DOSSIER OLIVAR

SE HA DESARROLLADO UN SOFTWARE, DENOMINADO CLUAS, PARA EL PROCESADO DE IMÁGENES OBTENIDAS POR TELEDETECCIÓN

El olivar desde el cielo,su caracterización medianteteledetección

por Cluas y se indican varios ejemplos de su usoen olivar. Cluas puede contribuir al desarrollo dela agricultura de precisión en cultivos arbóreosdado que proporciona información cuantitativade cada árbol de la plantación, de pequeñas áre-as o microparcelas y/o de parcelas enteras.

El procesado de imágenes remotas a través delsoftware informático Cluas (Clustering Assess-ment) proporciona automáticamente indicado-res agronómicos y ambientales de plantacionesarbóreas. En este artículo se describen algunosprocedimientos y operaciones llevadas a cabo

L. García -Torres, D. Gómez-Candónl,J. M. Peña-Barragán', M. Jurado-Expósito',Alfonso García-Ferrer' y Isabel Castillejo',F. López-Granados'

Instituto de Agricultura Sostenible, CSIC. Córdoba,

2 ETSI Agrónomos y Montes. Universidad de Córdoba.

E

n la agricultura convencional, operacio-nes tales como la siembra, la aplica-ción de fertilizantes y fitosanitarios y elriego de cada parcela se llevan a cabo

a la misma dosis, es decir, de forma espacial-mente uniforme. Dicha uniformidad ocurreaun cuando cada parcela exhiba desigualda-

des en el espacio, e incluso en parcelas degrandes dimensiones, por ejemplo de vanasdecenas de hectáreas. Es pues una agriculturaque no tiene en cuenta la variabilidad espacialque suele ocurrir en cada parcela.

La agricultura de precisión, al contrario dela convencional, determina y maneja la varia-bilidad espacial de cada parcela en peque-ñas zonas o subparcelas ("microparcelas",por ejemplo de vahos centenares de metroscuadrados). Dicha variabilidad espacial pue-de deberse a factores abióticos tales como lafertilidad, textura o profundidad del suelo, y/oa factores bióticos, tales como malas hierbasy/o organismos patógenos, cuya desigualdistribución espacial (en rodales) es un factorimportante a considerar. Y en base a lo ante-rior, en la agricultura de precisión se planifi-can operaciones agrícolas a dosis variablesadaptadas a las necesidades de cada micro-parcela. Por ejemplo, se aplica herbicida enuna microparcela solo si ocurre una infesta-ción de malas hierbas en la misma.

La teledetección comoherramienta de laagricultura moderna

En las últimas décadas la teledetección hallegado a ser una herramienta muy importante,casi imprescindible, en muy diversas ciencias

60 Vida RURAL (1/Octubre/ 2009)

7

1. Programa ENVI

2. Imagen remota

2.1 Selección yaislamiento parcelade árboles

3. Clasificación delos usos de suelo -11

4 Instalaciónde CLUAS

5. Parámetros agrupamientos

5 1.RangoVD

5.2.Distancia

5.3. Tamaño/alto/ ancho

6. Accionamiento de CLUAS

7. Archivo datos cuantitativos

sr8. Interpretación e indices

complementarios

de la tierra y del medio ambiente,tales como lameteorología y oceanografía. En la última dé-cada, el perfeccionamiento de los sensores,del proceso de imágenes y, sobre todo, la ma-yor resolución espacial de éstas, está posibili-tando un importante número de aplicacionesde la teledetección en agricultura. Así, las imá-genes con un tamaño de pixel de aproximada-mente 1 m 2 o inferior, son esenciales para eldesarrollo de la agricultura de precisión.

Se puede afirmar que trabajos tales comoel inventario de cultivos a nivel regional, y la zo-nificación y mapeo de precisión en parcelasagrarias de la cosecha esperada, necesida-des de riego, fertilización y aplicación de fito-sanitarios se pueden llevar cabo en un grannúmero de supuestos mediante procesa-miento de imágenes remotas. Éstas podránser tomadas mediante sensores transporta-dos por satélites (a decenas de kilómetros),aviones en vuelo a cotas elevadas (1.000 ó1.500 m sobre el suelo) y/o aviones no tripu-lados a baja altura (50 a 100 m). En conse-cuencia, las salidas al campo de los agricul-tores y expertos para el seguimiento de loscultivos serán cada vez menos necesarias, yse sustituirán por el procesado de imágenesremotas en el ordenador. La agricultura con-vencional que todavía predomina, en granmedida intuitiva y poco científica, se irá susti-tuyendo poco a poco por una agricultura deprecisión, mucho más científica, tecnificada ymedioambientalista. Y todo lo anterior basa-do en gran parte en la teledetección.

Teledetección agraria de precisiónLas imágenes remotas de explotaciones

agrarias convenientemente procesadas pue-den proporcionar una tremenda cantidad deinformación agroambiental de cada una delas parcelas que abarcan. Se está avanzandomucho en el procesamiento de imágenes re-motas. Así, en los últimos años se han llevadoa cabo numerosos trabajos sobre aplicacio-nes de la teledetección en la predicción de lacosecha (Bramley eta!., 2005; Ortega eta!.,2008; Domsh et al., 2008), planificación dela fertilización nitrogenada (Blondot et al.,

2005; Delgado eta!., 2008) y mapeo de ro-dales de malas hierbas para el uso de herbi-cidas (Thorp yTian, 2004; López-Granados et

al, 2006; Peña-Barragán eta!., 2007), entreotros muchos trabajos que podrían mencio-narse.

Hasta nuestros días, el seguimiento delas plantaciones de árboles mediante visitas

FIGURA 1.

Organigrama operacional del softwareCluas.

al terreno ha sido lo usual, efectuando en di-chas visitas observaciones visuales y en sucaso toma de muestras y posterior análisis delas mismas. Dichos seguimientos requierenuna elevada inversión en tiempo y dinero, yproporcionan escasa información sobre pa-rámetros cuantitativos de cada uno de los ár-boles y de la plantación en su conjunto. Como

En la última década, elperfeccionamiento de lossensores, del proceso deimágenes y, sobre todo, lamayor resolución espacialde éstas, está posibilitandoun importante númerode aplicaciones de lateledetección en agricultura )

se ha mencionado antes, para superar estaetapa convencional de visitas al terreno, unreto muy importante es procesar adecuada-mente imágenes remotas. Y para lo anteriores necesario desarrollar programas informá-ticos/software específicos adaptados a loscultivos y a los parámetros a caracterizar. Eneste artículo se describe la información queproporciona un programa informático deno-minado Cluas (Clustering Assessment), dise-ñado para obtener de imágenes remotas deplantaciones de árboles diversos parámetrosagroambientales de cada árbol y de la planta-ción en su conjunto.

Material y métodos

Cluas y su proceso de operacionesENVI I es un programa comercializado des-

de hace años para visualizar y procesar imá-genes, escrito en lenguaje IDL 2 . Cluas tam-bién está escrito en IDL y funciona como unmenú adicional (add-on) de ENVI. Cluas hasido desarrollado por el Grupo de Agriculturade Precisión del Instituto de Agricultura Sos-tenible del CSIC (García-Torres eta!., 2006 y2007).

El organigrama del funcionamiento deCluas se indica en la figura 1, y los algorit-mos y procedimientos de cálculo que utilizahan sido descritos en García-Torres et al.

(2008). Cluas opera integrando los valoresdigitales (VD) de píxeles vecinos, dentro deun determinado rango de valores digitales yde un número máximo de columnas y filas asímismo especificadas. Su accionamiento re-quiere los siguientes pasos:

1) Seleccionar la banda del espectroelectromagnético o índice de vegetación deprocesamiento.

2) Definir el rango de VD correspondienteal uso de suelo objeto de estudio, tales comolos árboles de la plantación, la vegetación osuelo desnudo.

3) Definir el tamaño máximo de los agru-pamientos, lo cual está definido por un deter-minado número de filas y columnas de laimagen.

En el caso de plantaciones de árboles, ladeterminación de los rangos de VD de losusos de suelo se lleva a cabo mediante clasi-ficación supervisada iterativa, procedimientoen el que se contrasta estadísticamente suexactitud global (OA, overall accuracy).

En definitiva, cada árbol de una planta-ción o agrupamiento se caracteriza por el nú-

(1/Octubre/2009) VId8RURAL 131

CUADRO I.Parámetros proporcionados por Cluas y su significado agroambiental.

Parámetro Abreviatura Significado Unidad

Superficie imagenAgrupamiento

NTPAG1/„ AGi/ „ AGn

Número total pixelesÁrbol/ árboles/vegetación /suelo desnudo

Pixel

Coordenadas geográficasde cada agrupamiento

,XY,latitud

(requerido para agricultura de precisión)m

Superficie agrupamientosValores digitales integrados

NPAGVDAG

Número de pfxeles de cada agrupamientoMedida relativa de la productividad potencial(para agrupamientos de vegetación )

Pixel

VD

Ratio de productividadpotencial

VDAG/NPAG Medida relativa de la productividad potencialpor unidad de superficie de vegetación

VD/pixel

Número total de agrupamientos NTAG Agrupamientos/estimación de la densidad

Densidad de agrupamientos NTAG/NTP Densidad/espaciamiento vegetación Agrupamiento/ pixel

Valores digitales integradosde todos los agrupamientos IVDA

Medida relativa de la productividad potencialde los agrupamientos de vegetación DV

Valores digitales mediosdel agrupamiento

VDAM Comparativa entre agrupamientos DV

DOSSIER OLIVAR

mero de píxeles que lo conforman, es de-cir su superficie, y por los VD integrados.Los parámetros proporcionados por Cluasy su significado agroambiental se indicanen el cuadro 1. La interpretación agronó-mica de éste último parámetro varía segúnla imagen (banda o índice vegetativo) pro-cesada. Cluas ® además proporciona lascoordenadas geográficas de cada agrupa-miento, lo cual es importante para diseñarlas operaciones agrícolas de precisión. Afin de ilustrar la información que propor-ciona Cluas ® se indica a continuación elprocesado de diversas imágenes remotasde plantaciones de olivo.

Cuantificación de indicadoresde cada árbol

En la figura 2a se muestra un vista de unolivar de 0,56 ha procedente de una imagenpancromática del satélite Quick Bird, con untamaño de pixel de 0,70 m; y en la figuras 2by 2c se muestran detalles ampliados de la an-terior, x4 y x12, respectivamente. Los usos delsuelo del olivar son: árboles de olivo, coberturavegetal y suelo desnudo, que coinciden con loscolores negro, gris y blanco, respectivamente.El procesamiento de la imagen por Cluas sellevó a cabo con un rango de VD O a 70, y agru-pamientos equidistantes > 3 píxeles, con unmáximo de 30 columnas y 30 filas.

Caracterización de diversas zonasde un olivar

La figura 3 corresponde a una parcela deuna imagen multiespectral de la Estación Ex-perimental de Cabra (Córdoba, España, X =373549,Y = 4151178), de 0,5 m de resolu-ción espacial tomada a mediados de julio de2005, en la que se muestran tres zonas debaja (B), intermedia (A), y alta (C) productivi-dad potencial, cada una de aproximadamente0,5 ha. Se transformó la imagen al índice vege-tativo NDVI, y se procesó mediante Cluas conunos rangos deVD de 0,1-1,0; 0,015-0,099, y0,001-0,014 para árboles de olivo, otra cober-tura vegetal y suelo desnudo, respectivamente(OA= 96%).

Caracterización de diversasparcelas de olivos

La figura 4 muestra varias parcelas adya-centes de olivar de diversas característicasagronómicas. Es parte de una imagen pancro-mática del satélite Quick Bird, con una resolu-ción espacial de 0,7 m,tomada a mediados dejulio de 2005 en un área total de 18 ha (X =301012,Y = 4156955). Se determinaron di-versos parámetros agronómicos y ambientalesde cada parcela, mediante las siguientes ca-racterísticas de procesamiento: rango de VDde 50-89,90-125 y 126-190 para árboles deolivo, otra cobertura vegetal y suelo desnudo,respectivamente (OA= 94%), tamaño máximode agrupamiento 14x 14 (excepto para la par-cela B que fue de 10 x 10).

FIGURA 2.

a) Vista de los usos de suelo del un olivar de 0,56 ha en una imagen pancromática del satélite Quick Bird;b) y c) ampliaciones zoom x4 y x12, respectivamente.

Los árboles de olivo, la cobertura vegetal y el suelo desnudo coinciden con el negro, gris y blanco, espectivamente.

62 Vida RURAL (1/Octubre/2009)

UniRamo

--- 09e-

or"

RIEGO POR GOTEO"4418TERRANE0'

ar

UniRamAsegura el riego y tertirrlego de

calidad y precisión en su olivar.

Asegura la máxima rentabilidad

de la inversión.

N•••• II

11N ***** ....lar .... • . .ue ..,.....c. .. .›:::..:.. • 41... _•* . .WIN•er•Ate.:7: *** .. ,f:: . — .** .... •• '

: =2:, n=e1 •, • • ••=ree•li •• ••••!!!!!fM• r• *

NI Ab Lii:"...".••• • •• •••n ••••••••• • •E.." .74%,••••••n••••• . • *A. • ***oun . 11.,... .-.••1••••*o.- • ~11::: itler... ....... ..,...II• •45 a ••• ***** • 51111 ••• ••* ~~8.1..•••••41• •••• • •••••••11 • • ne••••• • • • • • • •••••• • n••••••• •••• o•••••• n•••••••••••• • • N 1 • • a•••• •• •••••• ••••••••••••• n•• • ~N • • o ;:=2::a. ntr;U:.••:•9 0.4- ***e •4•01=••n..t...• 4=0* Nublo ••• • • ••••• . e • •• r• • • • •• ******** 6 ..... •.:;•••= ::::;....••••••••••• • ilp••••••••••••

**e•••

••••••••••••N4~ •it=:• .;•••41.211•.•Ird• n•

040 • • • ••."100. qu .e.4lee.. • •

N •10 . • •••711nIr•••••=3 a...e: •÷1»ord.......6 4.1010•48. 41.14.4

• 1114/ ••• • - •• ••••n• ....... ••• •• • • .4,„, me n•••••••• Iroe* ***••••n•••••••••••••zr ........ ... ******* ....•.. II** N IONNeere ***** lb ** •••• • fa, •U:s.• r•• •••••••• N:. ... gr. **** * N ******* ********* *4••••• *ir• • • ig.• • • ••• 0•414 • • • n•• 41 ......: =,...• • •••• • • f• • • 1. • •• ••0........•••••• :ter ...I; rt.;a. • •• ,i••••n•••• ** •=9••••....terne....«.=.11.11: II:=1*.•

ifi••••

. 2 n. * ..i.=.-.4••••••••••nn••• gdera.411e10::\ ,• 4.•eulwee:=n•• ..... e...**131.•e -..-e a..... y se.. IN.* ••• • •••;1111

FIGURA 3.

Vista de una imagen multiespectral de una plantación deolivos de 12,8 ha en la que se han delimitado tres zonas dediversa productividad: A) intermedia; B) baja y C) afta.

Resultados y discusión

Cuantificación de indicadoresde cada árbol

El archivo de salida ASCII/Excel generado por Cluas del proce-samiento de la imagen de la parcela de olivar de 0,12 ha indicadaen la figura 2b se muestra en el cuadro II. El porcentaje de super-ficie de árboles de olivos en relación a la superficie de la parcela fuedel 25% (NTAG/NTP, 0,25). Se indica el centro geométrico de cadaárbol, lo que es importante para una programación de precisión ár-bol a árbol, y se cuantifican independientemente los parámetros decada árbol; así el AG4 coincide con el de mayor tamaño y mayor va-lores digitales integrados, 76 píxeles y 1.473, respectivamente. Sinembargo, una mayor actividad vegetal, coincidente con un menorvalor del índice VDAG/NPAG en la imagen analizada, se observa enlos árboles AG1 y AG4, entre otros análisis que pueden deducirse.

Caracterización de diversas zonas de un olivarSe muestran diversos indicadores calculados por Cluas en el

cuadro III. Cada zona descrita exhibe diferente productividad po-tencial. Por ejemplo, la superficie media de los árboles de olivo y lasuperficie total de olivar fue de 4,2 m 2 ,16,9 m 2 y 31,3 m 2 , y de 9%,35% y 66% del área total de la parcela para las zonas de baja, in-termedia y alta productividad, respectivamente.

Caracterización de diversas parcelas de olivosDiversos indicadores agroambientales de las parcelas estudia-

das se indican en el cuadro IV. Así el tamaño medio de los árbolesde olivo fue de 5,5 m 2 para la zona B, correspondiendo muy posi-blemente a una plantación de olivos jóvenes, y fue de 30,4 m 2 y e NETAFIK Regabe7

www.regabercorn

DOSSIER

CUADRO U.

Archivo de salida ASCII/ Excel del procesamiento por Cluas dela imagen de la parcela de olivar de 0,12 ha indicada en la figura 2b.

NTP: 2450

AG X Y NPAG VDAG VDAG/NPAG

OLIVO1 1,47 3,68 34 618,0 18,2

OLIVO2 15.29 2,65 52 1.117,0 21,5

OLIVO3 31,79 4,62 58 1.461,0 25,2

OLIVO4 7,32 16,03 76 1.463,0 19,3

OLIVO5 37,97 17,10 40 873,0 21,8

OLIVO6 22,21 18,18 38 735,0 19.3

OLIVO7 0,93 30.22 27 647,0 24,0

OLIVOS 14,09 30,40 55 1.336,0 24,3

OLIVO9 29,36 31,09 55 1.450,0 26,4

OLIV010 44,51 31,46 39 988,0 25,3

OLIV011 6,14 42.68 44 891,0 20,3

OLIV012 21,85 44,15 39 1.160,0 29,7

OLIV013 36,50 44,80 44 978.0 22,2

NTAG: 601

NTAG/NTP: 0,25

IVDA: 13.717,0

VDAM: 22,8

* Las abreviaturas se indican en el cuadro 1.

CUADRO III.Cuantificación por Cluas de las zonas del olivar de la Estación Experimental de Cabra (Córdoba)de productividad potencial intermedia (A), baja (B) y alta (C) indicadas en la figura 3.

Zonas CaracterísticasÁrea Productividad potencial

(IDV 2 )Productividad potencial

media por árbol 3Tamaño árbolde olivo (m2)

Total(ha)

Árbolesde olivo 1 Media Rango

A (Intermedia) 0,49 35 1.056 11,0 16.9 3,2-36,7

B (Baja) 0,83 9 419 4,2 4,2 2,0-5,0

C (Alta) 0,46 66 2.127 22,1 31,3 5,2-42,2

' % de la zona; 2 IDV: valores digitales in egrados: , valores digitales integrados por olivo.

FIGURA 4.Vista de una imagen pancromática delsatélite Quick Bird de 18,2 ha (X =351037;Y = 4156992) en la que se handelimitado cinco parcelas de olivar demuy diversas características.

35,2 m 2 para las zonas C y D, típicas plan-taciones de olivares adultos. El porcentajede área de árboles de olivo está altamen-te relacionado con la productividad poten-cial de cada parcela. La productividad po-tencial media por unidad de área de olivarvarió entre 146 y 161 valores digitales in-tegrados (IDV) por m 2 . El porcentaje de co-bertura vegetal y de suelo desnudo decada parcela, importantes indicadores

CUADRO IV.Cuantificación por Cluas de parcelas de olivar indicadas en la figura 4* •

Parcelas Usos del suelo

Árboles de olivo Cobertura vegetal Suelo desnudo

Nombre Área(ha)

Númerode árboles

Áreamedia (m 2 )

Rango(m2 )

Áreatotal (% 1 )

Productividad,potencial

total(IDV2 x 10 3 )

Productividad,potencial

por ha(IDV x 102 )

Productividad,potencialpor olivar(IDV/m2)

Área(% 1 )

Valor digitalmedio por m 2

Área Valor digital(% 1 ) medio por m2

A 5,23 948 12,5 5,0-30,8 24,6% 2.059,1 393, 7 156,4 50,1% 220,0 25,2 272,6

B 4,65 556 5,5 3,0-24,1 6,7% 509,9 108,8 160,8 61,1% 226,6 32,4 272,4

C 3,2 420 30,4 2,0-73,9 40,9% 1.987.2 621,0 148,4 54,2% 216,0 5,6 264,0

D 0,65 97 22,2 3.0-57,3 32,2% 313.0 411,6 146,6 67,4% 215,0 0,4 254,2

E 4,31 461 35,4 3,0-94,0 38,0% 2.493,9 74,6 148,6 47,1% 219,2 15,0 262,6

1 % sobre el área total de la parcela. 2 1DV: valor digital integrado.

*Imagen pancromática del satélite Quick Bird, cerca de Montilla, provincia de Córdoba.

Continua en pag. 66 •

VidaRURAIL (1/Octubre/2009)

elite tel(*) Consultar dosis y fórmulas según producciones.

Siempre ae dado del? aorictiefor

Empresas colaboradoras:

Agriberia"NUTRICIÓN VEGETAL FERTIUM

GRUPO

riTUROLTRADING

BUENAS NOTICIAS PARA LOS AGRICULTORES

prig Te garantizamosque vas a abonar tu cereal

por menos de

"En nuestro accionariado participan más de 25.000 agricultores.

Por eso, nuestros márgenes son mínimos y

nuestros precios muy competitivos"

Consulte a su proveedor habitual o entre en la página web www.abonarbiensucereal.com

agroambientales, variaron considerable-mente entre las parcelas estudiadas.

Comentariosadicionales

El procesado de imágenes remotas deplantaciones de árboles por Cluas propor-ciona información agroambiental de interéspara cada árbol, pequeñas áreas del terre-no y para el conjunto de la plantación. Di-cha información puede ser usada para elmanejo de precisión de fertilizantes, fitosa-nitarios y riego, dado que existe una obviarelación entre tamaño del árbol y producti-vidad potencial y las dosis de nutrientes, fi-tosanitarios tales como fungicidas y aguaque potencialmente pueden requerir.

El uso de Cluas en imágenes de parce-las de olivar proporciona información so-bre el porcentaje de superficie de árboles,de otra cubierta vegetal y de suelo desnu-do. Estos indicadores pueden contribuir alseguimiento de las regulaciones agroam-bientales de la Unión Europea y de sus Es-tados miembros (García-Torres et al.,2008). A fin de caracterizar plantacionesde olivar, Cluas ha mostrado ser un softwa-re eficiente en el proceso de imágenes re-motas de diversas bandas e índices de ve-getación espectrales, con una resoluciónespacial de 0,25 m a 1,5 m.

En plantaciones de olivar se ha cons-tatado una estrecha correlación entre di-versos indicadores calculados por Cluasen imágenes aéreas y datos reales toma-dos sobre el terreno tales como cosecha ysuperficie de árbol (García-Torres et al.,

2008). Así, el tamaño de los olivos y suproductividad potencial estimadas enimágenes aéreas se correlacionaron concoeficientes de correlación que variaron

' El uso de Cluas enimágenes de parcelas deolivar proporcionainformación sobre elporcentaje de superficie deárboles, de otra cubiertavegetal y de suelo desnudo

entre 0,62 y 0,82, significativos al 95%. Lacorrelación entre tamaño de olivar y cosechareal fue de 0,5 en años de alta producción yde 0,30 a 0,40 en años de baja producción.

La agricultura de precisión es todavía ennuestros días muy minoritaria, si bien no secuestionan sus ventajas económicas y me-dioambientales. Exige sofisticadas tecnolo-gías y la mejora de los procedimientos paraque su aplicación sea fácil y económica. Esde esperar que a medio-largo plazo seancada vez más aceptada, conforme se vayanperfeccionando las aplicaciones de la tele-detección en agricultura. •

Agradecimientos

Este trabajo ha sido parcialmente financiadopor la Comisión de Ciencia y Tecnología, Minis-terio de Ciencia e Innovación a través del pro-yecto AGL2007-60926/AGR.

Notas:

ENVI ® 4.4: Research System Inc., 4990 PearlEast Circle, Boulder, CO 80301, USA.

2 1DL® 6.2: Research System Inc., 4990 Pearl EastCircle, Boulder, CO 80301, USA.

3 IDLIAS.1 0/ CLUAS®:TechnologyTransfer Office,CSIC, c/ Alfonso XII no.16, 41002-Seville,Spain.

BIBLIOGRAFÍA

Bramley, R.G. y., Proffit, A. P B.,. Hinze, C.1, Pearse, B.,Hamilton, R.P 2005. Generating benefits from PrecisionVibculture through selective harvesting, Proc. Europ. Congr.Precision Agricult. (ECPA), Uppsala, Sweden, 891-898.

Blondos. A., Gate, P, Pode H. 2005. Providing operationalnitrogen recommendation to farmers using satellite imagery.Procc. Europ. Congr, Precision Agricult. (ECPA), Upssala,Sweden, 345-352.

Domsh H, M. Heisig and K. Witzke. 2008. Estimaban of yieldzones using aerial imagen and yield data from a few tracksof a combine harvester. Precision Agiculture, 9,321-337.

Delgado J. A., J. K. Beny and R. Khosla. 2008. Newadvances and practices for precision agricultura. July 20-23, Denver, Colorado, USA, 16 pagas.

García-Torres, L, López-Granados, E, Jurado- Expósito, M.,

Pena-Barragán, J. M. 2006. The computer program IDLIAS.1for clustering and integration digital values of remoteimagery (in Spanish). Office flor the Registration of theIntellectual Property, Regional Department of Cutture, Seville,Spain, n° 200699900440900.

García-Torres, L, Peña-Barragán, 1.M., López-Granados, E,

Jurado-Expósito, M. 2007. Procedure to obtainautomatically agri-environmental indicators of freeplantations through remote sensing (in Spanish). SpanishOffice flor Patents and Trademarks, Madrid,PCT/ES2008/070013.

García Torres L, J. M. Pena-Barragán . E López-Granados.M. Jurado-Expósito, R. Fernández-Escobar. 2008a.Automatic assessment of agro-environment indicators fromremotely sensed images of tree orchards und its evaluabanusing olive plantation. Computers und Electronic inAgiculture, 61,179-191.

García-Torres L, J. M. Peña-Barragán, D. Gómez-Candón, ELópez-Granados, M. Jurado-Expósito. 2008b. A software flormanaging remotely sensed imagery of orchards plantabonsflor precision agriculture, 9th International Congreso onPrecision Agriculture, July 20-23, Denver, Colorado, USA, 6pagas.

López-Granados. E, Jurado-Expósito, M., Peña-Barragán,J.M.. García-Torres, L 2006. Using remote sensing floridenbficabon of late-season grass weed patches in wheatWeed Sei., 54,346-353,

Ortega, R. A., LA. Jara, A.A: Esser and A.A. Inostroza. 2008.Using multispectral imagery und directed sampling toesbmate wine grape yield. July 20-23 , Denver, Colorado,USA. 8 pagas.

Peña-Barragán J. M., Peña-Barragán J.M., López-Granados E,

Jurado-Expósito M., and García-Torres L 2007. MappingRidoltia segetum. patches in sunflower (Helianthus annuusL) crop using remote sensing. Weed Research, 47, 164-172.

lhorp, K. R., Tian, LE 2004. A review of remate sensing ofweeds in agriculture. Precision Aghc. 5: 477- 508

DOSSIER OLIVAR

COSECHADORAS DE OCASIÓNo NEW HOLLAND

Millg=111,

www.enriquesegura.comPolígono industrial Sector 4, n° 9

50830 Villanueva de Gállego (Zaragoza). EspañaTfno.: 976 18 50 20 • Fax: 976 18 53 74

Móvil: 609 300 299 • E-mail: enrique@enriquesegura.com