Corn yields vary spatially and temporally in the plots as a result of weather, altitude, variety, plant density, available water, nutrients, and planting date; these are the main factors that influence crop yield. In this study, different multispectral and red-green-blue (RGB) vegetation indices were analyzed, as well as the digitally estimated canopy cover and plant density, in order to estimate corn grain yield using a neural network model. The relative importance of the predictor variables was also analyzed. An experiment was established with five levels of nitrogen fertilization (140, 200, 260, 320, and 380 kg/ha) and four replicates, in a completely randomized block design, resulting in 20 experimental polygons. Crop information was captured using two sensors (Parrot Sequoia_4.9, and DJI FC6310_8.8) mounted on an unmanned aerial vehicle (UAV) for two flight dates at 47 and 79 days after sowing (DAS). The correlation coefficient between the plant density, obtained through the digital count of corn plants, and the corn grain yield was 0.94; this variable was the one with the highest relative importance in the yield estimation according to Garson’s algorithm. The canopy cover, digitally estimated, showed a correlation coefficient of 0.77 with respect to the corn grain yield, while the relative importance of this variable in the yield estimation was 0.080 and 0.093 for 47 and 79 DAS, respectively. The wide dynamic range vegetation index (WDRVI), plant density, and canopy cover showed the highest correlation coefficient and the smallest errors (R = 0.99, mean absolute error (MAE) = 0.028 t ha−1, root mean square error (RMSE) = 0.125 t ha−1) in the corn grain yield estimation at 47 DAS, with the WDRVI index and the density being the variables with the highest relative importance for this crop development date. For the 79 DAS flight, the combination of the normalized difference vegetation index (NDVI), normalized difference red edge (NDRE), WDRVI, excess green (EXG), triangular greenness index (TGI), and visible atmospherically resistant index (VARI), as well as plant density and canopy cover, generated the highest correlation coefficient and the smallest errors (R = 0.97, MAE = 0.249 t ha−1, RMSE = 0.425 t ha−1) in the corn grain yield estimation, where the density and the NDVI were the variables with the highest relative importance, with values of 0.295 and 0.184, respectively. However, the WDRVI, plant density, and canopy cover estimated the corn grain yield with acceptable precision (R = 0.96, MAE = 0.209 t ha−1, RMSE = 0.449 t ha−1). The generated neural network models provided a high correlation coefficient between the estimated and the observed corn grain yield, and also showed acceptable errors in the yield estimation. The spectral information registered through remote sensors mounted on unmanned aerial vehicles and its processing in vegetation indices, canopy cover, and plant density allowed the characterization and estimation of corn grain yield. Such information is very useful for decision-making and agricultural activities planning.

The number of plants, or planting density, is a key factor in corn crop yield. The objective of the present research work was to count corn plants using images obtained by sensors mounted on an unmanned aerial vehicle (UAV). An experiment was set up with five levels of nitrogen fertilization (140, 200, 260, 320 and 380 kg/ha) and four replicates, resulting in 20 experimental plots. The images were taken at 23, 44 and 65 days after sowing (DAS) at a flight altitude of 30 m, using two drones equipped with RGB sensors of 12, 16 and 20 megapixels (Canon PowerShot S100_5.2, Sequoia_4.9, DJI FC6310_8.8). Counting was done through normalized cross-correlation (NCC) for four, eight and twelve plant samples or templates in the a* channel of the CIELAB color space because it represented the green color that allowed plant segmentation. A mean precision of 99% was obtained for a pixel size of 0.49 cm, with a mean error of 2.2% and a determination coefficient of 0.90 at 44 DAS. Precision values above 91% were obtained at 23 and 44 DAS, with a mean error between plants counted digitally and visually of ±5.4%. Increasing the number of samples or templates in the correlation estimation improved the counting precision. Good precision was achieved in the first growth stages of the crop when the plants do not overlap and there are no weeds. Using sensors and unmanned aerial vehicles, it is possible to determine the emergence of seedlings in the field and more precisely evaluate planting density, having more accurate information for better management of corn fields.

La fracción de cobertura de la vegetación es una variable importante en el monitoreo de cultivos que se relaciona con características biofísicas como la densidad, la fenología, el índice de área foliar, la germinación, la capacidad fotosintética del follaje, la evapotranspiración, la productividad y el rendimiento de los cultivos. El objetivo de este estudio fue estimar la fracción de cobertura vegetal durante el desarrollo del cultivo de maíz a partir de imágenes tomadas por un sensor que captura información en el espectro del rojo, verde y azul (RGB) montado en un vehículo aéreo no tripulado, con índices de vegetación y métodos de umbralización. Se realizaron seis vuelos, lo que generó seis ortomosaicos durante el desarrollo del cultivo. La captura de la imagen fue a 30 m de altura sobre el nivel del suelo, con resoluciones de 0.75 a 0.80 cm/pixel. Para la extracción de la vegetación y transformación de los ortomosaicos a escala de grises se emplearon cuatro índices de vegetación (IV): índice de verdor triangular (TGI), índice exceso de verde (EXG), índice de resistencia atmosférica visible (VARI) e índice de diferencia normalizado verde-rojo (NGRDI). La umbralización se realizó con los algoritmos Otsu, IsoData, Fuzzy y conservación de momentos a cada imagen en escala de grises generada con los IV para separar y clasificar los pixeles de las imágenes en dos clases, suelo y vegetación. Los índices utilizados para extraer la vegetación mostraron alta precisión en las primeras etapas de desarrollo, por lo que es posible utilizarlos para conocer la germinación, densidad y vigor inicial del cultivo. Se encontró que el índice EXG presentó errores de 2.2 a 17.8 % en la estimación de la fracción de cobertura de la vegetación durante el desarrollo del cultivo; errores menores al 5 % se obtuvieron mediante el umbral calculado con el método Fuzzy hasta los 58 días después de siembra. El uso de las imágenes digitales de alta resolución desde el vehículo aéreo no tripulado (UAV) permitió estimar la cobertura vegetal con errores menores al 5 % en las primeras etapas de desarrollo del cultivo del maíz.

Introducción: la salinidad del lago de Texcoco se debe a que éste fue una cuenca endorreica, no tenía forma de lavar las sales. Las causas de salinización de los suelos agrícolas en estas parcelas son: manejo deficiente del riego, uso de aguas de baja calidad para riego y uso excesivo de los fertilizantes químicos. El objetivo de este trabajo fue analizar la composición iónica y comparar la relación de adsorción de sodio-porciento de sodio intercambiable explícita y ajustada de una parcela agrícola. Método: se hizo un muestreo de suelo para determinar los parámetros de: pH, conductividad eléctrica, calcio, magnesio, sodio, potasio, carbonato, bicarbonato, cloruro y sulfato, de acuerdo con la NOM-021-RECNAT-2000. Además, se realizaron mapas de interpolaciones y curvas de nivel. Resultados y discusión: de acuerdo con los resultados obtenidos del laboratorio, la parcela es de suelo salino-sódico. Se encontró diferencia significativa entre la relación de adsorción de sodio (RAS) y la relación de adsorción de sodio ajustada, siendo este último el más elevado. Las imágenes interpoladas y las curvas de nivel dan una visión artificial de la relación de adsorción de sodio y el porciento de sodio intercambiable (PSI). Conclusión: en general, la parcela presenta valores elevados de RAS y PSI. Por lo que en casi toda la parcela existe riesgo de sodicidad. Existen diferencias significativas entre RAS y RAS ajustado, pero no existe diferencia de importancia entre el PSI y el PSI calculado con RAS ajustado. La clasificación RAS-CE, en la mayoría de los casos, presenta suelos de salinidad muy alta y sodicidad media (C4-S2).

No abstract