Evaluación de las enfermedades de la pudrición del cogollo y la pudrición basal del

tallo en cultivos de palma de aceite con el uso de sensores remotos: una revisión
práctica

Juan Nicolas Sanchez Mateus *

*Estudiante de Ingeniería agronómica. Universidad Nacional de Colombia, Sede Bogotá

1. Introduccion
La palma de aceite presenta una serie de enfermedades de importancia económica donde
las más importantes son la pudrición basal del tallo (BSR) y la pudrición del cogollo (PC). La
pudrición basal del tallo es ocasionada por el hongo Ganoderma boninense y se presenta
sobre todo en Indonesia y Malasia generando pérdidas de hasta el 50% con pérdidas
monetarias en promedio de 1.5 billones de dólares por año (Darmono 2000; Corley and
Tinker 2004). Por otro lado se encuentra la enfermedad de la pudrición de cogollo la cual es
ocasionada por el oomyceto Phytophthora palmivora y ha sido considerada como el factor
más limitante para el desarrollo de nuevas áreas de palma de aceite en Sur y
Centroamérica afectando plantaciones de palma de países cómo Panamá, Costa Rica,
Nicaragua, Ecuador, Colombia, Surinam y Brasil (Gomez, 2010). Dicha enfermedad provoca
pérdidas entre el 8-29% (Sanz, 2016; Chinchilla, 1998; Croplife, 2010).

El diagnóstico temprano es la mejor herramienta para poder realizar un óptimo manejo

integrado de estas enfermedades en el momento adecuado (Martínez, 2009). Esto se logra
realizando monitoreos con muestreos periódicos para identificar los primeros síntomas de
enfermedad. En ambas enfermedades los muestreos requieren gran cantidad de tiempo, de
una gran intensidad de labor, presentan dificultades de acceso a algunas zonas, grandes
costos y son difíciles de implementar en cultivos de grandes extensiones, lo que impide
generar información representativa y robusta (Perdomo, 2019).

Recientemente ha venido aumentando el uso de sensores remotos y de inteligencia artificial

en la agricultura. El sensoramiento remoto se ha convertido en una herramienta de gran
utilidad para observar, monitorear y hacer seguimiento a diferentes tipos de fenómenos y
procesos (ambientales, sociales, etc.) que ocurren a nuestro alrededor a través de la
captura de imágenes en diferentes espectros de luz (E Chuvieco, 2008). Dicha tecnología
presenta gran funcionalidad agrícola, siendo utilizado en aspectos cómo la clasificación de
cultivos, detección de enfermedades, evaluación de rendimiento y análisis de la tierra
(Melody y Zapata, 2018).
Los sensores remotos, junto con la información recopilada en el campo, permiten generar
modelos de predicción capaces de estimar la correlación del fenómeno en el campo con las
condiciones de reflectancia de la palma de aceite.

2. Fundamentos del sensoriamento remoto.

El sensoramiento remoto se basa en el fundamento físico de que cualquier objeto emite
algún tipo de radiación electromagnética, generado por sí mismo o reflejado de otra fuente
(E Chuvieco, 2008). Es un sistema que permite la captura y procesamiento de información
de un objeto sin entrar en contacto con él; esto gracias a que utiliza sensores ubicados en
plataformas espaciales, aviones, dirigibles o vehículos aéreos no tripulados. Los sensores
remotos obtienen imágenes de la superficie de la tierra, a partir del reflejo de los objetos
sometidos a diferentes longitudes de onda del espectro electromagnético, teniendo en
cuenta que el porcentaje de reflectancia varía en función de las propiedades físicas y
químicas del objeto (Parody y Zapata, 2018).

La toma de estos datos espectrales a partir de la captura de imágenes pueden presentar

mayor o menor detalle dependiendo de la resolución del sensor. Está resolución puede ser
de tipo espacial, espectral o temporal (GISGeography, 2022). Además dicha captura de
información visual por reflectancia puede darse en tres escalas, fina, medio y gruesa. En la
escala fina se capturan datos con resoluciones espaciales de menos de 5 metros tomadas
por ejemplo con plataformas aéreas o satelitales como IKONOS y QuicBird. A escala media
la captura de datos se hace con resolución espacial de 10 a 100 metros; y en escala gruesa
con resolución de más de 100 metros. La escala a usar depende del tamaño del área de
estudio a analizar y el fenómeno a determinar. Puede realizarse a nivel local, regional,
nacional o continental (Torres, 2009).

Generalmente existen dos tipos de sensores remotos, los pasivos y los activos. Los
sensores pasivos capturan la luz solar reflejada que emite o refleja el objeto. Los sensores
multiespectrales e hiperespectrales son ejemplo de este tipo de teledetección (Jensen
2006). Por otro lado, los sensores activos emiten energía en forma de ondas de luz al objeto
y miden la radiación retrodispersada para escanearla. RADAR y LiDAR son ejemplos de
sensores activos de detección remota (Jensen 2006).

Los rangos espectrales tomados por los sensores remotos permiten el cálculo de los índices
de vegetación, importantes para el análisis de las condiciones de los tejidos vegetales en
los cultivos. Los Índices de Vegetación, son pues imágenes calculadas a partir de
operaciones algebraicas entre distintas bandas espectrales. El resultado permite obtener
una nueva imagen donde se destacan gráficamente determinados píxeles relacionados con
parámetros de las coberturas vegetales: densidad, índice de área foliar y actividad clorofílica
(Alonso, 2021).

En general, los sensores remotos pueden ser usados para estimar componentes biológicos
mediante las técnicas de análisis de regresión, K-ésimo vecino más cercano y redes
neuronales (Roy y Ravan, 1996; Nelson et al., 2000ª; Steininger, 2000; Foody et al., 2003;
Zheng et al., 2004).

Los sensores remotos, junto con la información recopilada en el campo, permiten generar
modelos de predicción capaces de estimar la correlación del fenómeno en el campo con las
condiciones de reflectancia del objeto de estudio. En este sentido es importante seleccionar
las variables que individualmente presentan alta correlación para que en su conjunto se
minimice el error de estimación (Houborg et al., 2007).

3. Tecnicas y metodos

El crecimiento de los cultivos puede ser afectado por el estrés causado por la deficiencia de
fertilizantes, y el ataque de plagas y enfermedades. La respuesta de la vegetación a este
estrés puede ocasionar cambios bioquímicos a nivel celular y de hoja, que tiene influencia
sobre los sistemas de pigmento y el contenido de humedad. Por otro lado, el estrés puede
causar cambios biofísicos en la estructura de la cobertura, el índice de área foliar (IAF) o la
biomasa (Meer et al., 2002; Chuvieco, 2000, 2002).
Las principales aplicaciones agrícolas han aprovechado la información espectral localizada
desde el espectro visible (400 nm) hasta el infrarrojo térmico (14 000 nm), porque en este
rango espectral la vegetación aprovecha de formas distintas la energía recibida del sol
(Ferguson & Rundquist, 2018; Lillesand et al., 1987)
Dichos comportamientos espectrales pueden manifestarse en propiedades biofísicas y
bioquímicas de las plantas, lo cual permite la identificación de alteraciones de forma
temprana (Chuvieco, 2008; Mahlein, 2016). Las plantas con estrés por la afectación de
algún patógeno disminuyen la producción de clorofila por una menor absorción de energía
en las bandas rojas y azul, ello reduce la diferencia con la banda verde y ocasiona los
colores amarillos en la vegetación. Además, en el infrarrojo cercano, la energía deja de ser
reflejada y es absorbida por las hojas muertas o estresadas (Gogoi et al., 2018).

La obtención de imágenes con diferentes bandas espectrales permite calcular gran variedad
de índices de vegetación. Algunos de ellos son los índices de reflectancia antocianina (ARI),
índice de vegetación resistente a la atmósfera (ARVI), diferencia NIR y banda verde (GDVI),
Índice de vegetación de diferencia normalizada verde (GNDVI), Índice de vegetación de
proporcion verde (GRVI), indice de vegetación diferencia normalizada (NDVI), Indice de
vegetación ajustada al suelo (SAVI), indice de proporción simple (SR) e índice de
vegetación de diferencia renormalizada (RDVI).

3.1. Sensores remotos:

3.1.1. Imágenes hiperespectrales:
Los sensores de teledetección hiperespectral (HRS) contienen una gran cantidad de
bandas espectrales para registrar las respuestas espectrales de los materiales sobre una
longitud de onda continua específica. Con estos se extrae una mayor información que con
los sensores multiespectrales. Sin embargo, su análisis de datos es más complicado.
Básicamente determina condiciones de cobertura vegetal al representar el estado de
pigmentos de clorofila, la condición de la estructura celular de la planta y el contenido de
agua estructural de la planta, entre otras características. En general, las cubiertas vegetales
sanas significan una alta reflectancia en las bandas del infrarrojo cercano y baja reflectancia
en espectro visible (Khosrokhani, 2016). En el caso de la detección temprana de la
enfermedad de la pudrición basal del tallo, en palma de aceite, se han utilizado las técnicas
de índices de vegetación modificadas, de índices a partir de la banda de borde rojo o del
índice de eliminación continuas (Nisfariza et al. 2010). También se ha utilizado el
espectrorradiómetro (Shafri et al. 2012) para aumentar la precisión y calidad de la toma de
imágenes ya que permite una mayor diferenciación de las longitudes de onda que absorbe
el sensor (AQinstruments, 2022). Otra técnica importante es la espectroscopia infrarroja con
la transformada de Fourier, logrando diferencias entre plantas sanas de aquellas con daño
leve de SBR, resultado que aún no se obtiene con las técnicas (Liaghat, Mansor et al.
2014).

3.1.2.Imágenes multiespectrales:
A diferencia de los sensores hiperespectrales, los multiespectrales captan información en
múltiples bandas discretas del espectro electromagnético. Al aumentar el número de bandas
también aumenta la precisión de dichos sensores (Jensen, 2006).

Las palmas de aceite infectadas con BSR muestran una reflectancia más baja en NIR y una
reflectancia más alta en las regiones electromagnéticas RGB (Santoso et al. 2011). Los
índices de vegetación y relación simple son los más usados para discriminar plantas sanas
y enfermas. Las imágenes pueden ser tomadas por satélites o por drones (Santoso et al.
2011).
3.1.3. Escaneo láser terrestre:
Es un escáner activo que emite señales láser para calcular distancias en función del tiempo
de demora de los pulsos láser devueltos. Son capaces de registrar una gran variedad de
valores de retorno de distancia, que se ensamblan en modelos de paisajes tridimensionales
digitales muy detallados. Muchos de estos escáneres terrestres también graban fotos
digitales de las mismas áreas que se escanean con láser y pueden extraer valores de color
RGB de las fotos y adjuntarlos a cada retorno de distancia láser. Esto crea un modelo de
paisaje tridimensional altamente fotorrealista. Es usado para la construcción de mapas de
vegetación o terrenos con una alta resolución en rangos de 50–300 m (Walsh et al., 2018).
Para el mapeo de vegetación dicho escáner extrae parámetros físicos como el diámetro a la
altura del pecho (DAP), la altura del árbol, la forma del tallo y la copa (Zheng et al. 2013).

Dicho método ha sido utilizado para modelar geométricamente troncos y copas de planta de
palma de aceite con pudrición basal del tallo detectando reducción en area y perimetro del
tronco a 150 cm de altura así cómo también una reducción del tamaño de la copa cuando
se presenta la enfermedad (Khairunniza y Vong, 2014).

3.1.4. Sistema inteligente e-Nose:

Es un sistema eléctrico con una serie de sensores que imitan el sentido del olfato humano.
Se ha utilizado en la detección de la pudrición basal del tallo detectando las variaciones de
olor según el nivel de enfermedad. Se requiere análisis estadístico multivariado cómo los
métodos de componentes principales, de conglomerados jerárquicos y de discriminante
lineal (Abdullah, Adom et al., 2012).

3.1.5. Sistema de tomografía:

El sistema de tomografía incluye numerosas mediciones de cantidad de transmisión de
rayos sobre la sección transversal del objeto (Wang 2015). Se considera como una especie
de método de detección remota no destructiva. Permite la toma de imágenes tomográficas
con rayos gamma (Hamidon & Mukhlisin 2014; Abdullah et al. 2013), rayos X (Hamidon &
Mukhlisin 2014) y la tomografía de volumen de capacitancia eléctrica (ECVT) (Hamidon &
Mukhlisin 2014; Arango et al. 2016). Ha sido utilizado para la detección de BSR en
plantaciones de palma aceitera. Permite la ubicación exacta de las partes internas
infectadas y la extensión asociada en la planta (Abdullah et al. 2013). La desventaja de este
método es la lenta toma de las imágenes, demorando aproximadamente 30 minutos por
planta usando rayos gamma (Abdullah et al. 2013). Los rayos X son precisos pero son
perjudiciales para la salud del humano y la técnica ECVT es la más prometedora
permitiendo realizar la toma de imágenes por planta en solo 10 segundos (Hamidon &
Mukhlisin 2014).

3.1.6. Fluorescencia de rayos-X de microfoco:

Es un método en el cual un dispositivo de energía dispersiva emite un haz de rayos X de
tamaño micro a un objetivo específico para su mapeo y análisis de elementos. No requiere
destrucción de muestras ni recubrimiento de muestras. Permite analizar la variación de
compuestos orgánicos dentro de la planta. Palmas infectadas con la pudrición basal del tallo
evidencian una tasa más baja de elementos inorgánicos en comparación con las palmas
intactas (Truner & Chin 1968). La fluorescencia de rayos X se considera un sensor eficaz
para la detección de enfermedades de las plantas (Yokhin & Tisdale 1993). Los elementos
de Mo, Cl, K, Ca y Mn, se encuentran en tasas más bajas en las hojas infectadas. También
existe una diferencia característica en el porcentaje de Cl y la relación Ca/K entre las hojas
infectadas y las normales (Meor et al. 2009).

4. Esquema

Figura 1. Esquema general del procedimiento de detección de enfermedades de la palma de aceite

con sensores remotos
5. Estudios de caso.
Evolución espacio-temporal de la incidencia del SFS en un cultivo de palma de la provincia
de Puntarenas, Costa Rica
Metodología:
1. Información del lote y muestreo en campo

Figura 2. Ubicación espacial del lote estudio y distribución espacial del cultivo (Izquierda). Niveles de
daño de PC (Derecha)

El estudio se realizó en un área aproximada de 4 hectáreas. La ubicación geográfica es en

las coordenadas 9,536839° - 9,533168° latitud norte y 84,335819° - 84,334713° longitud
oeste. La plantación se sembró en Julio de 2013 con el material genético Compacta x
Nigeria, a una densidad de siembra de 160 plantas por hectárea. Al inicio de este estudio la
plantación tenía un año de sembrada, lo cual corresponde al inicio del ciclo vegetativo
(Montes et al., 2021).

Tabla 2. Niveles de daño de la enfermedad PC en palma de aceite y su simbología

2. Captura de imágenes:
Se realizó por medio de un VANT mediante planes de vuelo programados en dirección
suroeste-noreste. Se realizó con traslape frontal y lateral de 80 %. Las imágenes obtenidas
se corrigieron de forma automática con el sensor de irradiancia que portaba la cámara, lo
cual permitió obtener la información en reflectancia calibrada y de forma automática, en
todas las imágenes y bandas.
3. Procesamiento de imágenes:
La información multiespectral se procesó con el software Pix4DMapper® donde se alinearon
todas las imágenes para construir los ortomosaicos individuales para cada una de las
bandas. Dichos ortomosaicos se utilizaron para el cálculo de los índices de vegetación
analizados en esta investigación

Mediante técnicas de geoprocesamiento (extracción por máscara, estadísticas de zona) se

extrajo el promedio de cada índice de vegetación para cada planta, los cuales se analizaron
en relación con el estado sanitario reportado durante la evaluación en campo en febrero de
2017.

4. Análisis de la enfermedad:
Dicha información se analizó estadísticamente mediante la prueba no-paramétrica Krustal
Wallis. Además se realizó un análisis de autocorrelación espacial para determinar la
distribución espacial de la enfermedad. Este análisis se ejecutó con el estadístico Índice de
Moran integrado en el entorno de ArcGIS 10.7, que mide la autocorrelación espacial basada
en ubicaciones y valores de las entidades de interés de manera simultánea (Environmental
Systems Research Institute, 2021).

Resultados:
El índice de radio simple fue el que mejor discriminan entre las variaciones espectrales de
las plantas sanas y plantas con nivel de enfermedad F2 y F3. Ningún índice pudo
discriminar espectralmente las plantas sanas y las plantas con nivel de daño leve F1.
 Distribución espacio-temporal de la enfermedad de la PC en el lote de estudio (arriba). Diferencias
significativas entre la detección del nivel de daño por los diferentes indices de vegetación (abajo).

Con el índice de Moran se determinó una distribución espacial en forma de clusters lo cual
alcanza a observarse en los mapas temporales de avance de la enfermedad.
El sector Noreste del lote fue el más afectado por la enfermedad y según el análisis
temporal dicha zona presentó un aumento de la incidencia y severidad de la PC.

6. Conclusiones:
La información obtenida mediante sensores remotos permite identificar las enfermedades
de la pudrición del cogollo y la pudrición basal del tallo en la palma aceitera.

El usó de sensores multiespectrales e hiperespectrales son los métodos más utilizados para
el monitoreo y el análisis temporal de estas enfermedades pero existen otras técnicas igual
de funcionales y poco estudiadas.

El usó de imágenes espaciales para el análisis de la enfermedad puede considerarse de

difícil acceso, difícil manejo y de altos costos para pequeños agricultores. El uso de
vehículos no tripulados podría ser una herramienta más eficiente y barata permitiendo el
ahorro de tiempo y dinero.

El uso de sensores remotos para el análisis de enfermedades de la palma demuestra ser

más eficiente, más barato y de mayor precisión lo cual puede servir cómo alternativa para la
detección y manejo de dichas enfermedades de forma temprana. Esto puede aumentar la
producción del cultivo y aumentar las ganancias del productor.

6. Bibliografía.
-Torres, L. A. ; A. J. (2009). Caracterización de firma espectral a partir de sensores remotos para el
manejo de sanidad vegetal en el cultivo de palma de aceite Characterization of the Spectral Signature
from Remote Sensors for the Management of Plant Health in the Oil Palm Crop Intro, 30(3), 63–79.
-Wang. (2011). Design and Realization of Precision Agriculture Information System Based on 5S.
Beijing, China
-Torres, L. A. ; A. J. (2009). Caracterización de firma espectral a partir de sensores remotos para el
manejo de sanidad vegetal en el cultivo de palma de aceite Characterization of the Spectral Signature
from Remote Sensors for the Management of Plant Health in the Oil Palm Crop Intro, 30(3), 63–79.
-Torres Galindo, A. K. (2015). Development of a multispectral system for precision agriculture
applications using embedded devices. Sistemas Y Telemática, 13(33), 27.
http://doi.org/10.18046/syt.v13i33.2079
-Jimenez, A., Salamanca, J. M., & Medina, M. J. Q. (2015). Crops Diagnosis Using Digital Image
Processing and Precision Agriculture Technologies. Ingeniería Agrícola, 11(1), 63–71.
-Camilo, J., & Junco, F. (2016). Apoyo a la Agricultura de Precisión en Colombia a partir de
imágenes adquiridas desde Vehículos Aéreos no Tripulados (UAV’s). Retrieved from
http://pegasus.javeriana.edu.co/~CIS1430I S05/documentos/Exposicion_CIS1430IS05 .pdf
-Garcia, S., & Martinez, J. (2010). Satellite image based method for rice ( Oryza sativa L .) crop
identification Satellite image based method for rice ( Oryza sativa L .) crop identification. Agronomia
Colombiana, 28(2)(September), 281–290. Retrieved from https://www.researchgate.net/profile/Joel_
Martinez3
-Jiménez, A., Gómez, A., & Torres, A. (n.d.). Development of a multispectral system for measuring
crop conditions, 197–204.
-Sanz J 2016 Palmas. Bud Rot: Comprehensive Confrontation of a Lethal Enemy, P. Palmivora
37 109-110
-Gómez, J. E. (2010). Aproximación matemática al entendimiento de la dinámica de la enfermedad
Complejo Pudrición del cogollo en palma de aceite en diferentes regiones productoras de América
Tropical. Revista Palmas, 31(especial,), 345–352.
http://publicaciones.fedepalma.org/index.php/palmas/article/view/1539
-Hurtado Camacho, R., Rincón Romero, V. O., Mercado Marino, H., & Gómez Latorre, D. (2009).
Agricultura de precisión: Análisis exploratorio de evolución espacio-temporal de la incidencia de
Pudrición del Cogollo (PC) de la palma de aceite (Elaeis guineensis Jacq.). Núcleo productivo de San
Andrés de Tumaco. Período: enero 2007 - febrero 2008. Revista Palmas, 30(2), 35–52.
http://publicaciones.fedepalma.org/index.php/palmas/article/download/1434/1434
-Zuleta, A., & Ecuatoriales, E. S.-S. (2018). Agricultura de precisión en Colombia utilizando
teledetección de alta resolución. Unicauca.Edu.Co, 48, 41–49.
http://unicauca.edu.co/revistas/index.php/suelos_ecuatoriales/article/download/94/78
Shafri HZ, Anuar MI. 2008. Hyperspectral signal analysis for detecting disease infection in oil palms.
In:International Conference on Computer and Electrical Engineering; 2008; IEEE Computer Society;
p. 312-316.
-Shafri HZ, Anuar MI, Seman IA, Nisfariza MN. 2011. Spectral discrimination of healthy and
Ganoderma-infected oil palms from hyperspectral data. International Journal of Remote Sensing.
32(22):7111-7129.
-Shafri HZ, Anuar MI, Saripan MI. 2009. Modified vegetation indices for Ganoderma disease
detection in oil palm from field spectroradiometer data. Journal of Applied Remote Sensing. 3(1):1-23.
-Shafri HZ, Ezzat MS. 2009. Quantitative performance of spectral indices in large scale plant health
analysis. American Journal of Agricultural and Biological Sciences. 4(3):187-191.
Shafri HZ, Hamdan N. 2009. Hyperspectral imagery for mapping disease infection in oil palm
plantation using vegetation indices and red edge techniques. American Journal of Applied Sciences.
6(6):1031-1035.
-Shafri HZ, Hamdan N, Anuar MI. 2012. Detection of stressed oil palms from an airborne sensor
using optimized spectral indices. International Journal of Remote Sensing. 33(14):4293–4311.
-Santoso H, Gunawan T, Jatmiko RH, Darmosarkoro W, Minasny B. (2011). Mapping and
identifying basal stem rot disease in oil palms in north Sumatra with QuickBird imagery. Precision
Agriculture. 12(2):233- 248.
-Nisfariza MN, Shafri ZH, Idris A, Steven M, Boyd D, Mior M. (2010). Hyperspectral sensing
possibilities using continuum removal index in early detection of Ganoderma in oil palm plantation. In:
Conference on World Engineering Congress, Sarawak, Malaysia; (2010); Geomatics and
Geographical Information Science; p. 233-239.
-Nisfariza, MN, Idris AS , Shafri ZH, Steven M, Boyd D. (2009). Hyperspectral derivative band ratios
of oil palm stress associated with Ganoderma basal stem rot disease. MRSS 2010, PWTC, Malaysia.
-Ariffin D, Idris A, Singh G. 2000. Ganoderma diseases of perennial crops. CABI Publishing:
Wallingford; p. 49-267.
-Azahar T, Mustapha JC, Mazliham S, Boursier P. (2011). Temporal analysis of basal stem rot
disease in oil palm plantations: An analysis on peat soil. International Journal of Engineering &
Technology. 11(3):96-101.
-Escalante T., J.O.; Cáceres J., J.J. y Porras D., H. (2016). Ortomosaicos y modelos digitales de
elevación generados a partir de imágenes tomadas con sistemas UAV. Revista Tecnura, 20(50),
119-140. doi: 10.14483/udistrital.jour.tecnura.2016.4.a09
-Liaghat, S., Ehsani, R., Mansor, S., Shafri, H. Z. M., Meon, S., Sankaran, S., & Azam, S. H. M. N.
(2014). Early detection of basal stem rot disease (Ganoderma) in oil palms based on hyperspectral
reflectance data using pattern recognition algorithms. International journal of remote sensing, 35(10),
3427–3439. https://doi.org/10.1080/01431161.2014.903353
-Santoso, H., Gunawan, T., Jatmiko, R. H., Darmosarkoro, W., & Minasny, B. (2011). Mapping and
identifying basal stem rot disease in oil palms in North Sumatra with QuickBird imagery. Precision
Agriculture, 12(2), 233–248. https://doi.org/10.1007/s11119-010-9172-7

-Santoso, H., Tani, H., Wang, X., Prasetyo, A. E., & Sonobe, R. (2019). Classifying the severity of
basal stem rot disease in oil palm plantations using WorldView-3 imagery and machine learning
algorithms. International Journal of Remote Sensing, 40(19), 7624–7646.
https://doi.org/10.1080/01431161.2018.1541368
-Chuvieco, E. 2000. Fundamentos de Teledetección espacial, RIALP,
568 pp.
-Chuvieco, E. 2002. Teledetección Ambiental, Ariel Ciencia, 128 pp.
-Diaz C 2013 Adquisición de imágenes de bajo costo aplicadas a la agricultura de precisión usando
vehículos aéreos no tripulados (Quito: Universidad San Francisco)
-Ng P 2013 Palmas. 34 259-79
-Neupane R, Sharma K and Thapa G 2002 Agricult. Syst. 72 177-96
-Ohlmacher G and Davis J 2003 Engin. Geology. 69 331–4
-Alemán-Montes, B., Henríquez-Henríquez, C., Largaespada-Zelaya, K., & Ramírez-Rodríguez, T.
(2022). Evaluación de Flecha Seca en palma aceitera (Elaeis guineensis Jacq.) mediante imágenes
multiespectrales, Costa Rica. Agronomia mesoamericana: organo divulgativo del PCCMCA,
Programa Cooperativo Centroamericano de Mejoramiento de Cultivos y Animales, 47557.
https://doi.org/10.15517/am.v33i2.47557
-Leonardo, A. T., & Jiménez, A. (2009). Caracterización de firma espectral a partir de sensores
remotos para el manejo de sanidad vegetal en el cultivo de palma de aceite. Palmas, 30(3), 63–79.
https://publicaciones.fedepalma.org/index.php/palmas/article/view/1455
-Montero, D., & Rueda, C. (2018). Detection of palm oil bud rot employing artificial vision. IOP
conference series. Materials science and engineering, 437, 012004.
https://doi.org/10.1088/1757-899x/437/1/012004
-Viera-Torres, M., Sinde-González, I., Gil-Docampo, M., Bravo-Yandún, V., & Toulkeridis, T. (2020).
Generating the baseline in the early detection of Bud Rot and Red Ring Disease in oil palms by
geospatial technologies. Remote Sensing, 12(19), 3229. https://doi.org/10.3390/rs12193229