Refinamiento del estado de la vegetación vitivinícola mediante la utilización de datos de pastizales y teledetección | JoVE Visualize

Área de la Ciencia:

Ciencias Agrícolas
Detección remota
Ecología

Sus antecedentes:

Los índices de vegetación (VI) son cruciales para el seguimiento de la salud vegetal y el estrés ambiental.
El Índice de Vegetación de Diferencia Normalizada (NDVI) es ampliamente utilizado, pero su precisión puede estar limitada por factores como el tipo de suelo y la topografía.
La integración de datos de diversas fuentes, como praderas e imágenes satelitales, puede mejorar las capacidades de monitoreo de la vegetación.

Objetivo del estudio:

Investigar los índices de vegetación específicos (VI) en los ecosistemas de pastizales y viñedos.
Evaluar el potencial de los datos de teledetección de pastizales (RS) para refinar los valores NDVI en los viñedos.
Comparar el rendimiento de diferentes modelos de aprendizaje automático en la predicción de la variedad VI.

Principales métodos:

Monitoreo de campo del NDVI, del índice de reflexión fotoquímica (PRI) y de la radiación fotosinteticamente activa (PAR) en las zonas de pastizales y viñedos.
Adquisición y análisis de datos espectrales de Sentinel-2 (S2).
Aplicación de técnicas de aprendizaje automático, incluida la regresión lineal (LR), el bosque aleatorio (RF) y XGBoost, para refinar las mediciones de NDVI.

Principales resultados:

Se observaron diferencias significativas en el VI entre los sitios, correlacionadas con la química del suelo.
El NDVI indicó el vigor general del dosel, mientras que el PRI mostró una mayor sensibilidad a los cambios fisiológicos a corto plazo y al estrés.
El NDVI basado en tierra y el RS mostraron una buena correlación (r=0,68).
El modelo de RF, entrenado con datos de día del año y pastizales, logró la mayor precisión (r = 0,787).
Todos los modelos de aprendizaje automático mostraron una mejor predicción de la variedad VI cuando se incluyó la variedad NDVI de pastizales en el entrenamiento.

Conclusiones:

Los índices de vegetación varían significativamente según el tipo de ecosistema y las propiedades del suelo.
Los datos de teledetección de pastizales pueden mejorar la precisión del seguimiento de la vegetación de los viñedos.
Los modelos de aprendizaje automático, en particular Random Forest, son prometedores para refinar las mediciones de NDVI y evaluar la salud de la vid.