8° Curso de Agricultura de Precisión

3° Expo de Máquinas Precisas

INTA Manfredi, 14-16 Octubre 2008

Realización de Mapas Georeferenciados de Malezas

Andrés Moltoni1, Gerardo Masiá2, Ramiro Cid2, Luciana Moltoni2,

Adriana Fuica2, Sebastián Furo2
1
Laboratorio de Electrónica, Instituto de Ingeniería Rural, INTA
Castelar, amoltoni@cnia.inta.gov.ar
2
Instituto de Ingeniería Rural, INTA Castelar.

Introducción

En Argentina la aplicación de herbicidas se realiza en forma uniforme

en la totalidad del campo (cobertura total). No obstante, el grado de
enmalezamiento no es homogéneo, sino que puede aparecer en
forma de “manchas”, provocando un uso poco eficiente del
agroquímico (Cardina et al. 1995, Gerhards et al. 1997, Wang et al.
2001). Existen varias iniciativas en el mundo que abordan este
problema (Shearer and Colmes 1990, Woebbecke et al. 1992, Zhang
and Chaisattapagon 1995, Tian et al. 1997, 1999).

En el Laboratorio de Electrónica del Instituto de Ingeniería Rural se

diseñó y elaboró un prototipo de detector de malezas que trabaja con
el método de detección de color rojo y cercano al infrarrojo (RR/NIR)
(Moltoni et al. 2005, 2006a, 2006b, 2007).

El objetivo del presente trabajo fue ensayar el comportamiento del

dispositivo detector de malezas en forma dinámica y generar mapas
georeferenciados de las malezas existentes en un lote.

Materiales y Métodos

En este ensayo se hizo uso de un módulo GPS previamente instalado

al sistema detector de malezas de forma de poder registrar,
conjuntamente con los valores de NDVI, los valores de latitud,
longitud y velocidad del móvil.
Para este ensayo se utilizó un lote de 100 x 80 metros el cual fue
tratado con herbicida generando franjas de distintos anchos. Estas
franjas fueron generadas con el uso de una pulverizadora de arrastre
PLA, a la cual se le fueron habilitando los picos para poder realizar
una aplicación en forma de peine y de esta manera conseguir las
franjas de malezas antes mencionadas. El herbicida utilizado fue
glifosato y en el lote ensayado se obtuvieron franjas de 7, 4 y 2
metros de ancho, divididas en grupos como se aprecia en la Figura 1.

Figura 1. Mapa de ubicación de las franjas en el lote.

 Figura 2. Vista del lote ensayado.
También podemos observar que las franjas no poseen un diseño
regular, ni son totalmente rectas debido a características propias del
método y elementos de pulverización empleados (Figura 3).
Las franjas de suelo tratado con herbicida simulan rastrojo y se van
alternando con franjas de suelo no tratadas que se encuentran
cubiertas por malezas. (Figuras 2 y 3)

Figura 3. Vista del lote ensayado.

Se montó el dispositivo en un tractor, configurándose al mismo para
almacenar las coordenadas de GPS, la velocidad y el valor de NDVI
medidos en intervalos de tiempo prefijados a un segundo. Se hizo
circular el tractor en forma paralela y perpendicular a las franjas
generadas para eliminar posibles diferencias en las lecturas
correspondientes a la orientación del sensor o a la incidencia de la luz
debida a la posición del sol. La velocidad promedio del tractor fue de
7,5 Km/h, registrándose picos de 8,20 Km/h. (Figura 4 y 5)
Debido a que el dispositivo almacena un dato por segundo, una
velocidad de 7,5 Km/h es equivalente a aproximadamente 2 m/s con
lo que el dispositivo guardará de 3 a 4 registros en las franjas
gruesas y al menos uno en las franjas angostas. De circular a una
velocidad mayor, no se contaría con una cantidad adecuada de
registros para las franjas angostas. Además, las características del
lote no permiten una circulación a velocidades mayores. Por otro
lado, de trabajar con una velocidad menor obtendríamos gran
cantidad de datos, inclusive para las franjas angostas, pero no sería
un ensayo representativo de las condiciones reales en las que se
realizan las aplicaciones de agroquímicos.

Figura 4. Detector instalado en el tractor.

 Figura 5. Tractor circulando en el lote.

Se realizaron dos repeticiones en días distintos y los datos registrados

fueron bajados a una PC para su posterior análisis y para la
conformación de los mapas georeferenciados de las malezas
presentes en el lote, por medio del programa AFS de la empresa
Case.

Resultados y Discusión

Mediante el análisis de los datos registrados se conformaron los

mapas georeferenciados de las malezas. En la Figura 6 y 7 se pueden
observar los mapas correspondientes a la circulación del tractor en
forma paralela a las franjas tanto para la primera como para la
segunda repetición.
Figura 6. Mapas de malezas circulación del tractor paralela a las franjas
ensayadas Primera Repetición.
 Figura 7. Mapas de malezas circulación del tractor paralela a las franjas
ensayadas Segunda Repetición.

Como podemos apreciar en las Figuras 6 y 7 el detector tuvo un

desempeño similar para ambas repeticiones y se aprecian grandes
semejanzas. Si bien el valor umbral que determina si un punto
muestreado es un sector con malezas (puntos verdes) o un sector
con rastrojo (puntos rojos) fue determinado por el software,
observamos una clasificación adecuada de los mismos en función al
esquema de franjas planteado. Sin embargo se pueden apreciar
puntos verdes mezclados dentro de filas de puntos rojos lo que
indicaría malezas dentro de las zonas tratadas con herbicida. Esto se
debe a que, efectivamente, existen malezas dentro de las zonas
tratadas como se aprecia en la Figura 2. Estas malezas son especies
más resistentes y no se vieron afectadas por la dosis de herbicida
aplicado.
En las Figuras 8 y 9 se pueden observar los mapas correspondientes
a la circulación del tractor en forma transversal a las franjas tanto
para la primera como para la segunda repetición.
Nuevamente podemos verificar un comportamiento similar al caso
anterior, aunque para este sentido de circulación no se distinguen con
tanta claridad las franjas, por lo menos en la zona superior. Esto se
debe a que en dicha zona las franjas son más angostas, de alrededor
de dos metro de ancho, en cuanto que en la zona inferior las franjas
tienen siete metros de ancho. Debemos tener en cuenta que el
dispositivo almacena una muestra por segundo, lo que equivale a
tomar entre tres y cuatro muestras, dependiendo de la velocidad, en
las franjas gruesas y una o incluso ninguna muestra en el caso de las
franjas más pequeñas.
Cabe destacar, que si observamos los mapas anteriores con
detenimiento podemos apreciar zonas en donde no existen puntos
asignados, esto se debe a que para esos puntos se perdió la señal de
GPS.
Si agrupamos todos lo puntos muestreados podremos generar un
mapa más completo, en donde se puede apreciar como en la zona
inferior se manifiestan claramente las franjas, no siendo tan evidente
ésto en la zona superior debido a lo antes mencionado. (Figura 10)
Figura 8. Mapas de malezas circulación del tractor transversal a las franjas
ensayadas Primera Repetición.
Figura 9. Mapas de malezas circulación del tractor transversal a las franjas
ensayadas Segunda Repetición.
 Figura 10. Mapa de malezas de todos los puntos relevados.

Resulta interesante comparar este último mapa, que contiene todos

los puntos registrados, con el esquema de franjas planteado en un
primer momento para el ensayo (Figura 1), de manera de corroborar
la ubicación de los puntos relevados por el dispositivo.
En la Figura 11 podemos apreciar ambos mapas superpuestos y
verificamos que el mapa de puntos se corresponde con el lote
ensayado, teniendo en cuenta que en la zona de franjas más
angostas, el dispositivo no almacenó una cantidad de puntos por
franja considerable para logran una visualización más definida de las
mismas.

Figura 11. Mapa de todos los puntos relevados y de las franjas en el lote.
-31.1432

-31.1433

-31.1434

-31.1435

-31.1436

-31.1437

-31.1438

-31.1439

-31.144

-52.7837 -52.7835 -52.7833 -52.7831 -52.7829 -52.7827

Figura 12. Mapa interpolado de todos los puntos relevados.

Por último, mediante el uso de un programa de interpolación (Surfer

8.0) podemos generar un mapa continuo como el de la Figura 12, en
donde quedan en evidencia nuevamente, las franjas relevadas
producto del tratamiento realizado al lote.

Conclusiones de lo ensayado.

El dispositivo detector presentó un comportamiento adecuado al ser

evaluado en forma dinámica permitiendo la correcta generación de
los mapas de malezas presentes en el lote.

Bibliografía

Cardina J., Sparrow D. H. and E. L. McCoy. 1995. Analysis of spatial distribution

of common lambs-quarters (chenopodium album) in no-till soybean (Glycine max).
Weed Science, 43, 258-268.
Gerhards R., Wyse-Pester D. Y., Mortensen D. and G. A. Johnson. 1997.
Characterizing spatial stability of weed populations using interpolated maps. Weed
Science, 45, 108-119.
Moltoni, A. and L. Moltoni. 2005. Pulverización selectiva de herbicidas:
implicancias tecnológicas y económicas de su implementación en la Argentina. En
VIII Congreso Argentino de Ingeniería Rural. Ed. CD-Rom, 9 al 12 de noviembre de
2005. Villa de Merlo, SL, Argentina.
Moltoni, a, l. Moltoni, l. Venturelli, a. Fuica, g. Masiá. 2006a. Site-specific
weed control: desempeño de un detector de maleza diseñado y construido en el
instituto de ingeniería rural de inta castelar. parte I. XXXV Congresso Brasileiro de
Engenharia Agrícola 31 de julho al 4 de agosto de 2006 - João Pessoa – PS – Brasil.
Moltoni Luciana, Moltoni Andrés, Masiá Gerardo. 2006b. “An Economic
Analysis of a Weed Detection System in Argentina”. Aprobado para su exposición
Oral en el Congreso Mundial de Ingeniería Agrícola de Bonn (GIGR 2006) del 3 al 7
de septiembre 2006. Agricultural Engineering for a Better World. Book of Abstracts.
p.255-256.
Moltoni Andrés, Gerardo Masiá, Adriana Fuica, Luciana Moltoni, Leonardo
Venturelli, Ramiro Cid. 2007. “Site-Specific Weed Control: Desempeño de un
Detector de Maleza Diseñado y Construido en el INTA Castelar. parte II” Aprobado
para su exposición Oral Congreso Argentino de Ingeniería Rural CADIR 2007 del 19
al 22 de Septiembre del 2007.
Shearer S. A. and R. G. Holmes. 1990. Plant identification using color co-
occurrence matrices. Transactions of the ASAE 34 (4), 1897-1909.
Tian L., Slaughter D. C. and R. F. Norris. 1997. Outdoor field machine vision
identification of tomato seedlings for automated weed control. Transactions of the
ASAE 40 (6), 1761-1768.
Tian L., Reid J. and J. Hummel. 1999. Developement of a precision sprayer for
site-specific weed management. Transactions of the ASAE 42 (4), 893-900.
Wang N., Zhang F. E., Sun Y. and D. E. Peterson. 2001. Design of an optical
weed sensor using plant spectral characteristics. Transactions of the ASAE 44 (2),
409-419.
Woebbecke D. M., Meyer G. E., Von Bargen K. and D. A. Mortensen. 1995.
Shape feature for identifying young weeds using image analysis. Transactions of
the ASAE 38 (1) , 271-281.
Zhang N. and C. Chaisattapagon. 1995. Effective criteria for weed identification
in wheat fields using machine vision. Transactions of the ASAE 38 (3), 965-974.