785
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
DOI: https://doi.org/10.47280/RevFacAgron(LUZ).v38.n4.03 ISSN 2477-9407
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Recibido: 20-10-2020 . Aceptado: 11-01-2021.
*Autor de correspondencia. Correo electrónico: cinthyapinargote@gmail.com
Discriminación de malezas basada en la respuesta
espectral del cultivo de maíz, Manabí, Ecuador
Weed discrimination based on the spectral response of
the corn crop, Manabí, Ecuador
Discriminação de plantas daninhas com base na resposta
espectral da cultura do milho, Manabí, Equador
Cinthya K. Pinargote Intriago
1*
y Henry A. Pacheco Gil
2
1
Maestría en Ingeniería Agrícola, Instituto de Postgrado, Universidad Técnica de Manabí,
Ecuador. Correo electrónico: cinthyapinargote@gmail.com, .
2
Facultad de Ingeniería
Agrícola, Universidad Técnica de Manabí, Ecuador. Correo electrónico: henrypacheco@
gmail.com, .
Resumen
La agricultura de precisión permite ganar ecacia, sustentabilidad y
rentabilidad, ya que aporta grandes benecios en disminuir el impacto ambiental
de la agricultura, los riesgos económicos y al mismo tiempo contribuye a controlar
el vigor de los cultivos y mejorar la calidad del rendimiento de los mismos. El
objetivo de esta investigación es discriminar malezas dentro del cultivo de maíz,
basados en su respuesta espectral. Para ello se usó el avanzado Dron agrícola
EBEE SQ, con el cual se capturó imágenes multiespectrales a través de su cámara
Parrot Sequoia. Las imágenes fueron procesadas con software en Sistemas de
Información Geográca (SIG). Con las bandas multiespectrales se calcularon
diferentes índices de vegetación tales como NDVI, NDVIAS, NGRDI, NDRE,
GNDVI, usando herramientas de álgebra de mapas en programas especializados.
A los diferentes índices se les aplicó una clasicación supervisada para discriminar
las distintas coberturas de suelo, la cual obtuvo una precisión del 93% y un índice
de Kappa de 0,93. Los resultados permitieron diferenciar claramente la cobertura
de cultivos, malezas y suelo desnudo. Los datos mostraron que la maleza tanto de
crecimiento temprano como las desarrolladas ocupan un 38% del área del cultivo.
Con esta información se puede mejorar la planicación de prácticas agronómicas,
agregando el herbicida en el sitio especíco de las malezas.
Palabras clave: Vehículo aéreo no tripulado, detección remota, índices de
vegetación, clasicación supervisada.
786
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Abstract
Precision agriculture allows to gain efciency, sustainability and protability,
since it provides great benets in reducing the environmental impact of agriculture,
economic risks and at the same time contributes to controlling the vigor of crops and
improving the quality of their yield. The objective of this research is to discriminate
weeds within the corn crop, based on their spectral response. For this, the advanced
EBEE SQ agricultural drone was used, with which multispectral images were
captured through its Parrot Sequoia camera. The images were processed with
software in Geographic Information Systems (GIS). With the multispectral bands,
different vegetation indices were calculated such as NDVI, NDVIAS, NGRDI,
NDRE, GNDVI, using map algebra tools in specialized programs. A supervised
classication was applied to the different indices to discriminate the different land
covers, which obtained a precision of 93% and a Kappa index of 0.93. The results
allowed to clearly differentiate the coverage of crops, weeds and bare soil. The
data showed that both early-growing and developed weeds occupy 38% of the crop
area. With this information, it is possible to improve the planning of agronomic
practices, adding the herbicide at the specic site of the weeds.
Keywords: Unmanned aerial vehicle, remote sensing, vegetation index, supervised
classication.
Resumo
A agricultura de precisão permite ganhos de eciência, sustentabilidade e
rentabilidade, pois proporciona grandes benefícios na redução do impacto ambiental
da agricultura, dos riscos econômicos e ao mesmo tempo contribui para controlar
o vigor das lavouras e melhorar a qualidade de sua produção. O objetivo desta
pesquisa é discriminar plantas daninhas na cultura do milho, com base em sua
resposta espectral. Para isso, foi utilizado o drone agrícola EBEE SQ avançado, com
o qual imagens multiespectrais foram capturadas por meio de sua câmera Parrot
Sequoia. As imagens foram processadas com software em Sistemas de Informações
Geográcas (SIG). Com as bandas multiespectrais, diferentes índices de vegetação
foram calculados como NDVI, NDVIAS, NGRDI, NDRE, GNDVI, utilizando
ferramentas de álgebra de mapas em programas especializados. Foi aplicada uma
classicação supervisionada aos diferentes índices para discriminar as diferentes
coberturas do solo, que obteve uma precisão de 93% e um índice Kappa de 0,93.
Os resultados permitiram diferenciar claramente a cobertura de lavouras, ervas
daninhas e solo descoberto. Os dados mostraram que tanto as ervas daninhas de
crescimento precoce quanto as desenvolvidas ocupam 38% da área de cultivo. Com
essas informações, é possível aprimorar o planejamento das práticas agronômicas,
adicionando o herbicida no local especíco das plantas daninhas.
Palavras-chave: Veículo aéreo não tripulado, sensoriamento remoto, índices de
vegetação, classicação supervisionada.
787
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Introducción
En la agricultura, las malezas
son parte constituyente de los
componentes del agroecosistema por
ser plantas inevitables e indeseables
que se desarrollan de manera
espontánea dentro o fuera de los
cultivos, las mismas que mantienen
un comportamiento muy dinámico
en la composición orística, ya que
generan cambios signicativos en el
suelo y en las plantas.
Actualmente en el Ecuador las
malezas representan uno de los rubros
más signicativos dentro del sector
agropecuario, ya que dada su siología
son resistentes a los productos químicos
e incluso toleran altas temperaturas
ambientales, lo cual les resulta
ventajoso para su supervivencia.
De este modo van ganando espacio
en los suelos para competir con las
plantas cultivadas. Por ello, a los
agricultores les está generando un
importante consumo monetario siendo
este aproximadamente de $1045 por
hectárea en la compra de insumos,
manos de obra y riego para el cultivo
de maíz (Páliz et al., 2019; Martínez y
Barrera, 2020).
Las malezas afectan de manera
directa a la siembra, debido a que
liberan sustancias que reducen el
desarrollo del cultivo y aprovechan los
recursos como agua, luz, nutrientes y
espacio, que podrían estar disponibles
para el cultivo durante su ciclo de
crecimiento. Así mismo, perjudica
de forma indirecta la preparación
de la cama del cultivo y contamina
el producto a cosechar dado que
disminuye su calidad comercial.
Introduction
In agriculture, weeds are a
constituent part of agroecosystem
because they are unavoidable and
undesirable plants that develop
spontaneously inside or outside the
crops, which maintain a very dynamic
behavior in the oristic composition,
since they generate signicant changes
on soil and plants.
Currently in Ecuador, weeds are
one of the most signicant items
within the agricultural sector, since
given their physiology they are
resistant to chemical products and
even tolerate high environmental
temperatures, which is advantageous
for their survival. In this way they are
gaining space in the soils to compete
with cultivated plants. Therefore,
it is generating signicant money
consumption for farmers, this being
approximately US$ 1045 per hectare
in the purchase of inputs, labor and
irrigation for cultivation of corn (Páliz
et al., 2019; Martínez and Barrera,
2020).
Weeds directly affect planting,
because they release substances that
reduce the development of the crop
and take advantage of resources such
as water, light, nutrients and space,
which could be available for the crop
during its growth cycle. Likewise, it
indirectly impairs the preparation
of the crop bed and contaminates
the product to be harvested since it
decreases its commercial quality.
In addition, it hinders harvesting
work, increases the risk of pests and
diseases, acting as their hosts and
generating economic losses due to
788
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Además, obstaculiza las labores
de cosecha, aumenta el riesgo de
plagas y enfermedades, actuando
como hospedantes de las mismas y
generando pérdidas económicas por
bajos rendimientos, menor calidad
del cultivo y aumento en los costos de
cosecha (Pérez et al., 2014).
Para contrarrestar este tipo
de inconvenientes los agricultores
realizan un control de malezas de
manera manual y tradicional con
los herbicidas, esto solo genera altos
costos en compra de estos productos
químicos y además de las operaciones,
lo que conlleva una inversión de
tiempo y trabajadores para la
aplicación del mismo (Santana, et al.,
2020). De manera que, el productor
aplica el químico en zonas donde
no hay maleza para evitar que esta
llegue a crecer, pero esto en denitiva
lo que causa es el desperdicio en gran
medida del producto y a su vez afecta
al suelo perjudicando sus propiedades
físicas, químicas y biológicas, además
que contamina el aire por el exceso
del químico y perjudica la salud del
cultivador.
Para tener un control y evitar
la contaminación ambiental
por el desperdicio del producto
tosanitario se debe aplicar métodos
de teledetección para el manejo de
la maleza. Es por eso que, en esta
investigación se introduce una de
las tecnologías más innovadoras
como es el uso de vehículos aéreos no
tripulados (UAV). Estos ofrecen la
posibilidad de recopilación de datos
para las resoluciones espaciales,
temporales deseadas y en conjunto
con sus cámaras obtienen imágenes
low yields, lower crop quality and
increased harvest costs (Pérez et al.,
2014).
To counteract this kind of
inconvenience, farmers carry out
manual and traditional weed control
with herbicides, this only generates
high costs in the purchase of these
chemical products and in addition
to operations, which entails an
investment of time and workers for its
application (Santana, et al., 2020). So,
the producer applies the chemical in
areas where there is no weed to prevent
it from growing, but this ultimately
causes the waste to a large extent of
the product and in turn affects the soil,
damaging its physical and chemical
properties. and biological, besides
that it pollutes the air due to excess of
chemical and harms farmer´s health.
To control and avoid environmental
contamination by waste of the
phytosanitary product, remote
sensing methods must be applied for
weed management. This research
introduces one of the most innovative
technologies, such as the use of
unmanned aerial vehicles (UAV).
These have the advantage of collecting
data for the desired spatial and
temporal resolutions and together with
their cameras they obtain spectral
images (Adão et al., 2017; Cevallos et
al., 2019).
The images in the infrared and
visible spectra are especially useful
in agriculture, since chlorophyll
concentrations in the leaves or rates
of photosynthetic activity can be seen,
detecting processes in crops such
as stress in vegetation, due to the
presence pests and diseases, lack of
789
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
espectrales (Adão et al., 2017; Cevallos
et al., 2019).
Las imágenes en el espectro
infrarrojo junto con las del espectro
visible, son especialmente útiles en
agricultura, ya que se puede visualizar
las concentraciones de clorola
en las hojas o tasas de actividad
fotosintética, detectando procesos
en los cultivos tales como el stress
en la vegetación, producido por la
presencia de plagas y enfermedades,
falta de agua, problemas de suelos o
baja de nutrientes (stress nutricional)
(Saavedra et al., 2018).
Diferentes investigaciones han
establecidos que las imágenes antes
mencionadas también ayudan al
análisis discriminante de malezas,
mediante los mapas de índices de
vegetación que contribuyen a obtener
el momento fenológico propicio para
su discriminación y así mediante
estudios tener la diferencia espectral
existente entre el cultivo y los parches
de maleza, a n de realizar las
aplicaciones de los agroquímicos en el
sitio especíco sin desperdicio alguno
(Peña et al., 2014; Campos et al., 2019;
Yang, 2020; Radoglou, et al., 2020).
Por tal razón este trabajo de
investigación se desarrolló con el n
de discriminar las malezas basada
en la respuesta espectral del cultivo
de maíz, para conocer la ubicación
exacta de las malas hierbas y así
proponer alternativas de manejo y uso
sostenible de los productos químicos
como los herbicidas. Es por ello que,
con aplicación directa de los herbicidas
en los parches de maleza, se reducirá
tiempo, costos operacionales y existirá
una cantidad menor de agroquímicos
water, soil problems or low nutrients
(nutritional stress) (Saavedra et al.,
2018).
Different investigations have
established that these images also help
the discriminant analysis of weeds,
through vegetation index maps that
help to obtain the phenological moment
conducive to their discrimination
and thus, through studies, have the
existing spectral difference between
the crop and the weed patches, to
perform agrochemical applications
on the specic site without any waste
(Peña et al., 2014; Campos et al., 2019;
Yang, 2020; Radoglou, et al., 2020).
For these reasons, this research
was carried out to discriminate
weeds based on the spectral response
of the corn crop, to know the exact
location of the weeds and thus propose
alternatives for the management and
sustainable use of chemicals such as
herbicides. Therefore, with the direct
application of herbicides in the weed
patches, time, operational costs will
be reduced and there will be a smaller
amount of agrochemicals causing
positive effects on the soil and the
environment (Jiménez et al., 2020;
Sishodia et al., 2020).
Materials and methods
Location of the study area
This research was carried out in the
Ecuadorian coast, Manabí province,
Santa Ana canton, Lodana parish,
at the facilities of the Universidad
Técnica de Manabí, campus of the
Facultad de Ingeniería Agrícola, on a
corn crop (Zea mays), located between
geographic coordinates 1º10’30.3”S
790
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
causando efectos positivos en el suelo
y en el medio ambiente (Jiménez et al.,
2020; Sishodia et al., 2020).
Materiales y métodos
Ubicación del área de estudio
La presente investigación se llevó a
cabo en la Costa ecuatoriana, provincia
de Manabí, cantón Santa Ana, de la
parroquia Lodana, en las instalaciones
de la Universidad Técnica de Manabí,
campus de la Facultad de Ingeniería
Agrícola, sobre un cultivo de maíz (Zea
mays), ubicado entre las coordenadas
geográcas 1º10’30,3” S y 80º23’06,05”
W a 61 m.s.n.m., tal como se muestra
en la gura 1.
and 80º23’06.05”W at 61 m.a.s.l., as
shown in Figure 1.
Crop description
The corn crop covered an area
of 21,631.2 m
2
, this was sown at
the beginning of the rainy season,
February 16, 2020, with a distance
between rows of 1 m, and between
plants of 0.30 m, maintaining a
surface irrigation technology.
Obtaining images
The images were taken using the
EBEE SQ® unmanned aerial vehicle
(UAV), instrumented with the Parrot
Sequoia® camera, which captures
images in the visible and multispectral
green (GREEN), Red (RED), Red Edge
bands. (EDGE) and Near Infrared
Figura 1. Ubicación del área de estudio.
Figure 1. Location of the study area.
791
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Descripción del cultivo
El cultivo de maíz cubría un área de
21631,2 m
2
, este fue sembrado al inicio de
la época de lluvia, 16 de febrero de 2020,
con un distanciamiento entre hilera de 1
m, y entre planta de 0,30 m, manteniendo
una tecnología de riego supercial.
Obtención de imágenes
Se procedió a la toma de las imágenes
mediante el vehículo aéreo no tripulado
(UAV) EBEE SQ, instrumentado con la
cámara Parrot Sequoia, la cual captura
imágenes en el visible y las bandas
multiespectrales verde (GREEN), Roja
(RED), Borde Rojo (EDGE) e Infrarrojo
cercano (NIR), (SenseFly a Parrot
Company, 2018; Parrot Drone SAS,
2020).
Planificación del vuelo
La planicación del vuelo se ejecutó
con el software Emotion AG, en el cual
se denió el área de trabajo, la altura de
vuelo, resolución del pixel, solapamiento
de las imágenes, así como el punto de
despegue y aterrizaje. Los parámetros
para los casos especícos del vuelo se
muestran en el cuadro 1 y gura 2.
Cuadro 1. Parámetros obtenidos por el software Emotion AG para la
ejecución del vuelo.
Table 1. Parameters obtained by the Emotion AG software for the
execution of the flight.
Información Emotion AG
Cámara RGB (16 Mpix) + Multiespectral (1.2 Mpix)
Tipo Sequoia 1.7.1
Tamaño de la imagen (cm/pixel) 11,00 cm/px
Tiempo obturación (s) 15:47 min
Área de vuelo 24,2 ha
Traslapo longitudinal (%) 80
Traslapo transversal (%) 70
Altura de vuelo (m) 150 m
Velocidad de vuelo (m s
-1
) 4 m/seg
(NIR), (SenseFly a Parrot Company,
2018; Parrot Drone SAS, 2020).
Flight planning
The ight planning was executed
with the Emotion AG® software, in
which the work area, ight height,
pixel resolution, image overlap, as
well as the take-off and landing point
were dened. Parameters for specic
ight cases are shown in Table 1 and
Figure 2.
The ight was kept under constant
supervision with the modem signal, to
verify that the equipment conditions
were working properly and that high
precision was achieved in the mission
and a safe ight, guaranteeing the
performance and quality of the data.
Image processing
The images were processed
by Pix4D®
photogrammetry
software, with which georeferenced,
orthomosaic digital models in 2D
and 3D were created, and separated
spectral bands, of high precision from
the drone images (Pix4D SA., 2019).
This process was developed
792
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
El vuelo se mantuvo en constante
supervisión con la señal del modem,
para vericar que las condiciones de los
equipos funcionaran apropiadamente
y se consiguió una alta precisión en la
misión y un vuelo seguro, garantizando
el rendimiento y calidad de los datos.
Procesamiento de las imágenes
Las imágenes fueron procesadas
por el software de fotogrametría
Pix4D, con el cual se crearon modelos
digitales en 2D y 3D georreferenciados,
ortomosaicos y bandas espectrales
separadas, de alta precisión a partir
de las imágenes de drones (Pix4D SA.,
2019).
Este proceso se desarrolló en tres
etapas, la primera fue la calibración
de las imágenes individuales, la
Triangulación Aérea (AAT) y Ajuste
de Bloque de Paquete (BBA); en la
segunda se llevó a cabo la generación
de nubes de puntos y malla, y la
Figura 2. Planificación del vuelo en la zona de estudio.
Figure 2. Flight planning in the study area.
in three stages, the rst was the
calibration of the individual images,
the Aerial Triangulation (AAT) and
Packet Block Adjustment (BBA). In
the second, the generation of point and
mesh clouds and the construction of
the Digital Surface Model (MDS) were
carried out. Finally, the third, it was
possible to obtain the orthomosaic and
the reectance in each of the bands.
This processing was congured to run
automatically in the software.
Calculation of vegetation
indices
Using the map algebra tools of the
ArcGIS® software, the calculations of
ve vegetation indices (table 2) were
performed, which allowed discrimination
between the soil, weed patches and the
corn crop in the study area.
Supervised classification
This method used the tools of
the ArcGIS® software. For this, the
793
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
construcción del Modelo Digital de
Supercie (MDS); por último, la
tercera, se logró obtener el ortomosaico
y la reectancia en cada una de
las bandas. Este procesamiento se
conguró para su ejecución automática
en el software.
Cálculo de índices de
vegetación
Mediante las herramientas de
álgebra de mapas del software ArcGIS
se realizaron los cálculos de cinco
índices de vegetación (cuadro 2), que
permitieron la discriminación entre
el suelo, los parches de maleza y el
cultivo de maíz en el área de estudio.
Cuadro 2. Índices de vegetación obtenido en el estudio.
Table 2. Vegetation indices obtained in the study.
Índice Relación entre bandas Referencia
“Índice de Vegetación de Diferencia
Normalizada”
(Rouse et al., 1973)
“Vegetación de Diferencia Normalizada
Verde”
“Índice de Vegetación de Diferencia
Normalizada Ajustada al Suelo”
“Índice de Diferencia Normalizada de
Borde Rojo”
(Li et al., 2014)
“Índice de Diferencia Normalizada
Verde-Rojo”
(Song and Park 2020)
Clasificación supervisada
Este método utilizó las
herramientas del programa
informático ArcGIS. Para ello se
seleccionó el índice NGRDI, el cual
permitió identicar de la mejor
manera la colorimetría de los pixeles
de cada una de las celdas en la imagen.
En este se construyó un archivo Shape
con las áreas de entrenamiento de cada
NGRDI index was selected, which
allowed the best identication of pixels
colorimetry of each cells in the image.
In this, a Shape le was built with the
training areas of each of the coverages
considered, for the recognition of the
different categories.
Then the different classes were
identied as bare soil, corn crop,
weeds and the spectral signature le
was generated with the software’s
“Creature Signatures” algorithm.
Later with the algorithm
“Maximum Likelihood Classication”,
the classes for the whole image were
generated using the signatures
previously created. Finally, the
accuracy of the classication was
veried using the Kappa index.
Results and discussion
Obtaining the images
The Parrot Sequoia® multispectral
camera from UAV EBEE SQ®,
captured 379 photos with a pixel size
(Wu et al., 2014)
(Filella y Penuelas 1994;
Qi et al., 1994)
794
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
una de las coberturas consideradas,
para el reconocimiento de las distintas
categorías.
Luego se identicó las diferentes
clases como suelo desnudo, cultivo de
maíz, malezas y se generó el archivo
de rmas espectrales con el algoritmo
“Creature Signatures” del software.
Posteriormente con el algoritmo
“Maximum Likelihood Classication”,
se generaron las clases para toda
la imagen usando las rmas antes
creadas. Por último, se vericó la
precisión de la clasicación por medio
del índice de Kappa.
Resultados y discusión
Obtención de las imágenes
La cámara multiespectral Parrot
Sequoia de UAV EBEE SQ, capturó
379 fotos con un tamaño de los pixeles
de 11,00 cm, registradas en los
formatos JPEG para la imagen RBG y
las bandas multiespectrales “GREEN,
RED, NIR, EDGE” en Geotiff. Estos
resultados son consistentes con los
reportes de Franzini et al. (2019),
quienes ratican la consistencia
geométrica y radiométrica de
imágenes multiespectrales de
Parrot Sequoia, que permitió a los
investigadores adquirir imágenes de
excelente calidad para la obtención de
mapas (NDVI) con buenos resultados,
resaltando la utilidad del sensor para
nes agrícolas.
Procesamiento de las imágenes
En la primera etapa el software
Pix4D generó como resultado un
informe de calidad, donde reportó
73035 puntos característicos por
imágenes, lo que permitió una muy
of 11.00 cm, recorded in the JPEG
formats for the RBG image and the
multispectral bands “GREEN, RED,
NIR, EDGE” in Geotiff. These results
are consistent with the reports by
Franzini et al. (2019), who ratify the
geometric and radiometric consistency
of multispectral images of Parrot
Sequoia®, which allowed researchers
to acquire excellent quality images
for obtaining maps (NDVI) with good
results, highlighting the usefulness of
the sensor for agricultural purposes.
Image processing
In the rst stage, the Pix4D®
software generated a quality report
as a result, where it reported
73,035 characteristic points per
images, which allowed a very good
reconstruction and optimization of the
initial parameters of the camera and
with an excellent image matching. In
the report, a very high overlap could
be seen in much of the image, which
conrmed that these images were
taken in the correct position (gure 3).
According to research by Kharuf et
al. (2018), consider that the Pix4D®
program is a tool with a high potential
and exibility in the creation of
orthomosaics for the realization of
remote sensing studies, it also allows
the generation of vegetation indices
offering reliable results.
The point cloud and textured mesh
shows a preview of the orthomosaic
and the Digital Surface Model (Figure
4). In addition, the four spectral bands
GREEN, RED, EDGE and NIR were
obtained, in “* .TIF” format les.
These results allow users to have
quality images, because they have
been automatically corrected in the
795
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
buena reconstrucción y optimización de
los parámetros iniciales de la cámara
y con un excelente emparejamiento
de imágenes. En el reporte, se pudo
visualizar un solapamiento muy alto
en gran parte de la imagen, lo que
conrmó que estas imágenes fueron
tomadas en una posición correcta
(gura 3).
Figura 3. Mapa de solapamiento del área de estudio obtenido por el
reporte de calidad del Pix4D.
Figure 3. Overlapping map of the study area obtained by the Pix4D
quality report.
Según investigaciones de Kharuf et
al. (2018), consideran que el programa
Pix4D es una herramienta con un alto
potencial y exibilidad en la creación
de ortomosaicos para la realización
de estudios de teledetección, además
permite la generación de índices de
vegetación ofreciendo resultados
conables.
positioning of the X, Y and Z axes
(Lárraga et al., 2019; Stott et al.,
2020).
Calculation of vegetation
indices
The data in table 3 show the
descriptive statistics for the 5 indices
calculated. The value of the indices
shows different hydric, nutritional,
phytosanitary conditions and different
densities of the vegetation cover.
Studies carried out by Muñoz (2013)
and Berrío et al. (2015), establish that
these spectral values tend to measure
the biomass or plant vigor within a
pixel.
The visual interpretation of the
indices allowed to discriminate the
796
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
La nube de puntos y malla
texturizada muestra una vista previa
del ortomosaico y el Modelo Digital
de Supercie (gura 4). Además, se
obtuvo las cuatro bandas espectrales
GREEN, RED, EDGE y NIR, en
cheros de formato “*.TIF”.
Figura 4. Ortomosaico RGB y Modelo Digital de Superficie (MDS)
generado por el programa informático Pix4D a partir de
imágenes aéreas UAV.
Figure 4. RGB Orthomosaic and Digital Surface Model (MDS) generated
by Pix4D software from UAV aerial images.
Estos resultados permiten a
los usuarios disponer de imágenes
de calidad, porque han sido
automáticamente corregidas en
posicionamiento de los ejes X, Y y Z
(Lárraga et al., 2019; Stott et al., 2020).
Cálculo de índices de
vegetación
Los datos del cuadro 3 muestran
los estadísticos descriptivos para los 5
índices calculados.
soil covers, but with greater ease in
the case of the NGRDI (Green-Red
Normalized Difference Index), which
turned out to be very evident the
discrimination of weeds, soils and
crops (gure 5). Regarding this issue,
a previous investigation is reported,
where it was found that the NGRDI
presented the best results for the
detection of grass weeds in rice elds
(Barrero and Perdomo, 2018).
Although studies carried out
by Castillejo-González et al. (2014)
establish that the NDVI was the most
appropriate index to separate the
vegetation, that is, the cultivation of
wild oats with the weeds; however,
these results disagree with this
797
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Cuadro 3. Valores espectrales de los índices de vegetación en el cultivo
de maíz.
Table 3. Spectral values of the vegetation indices in the corn crop.
Índice Promedio Mínimo Máximo Desv. Est.
NDVI 0,977031 0,879261 0,993752 0,013842
NDVIAS 0,990727 0,090030 1,322890 0,206870
NGRDI 0,248019 -0,321352 0,593482 0,129516
NDRE 0,898981 0,829736 0,945052 0,007607
GNDVI 0,965510 0,845403 0,985863 0,009696
Desv. Est.= Desviación estándar.
Desv. Est.. = Standard deviation.
El valor de los índices muestra
diferentes condiciones hídricas,
nutricionales, tosanitarias y
distintas densidades de la cobertura
vegetal. Estudios realizados por
Muñoz (2013) y Berrío et al. (2015),
establecen que estos valores
espectrales tienden a medir la
biomasa o vigor vegetal dentro de un
pixel.
La interpretación visual de
los índices permitió discriminar
las coberturas del suelo, pero con
una mayor facilidad para el caso
del NGRDI (Índice de Diferencia
Normalizada Verde-Rojo), el
cual resultó ser muy evidente la
discriminación de malezas, suelos y
cultivos (gura 5). Respecto a este
tema se reporta una investigación
previa, donde se encontró que
el NGRDI presentó los mejores
resultados para la detección de
malezas gramíneas en campos de
arroz (Barrero y Perdomo, 2018).
research, where new NDVI, NVDIAS,
NDRE, GNDVI indices were
developed and it was found that these
indices visually caused difculties in
the interpretation to distinguish and
identify the vegetation cover (crop)
with weeds, such as It is shown in
gures 6, 7, 8 and 9. Thus, these gures
combine the pixels of the vegetation
cover of the ground and the weeds,
as they do not show a separation of
the same, and there is a saturation
of green colorimetry, for hence, it was
established that the NGRDI was the
best in this study.
Supervised classification
Figure 10 represents the raster
image of the classied NGRDI
index, where it shows good results
to separate the different covers and
it manages to discriminate very well
the weeds of the crops and the bare
soil. The Supervised Classication
develops iterative processes by
comparing the sum of the squared
798
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Aunque estudios realizados por
Castillejo-González et al. (2014)
establecen que el NDVI fue el índice
más apropiado para separar la
vegetación, es decir, el cultivo de avena
silvestre con la maleza; sin embargo,
esos resultados discrepan con esta
investigación, donde se desarrollaron
nuevos índices NDVI, NVDIAS,
NDRE, GNDVI y se encontró que
estos índices visualmente provocaron
dicultades en la interpretación para
distinguir e identicar la cobertura
vegetal (cultivo) con las malezas, tal
como se muestra en las guras 6, 7, 8 y
9. De modo que, estas guras combinan
los pixeles de la cobertura vegetal del
suelo y la maleza, al no evidenciar una
separación de las misma, y al existir
saturación de colorimetría verde, por
ende, se estableció que el NGRDI fue
el mejor en este estudio.
Figura 5. Cultivo de maíz aplicando el índice NGRDI.
Figure 5. Corn cultivation applying the NGRDI index.
deviations between classes with the
average values (ArcGIS, 2016).
With the classication, it was
possible to accurately identify the
exact site where the weeds are found,
which can facilitate the planning of
agronomic control treatments. As can
be seen in gure 10, the central plots
of the corn crop present small patches
of weed (yellow), while in the plots of
the upper and lower part of the image
large patches of weed are observed
(red), which it causes the crop to
compete enormously for acquisition of
water and nutrients for its growth.
In gure 10 weed was easily
discriminated, being able to
differentiate its abundance. Therefore,
it is corroborated that the supervised
classication process obtained a lot
of validation since it reached 0.93 of
concordance, very good in the Kappa
799
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Figura 6. Cultivo de maíz aplicando el índice NDVI.
Figure 6. Corn crop applying the NDVI index.
Figura 7. Cultivo de maíz aplicando el índice de NDVIAS.
Figure 7. Corn crop applying the NDVIAS index.
800
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Figura 8. Cultivo de maíz aplicando el índice de NDRE.
Figure 8. Corn crop applying the NDRE index.
Figure 9. Corn cultivation applying the GNDVI index.
Figura 9. Cultivo de maíz aplicando el índice GNDVI
801
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Figure 10. Maize, soil and weed crop coverage maps by supervised
classification.
Figura 10. Mapas de cobertura del cultivo de maíz, suelo y malezas
mediante la clasificación supervisada.
Clasificación supervisada
La gura 10 representa la imagen
raster del índice NGRDI clasicada,
donde muestra buenos resultados para
separar las diferentes coberturas y
logra discriminar muy bien las malezas
de los cultivos y el suelo desnudo. La
Clasicación Supervisada, desarrolla
procesos iterativos al comparar la
suma de las desviaciones cuadradas
entre clases con los valores promedios
(ArcGIS, 2016).
Con la clasicación se logró
identicar con precisión el sitio exacto
donde se encuentran las malezas, lo
cual puede facilitar la planicación
de tratamientos agronómicos de
control. Como se observa en la gura
index and a precision of 93 %. With
these results, the efciency of the
method is ratied, which has also
been used in the research of Polanco
(2012), who carried out a supervised
classication in the Belmira páramo
with Landsat images, which allowed
him to identify the various classes
of land use coverage from the soil,
in addition this method presented a
precision of 80 % and a Kappa index
= 0.8.
On the other hand, these results
(gure 10) allowed to know the
percentages of the coverage of each
class (table 4) and with this it was
determined that 38 % of the crop area
is affected by the presence of herbs
802
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
10, las parcelas centrales del cultivo
de maíz presentan pequeños parches
de maleza (amarillo), mientras que
en las parcelas de la parte superior
e inferior de la imagen se observan
grandes manchas de maleza (rojo), lo
cual ocasiona que el cultivo compita
enormemente por la adquisición de
agua y nutrientes para su crecimiento.
En la gura 10 la maleza se logró
discriminar con facilidad, pudiendo
diferenciar su abundancia. Por ello
se corrobora que el proceso de la
clasicación supervisada obtuvo
mucha validación ya que alcanzó el
0,93 de concordancia, muy buena en
el índice de Kappa y una precisión del
93%. Con estos resultados se ratica
la eciencia del método, que también
ha sido utilizado en la investigación
de Polanco (2012), quien realizó una
clasicación supervisada en el páramo
de Belmira con imágenes Landsat,
lo cual le permitió identicar las
diversas clases de coberturas del
uso del suelo, además este método
presentó una precisión del 80% y un
índice de Kappa = 0,8.
Por otro lado, estos resultados
(g
ura 10) permitieron conocer los
porcentajes de las coberturas de cada
clase (cuadro 4) y con ello se determinó
que el 38% del área del cultivo, está
afectada por la presencia de hierbas
(20%) y maleza desarrollada (18%),
además de encontrar su ubicación
exacta dentro del área de estudio.
Está información permite mejorar
signicativamente las prácticas
agronómicas, por cuanto se podría
planicar con precisión la cantidad,
el momento y lugar exacto para la
aplicación del control de malezas,
(20 %) and developed weed (18 %), in
addition to nding its exact location
within the study area.
This information makes it possible
to signicantly improve agronomic
practices, since the exact amount,
time and place for the application of
weed control could be planned with
precision, detecting the different
coverage of land use, and especially
the weeds within the crops, which
is a major challenge for precision
agriculture (De Castro et al., 2020).
Conclusions
Of the indices analyzed, the NGRDI
“Green-Red Normalized Difference
Index” was the one that managed
to show in a more efcient way the
spatial distribution of weeds, crop and
soil.
Through the supervised
classication of spectral indices, the
coverage percentages in each of the
classes were determined.
In the study area, herbs cover 20 %,
while the more developed weeds 18 %
of the cultivation area.
By knowing the exact location of the
weeds, it is also possible to determine
the surface they occupy, which
contributes to programming control
treatments in specic sites with the
precision of the amount of herbicides
that must be applied and consequently
in reducing economic costs. and
environmental as established by
precision agriculture.
End of English Version
803
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
detectando las distintas coberturas
del uso del suelo, y sobre todo las
malezas dentro de los cultivos, lo
Cuadro 4. Valores de las áreas cubiertas por el método de clasificación
supervisada.
Table 4. Values of the areas covered by the supervised classification
method.
Clase Área (m
2
) Porcentaje (%)
Suelo 7.030,83 32
Hierba 4.232,79 20
Maíz 6.487,73 30
Maleza desarrollada 3.879,85 18
cual es un importante desafío para la
agricultura de precisión (De Castro et
al., 2020).
Conclusión
De los índices analizados el NGRDI
“Índice de Diferencia Normalizada
Verde-Rojo” fue el que logró mostrar de
manera más eciente la distribución
espacial de las malezas, el cultivo y el
suelo.
Mediante la clasicación supervisada
de los índices espectrales se determinó
los porcentajes de cobertura en cada una
de las clases.
En la zona de estudio las hierbas
cubren el 20%, mientras que la maleza
más desarrollada el 18% del área de
cultivo.
Al conocer la ubicación exacta de las
malezas también se logra determinar
la supercie que estas ocupan, lo cual
contribuye a programar tratamientos
de control en sitios especícos con la
precisión de la cantidad de herbicidas que
debe ser aplicado y consecuentemente en
la disminución de los costos económicos
y ambientales según lo establece la
agricultura de precisión.
Literatura citada
Adão, T., J. Hruška, L. Pádua, J. Bessa, E.
Peres, R. Morais and J. Sousa. 2017.
Hyperspectral Imaging: A Review on
UAV-Based Sensors, Data Processing
and Applications for Agriculture and
Forestry. Journal Remote Sens. 9(11),
2-30.
ArcGIS. 2016. Método de clasicación.
Plataforma de representación
cartográca. Disponible en: https://
doc.arcgis.com/es/maps-for-ofce/4.0/
design-and-use/classification-
methods.htm. Fecha de consulta:
agosto 2020.
Barrero, O. and S. Perdomo. 2018. RGB and
multispectral UAV image fusion for
Gramineae weed detection in rice
elds. Journal Precision Agric. 19,
809–822.
Berrío, V., J. Mosquera y D. Alzate. 2015. Uso
de drones para el análisis de imágenes
multiespectrales en agricultura de
precisión. Rev. Cienc. Tec. Aliment.
13(1), 28-40.
Campos, J., M. Gallart, J. Llop, R. Salcedo,
P. Ortega, E. Armengol y E. Gil.
2019. Comprobación de un sistema
de aplicación variable basado en
mapas de vegetación obtenidos con
un vehículo aéreo no tripulado (UAV).
804
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
Huesca. Universidad Politécnica
de Cataluña. X Congreso Ibérico de
Agroingeniería. Disponible en: https://
zaguan.unizar.es/record/84473/
les/3431.pdf. Fecha de consulta:
marzo 2020.
Castillejo-González, I., Peña-Barragán,
J., Jurado-Expósito, M., Mesas-
Carrascosa, F., and López-Granados,
F. 2014. Evaluation of pixel- and object-
based approaches for mapping wild oat
(Avena sterilis) weed patches in wheat
elds using QuickBird imagery for
site-specic management. European
Journal of Agronomy. 59(3), 57-66.
Cevallos, H., L. Vargas y J. Vargas. 2019. Uso
de índices espectrales en la agricultura
de precisión: caso de estudio campus de
la Facultad Técnica de Machala. Rev.
Alternativas. 19(1), 71-79.
De Castro, A., J. Peña, J. Torres, F. Jiménez,
F. Valencia, J. Recasens and F.
López. 2020. Mapping Cynodon
Dactylon Infesting Cover Crops with
an Automatic Decision Tree-OBIA
Procedure and UAV Imagery for
Precision Viticulture. Remote Sensing
of Environment. 12(56), 2-23.
Franzini, M., G. Ronchetti, G. Sona and
V. Casella. 2019. Geometric and
radiometric consistency of Parrot
Sequoia multispectral images for
precision agricultural applications
mdpi magazine. Journal Appl. Sci.,
9(24), 1-24.
Filella, I. and J. Penuelas. 1994. The red edge
position and shape as indicators of
plant chlorophyll content, biomass and
hydric status. Journal Remote Sens.,
15(7), 1459-1470.
Jiménez, Á., D. Camargo y D. García. 2020.
Sistema inteligente para el manejo
de malezas en cultivos de piña con
conceptos de agricultura de precisión.
Rev. Cienc. y Agric. 17(3), 122-136.
Kharuf, S., L. Hernández, R. Orozco, O. Aday y
I. Delgado. 2018. Análisis de imágenes
multiespectrales adquiridas con
vehículos aéreos no tripulados. Rev.
Ing. Elec. Autom. Comun. 39(2), 79-91.
Lárraga, H., A. Piedad, D. Hernández
y E. Guerrero. 2019. Modelo de
clasicación espacial de textura
aplicada a unidades de vegetación.
Rev. Tectzapic. 5(2), 29-39.
Li, F., Y. Miaoa, G. Fengc, F. Yuand, S.
Yuea and X. Gaoa. 2014. Improving
estimation of summer maize nitrogen
status with red edge-based spectral
vegetation indices. Journal Field Crops
Research, 157, 111-123.
Martínez, N., y E. Barrera. 2020. Ecosiología
de la germinación de tres malezas
efímeras periurbanas en Morelia,
Michoacán, México. Rev. La Granja.
31(1), 47-55.
Muñoz, P. 2013. Índices de vegetación.
Apuntes de Teledetección. Disponible
en: http://bibliotecadigital.ciren.cl/
bitstream/handle/123456789/26389/
Tema%20Indices%20de%20
vegetaci%C3%B3n%2C%20
Pedro%20Mu%C3%B1oz%20A.
pdf?sequence=1&isAllowed=y. Fecha
de consulta: julio del 2020.
Páliz, C., M. Vera, M. Goyes, F. Beltrán y
M. López. 2019. Costes, benecios
y rentabilidad en el cultivo de
maíz. Primera Edición. Centro de
Investigación y Desarrollo Profesional.
Babahoyo, 94p.
Parrot Drone SAS. 2019. Parrot Sequoia.
Manual de Especicaciones Técnicas.
Disponible en: http://www.uavsensey.
cl/PDF/Ficha_Tecnica_Sequoia_
V2.pdf. Fecha de consulta: febrero
2020.
Peña, J., J. Torres-Sánchez, A. Serrano y
F. López. 2014. Detección de malas
hierbas en girasol en fase temprana
mediante imágenes tomadas con un
vehículo aéreo no tripulado (UAV).
Rev. de Teledet. 42(1), 39-47.
Pérez, L., C. Castañeda, M. Ramos y J. Tafoya.
2014. Control químico preemergente
de la maleza en tomate de cáscara.
Rev. Interciencia, 39(6), 422-427.
Pix4D SA. 2019. Pix4D Mapper. Software en
fotogrametría para mapeo profesional
con drones. Disponible en: https://www.
pix4d.com/es/producto/pix4dmapper-
fotogrametria-software. Fecha de
consulta: marzo 2020.
Polanco, J. 2012. Teledetección de la
vegetación del páramo de Belmira
805
Esta publicación científica en formato digital es continuación de la Revista Impresa: Depósito legal pp 196802ZU42, ISSN 0378-7818.
Rev. Fac. Agron. (LUZ). 2021, 38(4): 785-805. Octubre-Diciembre.
Pinargote y Pacheco ISSN 2477-9407
con imágenes Landsat. Rev. DYNA,
79(171), 222-231.
Qi, J., A. Chehbouni, A. Huete, Y. Kerr and
S. Sorooshian. 1994. A Modied Soil
Adjusted Vegetation Index. Remote
Sens. Environ. 48, 119-126.
Radoglou, P., P. Sarigiannidis, T. Lagkas and
L. Moscholios. 2020. A Compilation
of UAV Applications for Precision
Agriculture. Journal Computer
Networks 172, 1-18
Rouse, J., Haas, R., Schell, J., and Deering,
D. 1973. Monitoring the vernal
advancement and retrogradation
(green wave effect) of natural
vegetation. Index DataBase.
Disponible en: https://www.
indexdatabase.de/db/r-single.
php?id=675. Fecha de consulta: mayo
del 2020.
Saavedra, D., A. Cubillos, L. Machado, V.
Murcia y D. Méndez. 2018. Análisis
de índices de vegetación en el cultivo
de arroz en la nca La Tebaida del
Municipio de Campoalegre. Rev. La
Angostura. 5(5), 19-28.
Santana, F., S. Trueba, A. Villafuerte, W.
Vera, C. Bravo y R. Bravo. 2020.
Evaluación de la selectividad del
herbicida Pledge, en mezcla con pre-
emergentes en el cultivo de maíz (Zea
mays L.). Rev. Cienc. e Inv. 5(1), 75-
89.
SenseFly a Parrot Company. 2018. The
advanced agricultural drone.
Handbook. Disponible en: https://
geo-matching.com/uploads/default/
m/i/migrationpv4pzg.pdf. Fecha de
consulta: febrero 2020.
Sishodia, R., R. Ray and S. Singh. 2020.
Applications of Remote Sensing in
Precision Agriculture: A Review.
Journal Remote Sens. 12(19), 2-31.
Song, B. and K. Park. 2020. Detection of
Aquatic Plants Using Multispectral
UAV Imagery and Vegetation Index.
J. Remote Sens 12, 2-16.
Stott, E., R. Williams and T. Hoey. 2020.
Ground Control Point Distribution
for Accurate Kilometre-Scale
Topographic Mapping Using an RTK-
GNSS Unmanned Aerial Vehicle
and SfM Photogrammetry. Journal
Drones. 4(55), 1-21.
Wu, W., W. Al-Shae, A. Mhaimeed, F.
Ziadat, V. Nangia and W. Payne. 2014.
Soil Salinity Mapping by Multiscale
Remote Sensing in Mesopotamia,
Iraq. IEEE J. Sel. Top. App. Earth
Obs. Remote Sens., 7(11), 4442-4452.
Yang, C. 2020. Precision agricultural
technologies and remote sensing for
the detection and management of crop
diseases with a practical application
example. Journal Engineering. 6(5),
528-532.