids for the analysis of crop surface
models (CSMs). Photogrammetrie-Fernerkundung-Geoinformation,
2016(2), 85-94.
Basulto, A. 2010. Importancia de una dieta rica en verduras para la salud.
El Zamorano. Escuela Agrícola Panamericana. Tegucigalpa.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., & Bareth,
G. 2014. Estimating biomass of barley using crop surface models
67
(CSMs) derived from UAV-based RGB imaging. Remote Sensing, 6(11),
10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J. &
Bareth, G. 2015. Combining UAV-based plant height from crop
surface models, visible, and near infrared vegetation indices for
biomass monitoring in barley. International Journal of Applied Earth
Observation and Geoinformation, 39, 79-87. https://doi.org/
10.1016/j.jag.2015.02.012.
Best, S., León, L. Méndez, A., Flores, F., Aguilera, H. 2014. Adopción y
Desarrollo de tecnologías en Agricultura de Precisión. Boletín Digital Nº
3, Progap-INIA, 100p. Progap-INIA, Instituto de Investigaciones
Agropecuarias, Chillán, Chile.
Black, P. E. 1974. Readings in environmental impact. Ardent Media.
Brocks, S. & Bareth, G. 2018. Estimating barley biomass with crop surface
models from oblique rgb imagery. Remote Sensing, 10(2), 268.
Brown, S., & Lugo, A. E. 1984. Biomass of tropical forests: a new estimate
based on forest volumes. Science, 223(4642), 1290-1293.
Bruno, O.A., 1995. Técnicas de muestreo y parámetros de calidad de los
recursos forrajeros. Publicacion Tecnica N° 56. Argentina: INTA.
Cabrera, A.; López, M. & Rivera, R. 2005. Estimado de las emisiones de C
por la quema de agroecosistemas cañeros. En: Simposio Internacional
de Bioquímica Ambiental. Salamanca, p. 83-90.
Campos, V. 2006. Física: principios con aplicaciones (6ª edic.). Pearson
Educación.
Castañeda-Ibáñez, C. R., Martínez-Menes, M., Pascual-Ramírez, F., Flores-
Magdaleno, H., Fernández-Reynoso, D. S., & Esparza-Govea, S. 2015.
Estimación de coeficientes de cultivo mediante sensores remotos en
el distrito de riego río Yaqui, Sonora, México. Agrociencia, 49(2), 221-
232.
68
Catasus, L. 2000. Nuevas especies de gramíneas para Cuba. Acta Botánica
Cubana, vol. 4, no. 1, 17 p.
Cegarra, J., Hernández, M. T., Lax, A., & Costa, F. 1983. Adición de residuos
vegetales a suelos calizos. II. Influencia sobre la capacidad de
retención hídrica y las propiedades de intercambio iónico. In Anales
de edafología y agrobiología.
Cegarra, J.; Hernández, T. & Costa, F. 2008. Adición de residuos vegetales
a suelos calizos. V. Influencia sobre el desarrollo vegetal. In Anales de
edafología y agrobiología., vol. 42, no. 3, p. 545-552.
Chávez Castillo, E., Paz Pellat, F. & Bolaños González, M. A. 2017.
Estimación de biomasa y cobertura aérea usando radiometría e
imágenes digitales a nivel de campo en pastizales y matorrales. Terra
Latinoamericana 35: 247-257.
Christiansen, M. P., Laursen, M. S., Jørgensen, R. N., Skovsen, S., &
Gislum, R. 2018. Ground vehicle mapping of fields using LiDAR to
enable prediction of crop biomass. arXiv preprint arXiv:1805.01426.
De Souza, C. H. W., Lamparelli, R. A. C., Rocha, J. V., & Magalhães, P. S.
G. 2017. Height estimation of sugarcane using an unmanned aerial
system (UAS) based on structure from motion (SfM) point clouds.
International journal of remote sensing, 38(8-10), 2218-2230.
DJI Technology, Inc. 2018. Phantom 4. Shenzhen, China. Consultado el 5
de marzo de 2018 en https://djistoremexico.com/.
Estrada Castillón, E., Villarreal Quintanilla, J. Á., & Jurado, E. 2005.
Leguminosas del norte del estado de Nuevo León, México. Acta
botánica mexicana, (73), 1-18.
Fournier, C., & Andrieu, B. 1998. A 3D architectural and process-based
model of maize development. Annals of botany, 81(2), 233-250.
García, D. E., Medina, M. G., Domínguez, C., Baldizán, A., Humbría, J., &
Cova, L. 2006. Evaluación química de especies no leguminosas con
69
potencial forrajero en el estado Trujillo, Venezuela. Zootecnia tropical,
24(4), 401-415.
Hämmerle, M., & Höfle, B. 2016. Direct derivation of maize plant and crop
height from low-cost time-of-flight camera measurements. Plant
methods, 12(1), 50.
Harmoney, K. R., Moore, K. J., George, J. R., Brummer, E. C., & Russell, J.
R. 1997. Determination of pasture biomass using four indirect
methods. Agronomy Journal, 89(4), 665-672.
Hoffmeister, D., Curdt, C., Tilly, N., & Bendig, J. 2010. 3D terres-trial laser
scanning for field crop modelling. In Workshop on Remote Sensing
Methods for Change Detection and Process Modelling (Vol. 18, pp. 19-
11).
Holchek, J. L., Pieper, R. D., & Herbal, C. H. 2001. Range management.
New Mexico State University, last cruces, NM88003.
Jeswani, H. K., & Azapagic, A. 2011. Water footprint: methodologies and a
case study for assessing the impacts of water use. Journal of cleaner
production, 19(12), 1288-1299.
Jiménez-Berni, J. A., Deery, D. M., Rozas-Larraondo, P., Condon, A. T. G.,
Rebetzke, G. J., James, R. A., ... & Sirault, X. R. 2018. High
throughput determination of plant height, ground cover, and above-
ground biomass in wheat with LiDAR. Frontiers in plant science,9,
237.
Karcher, D. E., & Richardson, M. D. 2003. Quantifying turfgrass color using
digital image analysis. Crop Science, 43(3), 943-951.
Kass, E. 1997. Phylogenetic relationships in the Papilionoideae (Family
Leguminosae) based on nucleotide sequences of cpDNA (rbcL) and
ncDNA (ITS1 and 2). Molecular Phylogenetics and Evolution, vol. 8, p.
65-88.
70
Keightley, K. E., & Bawden, G. W. 2010. 3D volumetric modeling of
grapevine biomass using Tripod LiDAR. Computers and Electronics in
Agriculture, 74(2), 305-312.
Lewis, P. 2007. 3D canopy modelling as a tool in remote-sensing research.
Frontis, 219-229.
Liaghat, S., & Balasundram, S. K. 2010. A review: The role of remote
sensing in precision agriculture. American journal of agricultural and
biological sciences, 5(1), 50-55.
Li, J. W., Zhang, F., Qian, X. Y., Zhu, Y. H., & Shen, G. X. 2015.
Quantification of rice canopy nitrogen balance index with digital
imagery from unmanned aerial vehicle. Remote Sensing Lett. 6, 183–
189.
Lobell, D. B., Asner, G. P., Ortiz-Monasterio, J. I., & Benning, T. L. 2003.
Remote sensing of regional crop production in the Yaqui Valley,
Mexico: estimates and uncertainties. Agriculture, Ecosystems &
Environment, 94(2), 205-220.
Lukina, E. V., Stone, M. L., & Raun, W. R. 1999. Estimating vegetation
coverage in wheat using digital images. Journal of Plant Nutrition,
22(2), 341-350.
Macek, M. 2009. Aporte nutricional de las hortalizas y verduras. Minnesota:
University of Minnesota.
Machado, R. & Menéndez, J. 2006. Descripción de gramíneas y
leguminosas. En: Los Pastos en Cuba. Tomo I. Producción. La
Habana: EDICA. 104 p.
Martínez Romero, A. & Leyva Galán, A. 2014. La biomasa de los cultivos en
el ecosistema. Sus beneficios agroecológicos. Cultivos Tropicales,
35(1), 11-20.
Mollaldo, A. M. 2002. Aspectos ecológicos de la fisiología del metabolismo
en ecosistemas. Facultad de Agronomía, Universidad Central de
Venezuela.
71
Mollaldo, P. 1985. Principios y conceptos básicos de los ecosistemas.
Labrada, R. y Parker, C. Manejo de Ecosistemas para países en
desarrollo. Instituto Internacional de Cooperación para la Agricultura.
San José. Costa Rica, 59-62.
Mónaco, N., Rosa, M. J., Santa, V., Autrán, V., & Heguiabehere, A. 2015.
Utilización de estimadores para determinación de biomasa a campo.
European Scientific Journal, ESJ, 11(33).
Mónaco, N., Santa, V., Rosa, M. J., & Autran, V. 2017. Evaluación De
Métodos Indirectos Para Estimar Biomasa En Un Pastizal Natural Del
Sur De Córdoba (Argentina Central). European Scientific Journal, ESJ,
13(36).
Odum, A. 2000. Fundamentals of Ecology. Annual Reviews of Ecology and
Systematics, vol. 54, 546 p.
Omasa, K., Hosoi, F., & Konishi, A. 2006. 3D lidar imaging for detecting and
understanding plant responses and canopy structure. Journal of
experimental botany,58(4), 881-898.
Oyarzabal, M., Oesterheld, M., Paruelo, J. M. & Pacín, F. 2012. Seguimiento
satelital del forraje. Bases y aplicaciones. Buenos Aires: Fund. Vida
Silvestre Argentina; Aves Argentinas Aop.
Parodi, L. R. 2005. Gramíneas. En: Enciclopedia Argentina de Agricultura y
Jardinería. Tomo I. Descripción de plantas cultivadas. Buenos Aires:
Editorial ACME. p. 108-182.
Parr, J. F. & Colacicco, D. 2005. Organic materials as alternative nutrient
sources. En: Settele, J. Energy in plant nutrition and pest control. New
York: Academic Press, p. 81-99.
Paruelo, J. M., Lauenroth, W. K., & Roset, P. A. 2000. Estimating
aboveground plant biomass using a photographic technique. Journal
of Range Management, 190-193.
72
Paruelo, J. M., Guerschman, J. P., Baldi, G., & Di Bella, C. M. (2004). La
estimación de la superficie agrícola: Antecedentes y una propuesta
metodológica. Interciencia, 29(8), 421-427.
Pineda, M. 2007. Flujo de energía y cadenas tróficas. Servicios de
publicaciones de la Universidad de Córdoba. España. p. 39-45.
Pix4D. 2018. Ground Sampling Distance Calculator. Lausanne Suiza.
Consultado el 10 de mayo 2018 en https://support.pix4d.com/
hc/en-us/articles/202560249#gsc.tab=0.
R-Project. 2018. The R Project for Statistical Computing. New Jersey, EE.
UU. Consultado el 10 de marzo de 2018 en www.r-project.org.
RAE. 2018. Diccionario de la Real Academia Española. Madrid, España.
Consultado el 15 de junio de 2018 en http://www.rae.es/.
Rule, J. S.; Turley, D. B & Vaidyanathan, L. V. 2007. Straw in corporation
into soils compared with burning during successive seasons-Impact
of crop husbandry and soil nitrogen supply. En: Advances in soil
organic matter research: the impact on agriculture and the environment.
Cambridge, Reino Unido: Editions. The Royal Society of Chemistry, p.
339-354.
Sabadías, A. V. 1995. Estadística descriptiva e inferencial. Univ de Castilla
La Mancha.
Sánchez, A. 2010. Leguminosas como potencial forrajero en la alimentación
bovina. Revista de difusión de tecnología agrícola y pesquera del
FONAIAP, vol. 4, p. 83-89.
Scarabotti, D.S., Feldman, S.R. & Refi, F. 2002. Evaluación de distintos
métodos para estimar la biomasa aérea en macollas de Spartina
argentinensis PARODI.
Schirrmann, M., Hamdorf, A., Giebel, A., Gleiniger, F., Pflanz, M., &
Dammer, K. H. 2017. Regression Kriging for Improving Crop Height
Models Fusing Ultra-Sonic Sensing with UAV Imagery. Remote
Sensing, 9(7), 665.
73
Tilly, N., Hoffmeister, D., Cao, Q., Lenz-Wiedemann, V., Miao, Y., & Bareth,
G. 2013. Precise plant height monitoring and biomass estimation with
terrestrial laser scanning in paddy rice. ISPRS Ann. Photogramm.
Remote Sens. Spat. Inf. Sci, 295-300.
Vicente, I. C. 2013. Modelo de éxito de una data warehouse. Tecnura, 17(35),
116-125.
Yang, G., Liu, J., Zhao, C., Li, Z., Huang, Y., Yu, H., ... & Zhang, R. 2017.
Unmanned Aerial Vehicle Remote Sensing for Field-Based Crop
Phenotyping: Current Status and Perspectives. Frontiers in plant
science, 8, 1111.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., & Xu, B. 2017.
Estimation of winter wheat above-ground biomass using unmanned
aerial vehicle-based snapshot hyperspectral sensor and crop height
improved models. Remote Sensing, 9(7), 708.
Zehm, A., Nobis, M., & Schwabe, A. 2003. Multiparameter analysis of
vertical vegetation structure based on digital image processing. Flora-
Morphology, Distribution, Functional Ecology of Plants, 198(2), 142-
160.
Zhou, Q., & Robson, M. 2001. Automated rangeland vegetation cover and
density estimation using ground digital images and a spectral-
contextual classifier. International Journal of Remote Sensing, 22(17),
3457-3470.
‘t Mannetje, L. 2000. Measuring biomass of grassland vegetation. Field and
laboratory methods for grassland and animal production research, (pp.
151-177). Wallingford, UK: CABI publishing.
74

Botello Aguillon C MC Hidrociencias 2018

Cargado por

Copyright:

Formatos disponibles

Botello Aguillon C MC Hidrociencias 2018

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Botello Aguillon C MC Hidrociencias 2018

Cargado por

Copyright:

Formatos disponibles

COLEGIO DE POSTGRADUADOS

INSTITUCIÓN DE ENSEÑANZA E INVESTIGACIÓN EN CIENCIAS AGRÍCOLAS

PROGRAMA DE POSTGRADO EN HIDROCIENCIAS

CÉSAR BOTELLO AGUILLÓN

PARA OBTENER EL GRADO DE:

MONTECILLO, TEXCOCO, EDO. DE MÉXICO

E n adición a i b e n e f i c i o ético, x n o r a i y académico q u e h e o b t e n i d o d u r a n t e m i s estudios

Invierno Bajo Riego d Través de un Dron**, r e a l i z a d a p o r e l a l u m n o : César

Botello AguiUón b a j o l a dirección d e l C o n s e j o P a r t i c u l a r i n d i c a d o , h a s i d o

aprobada p o r e l m i s m o y aceptada como requisito parcial para obtener e l

DR. ARTURO Gm,VIS SPINOLA

RIEGO A TRAVÉS DE UN DRON

César Botello Aguillón, M. C.

Existe escasa información sobre el uso de cámaras digitales acopladas a drones

para cuantificar biomasa de forrajes, a pesar de que esta tecnología podría

disminuir tiempo y costo en su determinación y contribuiría a la agricultura de

precisión. El objetivo de esta investigación fue desarrollar un procedimiento para

estimar biomasa con imágenes digitales captadas desde un dron y modelación

3D (ID-Dron-3D) aplicable a alfalfa y avena forrajera. Con cámara digital

acoplada al dron se obtuvieron imágenes antes de la cosecha, que fueron

procesadas con software para estimar volumen de biomasa. En cada cultivo se

midió altura de la planta y área cosechada, volumen aparente y real de biomasa,

y peso de biomasa fresca y seca. Con el análisis de correlación de los datos y

considerando un p<0.05, se obtuvieron R=0.89 y 0.68 entre el volumen real

(principio de Arquímedes) y el volumen aparente (área cosechada por altura) de

avena y alfalfa, respectivamente; en el mismo orden R=0.82 y 0.75 entre el

volumen estimado con ID-Dron-3D y el volumen real; asimismo R=0.90 y 0.81

entre el volumen estimado con ID-Dron-3D y el volumen aparente para avena y

alfalfa, respectivamente. Con base en el análisis de regresión se obtuvieron

modelos lineales (p<0.05) para predecir: biomasa fresca en avena (R2=0.70) y

alfalfa (R2 =0.47); y biomasa seca en avena (R2=0.78) y en alfalfa (R2=0.31)

procedimiento para predecir biomasa seca y fresca de avena y alfalfa de invierno

Palabras Clave: agricultura de precisión; modelado 3D; regresión lineal;

César Botello Aguillón, M. C.

its determination and contribute to precision agriculture. The objective of this

research was to develop a procedure to estimate biomass yield with images

captured through a drone and 3D modeling (ID-Dron-3D) applicable to alfalfa

volume (Archimedes' principle) and apparent biomass volume (area harvested

in oats (R2=0.78) and alfalfa (R2=0.31) through ID-Drone-3D. The objective to

alfalfa using ID-Dron-3D was achieved.

Keywords: 3D modeling; linear regression; precision agriculture; remote

poder llegar a este punto de mi carrera.

quienes de alguna manera me han acompañado hasta hoy, aun en la distancia.

César Botello Aguillón

Consejo Nacional de ciencia y Tecnología (CONACYT) y el Colegio de

Postgraduados, han financiado parte de mi formación.

Los doctores integrantes de mi Consejo Particular, Francisco Gavi Reyes,

Leonardo Tijerina Chávez y Arturo Galvis Spinola por el esfuerzo, la dedicación,

investigación, pero más por el uso de su valioso tiempo en la obtención de la

Figura 1. Características principales de la cámara del dron, obtenidas con Agisoft

Figura 2. Calculadora GSD descargada de https://support.pix4d.com/hc/en-

Figura 3. Modelo de la malla utilizada para el volumen aparente en campo. ...25

Figura 4. Grafica entre los valores de volumen aparente obtenidos en el cultivo

Figura 6. Grafica entre los valores de volumen aparente obtenidos en el cultivo

Figura 9. Gráfica de valores ajustados vs residuales del ANOVA para el modelo

Tabla 1. Reglas para interpretar el tamaño del coeficiente de correlación (Vicente,

Tabla 2. Propiedades principales de las imágenes. ..........................................34

Tabla 3. Volumen real de cada unidad de muestreo (u.m.) en la parcela de avena.

Tabla 4. Volumen real de cada unidad de muestreo (u.m.) en la parcela de alfalfa.