Weed discrimination based on the spectral response of the corn crop, Manabí, Ecuador

• Cinthya K. Pinargote Intriago Maestría en Ingeniería Agrícola, Instituto de Postgrado, Universidad Técnica de Manabí, Ecuador https://orcid.org/0000-0002-9937-3856
• Henry A. Pacheco Gil Facultad de Ingeniería Agrícola, Universidad Técnica de Manabí, Ecuador https://orcid.org/0000-0002-9997-9591

Keywords: unmanned aerial vehicle, remote sensing, vegetation index, supervised classification

Abstract

Precision agriculture allows to gain efficiency, sustainability and profitability, since it provides great benefits 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 classification 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 specific site of the weeds.

References

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 clasificación. Plataforma de representación cartográfica. Disponible en: https://doc.arcgis.com/es/maps-for-office/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 fields. 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). Huesca. Universidad Politécnica de Cataluña. X Congreso Ibérico de Agroingeniería. Disponible en: https://zaguan.unizar.es/record/84473/files/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 fields using QuickBird imagery for site-specific 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 clasificación 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. Ecofisiología 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%20vegetaci%C3%B3n%2C%20Pedro%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, beneficios 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 Especificaciones Técnicas. Disponible en: http://www.uavsensefly.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 con imágenes Landsat. Rev. DYNA, 79(171), 222-231.
Qi, J., A. Chehbouni, A. Huete, Y. Kerr and S. Sorooshian. 1994. A Modified 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 finca 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-Shafie, 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.