PROCESSAMENT I ANÀLISI DE DADES I EXTRACCIÓ D'INFORMACIÓ

Tècniques de mapat per a l’Agicultura de Precisió

Necessitat dels mapes de superfície

L’adquisició de dades en Agricultura de Precisió (AP) es caracteritza, habitualment, per la mesura d’una variable agronòmica en diferents punts amb informació associada de la seva localització (SSNG). Aquest conjunt de dades puntuals (o dades vectorials puntuals, si utilitzem la terminologia dels Sistemes d’Informació Geogràfica, SIG), es pot visualitzar utilitzant diferents programaris SIG i/o plataformes, obtenint el que se’n diu un mapa de punts o mapa vectorial (dot map). En aquests mapes, cadascun dels punts representats conté informació sobre la variable mesurada (o atribut). Si s’utilitza una llegenda de color adequada, el mapa permet visualitzar d’una manera ràpida i intuïtiva com varia la variable en qüestió segons la localització dins la parcel·la. La Figura 1 mostra, com a exemple, els mapes de dades puntuals de la CEa (conductivitat elèctrica aparent) del sòl a dues profunditats (shallow i deep), un cop representades en un SIG les dades adquirides amb el sensor Veris 3100 en una parcel·la de 14,5 ha situada a Raimat (Lleida).

Figura 1. Dades puntuals de CEa adquirides amb el sensor Veris 3100. Esquerra: CEa superficial (0-30 cm). Dreta: CEa profunda (0-90 cm).

Les dades ràster, en canvi, fan referència als valors que assoleix una determinada variable agronòmica en relació a una cel·la o píxel dins una quadrícula o graella de píxels (grid) que cobreix la zona (o parcel·la) d’interès (Fig. 2). En aquest cas, la localització dels valors de la variable es basa en l’ordenació dels píxels segons una disposició de files i columnes. Aquest tipus de dades són les proporcionades, per exemple, per les imatges satel·litals o les imatges aèries adquirides des d’avioneta o dron, cada cop més utilitzades en AP. Comparat amb les dades vectorials, l’ús de dades ràster presenta l’avantatge de proporcionar la informació espacial amb continuïtat, la qual cosa és aplicable a moltes de les característiques del sòl i/o del cultiu que se solen mesurar en AP. A més, estant referida la informació espacial sobre una mateixa quadrícula de píxels, els agricultors i/o assessors tècnics poden ara interpretar la informació adquirida d’una manera més raonada, al fer-se factible la comparació entre mapes de diferents campanyes o l’anàlisi conjunta de mapes de diferents variables agronòmiques. En definitiva, i amb l’objectiu d’extreure informació útil i més fàcilment interpretable, és una bona opció mapejar la informació proporcionada pels diferents sensors emprats en AP en un format de mapa de superfície o mapa amb cobertura ràster. La Figura 3 mostra els mapes de superfície obtinguts a partir de les dades vectorials mostrades en la Figura 1. El pas d’un mapa amb dades puntuals a un mapa de superfície requereix aplicar un procés d’interpolació espacial.

 

Figura 2. Conjunt de píxels (dades ràster) disposats ordenadament en files i columnes. Cada píxel té la mateixa mida (àrea), sent el valor de píxel el valor que assoleix la variable agronòmica per a aquesta àrea (documentación de QGIS 2.18).

Figura 3. Esquerra: Mapa ràster de la CEa superficial (0-30 cm). Centre: Mapa ràster de la CEa profunda (0-90 cm). Dreta: Mapa que mostra dues classes de CEa profunda (baixa i alta conductivitat).

Mapar una variable agronòmica és una qüestió d’interpolació espacial

Tal i com s’ha comentat, l’obtenció d’un mapa de superfície (amb cobertura ràster) a partir d’un conjunt de dades puntuals requereix aplicar un procediment d’interpolació espacial. Existeixen diferents mètodes d’interpolació. Independentment que se n’utilitzi un o altre, l’obtenció de mapes de superfície en AP s’aplica normalment a dades quantitatives que, o bé han estat adquirides amb procediments manuals de baixa intensitat (Fig. 4) o, com succeeix la majoria de les vegades, han estat registrades utilitzant sensors en continu (on-the-go) que acaben proporcionant un gran nombre de dades a nivell de parcel·la (Fig. 5). El que varia entre ambdós casos és el suport de la informació disponible, constituint les dades puntuals del monitor de collita (Fig. 5) un suport espacial de major resolució (amb possibilitat, per tant, d’observar un major contrast en la variació local de la variable mapejada).

Figura 4. Cas d’una variable registrada manualment segons un esquema de mostreig sistemàtic: nombre de raïms per cep. Centre: Dades puntuals. Dreta: Mapa de superfície després d’aplicar un mètode d’interpolació espacial.

 

Figura 5. Cas d’una variable registrada en continu (on-the-go): collita de raïm (t/ha). Centre: Dades puntuals subministrades pel monitor de collita. Dreta: Mapa de superfície després d’aplicar un mètode d’interpolació espacial.

Mètodes d’interpolació

Els mètodes d’interpolació es classifiquen, pel que fa al model de predicció espacial emprat, en dues categories principals: deterministes i probabilístics. Tot i que se'n poden citar uns quants, podem destacar els mètodes de mitjana mòbil i invers a la distància, dins el primer grup, i la interpolació geoestadística, quan s’opta, dins el segon grup, per l’ús d’un model de predicció probabilístic linial.

Però, abans de descriure els diferents mètodes, cal establir i entendre la terminologia comuna que hi ha darrere dels mètodes d’interpolació espacial. La Figura 6 mostra, per una banda, les dades puntuals obtingudes d’una determinada variable agronòmica ( ) en diferents punts georeferenciats ( ) i, per una altra, els punts que conformen la malla (o quadrícula) d’interpolació, és a dir, els punts (de predicció) de coordenades conegudes centrats en els píxels als quals se’ls assignarà un valor representatiu de la variable. La representació dels valors de predicció (valors de píxel) sobre l’àrea a mapejar conforma el mapa final de superfície buscat. En la mateixa figura es ressalta, dins la quadrícula, el punt de predicció 0 amb coordenades ( ), encerclat de l’anomenat radi de cerca. Aquest radi serveix per definir prèviament els punts originals (punts veïns) que intervindran en el procediment d’interpolació espacial del punt 0 (altres vegades, en lloc d’un radi de cerca, s’utilitza un nombre mínim-màxim de punts veïns al punt de predicció). Aquesta característica és pròpia dels mètodes d’estimació local, és a dir, dels mètodes que busquen estimar el valor d’una variable agronòmica en una localització concreta (en aquest cas, en el punt de predicció representatiu de la cel·la o píxel).

 

Figura 6. Esquema dels elements que intervenen en un procediment d’interpolació espacial per a l’estimació local d’una variable agronòmica (Whelan & Taylor, 2013).

La diferència entre mètodes d’interpolació rau, bàsicament, en el criteri utilitzat a l’hora d’assignar els valors de píxel tenint en compte les dades puntuals adquirides (valors i disposició espacial dels punts veïns dins el radi de cerca). Concretament, el valor estimat de la variable en el punt de predicció s’obté en base a un model linial de la forma,

 (1)

és a dir, aplicant una mitjana ponderada als valors de la variable en els punts veïns (dins el radi de cerca) al punt de predicció. Si s’opta pel mètode de ‘mitjana mòbil’, el valor  resulta simplement d’aplicar la mitjana aritmètica dels punts que han estat encerclats pel radi de cerca. Per tant, aquest mètode valora les dades puntuals amb el mateix pes (estiguin a prop o lluny del punt de predicció), resultant normalment uns mapes força suavitzats. Si s’opta pel mètode de la ‘ponderació inversa a la distància’, els valors de la variable es ponderen normalment de forma inversa al quadrat de la distància que els separa del punt de predicció; s’atribueix, per tant, major pes als punts veïns que estan a prop del punt de predicció, disminuint la seva influència de forma dràstica a mesura que s’allunyen d’aquest punt.

La interpolació geoestadística

Enfront dels mètodes anteriors, la interpolació geoestadística assigna els pesos a les dades puntuals en base a la modelització espacial prèvia de totes les dades adquirides (és a dir, considerant totes les dades dins i fora del radi de cerca). Un cop obtingut aquest model (anomenat variograma), el procediment d’interpolació assigna finalment els pesos als punts veïns (punts dins el radi de cerca) en base a la resolució d’un sistema d’equacions (sistema kriging) que utilitza la informació prèvia subministrada pel variograma. En definitiva, la ponderació està basada en un criteri més objectiu en tant que considera el patró de variació espacial de la variable a l’hora de ponderar unes localitzacions més que unes altres. Finalment, a diferència dels mètodes deterministes, l’aplicació del kriging fa possible també que es pugui obtenir una estimació de l’error comès en la interpolació. Aquesta possibilitat es clau per tal de validar la fiabilitat dels mapes obtinguts.
Pel que fa al suport de la predicció, pot optar-se per una interpolació puntual (punctual kriging), o per una interpolació en blocs (block kriging). En el primer cas (Fig. 7), el valor estimat de la variable en el punt de predicció es correspon amb el valor que presumiblement assoleix la variable en aquest punt geogràfic, fent extensible aquest valor a l’àrea ocupada per la cel·la o píxel corresponent. En canvi, si s’opta per una interpolació en blocs (Fig. 7), el valor finalment assignat al punt de predicció (i, per tant, valor assignat al píxel corresponent) ve a representar el valor promig que pren la variable per a una àrea (bloc) de major superfície centrada en el píxel. Com es esperable, el mapejat en base a aquesta segona opció proporciona mapes menys contrastats i amb un cert grau de suavització.

 

Figura 7. Malla d’interpolació amb píxels de 3 m. Esquerra: Kriging puntual (el valor interpolat és el que correspon al punt representatiu del píxel). Dreta: Kriging en blocs de mida dx·dy m (el valor interpolat i que s’assigna al píxel és el que correspon a un bloc de major mida centrat en el píxel).

A manera comparativa, la Figura 8 mostra els mapes de superfície de conductivitat elèctrica aparent (CEa, 0-90 cm), utilitzant interpolació puntual i interpolació en blocs, respectivament.

 

Figura 8. Mapes de CEa (0-90 cm) utilitzant una malla d’interpolació de 2 m en ambdós casos. Esquerra: Mapa interpolat en base a un kriging puntual. Dreta: Mapa interpolat en base a un kriging en blocs de 10 m. Aquest darrer mapa mostra una aparença més suavitzada per l’efecte de la interpolació en blocs.

Programaris i validació de mapes

Existeixen diferents programaris per al mapejat mitjançant interpolació geoestadística. La nostra recomanació és utilitzar el programari de lliure accés VESPER (Minasny et al., 2005). A diferència d’altres programaris, VESPER permet obtenir mapes en base a la utilització de variogrames locals, és a dir, utilitzant un variograma específic per a cada punt de predicció (píxel) que conforma el mapa. Aquesta utilitat és força convenient quan es disposa d’una gran quantitat de dades, procedents, normalment, de parcel·les de certa dimensió (com és el cas de les dades de collita o les dades de CEa que se solen utilitzar en AP). Existeix, fins-i-tot, un plugin instal·lable en el programari QGIS (PAT – Precision Agriculture Tools) que integra VESPER per a la interpolació geoestadística. Altres opcions de programaris disponibles en codi obert o sense necessitat de llicència són: SAGA (System for Automated Geoscientific Analyzes) i R.

Pel que fa a la validació dels mapes obtinguts, s’ha de tenir en compte que la interpolació geoestadística permet obtenir dos mapes: el mapa de prediccions (o mapa de la variable agronòmica), i el mapa d’error (o mapa que proporciona per a cada píxel la variància estimada de predicció, l’arrel quadrada de la qual ve a ser una mesura de l’error esperable de la predicció).

Al disposar d’aquesta informació, una forma de validar el mapa interpolat és calculant la mitjana dels valors de píxel del mapa d’error (o variància de predicció global). Si aquest valor s’apropa a la variància de les dades de partida (variància global), llavors el mapa és 100% imprecís; si la variància de predicció global tendeix a 0, es conclou que el mapa és 100% precís.

De tota manera, la qualitat d’un mapa només es pot comprovar quan es disposa de punts de validació, és a dir, punts mostrejats diferents del conjunt de dades puntuals utilitzades per fer les prediccions. Anomenant els valors estimats en el mapa, , i els valors actuals o reals en els punts de validació, , s’acostumen a utilitzar els següents indicadors:

  • Error mig de predicció: (2)

 

  • Arrel de l’error quadràtic mig de predicció: (3)

 

A manera de recordatori

Etapes per a la realització d’un mapa

(1) Dissenyar un pla adequat de mostreig (adquisició de dades) dins l’àrea d’estudi (parcel·la o finca).

(2) Adquirir les dades i prendre nota de la seva localització geogràfica.

(3) Obtenir el variograma mitjançant la modelització espacial de les dades mostrejades (anàlisi variogràfica).

(4) Implementar el model espacial en el sistema d’interpolació (kriging).

(5) Validar el mapa.

(6) Obtenir el mapa final de la variable mostrejada.

Requisits de les dades

Encara que es facin servir tècniques geoestadístiques potents, només s'obtindran mapes de qualitat si les dades puntuals adquirides compleixen una sèrie de requisits:

  • Les dades han de ser suficients. El conjunt de dades ha de ser suficientment gran per tal de permetre la realització de tests de validació estadística. Normalment, es recomana disposar de ≥50 punts per fer una estimació i modelització fiables del variograma.
  • Les dades han de ser representatives. El conjunt de dades ha de representar l’àrea d’interès, tant pel que fa a la cobertura geogràfica com pel que fa a la diversitat de característiques espacials.
  • Les dades han de ser independents. Es recomana que les dades s’adquireixin mitjançant un mostreig no preferencial, evitant donar especial rellevància a ubicacions que són més fàcils de visitar, o que puguin estar influenciades per qualsevol altre tipus de biaix humà. Preferiblement, els punts de localització s’han de seleccionar mitjançant dissenys com ara el mostreig aleatori simple, el mostreig regular (o sistemàtic), o el mostreig aleatori estratificat. La presa de dades en continu (on-the-go) és una altra modalitat a tenir en compte.
  • Les dades han d’estar georeferenciades. La geolocalització de les mesures ha de ser precisa. En el límit, l’error de localització mai hauria de superar l’interval espacial de mostreig.

Referències 

Arnaud M, & Emery X. 2000. Estimation et interpolation spatiale. Paris: Hermes Science Europe.

Hengl T. 2009. A practical guide to geostatistical mapping. http://spatial-analyst.net/book/system/files/Hengl_2009_GEOSTATe2c1w.pdf

Minasny B, McBratney AB, & Whelan BM. 2005. VESPER version 1.62. Australian Centre for Precision Agriculture, McMillan Building A05, The University of Sydney, NSW 2006. https://precision-agriculture.sydney.edu.au/resources/software/download-vesper/

QGIS 2.18. https://docs.qgis.org/2.18/es/docs/gentle_gis_introduction/raster_data.html

Webster R, & Oliver MA. 2001. Geostatistics for environmental scientists. Statistics in Practice. Chichester: John Wiley & Sons.

Whelan B, & Taylor J. 2013. Precision agriculture for grain production systems. Collingwood: CSIRO Publishing.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

 

Generació de núvols de punts 3D i extracció d’informació

Una vegada adquirides les dades amb un escàner làser o bé amb càmeres RGB-D o simplement amb càmeres RGB, cal generar els núvols de punts que recrearan l’escena escanejada en 3D. Els processos utilitzats dependran de la tecnologia aplicada i dels sensors utilitzats.

Generació dels núvols de punts

En el cas d’utilitzar escàners làser terrestres, ens podem trobar amb sistemes mòbils o portàtils o bé amb sistemes estacionaris. En el segon cas, quan s’utilitzen sistemes estacionaris, aquests acostumen a ser sensors 3D que cal anar estacionant en llocs diferents per tal d’obtenir dades de tota l’escena sense ombres ni zones amagades. El que s’acostuma a fer en aquests casos és distribuir diverses dianes per tota l’escena que es faran servir posteriorment en un programa informàtica de visualització i edició de per a alinea i situar els diferents núvols de punts de cada estacionament en un sol espai tridimensional de coordenades relatives. Si, a més, les dianes s’han georeferenciat amb coordenades absolutes, els punts del núvol final de tota l’escena també tindran coordenades absolutes. En cas d’utilitzar sistemes mòbils o portàtils, ja siguin terrestres (Figura 1) o aeris, el primer que cal fer es determinar la trajectòria del sensor LiDAR per tal de saber el més exactament possible des d’on s’han realitzat les mesures. Aquesta trajectòria es pot determinar mitjançant tècniques analítics d’SLAM (Simultaneous Location And Mapping) o bé fent servir receptors SSNG o bé fent servir sensors inercials. Tanmateix, per tal d’aconseguir uns bons resultats, el millor és integrar totes tres opcions. Això es fa amb programes específics normalment facilitats pel mateix fabricant del sistema d’escaneig.

Figura 1. Escàner terrestre mòbil Viametris bMS3D del GRAP.

Quan es treballa amb càmeres RGB-D encara no hi ha una metodologia específica desenvolupada a nivell comercial per tal de generar núvols 3D de les escenes escanejades directament. Tanmateix, els algorismes a desenvolupar s’hauran de basar en les mateixes tècniques d’SLAM, georeferenciació i mesures inercials per a determinar la trajectòria i orientació dels sensors per tal de posicionar els núvols de punts obtinguts en cada captura.

Quan es fan servir càmeres RGB convencionals juntament amb tècniques fotogramètriques, una vegada fetes les captures ja sigui des de l’aire o des de terra es faran servir programes informàtics comercials específics per a generar els núvols de punts de les escenes fotografiades. Per a aconseguir núvols de qualitat és imprescindible que les imatges tinguin una bona superposició tant longitudinal com lateral.

En tots els casos, el resultat aconseguit és un núvol de punts 3D amb més o menys resolució i exactitud com, per exemple els de la Figura 2 i Figura 3.

 

Figura 2. Núvol de punts 3D de l’Edifici 4 del Campus Agroalimentari, Forestal i Veterinari de la Universitat de Lleida generat a partir de l’escàner làser terrestres mòbil Viametris bMS3D del GRAP.

Figura 3. Núvol de punts 3D d’un tram de fila de pomers obtingut a partir d’imatges RGB i tècniques fotogramètriques.

Extracció d’informació dels núvols de punts

Tanmateix, aquests núvols de punts no són d’utilitat directa per als agricultors i agricultores o per al seu personal tècnic. El que cal és extreure el màxim d’informació possible dels núvols per a poder-la fer servir en la presa de decisions de maneig agronòmic.

Actualment ja hi ha molt programes informàtics dedicats a visualitzar, editar i processar núvols de punts. Malauradament, cap d’ells està pensat per a aplicacions agrícoles. Hi ha solucions comercials en topografia, en diverses indústries i, fins i tot, en l’àmbit forestal però, de moment, no hi ha programes que processin núvols de punts agrícoles.

Al Grup de Recerca en AgròTICa i Agricultura de Precisió, una de les seves línies de recerca és generar i aplicar dades 3D dins del marc de l’Agricultura de Precisió. En aquesta línia de recerca s’han desenvolupat processos per a analitzar els núvols de punts consistents en separar els punts sobre la superfície del sòl dels punts sobre la vegetació i en extreure dades útils del dosser foliar. Amb els punts sobre el terreny es poden generar models digitals del terreny amb moltíssima resolució. Amb els punts sobre la vegetació es poden obtenir dades sobre la seva alçada, la seva amplada, el seu volum, la seva porositat i la seva superfície foliar. A la Figura 4 es mostra un esquema sobre com s’extreuen les dades del dosser foliar. El procés consisteix en analitzar els punts dels núvols 3D que estan sobre les files de vegetació i agrupar-los en prismes de 10 cm al llarg de les files. Aquests prismes s’analitzen individualment i se n’obté el punt més alt, corresponent a l’alçada del dosser foliar en aquell punt, les amplades del dosser a diferents alçades, la secció transversal ocupada i la seva porositat.

 

Figura 4. Núvol de punts 3D d’un tram de fila d’olivers superintensius i obtenció de l’alçada i de les amplades a diferents alçades. Font: Precision Agriculture 18(1), 111-132. DOI: 10.1007/s11119-016-9474-5.

Donat que els punts tenen associades les coordenades absolutes de la seva posició, totes les mesures derivades estan perfectament georeferenciades. Una vegada obtinguts els paràmetres del dosser foliar, se’ls assignen les coordenades del lloc d’on s’han obtingut i, després de fer una interpolació espacial anomenada krigatge, es poden elaborar els mapes de la seva distribució espacial (Figura 4). Aquests mapes ja són més útils per a l’agricultor/a o el seu personal tècnic, ja que poden veure ràpidament si el seu cultiu es desenvolupa uniformement en tota la plantació o si, per contra, hi ha variabilitat.

Figura 5. Mapes de volum de vegetació en una plantació d’olivers superintentius en dos dates diferents (esquerra i centre) i mapa de creixement (dreta). Font: Precision Agriculture 18(1), 111-132. DOI: 10.1007/s11119-016-9474-5.

 

Actualment, al GRAP continuem treballant per a finalitzar el desenvolupament d’aquests algorismes per a poder-los transferir al sector tan aviat com sigui possible.

Referències

Escolà A, Martínez-Casasnovas JA, Rufat J, Arnó J, Arbonés A, Sebé F, Pascual M, Gregorio E, Rosell-Polo. 2017. Mobile terrestrial laser scanner applications in precision fruticulture/horticulture and tools to extract information from canopy point clouds. Precision Agriculture 18(1), 111-132. DOI: 10.1007/s11119-016-9474-5.

 

Més informació a:

Publicacions científiques del Grup de Recerca en AgròTICa i Agricultura de Precisió: www.grap.udl.cat/ca/publications/Publicacions-cientifiques

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

 

Tècniques de classificació de dades o zonificació

 

 

 

Plataformes de monitoratge i maneig de cultius

Què són?

Les plataformes de monitoratge i maneig de cultius són aplicacions web o de telèfon destinades a recopilar, visualitzar i/o editar ortofotografies, mapes i altres dades georeferenciades de les explotacions. Es podria dir que són sistemes d’informació geogràfica simplificats destinats a monitorar el desenvolupament dels cultius i a ajudar en els processos de presa de decisions de maneig.

La posada en servei de missions d’observació de la terra sense cost d’utilització i amb resolucions espacials, temporals i espectrals acceptables, com Sentinel-2, la proliferació de dades obertes i la facilitat de crear aplicacions web han facilitat l’aparició d’aquestes plataformes que ofereixen serveis diversos a les explotacions.

Característiques generals

Els serveis oferts per aquestes plataformes són diversos i variats. Cada plataforma ofereix uns serveis determinats. Molts són comuns entre elles i d’altres són específics. Moltes vegades, els serveis depenen de la quota que cal satisfer tot i que els serveis més bàsics poden ser gratuïts i, fins i tot, ja comencen a aparèixer plataformes sense cap tipus de cost.

El serveis bàsic més habitual és la introducció de les parcel·les de l’explotació i la visualització d’ortofotos, imatgeria satel·litària i també alguns índex de vegetació derivats entre els quals acostuma a haver-hi l’NDVI (Figura 1). Habitualment, aquest mateix servei inclou el càlcul del valor mitjà de l’NDVI per a tota la parcel·la i la seva evolució temporal (Figura 2). Algunes plataformes permeten la incorporació de capes dades generades per l’usuari, facilitades per una empresa de serveis o adquirides directament de la maquinària agrícola que treballa a la parcel·la. Tal és el cas de la plataforma de Climate FieldView i la plataforma Operations Center de John Deere. Algunes de les capes són els mapes de collita o de conductivitat elèctrica, els mapes de sembra, els models digitals del terreny, etc.

Moltes d’aquestes plataformes també incorporen dades i prediccions meteorològiques. Darrerament, moltes plataformes permeten anar introduint les diferents tasques realitzades i els seus costos derivats per a acabar generant una mena de quadern de camp.

 

Figura 1. Plataforma E-STRATOS en la que es pot veure la distribució espacial de l’índex NDVI en una parcel·la.

 

Figura 2. Plataforma Auravant en la que es pot veure la distribució espacial de l’índex NDVI i l’evolució temporal del valor mitjà d’una parcel·la.

Aplicacions en AP

Obtenir imatges i mapes d’índex de vegetació és un primer pas cap a la pràctica de l’Agricultura de Precisió. Tanmateix, a partir d’aquestes dades cal extreure’n informació útil que pugi ajudar agricultors i agricultores i personal tècnic a prendre decisions de maneig més eficients i sostenibles.

Les plataformes més avançades analitzen la variabilitat de les parcel·les monitorades i poden generar una proposta de zonificació que haurà de validar l’usuari. A partir d’aquesta zonificació poden també arribar a proposar prescripcions de fertilització, sembra, productes fitosanitaris o reg.

Limitacions

Per a poder arribar a fer prescripcions eficaces i eficients és necessari analitzar conjuntament diverses capes de dades i no totes les plataformes són capaces de fer-ho. També cal tenir en compte series temporals de dades i l’experiència de l’agricultor/a i el seu personal tècnic. A més, moltes vegades aquestes prescripcions es basen en estudis realitzats en condicions diferents i és necessari validar les propostes generades per tal de garantir un resultat satisfactori en les condicions particulars de cada usuari.

Algunes plataformes disponibles

A continuació es fa una llista no exhaustiva d’algunes de les plataformes existents. Cal tenir en compte que l’oferta varia constantment, així com els diferents serveis oferts i els seus costos.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Cartografia quasi 3D de la Conductivitat Elèctrica Aparent

Si bé, com s'ha vist, s'han fet grans avenços en l'adquisició de dades en continu d'algunes propietats dels sòls com la conductivitat elèctrica aparent (CEa) i la seva relació posterior amb altres propietats dels sòls d'interès, queda pendent la caracterització de les propietats de sòls d'interès els sòls en 3D. Una possibilitat explorada per diferents investigadors és la combinació de dades de CEa i un model d'inversió del senyal. Amb aquesta tècnica, es poden generar models bidimensionals de la CEa a intervals de profunditat discrets, que simulen horitzons del terra, és a dir, una modelització quasi 3D. Un exemple de l’aplicació d’aquest tipus de modelització és el treball d‟Uribeetxebarria et al. (2018b) a la parcel·la fructícola localitzada a Gimenells (Lleida) i ja mostrada a la Figura 1.

En aquesta parcel·la es pretenia cartografiar la variabilitat espacial de les propietats del sòl tant espacialment com en profunditat. Per això, a partir de les dades de la CEa adquirides pel sensor Veris 3100, es va utilitzar el programa per a la modelització inversa del senyal (invVERIS 1.1, EMTOMO Lda., Monteiro Santos et al., 2010). A partir d'aquesta tècnica, la CEa es va obtenir en estrats horitzontals de 10 cm de gruix i cada 10 cm en profunditat, fins als 90 cm màxims del senyal del sensor Veris 3100 (Figura 2).


Figura 1. Model quasi 3D de la CEa del sòl interpolat cada 10 cm en profunditat amb el programa invVERIS 1.1 (EMTOMO Lda.). La CEa de cada capa de 10 cm de gruix de terra es mostra a la Figura 13. Font: elaboració pròpia a partir del programa InvVERIS 1.1.


Figura 2. Capes de CEa del terra en gruixos de 10 cm estimats en profunditat mitjançant el programa d'inversió de senyal invVERIS 1.1 (EMTOMO Lda.). Els números a cada figura indiquen la profunditat de les capes de CEa en cm. Font: Uribeetxebarria et al. (2018b).

Crèdits

La informació aquí descrita està publicada a: Martínez-Casasnovas, J.A., Arnó, J., Escolà, A., 2022. Sensores de conductividad eléctrica aparente parra el análisis de la variabilidad del suelo ne Agricultura de Precisión. En: A. Namesny, C. Conesa, L. Martín, P. Papasseit (Eds.), Tecnología Hortícola Mediterránea. Evolución y futuro: viveros, frutales, hortalizas y ornamentales. Biblioteca de Horticultura, SPE3 S.L., Valencia, España. 1077 pp. ISBN: 978-84-16909-46-9. https://issuu.com/horticulturaposcosecha/docs/tecnologia_horticola_mediterranea , pag 775-796.

Més info i referències

Fridgen, J.J., Kitchen, N.R., Sudduth, K.A., Drummond, S.T., Wiebold, W.J., Fraisse, C.W. (2004). Management Zone Analyst (MZA). Agronomy Journal, 96: 100-108.

Monteiro Santos, F.A., Triantafilis, J., Taylor, R., Holladay, S., Bruzgulis, K.E. (2010). Inversion of conductivity profiles from EM using full solution and a 1-D laterally constrained algorithm. Journal of Engineering and Environmental Geophysics, 15: 163-174.

Uribeetxebarria, A., Daniele, E., Escolà, A., Arnó, J., Martínez-Casasnovass, J.A. (2018a). Spatial variability in orchards after land transformation: Consequences for precision agriculture practices. Science of the Total Environment, 635: 343–352.

Uribeetxebarria, A., Arnó, J., Escolà, A., Martínez-Casasnovas, J.A. (2018b). Apparent electrical conductivity and multivariate analysis of soil properties to assess soil constraints in orchards affected by previous parcelling. Geoderma, 319:185–193.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

 

Pas a pas

Com utilitzar un SIG

Els Sistemes d’Informació Geogràfica (SIG) o, en anglès, els Geographic Information Systems (GIS) són programes informàtics dissenyats per a visualitzar, editar i processar dades espacials. En aquest tutorial es mostren les operacions més bàsiques que cal tenir en compte en iniciar un projecte amb un SIG. Concretament, s’ha fet servir el SIG QGIS v3.16 Hannover.

El primer que cal fer en iniciar un projecte és establir el sistema de coordenades de referència que es farà anar. Cal recordar que a Catalunya, a Espanya i a la resta d’Europa, el sistema de referència oficial és l’ETRS89. A més, també caldrà definir el tipus de coordenades. Als SIG, tot això s’acostuma de definir utilitzant els codis EPSG. En aquest cas establirem el dàtum ETRS89 i treballarem amb coordenades projectades UTM a la zona 31T i el codi que ho recull és el 25831. A QGIS, anirem al menú Projecte i triarem l’opció propietats. Alternativament també es pot clicar directament al codi EPSG que apareix a la cantonada inferior dreta (Figura 1).

Figura 1. Definició del sistema de coordenades de referència del projecte. Pas 1.

 

A continuació, cal buscar el codi EPSG 25831 a la llista de codis o bé introduir-lo directament al camp filtre (Figura 2). Quan es treballa amb un SIG és important tenir un mapa de fons que pugui servir com a referència. En aquest cas, farem servir el complement Open ICGC que facilita en gran mesura la tria de mapes de fons.

 

Figura 2. Definició del sistema de coordenades de referència del projecte. Pas 2.

Per a instal·lar el complement Open ICGC, cal anar al menú Complements i seleccionar l’opció Gestiona i instal·la Complements (Figura 3).

Figura 3. Instal·lació del complement Open ICGC. Pas 1.

A continuació cal clicar el menú Tot i escriure Open ICGC al camp de cerca (Figura 4). Quan aparegui el complement només cal clicar damunt i seleccionar l’opció Instal·la el connector.

Figura 4. Instal·lació del complement Open ICGC. Pas 1.

Una vegada instal·lat el complement Open ICGC, ens apareixerà a les barres d’eines i allà triarem quin mapa de fons volem incorporar al projecte. En aquest cas, triarem l’ortofoto de 2022 (Figura 5).

Figura 5. Tria del mapa de fons del projecte.

Una altra cosa que ens pot interessar és crear el contorn d’una parcel·la. Per a fer-ho, ens desplaçarem manualment pel mapa o bé cercarem la zona de la parcel·la a l’eina de cerca del complement Open ICGC (Figura 6).

Figura 6. Cerca de la zona de treball.

Per a crear el contorn de la parcel·la, primer cal crear una capa vectorial nova. Això es pot fer anant al menú Capa, triant l’opció Crea una capa i seleccionant l’opció Nova capa shapefile. També es pot anar directament a la icona corresponent de la barra lateral esquerra (Figura 7).

Figura 7. Creació d’una capa vectorial. Pas 1.

Per a crear la nova capa, primer cal anomenar-la tot clicant el botó dels punts suspensius per a definir la ruta. A continuació, cal indicar quin tipus de geometria volem (polígon) i quin serà el seu sistema de coordenades de referència. Aquí és recomanable fer servir el sistema ETRS89 i el mateix tipus de coordenades del projecte (Figura 8).

Figura 8. Creació d’una capa vectorial. Pas 2.

Seguidament, cal activar l’edició de la capa clicant el llapis groc (Figura 9).

Figura 9. Creació del contorn d’una parcel·la. Pas 1.

Si no es veuen les barres d’eines de la (Figura 9) caldrà activar-les clicant amb el botó dret del ratolí sobre qualsevol barra d’eines (Figura 10). A continuació, es clicarà la icona d’Afegir un objecte de polígon i es començaran a marcar els vèrtex de la parcel·la que es desitja crear. En acabar cal fer un clic dret i ja es disposarà del polígon de la parcel·la (Figura 11).

Figura 10. Creació del contorn d’una parcel·la. Pas 2.

 

Figura 11. Creació del contorn d’una parcel·la. Pas 3.

Per a definir l’estil de visualització de la nova capa, farem un doble clic sobre el nom de la capa i apareixerà el diàleg de les propietats de capa (Figura 12). Per a que es vegi només el contorn, caldrà clicar sobre l’opció Simple Fill i triar un color d’emplenat transparent (Figura 13).

Figura 12. Creació del contorn d’una parcel·la. Pas 4.

 

Figura 13. Creació del contorn d’una parcel·la. Pas 5.

També es recomana triar un color que ressalti per al traç del contorn i incrementar el valor de la seva amplada (Figura 14). Una vegada obtingut el resultat desitjat caldrà tornar a clicar el botó d’edició i desar les modificacions realitzades a la capa vectorial (Figura 15).

Figura 14. Creació del contorn d’una parcel·la. Pas 6.

 

Figura 15. Creació del contorn d’una parcel·la. Pas 7.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Importació de dades en un arxiu Excel a QGIS

Quan estem treballant en a una parcel·la podem anotar observacions localitzant el punt on ens trobem amb el telèfon mòbil, i després voler representar-les en un mapa.

En aquest tutorial us mostrem com passar les dades d’un mostreig de plagues i malalties des d'un full de càlcul (Excel) a un mapa.

En primer lloc s’ha de preparar el full de càlcul amb les dades observades. En aquest cas tenim:

  • La data
  • El punt de mostreig
  • Les coordenades projectades UTM separades en dues columnes anomenades x i y
  • Les observacions realitzades durant el mostreig

A continuació es guarda l’arxiu amb extensió .CVS (delimitat per comes).

Obrir un projecte nou al programa QGIS. S’ha de tenir en compte el sistema de coordenades utilitzades al document de dades. Fent doble clic sobre el sistema de coordenades del projecte (marcat en un cercle a la figura següent) s’obre el quadre de diàleg de sistemes de coordenades del projecte. En aquest exemple seleccionem ETRS89/UTM zone 31.

Per importar les dades, es fa clic sobre la icona de diverses capes i s’obrirà un quadre de dialeg on seleccionarem de la columna de l’equerra l’opció “texte delimitat”.

 

Obrir un projecte nou al programa QGIS. S’ha de tenir en compte el sistema de coordenades utilitzades al document de dades. Fent doble clic sobre el sistema de coordenades del projecte (marcat en un cercle a la figura següent) s’obre el quadre de diàleg de sistemes de coordenades del projecte. En aquest exemple seleccionem ETRS89/UTM zone 31.

Per importar les dades, es fa clic sobre la icona de diverses capes i s’obrirà un quadre de dialeg on seleccionarem de la columna de l’equerra l’opció “texte delimitat”.

Ara es selecciona l’arxiu de partida on teniem les dades (la icona   obrirà el navigador del teu ordinador) i s’anomena la capa de sortida.

Es selecciona el format de l’arxiu. Des del previsualitzador inferor es comprova que el document s’ha distribuït en columnes correctament.

Si a l’arxiu original la separació dels decimals és mitjançant coma, es selecciona a  opcions de registre i camps.

Es defineix la geometria seleccionant a “x field” i “y field” les columnes corresponents (x i y), es selecciona el sistema de coordenades i s’afegeix la capa.

 

 

Clicant amb el botó esquerre del ratolí es fa “zoom a la capa” i es visualitzent tots els punts distribuits dins de la parcel·la. En aquest cas s’ha utilitzat un mapa de base des del complement “QuickMapServices” previament instal·lat.

Dins del mateix menú es pot obrir la taula d’atributs on est troba tota la informació del arxiu importat.

 

Finalment, si es vol representar els valors d’una determinada variable observada (per exemple percentatge de danys foliars o canopy damage), fent clic amb el botó esquerre del ratolí sobre el nom de la capa de punts es selecciona l’ultima opció del menú: propietats.

Llavors es canvia “símbol únic” per “graduat”, es selecciona el “value” que es vol representar amb la rampa de colors dessitjada i es classifica, per exemple selecionant el mode “Pretty Breaks”

Ara es pot observar que a les zones exteriors de la parcel·la d’estudi hi ha més danys foliars que a l’interior.

 

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Càlcul de l'NDVI amb Sentinel-2 i QGIS

L’índex de vegetació de diferència normalitzada o NDVI (de les sigles en anglès Normalized Difference Vegetation Index) serveix, principalment,  per a caracteritzar creixement i vigor de la vegetació.

Es calcula a partir de dos regions de l’espectre electromagnètic. Concretament del roig (R) i de l’infraroig proper (IR), d’acord  a la següent fórmula:

 

Els satèl·lits Sentinel-2 porten un instrument multiespectral d'alta resolució amb 13 bandes espectrals, que inclouen les bandes del R (banda 4) i de l’IR (banda 8). Aquestes bandes es poden desacarregar individualment des del Copernicus Open Access Hub: https://scihub.copernicus.eu/ (per a més informació consultar el tutorial de descàrrega d’imatges Sentinel-2).

Com calcular el NDVI amb QGIS?

  • Obrir el programa QGIS, seleccionar sistema de coordenades (en aquest cas ETRS89) i guardar el projecte.
  • Importar les bandes 4 i 8 previament descarregades fent doble clic sobre els arxius.

  • Obrir la calculadora raster.

  • A la calculadora s’ha de:
    1. Nombrar el document (capa de surtida)
    2. Comprobar el sistema de coorenades
    3. Introduïr l’equació amb el operadors i clic als arxius
    4. Acceptar

Interpretació del resultat: les zones fosques tenen menys vigor que les clares.

 

 

 Per millorar la interpretació de la nova capa raster es recomana canviar els colors de visualització.

  • Fer clic sobre la nova capa creada amb el botó esquerre del ratolí i seleccionar “Propietats”.
  • En simbologia, canviar el tipus de randeritzador per “pseudocolor monobanda” i seleccionar la rampa de color desitjada.

 

Resultat

 

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Transformació de coordendades

Canvis d’unitats

Coordenades geogràfiques

En coordenades geogràfiques, la latitud i la longitud s’expressen en graus o en graus i minuts o en graus, minuts i segons (minuts i segons angulars, s’entén). Per tal de convertir d’una unitat a una altra, només cal recordar que 1 grau té 60 minuts i que 1 minut té 60 segons.

Per exemple, les coordenades geogràfiques de l'Escola Tècnica Superior d'Enginyeria Agrària de la Universitat de Lleida es poden expressar de les següents tres maneres, totes elles indicant el mateix punt:

             Longitud: 0,597118º             Latitud: 41,628577º            ETRSS89

             Longitud: 0º 35,82708'         Latitud: 41º 37,71462'         ETRSS89

             Longitud: 0º 35' 49,6248"     Latitud: 41º 37' 42,8772"    ETRSS89

 

Per a passar de graus a minuts i a segons cal fer el següent:

  1. Agafar i reservar la part entera d’una coordenada expressada en graus. En el cas de la latitud, 41,628577º, ens quedem amb els 41º i en el cas de la longitud, 0,597118, ens quedem amb els 0º.
  2. La part decimal la multipliquem per 60 per a passar-la a minuts. En el cas de la latitud, 0,628577º x 60’/1º = 37,71462’, i en el cas de la longitud, 0,597118º x 60’/1º = 35,82708’.
  3. Així, la latitud passarà a ser 41º 37,71462’ i la longitud passarà a ser 0º 35,82708’.

 

Si volem expressar les coordenades en graus, minuts i segons, caldrà encara fer uns altres passos addicionals:

  1. Agafar i reservar la part entera dels graus i dels minuts. En el cas de la latitud, 41º 37’ i en el cas de la longitud, 0º 35’.
  2. La part decimal dels minuts la multipliquem per 60 per a passar-la a segons. En el cas de la latitud, 0,0,71462’ x 60”/1’ = 42,8772”, i en el cas de la longitud, 0,82708º x 60”/1’ = 49,6248”.
  3. Així, la latitud passarà a ser 41º 37' 42,8772" i la longitud passarà a ser 0º 35' 49,6248".

 

Per a passar de graus, minuts i segons a graus cal fer el següent:

En aquest cas, en comptes de multiplicar pel factor de conversió 60, el que caldrà fer és dividir per aquest mateix factor de conversió d’acord amb els següents passos, on només es descriu el canvi de la latitud:

  1. En el cas d’una latitud expressada en graus, minuts i segons, 41º 37' 42,8772", s’agafarà tant la part entera com la decimal dels segons i es dividirà per 60 per a expressar-la en minuts: 42,8772”/60 = 0,71462’.
  2. La quantitat obtinguda se sumarà als minuts enters per a obtenir 37’+0,71462’ = 37,071462’.
  3. Si es vol continuar la conversió fins a graus, s’agafaran els minuts (part entera i decimal) i es dividiran per 60: 37,071462’/60 = 0,628577º.
  4. Finalment, el resultat obtingut se sumarà als graus enters per tal d’obtenir la latitud expressada en graus i decimals de grau: 41º+0,628577º = 41,628577º.

MOLT IMPORTANT:

  • En coordenades geogràfiques expressades en graus (gg.ggggggggg), amb 6 decimals de grau es pot arribar a una exactitud d’1 m. Si es vol arribar a 1 mm, calen 9 decimals.
  • En coordenades geogràfiques expressades en graus, minuts i segons (gg mm ss.sssss), amb 2 decimals de segon s’arriba a una exactitud d’1 m. Si es vol arribar a 1 mm són necessaris 5 decimals.

 

Coordenades projectades o cartesianes

En coordenades projectades UTM, les unitats s’expressen, habitualment, en metres i són específiques per a cada zona UTM. Cal recordar que, de manera general, les coordenades X varien entre 250 000 m i 750 000 m. Tanmateix, cal tenir present que en el cas de projectes situats entre 2 zones, és possible expressar totes les coordenades X respecte d’una mateix zona. D’aquesta manera seria possible trobar coordenades X menors de 250 000 m i majors de 750 000 m.  La coordenada Y, en l’hemisferi nord, és sempre la distància a l’Equador.

 

Canvis de sistema de coordenades de referència o dàtum

El canvi de sistema de referència de coordenades és més complicat i en aquest tutorial només s’explicarà la manera d’executar-lo.

 

Eines per a la transformació de coordenades

Calculadores geodèsiques

Una de les eines més pràctiques i a l’abast de tothom és la Calculadora Geodèsica de l’Institut Cartogràfic i Geològic de Catalunya (Figura 1). En aquesta calculadora podreu fer les següents transformacions:

  • De graus a graus, minuts i segons en coordenades geogràfiques i a l’inrevés.
  • De coordenades geogràfiques a projectades UTM i a l’inrevés.
  • De dàtum ED50 (antic) a dàtum ETRS89 i a l’inrevés.
  • D’altures el·lipsoidals a ortomètriques i a l’inrevés.

Per a fer-la servir només cal tenir molt clar com són les nostres coordenades i a quin tipus o unitats es volen transformar. I seguiu exactament les instruccions i l’ordre de les coordenades mostrats als exemples.  A les caselles de transformació s’hi poden enganxar llistats de diverses desenes de coordenades que es poden transformar alhora.

Figura 1. Calculadora geodèsica de l’ICGC.

El mateix Institut Cartogràfic i Geològic de Catalunya té una altra eina que permet més conversions així com transformacions de fitxers sencers. Aquest eina es diu CONVERTBOX (Figura 2). Seguiu les instruccions i directius que s’expliquen a la mateixa pàgina.

Figura 2. CONVERTBOX de l’ICGC.

 

L’Instituto Geográfico Nacional també ofereix una Calculadora Geodèsica amb algunes funcions lleugerament diferents (Figura 3).

Figura 3. Calculadora Geodèsica de l’IGN.

 

Sistemes d’Informació Geogràfica – SIG/GIS

Una altra eina bàsica per a transformar coordenades són els Sistemes d’Informació Geogràfica o SIG (GIS en anglès). Els SIG són programes pensats per a visualitzar i editar dades espacials i, per tant, són capaços de manipular i transformar tot tipus d’unitats.

Per a treballar dins d’un entorn SIG només cal definir el tipus de coordenades i el sistema de coordenades de referència del projecte i tenir en compte el format de les unitats en el moment d’importar les dades (Figura 4). És llavors quan el SIG que utilitzem ens demanarà quin tipus de coordenades fem servir i quin és el seu sistema de referència. Aquests dos paràmetres estan codificats per l’European Petroleum Survey Group en el que es coneixen com a codis EPSG. Per tant, cada codi inclou informació del tipus de coordenades i del seu sistema de referència. A la Taula 1 es mostren alguns dels codis EPSG més habituals a la zona de Catalunya.

Taula 1. Alguns dels codis EPSG més habituals a la Catalunya.

Sistemes Referència

Codi EPSG

WGS84 geogràfiques (lat, lon)

4326

ETRS89 UTM fus 31 i fus 30

25831 i 25830

ETRS89 geogràfiques (lat, lon)

4258

WGS84 UTM fus 31 i fus 30

32631 i 32630

WGS84 Pseudo-Mercator
(Google i OpenStreet maps)

3857

ED50 UTM fus 31 i fus 30

23031 i 23031

ED50 geogràfiques (lat, lon)

4230

 

Figura 4. Diàleg per a la incorporació de dades en format text on es demana, entre altres coses,
el sistema de coordenades de referència.

Internament, el SIG ja transformarà les coordenades per tal de visualitzar-les totes amb el tipus i el format de referència del projecte. Una altra cosa és fer utilitzar un SIG per a transformar coordenades. En el cas del programa QGIS, si es volen obtenir les coordenades projectades X i Y a partir d’unes coordenades geogràfiques, cal realitzar els següents passos:

  1. Obrir la taula d’atributs d’una capa de dades seleccionada (F6):
  2. Activar-ne l’edició i obrir la funció calculadora de camps:
  3. Per obtenir la coordenada X cal crear un camp nou de tipus nombre decimal i a l’expressió cal seleccionar l’expressió $x. Per a obtenir la coordenada Y es repetirà el procés en una columna nova amb l’expressió $y:
  4. El resultat és una taula amb 2 columnes noves que contenen els valors de X i Y en metres:
  5. A continuació cal desactivar l’edició tornant a clicar la icona del llapis i tornar a l’espai de treball, on es farà un clic dret sobre la capa modificada i es seleccionarà Exportar > Desa els objectes com... i al diàleg que apareix cal seleccionar el format valors separats per coma [CSV] i el sistema de coordenades de referència de sortida:

 

I ja tindreu un arxiu de text CSV amb les coordenades transformades.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Històric d’ortofotos per a entendre la variabilitat actual

Una font d’informació molt interessant per a entendre la variabilitat del territori són les sèries històriques d’ortofotos. Observant les imatges d’anys passats es poden detectar quins canvis hi ha hagut en la parcel·lació, en el terreny o en qualsevol altre element que pugui introduir variabilitat al cultiu. A Catalunya i a Espanya podem arribar tan enrere com el 1945, gràcies al que es coneix el vol Americà Sèria A, realitzat per l’Army Map Service dels Estats Units entre 1945 i 1946 sobre tot Espanya. L’any 2014 l’Insitituto Geográfico Nacional va fer una georeferenciació aproximada de les imatges i les va fer públiques. Aquestes i altres imatges ortorectificades es poden consultar als visors de l’Institut Cartogràfic i Geològic de Catalunya, el VISSIR, i a la Fototeca de l’IGN. Aquestes eines tenen també opcions de comparar dos ortofotos per tal de detectar canvis més fàcilment.

Una altra manera d’analitzar sèries històriques és mitjançant els serveis WMS (Web Map Service) o altres complements vinculats a SIG. En aquest tutorial farem servir el complement Open ICGC del SIG lliure QGIS i analitzarem un exemple d’un camp que es rega amb un pivot de reg de 335 m.

A la Figura 1 es  pot observar el camp analitzat, que té una superfície aproximada de 37 ha. Tal com es pot observar a la imatge, que és una fotografia aèria RGB, el desenvolupament del cultiu presenta molta irregularitat. El primer que caldria preguntar-se és quina és la causa d’aquesta variabilitat per tal d’analitzar si es pot dur a terme alguna acció que permeti un desenvolupament millor i més uniforme.

La imatge de fons s’ha afegit amb el complement Open ICGC de QGIS i correspon a l’ortofotografia de 2021 de la sèrie temporal d’ortofotos (Figura 2). Mitjançant el mateix complement es poden anar seleccionant ortofotos d’anys anteriors fins a poder observar raons que expliquin les possibles causes de la variabilitat observada.

A la Figura 3 es mostra l’ortofoto del vol Americà Sèrie B de 1945/46, en la que es veu que el camp és totalment diferent. D’entrada, hi ha moltes més parcel·les amb cultius diferents i s’hi poden observar camins i sèquies. De fet, l’estructura de les parcel·les varia molt poc fins els anys 2000-2003 i després es fa una transformació important convertint totes les parcel·les petites, la sèquia i els camins en un sol camp de 37 ha (Figura 4).

 

Figura 1. Ortofoto de 2021 RGB del camp analitzat. La circumferència vermella indica el contorn del camp. Font: Open ICGC.

 


 

Figura 2. Opcions de visualització d’ortofotos del complement Open ICGC del SIG lliure QGIS. La circumferència vermella indica el contorn del camp.

 

 

Figura 3. Ortofoto del vol Americà Sèrie B de 1945/46 de la mateixa zona del camp de 2021. La circumferència vermella indica el contorn del camp. Font: Open ICGC.

 

Figura 4. Ortofoto dels anys 2000-2003 de la mateixa zona del camp. La circumferència vermella indica el contorn del camp. Font: Open ICGC.

 

Si posem l’ortofoto més actual i la de 1945/46 de costat es poden reconèixer els efectes de les estructures anteriors en el cultiu (Figura 5). 

 

Figura 5. Efecte d’estructures anteriors al camp actual. Font: Open ICGC.

 

A partir d’aquí ja serà qüestió de l’agricultor/a i els seus assessors/es decidir com cal procedir. Per exemple, els camins són zones molt compactades que convindria descomptar, si és possible. Els efectes d’antics bancals i moviments de terres ja són més difícils d’esmenar pel trencament de l’estructura del sòl que s’ha produït i per l’aflorament d’horitzons més pobres.

Algunes vegades, una imatge RGB del cultiu no es suficient per a posar de manifest els efectes de la història de la parcel·la. Una altra manera de detectar aquestes diferències és a partir d’algun índex de vegetació més eficient per a detectar variacions més subtils en l’estat dels cultius com, per exemple, l’NDVI. Alternativament, també es poden fer servir sensors de conductivitat elèctrica aparent del sòl, que són molt més sensibles a aquests canvis en l’estructura del sòl.

 


Aquesta obra està sota una llicència de Creative Commons Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
(CC BY-NC-SA 4.0)

Interpolació i classificació de dades