Los resultados indicaron que la información espectral basada en el índice de vegetación de diferencias normalizadas (NDVI, por sus siglas en inglés) aportó un 46% al modelo de clasificación, principalmente para la discriminación de objetos de vegetación y suelo desnudo. Por otra parte, para la identificación de las plántulas de amapola fue necesario incorporar además variables morfológicas (principalmente, el área [tamaño] del objeto, que aportó un 36% al modelo) y texturales (p.ej., textura media y entropía, con un 11% de contribución en el modelo). Por su parte, la distancia relativa de los objetos a la línea de cultivo tuvo escasa importancia en la clasificación total.

Las imágenes se tomaron con una cámara modificada para la obtención de información en infrarrojo-color y a una resolución espacial de 0,60 cm/píxel. Se aplicaron técnicas avanzadas de análisis de imágenes basadas en objetos para la obtención de las variables descritas y se desarrolló un modelo tipo árbol de decisión para cuantificar la importancia de cada variable en la clasificación.

Los resultados indicaron que la información espectral basada en el índice de vegetación de diferencias normalizadas (NDVI, por sus siglas en inglés) aportó un 46% al modelo de clasificación, principalmente para la discriminación de objetos de vegetación y suelo desnudo. Por otra parte, para la identificación de las plántulas de amapola fue necesario incorporar además variables morfológicas (principalmente, el área [tamaño] del objeto, que aportó un 36% al modelo) y texturales (p.ej., textura media y entropía, con un 11% de contribución en el modelo). Por su parte, la distancia relativa de los objetos a la línea de cultivo tuvo escasa importancia en la clasificación total.

La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes remotas de muy elevada resolución espacial (píxeles ​<5 cm). Actualmente, sólo los vehículos aéreos no tripulados (UAV) pueden generar este tipo de imágenes.

El objetivo de este trabajo fue evaluar imágenes UAV tomadas con una cámara visible a diferentes alturas de vuelo (40, 60, 80 y 100 m) y cuantificar la influencia de la resolución espacial en la discriminación de malas hierbas en fase temprana en un cultivo de girasol. Se aplicó un algoritmo de clasificación de imágenes basado en objetos, el cual se divide en dos fases principales: 1) detección de líneas de cultivo y 2) clasificación de cultivo, malas hierbas y suelo desnudo.

El algoritmo resultó 100% eficaz en la detección de las líneas de cultivo en todos los casos (fase 1), así como en la detección de zonas libres de mala hierba en las imágenes tomadas a 40 y 60 m de altura. En las zonas con presencia de malas hierbas, los mejores resultados se obtuvieron en las imágenes tomadas a baja altura (40 m), con un 71% de marcos de muestreo clasificados correctamente (fase 2). La mayoría de los fallos de clasificación cometidos en todas las imágenes fueron falsos negativos, es decir, malas hierbas no detectadas debido a su pequeño tamaño en el momento de la captura de las imágenes. Por tanto, el siguiente paso sería desarrollar un estudio multitemporal para estudiar la detección de las malas hierbas en estados fenológicos más avanzados. Esto podría facilitar su discriminación en las imágenes y, por tanto, disminuir el porcentaje de falsos negativos en las clasificaciones.