Evaluación del aporte de las características texturales en imágenes adquiridas en vehículos aéreos no tripulados para la identificación del estrés biótico en frailejones. Caso de estudio: páramo de Chingaza (Colombia)
Resumen
Los frailejones son una de las especies endémicas más representativas en los ecosistemas de páramo, la cual, en los últimos años, se está viendo afectada por el estrés biótico. Las imágenes obtenidas mediante vehículos aéreos no tripulados han demostrado un gran potencial en el monitoreo ambiental. Este trabajo busca establecer si el análisis textural aplicado a estas imágenes adquiridas en el Páramo de Chingaza (Colombia) permite la identificación del estrés biótico en los frailejones. Con este fin, en este estudio se hace uso del análisis de ocurrencia, la matriz de coincidencia de nivel de gris y la transformada de Fourier. La identificación de frailejón sano y enfermo se realiza a través de la clasificación de máxima verosimilitud y de máquinas de soporte vectorial. Los resultados son evaluados a través de la precisión global, el coeficiente kappa y la distancia bhattacharyya; mostrando que la combinación de información espectral y textural aumentan la exactitud de clasificación alcanzado un coeficiente kappa de 0,9824 y una precisión global de 99,51%.
Descargas
Disciplinas:
Tele-detecciónAgencias de apoyo:
Universidad Distrital Francisco José de CaldasDerechos:
UMNGReferencias bibliográficas
FAO, ¿por qué invertir en el desarrollo sostenible de las montañas?, Roma, 2014.
O. V. Ríos and P. Pedraza, El Parque Nacional Natural Chingaza. UNal de Colombia, 2004.
A. Sanchez, A. Rey-Sánchez, J.M. Posada, W. K. Smith. Interplay of seasonal sunlight, air and leaf temperature in two alpine páramo species, Colombian Andes. Agricultural and Forest Meteorology, 253–254, (2018), 38–47. https://doi.org/10.1016/j.agrformet.2018.01.033.
M. Cabrera and W. Ramírez, Restauración Ecológica de los páramos de Colombia: Transformación y herramientas para su conservación. Min Ambiente, Instituto von Humboldt, 2014.
N. Susiˇc, U. Zibrat, S. Sirca, P. Strajnar, J Razinger, M. Knapiˇc, A. Vonˇcina, G. Urek, BG. Stare, Discrimination between abiotic and biotic drought stress in tomatoes using hyperspectral imaging, Sensors and Actuators: B. Chemical (2018), https://doi.org/10.1016/j.snb.2018.06.121
U. Žibrat, N. Susic, M. Knapic, S. Širca, P. Strajnar, J. Razinger, A. Voncina, G. Urek, B. Geric. Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes, MethodsX, 6 (2019), 399–408, https://doi.org/10.1016/j.mex.2019.02.022
I. Colomina and P. Molina, “Unmanned aerial systems for photogrammetry and remote sensing: A review,” ISPRS J. Photogramm. Remote Sens., vol. 92, pp. 79–97, Jun. 2014.
J. J. Díaz García, “Estudio de índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de éstos a la agricultura de precisión.,” 2015.
L. C. G. David and A. H. Ballado, “Vegetation indices and textures in object-based weed detection from UAV imagery,” in Control System, Computing and Engineering (ICCSCE), 2016 6th IEEE International Conference on, pp. 273–278, 2016.
R. M. Haralick, “Statistical and structural approaches to texture”, Proc. IEEE, vol. 67 (5), pp. 786–804, 1979.
A. S. Laliberte and A. Rango, “Texture and Scale in Object-Based Analysis of Subdecimeter Resolution Unmanned Aerial Vehicle (UAV) Imagery,” IEEE Trans. Geosci. Remote Sens., vol. 47, no. 3, pp. 761–770, Mar. 2009.
J. Yue, G. Yang, Q. Tiana, H. Feng, K. Xua, C. Zhoub, Estimate of winter-wheat above-ground biomass based on UAV ultra high ground-resolution image textures and vegetation indices, ISPRS Journal of Photogrammetry and Remote Sensing, 150, (2019), 226–244. https://doi.org/10.1016/j.isprsjprs.2019.02.022
Q. Feng, J. Liu, and J. Gong, “UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis,” Remote Sens., vol. 7, no. 1, pp. 1074–1094, Jan. 2015. doi:10.3390/rs70101074
S. Ondimu, H. Murase, “Water stress detection in Sunagoke moss (Rhacomitrium canescens) using combined thermal infrared and visible light imaging techniques” Biosyst. Eng., vol. 100 (1), pp. 4–13, 2008. doi: 10.1016/j.biosystemseng.2008.02.005
N. Hashim, S. Adebayo, K. Abdana, M. Hanafi. Comparative study of transform-based image texture analysis for the evaluation of banana quality using an optical backscattering system. Postharvest Biology and Technology, 135, (2018), 38–50. http://dx.doi.org/10.1016/j.postharvbio.2017.08.021
M.P. Ferreira, F. Wagner, L. Aragão, Y. Shimabukuro, C. Filhod, Tree species classification in tropical forests uing visible to shortwave infrared WorldView-3 images and texture analysis, ISPRS Journal of Photogrammetry and Remote Sensing, 149, 2019, 119–131. https://doi.org/10.1016/j.isprsjprs.2019.01.019
P. Mishra, A. Nordon, M.S. Mohd Asaari, G. Lian, S. Redfern. Fusing spectral and textural information in near-infrared hyperspectral imaging to improve green tea classification modelling, Journal of Food Engineering (2019), doi: https://doi.org/10.1016/j.jfoodeng.2019.01.009.
V.H. Vásquez, M.A. Serrano, 2009. Las áreas naturales protegidas de Colombia. Conservación Internacional-Colombia, Bogotá.
L. Sastoque, E. Gutiérrez, E. Upegui. Espacialización del estrés biótico en los frailejones del Parque Natural Nacional Chingaza (Colombia) utilizando imágenes capturadas con un vehículo aéreo no tripulado. Nuevas plataformas y sensores de teledetección. XVII Congreso de la Asociación Española de Teledetección. Murcia 3-7 octubre 2017. pp. 461-464
V. A. Montoliu. “Respuestas fisiológicas de los cítricos sometidas a condiciones de estrés biótico y abiótico aspectos comunes y específicos”. Tesis Doctoral. Universidad de Jaume, España. 2010.
J. Singla, and SG. Krattinger. Biotic Stress Resistance Genes in Wheat. Genetics of Grains. 2016. Elsevier Ltd.
M. Tuceryan and A. K. Jain, “Texture analysis,” Handb. Pattern Recognit. Comput. Vis., vol. 2, pp. 207–248, 1998.
J. Sklansky, “Image Segmentation and Feature Extraction,” IEEE Trans. Syst. Man Cybern., vol. 8, no. 4, pp. 237–247, Apr. 1978. doi: 10.1109/TSMC.1978.4309944
A. R. Backes, W. N. Gonçalves, A. S. Martinez, and O. M. Bruno, “Texture analysis and classification using deterministic tourist walk,” Pattern Recognition, vol. 43, no. 3, pp. 685–694, Mar. 2010. https://doi.org/10.1016/j.patcog.2009.07.017
G. N. Srinivasan, & G Shobha. Statistical texture analysis. En Proceedings of world academy of science, engineering and technology. Vol. 36, pp. 1264–1269, 2008.
N. Aggarwal, & R. K. Agrawal, First and second order statistics features for classification of magnetic resonance brain images. Journal of Signal and Information Processing, 3(02), 146, 2012. doi: 10.4236/jsip.2012.32019
C. Pinilla, A. Alcalá, & F. Ariza. Filtrado de imágenes en el dominio de la frecuencia. Revista de la Asociación Española de Teledetección, 8, 1997.
V. Friedrich. Transformada de Fourier de una Imagen y filtrado de una imagen en el dominio de la frecuencia. Funciones de Variable Compleja. 2013.
J. A. Richards, & X. Jia. Remote Sensing Digital Image Analysis - An Introduction. 4th. 2006.
E. Chuvieco. Teledetección ambiental: la observación de la Tierra desde el espacio (3ra ed.). Barcelona: Ariel Ciencia. 2002.
L. Wang, W. P. Sousa, & P. Gong. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24), 5655–5668, 2004. https://doi.org/10.1080/014311602331291215
F. Pacifici, M. Chini, and W. J. Emery, “A neural network approach using multi-scale textural metrics from very high-resolution panchromatic imagery for urban land-use classification,” Remote Sens. Environ., vol. 113, no. 6, pp. 1276–1292, Jun. 2009. https://doi.org/10.1016/j.rse.2009.02.014
J. Hua, Z. Xiong, J. Lowey, E. Suh, and E. R. Dougherty. Optimal number of features as a function of sample size for various classification rules. Bioinformatics, Volume 21, Issue 8, Pages 1509–1515, (2004), https://doi.org/10.1093/bioinformatics/bti171
