Contenido principal del artículo

Espectros ópticos de reflectancia difusa de dosel, tomados de un cultivo de caña de azúcar, son analizados por medio de una transformación continua wavelet (CWT), empleando como transformada madre la función de Ricker, la cual representa la absorción debida a características fisiológicas tales como contenido de agua, nutrientes o clorofila. Los datos de estudio corresponden con cuatro niveles de nitrógeno, los cuales representan diferentes estados de fertilización, dejando las otras variables como riego, fuente de fertilizante, época, y método de aplicación constantes. Los espectros fueron clasificados de acuerdo con el nivel de fertilización de la parcela de procedencia, a cada espectro se le realizó el espectrograma wavelet correspondiente, de este análisis CWT se obtuvo que la escala diádica-8 muestra información relevante de la absorción del cultivo de caña en la longitud de onda de 760 nm, reportada previamente como de alta correlación con condición de nitrogenización de la planta de caña de azúcar. Los resultados del análisis wavelet, muestran que, por medio del dato de máxima absorción, con cuatro sigmas, en la longitud de onda de 760 nm ± 0.6nm, se puede clasificar si el cultivo se encuentra dentro de una región de óptima fertilización. De igual manera, este estudio muestra una correlación R2 = 0.91 entre la información del máximo de la potencia wavelet, analizando la escala-8, con el nivel de fertilización por nitrógeno de un cultivo de caña de azúcar.

1.
Galindez-Jamioy CA. Clasificación del estado nutricional por Nitrógeno de un cultivo de caña de azúcar por medio del análisis wavelet de información hiperespectral de dosel. inycomp [Internet]. 30 de octubre de 2021 [citado 7 de diciembre de 2022];24(1). Disponible en: https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/11211

(1). Kraiser T, Gras DE, Gutiérrez AG, González B, Gutiérrez RA. A holistic view of nitrogen acquisition in plants. J Exp Bot. 2011;62(4):1455–66. https://doi.org/10.1093/jxb/erq425

(2). Sánchez Navarro D, Lis-Gutiérrez JP, Campo Robledo J, Herrera Saavedra JP. Estudio sobre el sector de fertilizantes en Colombia [Internet]. Superintendencia de Industria y Comercio; 2013. Disponible en:https://www.sic.gov.co/recursos_user/documentos/Estudios-Academicos/Documentos-Elaborados-Grupo-Estudios-Economicos/6_Estudio_Sobre_Sector_Fertilizantes_Colombia_Octubre_2013.pdf

(3). Reyes-Trujillo A, Daza-Torres MC, Galindez-Jamioy CA, Rosero-García EE, Muñoz-Arboleda F, Solarte-Rodriguez E. Estimating canopy nitrogen concentration of sugarcane crop using in situ spectroscopy. Heliyon. 2021;7(3): E06566.https://doi.org/10.1016/j.heliyon.2021.e06566

(4). Reyes-Trujillo A. Bioindicadores espectrales para monitoreo del cultivo de caña de azúcar en condiciones de tensión ambiental por disponibilidad de nitrógeno [Tesis doctoral]. Cali: Universidad del Valle; 2020.

(5). Ramírez-López L. Espectroscopia infrarroja como una fábrica analítica en la agricultura. En: XII Congreso Latinoamericano y del Caribe de Ingeniería Agrícola (CLIA). Bogotá, Colombia: Asociación latinoamericana y del caribe de ingeniería agrícola, Asociación de ingenieros agrícolas de Colombia, Universidad Nacional de Colombia; 2016. p. 23–6.

(6). Murillo Sandoval PJ, Carbonell González JA. Principios y aplicaciones de la percepción remota en el cultivo de la caña de azúcar en Colombia. Cenicaña. San Antonio de los Caballeros, Colombia: Cenicaña; 2012. 183 p. Disponible en: https://www.cenicana.org/pdf_privado/documentos_no_seriados/libro_percepcion_remota/principios-y-aplicaciones_percepcion-remota.pdf

(7). García R, Arturo C. Método para estimar el contenido de Nitrógeno en cultivos de maíz (Zea mays L.) con base en espectrometría. Caso de estudio Puerto Gaitán, Meta [Tesis de maestría] Bogotá: Universidad Nacional de Colombia; 2015. Disponible en: https://repositorio.unal.edu.co/handle/unal/56151

(8). Arauzo M, Valladolid M, Martínez-Bastida JJ. Spatio-temporal dynamics of nitrogen in river-alluvial aquifer systems affected by diffuse pollution from agricultural sources: Implications for the implementation of the Nitrates Directive. J Hydrol. 2011;411(1):155–68. https://doi.org/10.1016/j.jhydrol.2011.10.004

(9). Jégo G, Sánchez-Pérez JM, Justes E. Predicting soil water and mineral nitrogen contents with the STICS model for estimating nitrate leaching under agricultural fields. Agric Water Manag. 2012; 107:54–65. https://doi.org/10.1016/j.agwat.2012.01.007

(10). Cheng T, Riaño D, Ustin SL. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis. Remote Sens Environ. 2014; 143:39–53. https://doi.org/10.1016/j.rse.2013.11.018

(11). Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis. Remote Sens Environ. 2011; 115(2):659–70. https://doi.org/10.1016/j.rse.2010.11.001

(12). Ullah S, Skidmore AK, Naeem M, Schlerf M. An accurate retrieval of leaf water content from mid to thermal infrared spectra using continuous wavelet analysis. Sci Total Environ. 2012; 437:145–52. https://doi.org/10.1016/j.scitotenv.2012.08.025

(13). Liao Q, Wang J, Yang G, Zhang D, Lii H, Fu Y, et al. Comparison of spectral indices and wavelet transform for estimating chlorophyll content of maize from hyperspectral reflectance. J Appl Remote Sens. 2013;7(1):073575. https://doi.org/10.1117/1.JRS.7.073575

(14). Kumar P, Foufoula-Georgiou E. Wavelet analysis for geophysical applications. Rev Geophys. 1997; 35(4):385–412. https://doi.org/10.1029/97RG00427

(15). Torrence C, Compo GP. A Practical Guide to Wavelet Analysis. Bull Am Meteorol Soc [Internet]. el 1 de enero de 1998; 79(1):61–78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2

(16). Unser M, Aldroubi A. A review of wavelets in biomedical applications. Proc IEEE. 1996;84(4):626–38. https://doi.org/10.1109/5.488704

(17). Amolins K, Zhang Y, Dare P. Wavelet based image fusion techniques — An introduction, review and comparison. ISPRS J Photogramm Remote Sens. Septiembre de 2007; 62(4):249–63. https://doi.org/10.1016/j.isprsjprs.2007.05.009

(18). Antonini M, Barlaud M, Mathieu P, Daubechies I. Image coding using wavelet transform. IEEE Trans Image Process. 1992;1(2):205–20. https://doi.org/10.1109/83.136597

(19). Sakamoto T, Yokozawa M, Toritani H, Shibayama M, Ishitsuka N, Ohno H. A crop phenology detection method using time-series MODIS data. Remote Sens Environ. 2005; 96(3):366–74. https://doi.org/10.1016/j.rse.2005.03.008

(20). Blackburn GA. Wavelet decomposition of hyperspectral data: a novel approach to quantifying pigment concentrations in vegetation. Int J Remote Sens. 2007; 28(12):2831–55. https://doi.org/10.1080/01431160600928625

(21). Zhang J, Rivard B, Sánchez-Azofeifa A, Castro-Esau K. Intra- and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery. Remote Sens Environ. 2006;105(2):129–41. https://doi.org/10.1016/j.rse.2006.06.010

(22). Bruce LM, Li J. Wavelets for computationally efficient hyperspectral derivative analysis. IEEE Trans Geosci Remote Sens. 2001;39(7):1540–6. https://doi.org/10.1109/36.934085

(23). Blackburn GA, Ferwerda JG. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis. Remote Sens Environ. 2008; 112(4):1614–32. https://doi.org/10.1016/j.rse.2007.08.005

(24). Rivard B, Feng J, Gallie A, Sanchez-Azofeifa A. Continuous wavelets for the improved use of spectral libraries and hyperspectral data. Remote Sens Environ. el 16 de junio de 2008;112(6):2850–62. https://doi.org/10.1016/j.rse.2008.01.016

(25). Grossmann A, Morlet J. Decomposition of Hardy Functions into Square Integrable Wavelets of Constant Shape. SIAM J Math Anal. 1984;15(4):723–36. https://doi.org/10.1137/0515056