Identificación de nuevas especies de pasto Zoysia tolerantes al frío utilizando alta

Scientific Reports volumen 13, Número de artículo: 13209 (2023) Citar este artículo

243 Accesos

1 altmétrica

Detalles de métricas

El pasto Zoysia (Zoysia spp.) es el césped de estación cálida más utilizado en Corea debido a su durabilidad y resistencia al estrés ambiental. Para desarrollar nuevos cultivares de verdor de período más largo, es esencial seleccionar germoplasma que mantenga el verdor a una temperatura más baja. Los métodos convencionales requieren mucho tiempo, son laboriosos y subjetivos. Por lo tanto, en este estudio, demostramos un método objetivo y eficiente para seleccionar germoplasma que mantenga un verdor más prolongado utilizando imágenes RGB y multiespectrales. De agosto a diciembre, se adquirieron datos de series de tiempo y calculamos el porcentaje de cobertura verde (GCP), el índice de vegetación de diferencia normalizada (NDVI), el índice de borde rojo de diferencia normalizada (NDRE), el índice de vegetación ajustado al suelo (SAVI) y la vegetación mejorada. Valores de índice (EVI) de germoplasma a partir de imágenes RGB y multiespectrales mediante la aplicación de índices de vegetación. El resultado mostró diferencias significativas en GCP, NDVI, NDRE, SAVI y EVI entre germoplasma (p < 0,05). El GCP, que evaluó la cantidad de verdor contando píxeles del área verde de imágenes RGB, mostró un mantenimiento del verdor superior al 90% en agosto y septiembre, pero disminuyó drásticamente a partir de octubre. El estudio encontró diferencias significativas en GCP y NDVI entre el germoplasma. san208 exhibió más del 90% de GCP y altos valores de NDVI durante 153 días. Además, también realizamos evaluaciones utilizando varios índices de vegetación, a saber, NDRE, SAVI y EVI. san208 exhibió niveles de NDRE superiores al 3% durante este período. En cuanto al SAVI, inicialmente comenzó en aproximadamente el 38% y disminuyó gradualmente hasta alrededor del 4% en el transcurso de estos días. Además, en el mes de agosto registró aproximadamente el 6%, pero experimentó una disminución de alrededor del 9% al 1% entre septiembre y octubre. El uso complementario de ambos indicadores podría ser un método eficaz para evaluar objetivamente el verdor del césped tanto cuantitativa como cualitativamente.

El pasto Zoysia, perteneciente al género Zoysia, es un césped popular utilizado en Corea y consta de aproximadamente 16 especies. Se distribuye ampliamente a lo largo del Pacífico desde la región del noreste de Asia, como Corea y Japón, que muestran un clima templado, hasta la región del Sudeste Asiático, como Filipinas y Tailandia, que muestran un clima tropical1. Crece bajo debido a su fuerte extensión lateral y subterránea y florece de mayo a junio y fructifica de junio a julio, pero depende principalmente de la propagación vegetativa debido a su baja tasa de germinación. La hierba Zoysia en Corea mantiene su color verde durante unos seis meses, desde mediados de abril hasta mediados de octubre, pero durante el invierno permanece inactiva y se vuelve amarilla o marrón2. Tiene una fuerte resistencia a factores estresantes biológicos y no biológicos, como enfermedades, insectos, sequía y desgaste, lo que lo hace fácil de manejar. Sin embargo, tiene un crecimiento más lento, una tasa de recuperación más lenta después del daño y un reverdecimiento retrasado en la primavera, como desventajas3. Las especies de pasto Zoysia que crecen de forma nativa en Corea incluyen Zoysia japonica, Z. matrella, Z. sinica, Z. macrostachya y el pasto Zoysia híbrido. Entre ellas, Z. japonica, conocida como césped coreano, es la especie más utilizada en Corea debido a su gran adaptabilidad al medio ambiente, a pesar de su textura ligeramente rugosa y su formación de baja densidad. Z. matrella también se usa comúnmente en Corea y ha recibido altas evaluaciones en términos de calidad del césped debido a su textura suave causada por hojas finas y su excelente capacidad para formar césped. Z. sinica y Z. macrostachya aún no se utilizan comercialmente, pero su fuerte tolerancia a la sal las convierte en valiosos materiales de reproducción. Se ha confirmado que el pasto híbrido Zoysia, que muestra características intermedias entre Z. japonica y Z. matrella o Z. sinica, crece en la región sur de Corea. Z. tenuifloria se está utilizando en Corea, aunque no se ha confirmado su área de cultivo nativa2,4.

El entorno que rodea al césped tiene un impacto significativo en su crecimiento, incluidos factores como la humedad, la temperatura, la luz y el suelo. Cuando estos factores ambientales no son adecuados para el crecimiento del pasto, como en casos de sequía, calor, frío, sombra o alto contenido de sal, el pasto se estresa, lo que puede inhibir su crecimiento y reducir su calidad5,5,7. Por lo tanto, muchos investigadores han estudiado las respuestas fisiológicas, morfológicas y metabólicas del pasto a diversas tensiones ambientales para mejorar su adaptabilidad interna8. Se han realizado estudios para medir varios parámetros utilizando las respuestas alteradas al estrés como indicador para identificar especies de pastos con excelente adaptabilidad interna. Se ha comparado la diversidad fenotípica de cultivares de raigrás perenne (Lolium perenne L.) recolectados en seis regiones diferentes exponiéndolos a estrés por sequía9. Para evaluar la respuesta a la sequía, se midieron parámetros comúnmente utilizados para evaluar la tolerancia a la sequía, como la reducción del crecimiento, la reducción de la fotosíntesis, la reducción del contenido de agua y el aumento de la fuga de electrolitos. El marchitamiento de las hojas y la altura del pasto se evaluaron visualmente y se midieron con herramientas9. La fluorescencia de la clorofila se midió utilizando un fluorómetro para evaluar la eficiencia fotosintética. Para medir el contenido de agua de las hojas y la fuga de electrolitos, se realizaron una serie de procesos manuales como el pesaje después de eliminar la humedad o el uso de una cámara de presión. Como resultado, se ha desarrollado un nuevo enfoque basado en el análisis de imágenes como alternativa a los métodos existentes y ha comenzado a atraer la atención entre los investigadores10.

El concepto de fotografiar plantas va más allá de simplemente tomar fotografías de plantas. Implica medir cuantitativamente el fenotipo de una planta a través de la interacción entre la planta y la luz, incluida la absorción, reflexión y emisión de fotones11. Para ejecutar esta tecnología de fenotipado basada en imágenes, no solo es esencial la biología, sino también la comprensión interdisciplinaria y la integración de la tecnología de sensores, la visión por computadora, las matemáticas y la ingeniería electrónica. Este enfoque permite la adquisición objetiva de características anatómicas y fisiológicas de las plantas a través de métodos sin contacto y no destructivos, superando las limitaciones humanas en precisión, sensibilidad y capacidad de procesamiento11 Büchi et al.12 realizaron experimentos para comparar visualmente el área de cobertura del dosel de las plantas. cobertura vegetal obtenida mediante dos herramientas de análisis de imágenes (Assess 2.0 y Canopeo) con la obtenida mediante evaluación visual, encontrando una relación positiva entre ambas evaluaciones. Sin embargo, reconocieron la necesidad de controlar las limitaciones ambientales, como la luz y la sombra, para obtener resultados más objetivos de las imágenes adquiridas y enfatizaron que debería haber un proceso adicional para medir con precisión el área del dosel, ya que existen limitaciones para distinguir la cubierta vegetal y las malezas utilizando Sólo herramientas de análisis de imágenes digitales12.

Hay varios índices de vegetación utilizados en teledetección para monitorear el crecimiento de las plantas y evaluar la salud de la vegetación. Dos índices ampliamente utilizados son el Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice de Vegetación Ajustado del Suelo (SAVI). El NDVI es un índice comúnmente utilizado para monitorear el crecimiento del maíz, administrar tierras de cultivo y predecir el rendimiento. Es sensible a las variaciones en el crecimiento de diversos cultivos. Osco et al.13, Santana et al.14 y Wan et al.15 han utilizado el NDVI en sus estudios relacionados con el crecimiento del maíz, el manejo de tierras agrícolas y la predicción del rendimiento. Por otro lado, el SAVI es otro índice de vegetación popular que proporciona resultados más confiables al minimizar la influencia de los efectos del suelo. Tiene en cuenta la reflectancia del fondo del suelo, lo que lo hace más apropiado que el NDVI en determinadas situaciones. Braz et al.16 destacaron las ventajas de SAVI, particularmente su capacidad para mitigar el impacto de las variaciones del suelo. El SAVI se utiliza a menudo en comparación con el NDVI o como índice alternativo para la evaluación de la vegetación8.

En los últimos años, ha habido avances significativos en la optimización de enfoques terrestres de alto rendimiento para la estimación no destructiva de índices espectrales de vegetación (SVI). Estos SVI, como el índice de vegetación normalizado (NDVI), la relación simple (SR) y los índices de clorofila (CI), sirven como indicadores de biomasa verde, índice de área foliar (LAI), niveles de clorofila y tasa de fotosíntesis. Son útiles para evaluar la tasa de senescencia durante la maduración del cultivo17,17,18,19,21. La llegada de sensores multiespectrales rentables y de alta resolución ha llevado al uso generalizado de vehículos aéreos no tripulados (UAV) en la investigación de fisiología de cultivos. Los UAV ofrecen un enfoque práctico para cuantificar temporalmente rasgos espaciales en poblaciones de cultivos grandes y diversas, maximizando así la precisión de la selección en diversos factores ambientales. Se han empleado sensores multiespectrales y cámaras RGB montadas en vehículos aéreos no tripulados para capturar imágenes espectrales en diferentes bandas de reflectancia de luz (infrarrojo cercano, rojo, borde rojo, verde y azul). Estas imágenes se han utilizado para detectar biomasa22, LAI23, densidad de plantas24 y actividad fotosintética25 en cultivos como colza, cebada y trigo. También se han utilizado imágenes multiespectrales basadas en vehículos aéreos no tripulados para estimar la tasa de emergencia y supervivencia primaveral del trigo26.

Además de los vehículos aéreos no tripulados, los datos de vegetación obtenidos por satélite han sido fundamentales para el seguimiento del crecimiento de los cultivos11,27,28. Más recientemente, se han empleado índices de vegetación basados en UAV, como el índice de vegetación mejorado (EVI) y el borde rojo de diferencia normalizada (NDRE), para evaluar el estado fisiológico de los cultivos de trigo y sorgo durante la maduración en condiciones de sequía11. Dado que la senescencia juega un papel crucial en la selección de genotipos que permanecen verdes, existe la necesidad de desarrollar métodos precisos que utilicen datos espectrales rentables para predecir la tasa de senescencia. En condiciones de estrés extremo, la senescencia temprana resultante de la rápida descomposición de los tejidos y macromoléculas de las plantas, como la clorofila, puede provocar pérdidas significativas de rendimiento. Borrell et al.10 demostraron el impacto negativo de las altas tasas de senescencia en el rendimiento de grano en condiciones de calor y escasez de agua. La senescencia está estrechamente relacionada con el área de las hojas verdes, el contenido de clorofila y la temperatura del dosel. La selección de genotipos de trigo con rasgos mejorados de permanencia verde, caracterizados por una senescencia retrasada, puede mejorar el rendimiento del cultivar en condiciones de estrés29,30.

Este estudio tiene como objetivo estimar la cubierta verde del césped mediante la utilización de imágenes multiespectrales y RGB de alta resolución obtenidas mediante tecnología UAV. Los objetivos específicos de esta investigación son comparar e introducir varios métodos para estimar el porcentaje de cobertura verde durante el establecimiento del césped utilizando datos derivados de UAV, para demostrar la precisión y eficacia de la estimación del porcentaje de cobertura verde derivada de UAV comparándolo con el porcentaje de cobertura verde a nivel del suelo. cubrir datos utilizando diferentes índices vegetativos y conocer cuál es el pasto más tolerante al clima frío.

Para realizar este estudio, se creó un sitio de cultivo de césped en una instalación ubicada dentro de la Universidad Nacional de Jeju en Aradong, ciudad de Jeju en la isla de Jeju. El pasto utilizado en el experimento se recolectó del Campo de Conservación de Recursos de Vida Forestal de la Universidad Nacional de Jeju y se trasplantó durante un período de aproximadamente nueve días, del 29 de julio al 6 de agosto de 2020 (Tabla 1). Se utilizaron treinta y dos bandejas de macetas (5 cm de altura y 12 cm de longitud por celda), llenas de biosólido agrícola y biosólido de cama. Como se muestra en la Fig. 1, se plantó un recurso en cada una de las 12 celdas en ambos lados después de dejar las 8 celdas del medio vacías. Las bandejas con el pasto plantado se colocaron aleatoriamente sobre un lecho a aproximadamente 70 cm del suelo. Posteriormente se realizó el riego mediante aspersor enfriador y manguera para favorecer el normal crecimiento del césped. Para mantener el césped, se instaló un ventilador y las ventanas laterales de la casa de la instalación se mantuvieron abiertas para mantener una temperatura similar al ambiente externo (Fig. 2). Además, para promover el crecimiento de alta densidad del pasto, se realizó fertilización dos veces en mayo y junio de 2021, y se realizaron siete sesiones de desmalezado entre abril y septiembre de 2021 en los momentos apropiados (Fig. 3). Sobre todo, gestionamos los recursos genéticos del pasto asegurándonos de que el pasto en cada área designada no se mezclara, revisando y recortando los tallos superpuestos todos los días.

En una misma maceta se plantaron dos germoplasmas diferentes entre sí. △: un germoplasma. ▽: el otro germoplasma que es diferente △. : no hay germoplasma, está vacío.

Temperatura cerca del invernadero de césped desde donde se proporciona el sistema meteorológico automático en Sanchondan.

El cronograma de corte y adquisición de datos en este estudio.

Para el césped de un año, se tomaron imágenes mensuales a mitad de mes (13 de agosto, 10 de septiembre, 15 de octubre, 12 de noviembre y 10 de diciembre) durante cinco meses, de agosto a diciembre de 2021. Un Phantom 4 Multispectral (WM336, DJI ) para el experimento se utilizó un vehículo aéreo no tripulado equipado con seis sensores CMOS de 1–2,9 ″ (Fig. 4), y la información del rango de longitud de onda para cada sensor se muestra en la Tabla 2. Antes de disparar, se deben eliminar las malas hierbas y cubrir el musgo con arena. Se realizaron para evitar que aparecieran otras plantas en las imágenes. El disparo se realizó utilizando la aplicación DJI GO pro, el valor ISO se configuró en 400 y el balance de blancos se ajustó automáticamente. El tiroteo comenzó a las 13.00 horas y duró aproximadamente 2 horas. Para fotografiar el césped, se colocó un dron con un sensor adjunto en un dispositivo hecho a medida y se mantuvo a una distancia fija verticalmente a 2 m por encima del césped para garantizar que los datos se adquirieran con un intervalo fijo (Fig. 5A). Además, al mover el dispositivo para disparar al césped, también se movió una placa objetivo de corrección de radiación (tejido de poliéster tejido tipo 882, tecnología Grupo 8, Estados Unidos) para que la placa objetivo fuera visible en todas las imágenes (Fig. 5B). Las imágenes se almacenaron en diferentes formatos de archivo según el sensor utilizado, con imágenes RGB almacenadas en formato JPEG e imágenes multiespectrales almacenadas en formato TIFF. El tamaño de todas las imágenes fue de 1600 × 1300 píxeles, el mismo para todos los sensores. Se obtuvo un total de 285 puntos de datos temporales (57 por sesión) durante cinco sesiones.

Sensor de cámara RGB y sensor multiespectral montado Phantom 4 Multispectral.

Vehículo personalizado para la adquisición de imágenes de césped (A) e imagen capturada de la aplicación DJI GS pro (B) donde se encontraba el objetivo de calibración radiométrica.

Hay algunos pasos de preprocesamiento realizados para el análisis de imágenes. Primero, se realizó una corrección de la distorsión para suavizar la distorsión radial causada por las características de la lente de la cámara. En segundo lugar, la correlación radiométrica era necesaria para igualar las condiciones de iluminación de todas las imágenes adquiridas, ya que las condiciones de iluminación desiguales pueden afectar la caracterización precisa de las características de la planta31,32. En tercer lugar, se ejecutó la ecualización del histograma para mejorar el contraste de la imagen RGB, que se había oscurecido después de la corrección radiométrica, dificultando discernir el color de la hierba33. Cuarto, la alineación de la imagen se realizó en las imágenes NIR y Red utilizadas para derivar el NDVI. Esto fue necesario debido a las ligeras diferencias físicas en las posiciones de las cámaras utilizadas en este estudio, lo que provocó que las dos imágenes fueran capturadas con posiciones ligeramente diferentes. Por lo tanto, la imagen roja tuvo que desplazarse la cantidad de píxeles que diferían de la imagen NIR para alinear las dos imágenes.

La primera es la corrección de la distorsión, donde la imagen adquirida muestra una distorsión radial en forma de un bulto convexo en el centro (Fig. 6A). Para resolver este problema, se realizó el procesamiento inicial utilizando el software Pix4D Mapper (Pix4D SA, Suiza) para corregir la distorsión de la lente de la cámara (Fig. 6B).

Corrección de distorsión (A) imagen distorsionada (B) imagen no distorsionada.

Las condiciones de luz varían de un día a otro, incluso para los datos adquiridos el mismo día, dependiendo del clima (Fig. 7). El proceso requerido para ecualizar las condiciones de luz es la calibración radiométrica. Utiliza un valor numérico digital para la imagen y un valor de reflectancia fijo. Convierte cada número digital de la imagen a la reflectancia de la superficie de un objeto. Esto se calcula utilizando la ecuación de mejor ajuste para cada banda de un objeto homogéneo. En este estudio, se utilizó una lona de referencia de calibración radiométrica profesional con reflectancia uniforme, y el valor de reflectancia de la superficie de la lona de calibración radiométrica fue proporcionado por la empresa de fabricación Group 8 Technology. Las respuestas de la cámara de las bandas RGB y multiespectral, que son información necesaria para la calibración radiométrica, se obtuvieron del trabajo de Burggraaff et al.31 y Lu et al.34, respectivamente. Finalmente, el modelo exponencial para la calibración radiométrica de RGB y el modelo lineal para la de imágenes multiespectrales se desarrollaron utilizando la ecuación empírica de calibración lineal35. Con esta información obtuvimos valores numéricos digitales para cada imagen y procedimos a la corrección radiométrica.

El efecto de las condiciones de luz en los datos de la imagen en el mismo día. (A – O) son los datos de imagen del mismo día.

Además, se aplicó a imágenes RGB con calibración radiométrica para realizar la ecualización de histograma que endereza el histograma de píxeles cuyos valores de brillo están agrupados hacia el lado oscuro de la imagen (Fig. 8) usando MATLAB (R2015b, MathWorks).

Calibración radiométrica de imagen RGB y ecualización de hisgograma de la misma en orden.

Para la imagen multiespectral calibrada, se realizó la alineación de la imagen para que coincida con la imagen de la banda NIR desplazando la imagen de la banda ROJA según la imagen de la banda NIR (infrarrojo cercano) (Fig. 9).

Alineación de la imagen de la banda ROJA con la imagen de la banda NIR (A) antes, (B) después.

Sus metadatos se utilizaron para determinar la diferencia en píxeles entre las imágenes de las bandas ROJA y NIR en filas y columnas. Los metadatos incluyen información sobre las posiciones de píxeles X e Y del centro óptico relativo, que indican la distancia física desde la lente NIR. En este caso, los valores de ambos son cero. Se exportó desde los datos sin procesar y usó la biblioteca 'pyexiv2' para convertir un archivo TIFF en un archivo XMP en Python. La biblioteca 'pyexiv2' es un enlace de Python para la biblioteca Exiv2, que es una biblioteca de C++ para manipular metadatos de imágenes.

La imagen se procesó utilizando un software interno escrito en Python 3.7.10. El software se utilizó para extraer los valores numéricos digitales de las imágenes, aplicar la ecuación de calibración radiométrica y alinear las posiciones de las imágenes multiespectrales.

Para calcular el índice de verdor del césped para cada ronda, es necesario conocer el área total del dosel y el área de cobertura verde de cada césped y calcularlo usando la siguiente fórmula (Ecuación 1).

Primero, se obtuvo el área total del dosel del césped utilizando imágenes NIR. Las imágenes NIR muestran un mejor contraste entre las plantas y el suelo que otras imágenes, lo que facilita la identificación de los límites de las hojas de las plantas36. El área verde de la planta se extrajo utilizando un índice basado en color, ExG (Excess Green), sobre imágenes RGB que habían sido sometidas a ecualización de histograma, en MATLAB. Sólo se extrajeron las áreas verdes. Finalmente, para separar el pasto y el suelo, se aplicó el método de umbral de Otus a las imágenes NIR y a las imágenes RGB con ExG aplicado, en MATLAB. El método dividió los píxeles de las imágenes en dos categorías, blanco y negro, y en este experimento, los píxeles negros representaron el fondo y los píxeles blancos representaron el césped o el área verde del césped (Fig. 10). Posteriormente, se especificaron repetidamente cuatro regiones de interés (ROI) rectangulares con un tamaño de 48,5 × 132 píxeles en el área de césped de la imagen, y se contó el número de píxeles blancos dentro de cada ROI para determinar el área total y el área verde de la imagen. pasto como se muestra en la Fig. 11. Este proceso se realizó utilizando un software de desarrollo propio basado en Python para este experimento51.

Aplicando el umbral de Otsu tanto a imágenes NIR como a imágenes RGB procesadas con el método Excess Green.

Región de interés (ROI) en imágenes NIR procesadas mediante el método Otsu para extraer cobertura de pasto.

En este estudio, para monitorear el grado de estrés en el pasto a lo largo del tiempo, seleccionamos el NDVI (Índice de Vegetación de Diferencia Normalizada), que es el índice de vegetación más utilizado. Este índice se basa en el principio básico de que la vegetación sana absorbe mucha luz en la región roja visible y refleja mucha luz en la región del infrarrojo cercano, lo que puede usarse para determinar el índice de área foliar, el contenido de clorofila y la radiación absorbida fotosintéticamente. , estado de crecimiento y vitalidad de la vegetación. Para calcular el NDVI del pasto, se utilizaron las imágenes RED y NIR corregidas radiométricamente en la siguiente ecuación (Ec. 2).

Además, utilizamos el índice de borde rojo de diferencia normalizada (NDRE), el índice de vegetación ajustado al suelo (SAVI) y el índice de vegetación mejorado (EVI) para monitorear el césped a lo largo del tiempo. Las siguientes ecuaciones se utilizaron para calcular cada VI (índices de vegetación).

[L es el factor de corrección del brillo del suelo definido como 0,5 para adaptarse a la mayoría de los tipos de cobertura terrestre.]

[G es el factor de ganancia, que normalmente se establece en 2,5; C1 y C2 son coeficientes utilizados para reducir las influencias atmosféricas, cuyos valores comúnmente utilizados son C1 = 6 y C2 = 7,5; L es el factor de ajuste del fondo del dosel, cuyo valor comúnmente utilizado es L = 1.]

Después de eso, como en el caso de seleccionar el ROI para la tasa de reverdecimiento en el área de césped en las imágenes VI, seleccionamos cuatro ROI del mismo tamaño que antes y excluimos el fondo para extraer los valores de VI de los píxeles correspondientes al césped. (Figura 12). Los VI para cada pasto se representaron luego por el valor promedio de los valores de VI extraídos. Este proceso también se realizó utilizando software basado en Python, que se desarrolló de forma independiente para este experimento.

Región de interés (ROI) en imágenes NDVI para dividir cada caja (germoplasma) en cuatro replicaciones y calcular el valor promedio de NDVI para cada una de ellas.

Utilizamos Excel (versión 2205, Microsoft) para procesar uniformemente valores superiores al 100% en la tasa de reverdecimiento al 100% antes del análisis estadístico. Esto se hizo para abordar un problema en el que, durante el proceso de eliminación de musgo, algunas áreas no se eliminaban por completo, lo que provocaba una ligera diferencia en la ubicación del área verde dentro del césped, lo que generaba errores experimentales en el cálculo de la tasa de enverdecimiento.

Realizamos análisis estadísticos de los datos temporales de la tasa de ecologización, los valores NDVI, NDRE, SAVI y EVI utilizando el lenguaje de programación R. Dado que los datos no cumplieron con el supuesto de normalidad, se utilizaron pruebas no paramétricas de Kruskal-Wallis para determinar la significación estadística. Posteriormente, se realizó un análisis post hoc mediante la prueba de Dunn basada en rangos y los valores de p se ajustaron mediante el método de Benjamini-Hochberg (BH). La correlación entre la tasa de enverdecimiento y NDVI, NDRE, SAVI y EVI para cada sesión se analizó mediante el coeficiente de correlación de Pearson.

Realizamos un estudio entre agosto y diciembre, donde medimos GCP, NDRE, NDVI, SAVI y EVI durante cinco meses. Nuestro análisis utilizando la prueba de Kruskal-Wallis mostró que hubo diferencias estadísticamente significativas en los datos de GCP y VI para cada recurso genético en cada punto de medición, con un valor de p inferior a 0,05 (Tabla 3, Figs. 13, 14, 15, 16, 17). Presentamos los cambios en GCP y NDVI para cada recurso genético en las Tablas 4 y 5, respectivamente. Estas tablas ilustran cómo difirieron las clasificaciones de los recursos genéticos y cómo variaron las tasas de pardeamiento entre los recursos para cada período de medición. También observamos diferencias en el tamaño de la variación en GCP y NDVI entre repeticiones para cada recurso genético por mes. Hasta octubre, el PCG fue relativamente consistente en todos los recursos genéticos. Sin embargo, a partir de octubre comenzamos a ver diferencias entre los recursos genéticos, y las diferencias se volvieron más pronunciadas en noviembre. En contraste, el NDVI mostró cierto grado de consistencia entre los recursos genéticos, como se muestra en la Fig. 14.

Valor de PCG de germoplasma de césped de agosto a diciembre y Transición de los valores de PCG por meses. (A) agosto, (B) septiembre, (C) octubre, (D) noviembre, (E) diciembre, (F) Transición del valor del PCG durante agosto a diciembre.

Valor NDVI de germoplasma de césped de agosto a diciembre y Transición de los valores NDVI por meses. (A) agosto, (B) septiembre, (C) octubre, (D) noviembre, (E) diciembre, (F) Transición del valor NDVI durante agosto a diciembre.

Valor NDRE de germoplasma de césped de agosto a diciembre y Transición de los valores NDRE por meses. (A) agosto, (B) septiembre, (C) octubre, (D) noviembre, (E) diciembre, (F) Transición del valor NDRE durante agosto a diciembre.

Valor SAVI de germoplasma de césped de agosto a diciembre y Transición de los valores SAVI por meses. (A) agosto, (B) septiembre, (C) octubre, (D) noviembre, (E) diciembre, (F) Transición del valor SAVI durante agosto a diciembre.

Valor del EVI de germoplasma de césped de agosto a diciembre y Transición de los valores del EVI por meses. (A) agosto, (B) septiembre, (C) octubre, (D) noviembre, (E) diciembre, (F) Transición del valor del EVI durante agosto a diciembre.

Pudimos confirmar los cambios y tendencias de cada germoplasma durante un período de cinco meses que se pueden encontrar comparando la Tabla 4 y la Fig. 13. Observamos que las diferencias en las tasas de PCG entre cada germoplasma fueron generalmente similares, con algunas excepciones. . En particular, las diferencias se mantuvieron en 95% o más en agosto y septiembre. Sin embargo, a diferencia de los meses anteriores, cuando los germoplasmas san180 y san568 mostraron un PCG del 100%, en octubre mostraron un PCG del 67,22% y 60,97%, respectivamente, una fuerte disminución en comparación con septiembre. Por otro lado, el germoplasma san303 mostró un PCG de 96,90% en agosto, ubicándose en un nivel bajo, pero aumentó a 98,37% en octubre. De manera similar, aunque el PCG del germoplasma san187 disminuyó del 95,99% en agosto al 91,11% en septiembre, volvió a aumentar al 94,87% en octubre. Con base en que el PCG de los germoplasmas san180 y san568 disminuyó mientras que el de los germoplasmas san303 y san187 aumentaron durante el mismo período, pudimos observar que los cambios en el PCG varían dependiendo del germoplasma a lo largo del tiempo. En cuanto al PCG de noviembre, el germoplasma con mayor PCG fue san208, que mostró un PCG de 94%. San208 mostró continuamente un PCG alto de 97,48% en agosto, 97,81% en septiembre y 96,86% en octubre, y aunque disminuyó ligeramente en noviembre, la tasa de disminución fue menor que la de otros germoplasmas.

Al examinar las imágenes RGB y GCP de Suncheon, san218 y san187 en diciembre, notamos que la parte del suelo (arena) se identificó como verde. Sin embargo, creemos que durante el proceso de lavar ligeramente el polvo de arena del pasto que cubre el musgo antes de tomar fotografías, el musgo quedó nuevamente expuesto en la superficie de la arena. Para resolver esta distorsión, aplicamos varios VI como NDRE, SAVI y EVI (Figs. 15, 16, 17, Tablas 6, 7, 8). Los resultados de NDRE muestran que san135, san180, san187 y san218 representan valores altos. Por otro lado, los valores de SAVI representan que san128 y san398 son valores más altos que otros. Por último, los resultados aplicados de EVI sugirieron que san128 obtuvo un valor alto. Se encontró que el resultado promedio de NDRE para san208 de agosto a diciembre fue de aproximadamente 3% y 5% respectivamente (Tabla 6). Por el contrario, el SAVI disminuyó de agosto (38%) a diciembre (4%) (Tabla 7). Además, el EVI se mantuvo ligeramente disminuido durante este período (Tabla 8).

Las diferencias y patrones de cambios en el NDVI para cada recurso genético proporcionaron una comprensión integral de los cambios en el NDVI durante el período de 5 meses (Tabla 5 y Fig. 14). En agosto, el recurso genético san568 mostró el valor de NDVI más alto de 0,85, mientras que el recurso genético san9dangugdae mostró el valor de NDVI más bajo de 0,45. Al revisar los valores de NDVI en octubre, se puede observar que los cambios en los valores de NDVI varían mucho dependiendo del recurso genético, similar al GCP. El valor NDVI de san568 disminuyó a 0,45, mientras que el recurso genético san208 mostró el mejor valor de 0,65. El recurso genético san9dangugdae mostró consistentemente el valor de NDVI más bajo, que continuó hasta noviembre. En diciembre, el valor de NDVI más alto fue 0,32 para el recurso genético san218, mientras que el valor de NDVI más bajo fue 0,08 para el recurso genético san128.

Con base en el análisis de la correlación entre la tasa de crecimiento y el NDVI para cada mes (Fig. 18), noviembre y diciembre mostraron una correlación significativa con un valor de p inferior a 0,05 y valores de r cuadrado de 0,61 y 0,31.

Imagen RGB, GCP y NDVI de veinte germoplasmas de césped.

El césped es una valiosa cobertura del suelo a nivel mundial, que proporciona numerosos beneficios ambientales, económicos y sociales. Para evaluar la salud general de las plantas y la tasa de establecimiento a lo largo del tiempo, el porcentaje de cobertura verde, que mide el porcentaje de vegetación verde por unidad de área, es un indicador crucial. Los productores y consumidores de césped prefieren especies y cultivares con un establecimiento más rápido a partir de plántulas o ramitas y un PCG más alto. El método convencional de evaluar visualmente parcelas de césped para estimar la cantidad de cobertura verde, ya sea en una escala porcentual o de 1 a 9, se ha convertido en un estándar y es empleado regularmente por los investigadores de césped. Las bajas temperaturas pueden tener un efecto perjudicial sobre el pasto, pero ciertos pastos exhiben una mayor resistencia debido al aumento de la actividad enzimática, el contenido de ácidos grasos insaturados y la producción de antocianinas18.

En este estudio pretendemos evaluar objetivamente la calidad del césped proponiendo criterios para su evaluación mediante una cámara RGB y un sensor multiespectral. Se ha demostrado que la cantidad y calidad del verde del pasto por unidad de área y la biomasa de la planta están correlacionadas con su tolerancia al frío37. Además, el color es un componente de la evaluación visual de la calidad del pasto38. Mediante el análisis de imágenes RGB es posible realizar valoraciones similares a las que realiza el ojo humano y, en particular, determinar la proporción de zona verde contando el número de píxeles, lo que nos permite valorar la cantidad de verde en el césped. . El Índice de Vegetación de Diferencia Normalizada (NDVI) es un índice ampliamente utilizado para la estimación cuantitativa de la vegetación, que utiliza la reflectancia de longitudes de onda del infrarrojo cercano y del rojo para cuantificar el crecimiento de las plantas39. Además, el NDVI es el índice más comúnmente utilizado para el verdor y puede estimar la cantidad de clorofila que hace que las plantas parezcan verdes mediante el uso de reflectancia, lo que nos permite evaluar la calidad del verdor del pasto utilizando el NDVI en este estudio40. Todos los recursos genéticos mostraron un PCG superior al 95% en agosto. Sin embargo, al observar los cambios hasta octubre, se encontró que algunos recursos genéticos (san303 y san187) mostraron un ligero aumento en la tasa de verdor, lo que indica que estos dos recursos genéticos continuaron creciendo relativamente más tiempo en comparación con otros recursos genéticos, dado que el crecimiento El período de pasto coreano es desde abril hasta mediados de octubre. Sin embargo, la mayoría de los recursos genéticos mostraron una disminución en la tasa de verdor en octubre. Esto fue más pronunciado en el resultado final de diciembre, donde el recurso genético san208 mantuvo una excelente tasa de verdor de más del 90%, mientras que el recurso genético san125 mostró una tasa de verdor del 0,4%, lo que muestra una diferencia muy clara con respecto a san208. Estos resultados indican que los rasgos relacionados con los cambios en la tasa de verdor se expresan de manera diferente en cada recurso genético. Durante la investigación realizada de agosto a diciembre de 2021 en un sitio de cultivo de pasto, el gráfico que muestra la temperatura más alta, la temperatura más baja y la temperatura promedio obtenida del observatorio meteorológico cercano (Fig. 2) muestra una tendencia de la temperatura a disminuir a medida que pasa el tiempo. de agosto a diciembre, mostrando especialmente un rápido descenso de la temperatura a mediados de octubre. Al observar el gráfico de temperatura (Fig. 2) y la Fig. 19 juntos, se puede ver que en agosto y septiembre, todos los recursos genéticos de pastos mostraron un color verde de buena calidad a temperaturas apropiadas para el crecimiento, pero a mediados de octubre, la temperatura disminuyó rápidamente y el color de la hierba cambió de verde a amarillo o amarillo-marrón en la mayoría de los recursos genéticos. El estrés por bajas temperaturas es uno de los factores de estrés ambiental más dañinos para el pasto, lo que lleva a una disminución de la fotosíntesis debido a la fotoinhibición, la acumulación de carbohidratos dentro de la célula, la deshidratación debido al daño de la membrana celular causado por los cristales de hielo formados dentro y fuera de la célula a temperaturas inferiores. congelación, cambios en la composición de la membrana celular y desnaturalización de las proteínas, que pueden provocar que la hierba se marchite y muera en casos graves41. El pasto resistente a las bajas temperaturas tiene niveles más altos de actividad enzimática asociada con el metabolismo del carbono, el contenido de ácidos grasos insaturados en los lípidos que forman la membrana celular y la acumulación de prolina, que mantiene la estabilidad de la membrana y elimina las especies reactivas de oxígeno, que el pasto resistente a las bajas temperaturas. pastos susceptibles5. Además, los pastos producen y acumulan antocianina, un antioxidante, como metabolito secundario en respuesta al estrés por bajas temperaturas, lo que reduce el daño oxidativo y le da al pasto de invierno un color rojo visible a simple vista18 En nuestro estudio, encontramos que en noviembre y En diciembre, el color de la hierba cambió notablemente no sólo a amarillo sino también a rojo y azul rojizo. El cambio del color del pasto a rojo se debe a la síntesis, transporte y acumulación de antocianina, un metabolito secundario y antioxidante conocido por prevenir el daño oxidativo del pasto causado por la gran cantidad de especies reactivas de oxígeno generadas dentro de la planta a bajas temperaturas. Un estudio muestra que la acumulación de antocianinas está relacionada con la alta tolerancia al frío de la hierba18.

Coeficiente de correlación de Pearson de GCP y NDVI por mes. (A) Agosto, (B) Septiembre, (C) Octubre (D) Noviembre (E) Diciembre.

En el estudio de Bremer et al.42, la calidad del pasto se evaluó calculando el NDVI a partir de imágenes de pasto del dosel obtenidas a través de un sensor hiperespectral, que mostró una alta correlación (R2 = 0,88, p < 0,0001) con el área de cobertura verde evaluada visualmente. de la hierba. También mencionaron que la imagen RED, que es parte del NDVI, afecta la diferencia de densidad y el contenido de clorofila del pasto, y que se necesita investigación adicional, particularmente utilizando la imagen NIR, para predecir el estado de estrés hídrico de las plantas antes de que aparezcan los síntomas de estrés. . En este estudio, considerando el período de crecimiento del pasto coreano, durante la temporada de crecimiento en agosto y septiembre, se observó que todos los pastos tenían valores altos de NDVI ya que parecían verdes. Sin embargo, de octubre a diciembre, durante la temporada de no crecimiento, cuando el pasto entró en letargo y perdió su color verde, los valores de NDVI disminuyeron gradualmente. Entre los recursos genéticos estudiados, san218 mostró el valor de NDVI más alto en diciembre. En septiembre mostró un valor de NDVI muy bajo de 0,42, pero en diciembre mostró un valor de NDVI más alto de 0,32 en comparación con otros recursos genéticos. Por el contrario, san9dangugdae mostró un valor de NDVI más alto de 0,45 en agosto en comparación con san218, pero un valor de NDVI relativamente bajo de 0,12 en diciembre entre los recursos genéticos. Al igual que la tasa de ecologización, la tasa de cambio en los valores del NDVI también mostró una diferencia significativa en los patrones de cambio de los recursos genéticos. Sin embargo, mientras que los valores de NDVI de otros recursos genéticos disminuyeron a medida que disminuyó la tasa de enverdecimiento, solo san208 mostró una alta tasa de enverdecimiento de más del 90% de agosto a diciembre, pero el valor de NDVI disminuyó gradualmente con el tiempo. Esto parece deberse a que san208 mostró un aumento en la cantidad de otros pigmentos producidos bajo estrés por baja temperatura, reduciendo la proporción relativa de clorofila y disminuyendo el valor NDVI. Por lo tanto, se necesita un análisis adicional de la composición del pigmento de la hoja de san208 para explicar por qué todavía mostró un alto enverdecimiento en comparación con otros recursos genéticos.

Sólo en noviembre se obtuvieron resultados significativos al examinar la correlación entre la tasa de verdor y el NDVI. Esto indica que casi no existe correlación entre el rasgo de mantener un verdor de calidad al ocupar un área determinada con pasto (datos de tasa de verdor confirmados por una cámara RGB) y el rasgo de mantener un verdor de calidad por la cantidad de clorofila en las hojas mismas (basado en NDVI). en imágenes multiespectrales). Se cree que la correlación que apareció en noviembre, cuando el estado de crecimiento del pasto era extremadamente pobre, se produjo porque tanto el estado cualitativo (NDVI) como el estado cuantitativo (tasa de verdor) del pasto mostraron una correlación. Anteriormente, incluso si el estado cualitativo del valor NDVI era bajo, parecía haber muchos cultivares de pasto con estados cuantitativos altos que no podían mostrar una correlación. En diciembre, incluso los cultivares superiores mostraron una disminución tanto en el estado cualitativo como en el cuantitativo, lo que se presume es la razón por la cual la correlación no volvió a aparecer. Por tanto, es necesario seleccionar el tiempo de observación exacto para confirmar la correlación entre los rasgos obtenidos de las dos imágenes.

En un estudio realizado por Barboza et al.43, los investigadores utilizaron análisis de regresión lineal múltiple para determinar las estimaciones más precisas de biomasa fresca. Consideraron tres parámetros de entrada: ancho, altura de la planta e índice de vegetación (ya sea NDVI o NDRE). Si bien el NDRE mostró saturación durante las etapas reproductivas, los resultados del análisis revelaron que el NDVI tuvo un mejor desempeño que el NDRE en la estimación de biomasa fresca. Esto significa que el NDVI proporcionó predicciones de biomasa más confiables y precisas en comparación con el NDRE. A pesar de sus limitaciones durante las etapas reproductivas, se encontró que el NDVI es un índice de vegetación más adecuado para estimar la biomasa fresca en este estudio en particular. En nuestro estudio, examinamos varios índices de vegetación, incluidos NDRE, SAVI y EVI. Los resultados de NDRE indicaron que san135, san180, san187 y san218 tenían valores altos. Por el contrario, los valores de SAVI mostraron que san128 y san398 tenían valores más altos en comparación con otros. Por último, cuando se aplicó EVI, san128 tenía un valor alto. En promedio, los resultados del NDRE para san208 de agosto a diciembre oscilaron entre aproximadamente el 3% y el 5%. Por el contrario, el SAVI disminuyó de agosto (38%) a diciembre (4%). Además, el EVI mostró una ligera disminución durante este período. La variación puede deberse al hecho de que el índice NDRE es más adecuado para evaluar el contenido de clorofila en árboles más grandes, mientras que el índice NDVI es más confiable para evaluar la biomasa y la salud en árboles más pequeños. La elección del índice depende de las características específicas de los árboles en estudio, como su tamaño y el parámetro que se desea medir.

Boiarskii y Hasegawa realizaron un estudio en 2019 donde compararon dos capas con diferentes índices, específicamente NDVI y NDRE, y observaron variaciones en la actividad de la vegetación. El estudio encontró que el NDVI demostró ser particularmente efectivo en el análisis de grandes áreas de tierra para evaluar la densidad de la vegetación y el verdor general de los cultivos. Proporcionó información sobre la salud de los cultivos, la eficacia del cultivo y las tasas de siembra. Por otro lado, el NDRE permitió visualizar el contenido de clorofila en las hojas. Esto sugiere que diferentes índices pueden ser más adecuados para diferentes cultivos, densidades de plantas, tasas de siembra y etapas de crecimiento44.

La respuesta de las plantas al estrés por bajas temperaturas puede servir como indicador para la investigación sobre la tolerancia al frío. Un método consiste en analizar imágenes digitales utilizando sensores RGB para observar el color y el crecimiento del césped, mientras que se pueden utilizar sensores multiespectrales para evaluar la calidad del césped en términos de color, densidad y vitalidad de la vegetación. Las imágenes multiespectrales pueden proporcionar información sobre el contenido de clorofila, la estructura del dosel y el índice de área foliar en diferentes longitudes de onda, y los índices de vegetación derivados de ellos se pueden combinar para evaluar el estado de humedad y nutrientes de las plantas bajo estrés ambiental45,42,47. Los sensores de fluorescencia también se pueden utilizar para medir la fluorescencia de la clorofila de las hojas y evaluar el estado del aparato fotosintético bajo estrés por baja temperatura. También se ha propuesto un método de medición de la fluorescencia de la clorofila inducida por láser para mediciones en exteriores donde la luz y la temperatura ambientales no son constantes48,49. Además, los sensores LIDAR/láser pueden generar imágenes en 3D que pueden usarse para examinar la estructura de las plantas, la biomasa y otros factores, proporcionando una forma de realizar investigaciones en tiempo real sobre los cambios morfológicos en el pasto expuesto al estrés por bajas temperaturas50,51.

Este estudio sugiere que la elección entre utilizar el verdor basado en RGB y el verdor basado en NDVI para evaluar el verdor del césped puede variar según el propósito. Al evaluar el verdor desde un punto de vista económico, puede resultar más práctico utilizar el verdor basado en RGB, que proporciona una estimación intuitiva de la cantidad de verdor similar a la observación visual. Sin embargo, para seleccionar césped que mantenga un alto nivel de verdor, el uso de verdor basado en NDVI, que evalúa el césped desde una perspectiva biológica, puede complementar el verdor basado en RGB. Por lo tanto, se recomienda utilizar ambas medidas de verdor de manera complementaria para seleccionar césped que pueda mantener un buen verdor a lo largo del tiempo. Además, considerar el momento en que las dos medidas muestran una correlación puede resultar ventajoso a la hora de seleccionar césped utilizando ambas medidas. Finalmente, al utilizar las medidas de verdor de este estudio, se espera que se pueda reducir el tiempo y la energía gastados en la evaluación de la calidad del césped mientras se selecciona césped de excelente calidad a través de un método objetivo y reproducible.

Cai, H. y col. Aislamiento, caracterización y mapeo de marcadores de repetición de secuencia simple en pasto zoysia (Zoysia spp.). Teor. Aplica. Gineta. 112, 158-166 (2005).

Artículo CAS PubMed Google Scholar

Bae, E.-J., Lee, K.-S., Park, Y.-B., Kim, DS y Yang, G.-M. Características de la variación de semillas de pastos zoysia (Zoysia spp.) nativos de Corea del Sur. Ciencia del césped de malezas. 2, 267–273 (2013).

Artículo de Google Scholar

Brian, M. y col. Estimaciones de heredabilidad para el rendimiento del césped y la respuesta al estrés en Zoysia spp. Ciencia de los cultivos 49(6), 2113–2118. https://doi.org/10.2135/cropsci2008.12.0705 (2009).

Patton, AJ, Schwartz, BM & Kenworthy, KE Historia, utilización y mejora de Zoysiagrass (Zoysia spp.) en los Estados Unidos: una revisión. Ciencia de cultivos. 57, T37 (2017).

Artículo de Google Scholar

Huang, B., DaCosta, M. & Jiang, Y. Avances en la investigación sobre los mecanismos de tolerancia del césped al estrés abiótico: de la fisiología a la biología molecular. Crítico. Rev. Ciencia vegetal. 33, 141–189 (2014).

Artículo CAS Google Scholar

Jiang, Y., Duncan, RR y Carrow, RN Evaluación de la tolerancia a la poca luz del paspalum y bermudagrass de la costa. Ciencia de cultivos. 44, 587–594 (2004).

Artículo de Google Scholar

Lee, G., Carrow, RN y Duncan, RR Respuestas de crecimiento y relación hídrica al estrés por salinidad en ecotipos halófitos de paspalum costero. Ciencia. Hortico. 104, 221–236 (2005).

Artículo de Google Scholar

Fan, J. y col. Mecanismos de tolerancia al estrés ambiental en césped. Agronomía 10, 522 (2020).

Artículo CAS Google Scholar

Cui, Y., Wang, J., Wang, X. & Jiang, Y. Diversidad fenotípica y genotípica para la tolerancia a la sequía entre y dentro de las accesiones de raigrás perenne. HortScience 50, 1148-1154 (2015).

Artículo de Google Scholar

Kimball, JA, Tuong, TD, Arellano, C., Livingston Iii, DP y Milla-Lewis, SR Evaluación de la tolerancia a la congelación en St. Augustinegrass: respuesta de temperatura y métodos de evaluación. Eufítica 213, 110 (2017).

Artículo de Google Scholar

Li, L., Zhang, Q. y Huang, D. Una revisión de técnicas de imagen para el fenotipado de plantas. Sensores 14, 20078–20111 (2014).

Artículo ADS PubMed PubMed Central Google Scholar

Büchi, L., Wendling, M., Mouly, P. y Charles, R. Comparación de evaluación visual y análisis de imágenes digitales para la estimación de la cobertura del dosel. Agrón. J. 110, 1289-1295 (2018).

Artículo de Google Scholar

Osco, LP y cols. Predicción de la concentración de nitrógeno en las hojas y la altura de las plantas de maíz mediante imágenes multiespectrales basadas en vehículos aéreos no tripulados y técnicas de aprendizaje automático. Sensores remotos 12, 3237 (2020).

ADS del artículo Google Scholar

Santana, DC y cols. Sensor multiespectral basado en UAV para medir variaciones en el maíz en función del abonado con nitrógeno. Aplicación de sensores remotos. Soc. Reinar. 23, 100534 (2021).

Google Académico

Wan, W. y col. Patrones espaciotemporales del estrés por sequía del maíz y sus efectos sobre la biomasa en la llanura del noreste y norte de China de 2000 a 2019. Agric. Para. Meteorol. 315, 108821 (2022).

ADS del artículo Google Scholar

Braz, AM, Águas, TDA & Mirandola Garcia, PH Análisis de los índices de vegetación NDVI y SAVI y del índice de área foliar (LAI) para comparar la cobertura vegetal en la cuenca del Córrego Ribeirãozinho, municipio de Selvíria–MS. Rev. Percurso 7, 5 (2015).

Artículo de Google Scholar

Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X. y Furbank, R. Buggies de teledetección proximal y aplicaciones potenciales para el fenotipado basado en campo. Agronomía 4, 349–379 (2014).

Artículo de Google Scholar

Jin, H.-X. et al. Un estudio sobre la mayor tolerancia al frío y la acumulación de antocianinas inducida por las bajas temperaturas en un nuevo biotipo de Zoysia japonica. Plantas 11, 429 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Jin, X., Li, Z., Feng, H., Xu, X. y Yang, G. Índices espectrales recientemente combinados para mejorar la estimación del contenido total de clorofila de las hojas en algodón. IEEE J. Sel. Arriba. Aplica. Observación de la Tierra. Sensores remotos 7, 4589–4600 (2014).

Magney, TS, Eitel, JUH, Huggins, DR y Vierling, LA La fenología derivada del NDVI proximal mejora las predicciones de la cantidad y calidad del trigo durante la temporada. Agrícola. Para. Meteorol. 217, 46–60 (2016).

ADS del artículo Google Scholar

Tattaris, M., Reynolds, MP y Chapman, SC Una comparación directa de enfoques de teledetección para el fenotipado de alto rendimiento en el fitomejoramiento. Frente. Ciencia vegetal. 7, (2016).

Bendig, J. y col. Estimación de la biomasa de cebada utilizando modelos de superficie de cultivo (CSM) derivados de imágenes RGB basadas en UAV. Sensores remotos 6, 10395–10412 (2014).

ADS del artículo Google Scholar

Verger, A. et al. Índice de superficie verde procedente de un sistema aéreo no tripulado sobre cultivos de trigo y colza. Sensores remotos. Medio ambiente. 152, 654–664 (2014).

ADS del artículo Google Scholar

Jin, X., Liu, S., Baret, F., Hemerlé, M. y Comar, A. Estimaciones de la densidad de plantas de cultivos de trigo en el momento de la emergencia a partir de imágenes de vehículos aéreos no tripulados de muy baja altitud. Sensores remotos. Medio ambiente. 198, 105-114 (2017).

ADS del artículo Google Scholar

Guillén-Climent, ML, Zarco-Tejada, PJ, Berni, JAJ, North, PRJ & Villalobos, FJ Mapeo de la interceptación de radiación en huertos estructurados en hileras mediante simulación 3D e imágenes aéreas de alta resolución adquiridas desde un UAV. Resumen. Agrícola. 13, 473–500 (2012).

Artículo de Google Scholar

Sankaran, S., Khot, LR y Carter, AH Fenotipado de cultivos en el campo: imágenes aéreas multiespectrales para la evaluación de la emergencia del trigo de invierno y la plantación de primavera. Computadora. Electrón. Agrícola. 118, 372–379 (2015).

Artículo de Google Scholar

Liu, C., Shang, J., Vachon, PW y McNairn, H. Monitoreo de cultivos multianuales utilizando datos polarimétricos de RADARSAT-2. Traducción IEEE. Geociencias. Sensores remotos 51, 2227–2240 (2013).

ADS del artículo Google Scholar

Zhang, J. y col. Aplicaciones de imágenes basadas en vehículos aéreos no tripulados en ensayos de campo de césped. Frente. Ciencia vegetal. 10, 279 (2019).

Artículo PubMed PubMed Central Google Scholar

Borrell, AK y cols. Los alelos que permanecen verdes mejoran individualmente el rendimiento de grano en sorgo en condiciones de sequía al modificar el desarrollo del dosel y los patrones de absorción de agua. Nuevo fitol. 203, 817–830 (2014).

Artículo PubMed Google Scholar

Hassan, M. y col. Índices multiespectrales de series temporales de imágenes de vehículos aéreos no tripulados revelan la tasa de senescencia en el trigo harinero. Sensores remotos 10, 809 (2018).

ADS del artículo Google Scholar

Burggraaff, O. y col. Calibración espectral y radiométrica estandarizada de cámaras de consumo. Optar. Expreso 27, 19075 (2019).

Artículo ADS CAS PubMed Google Scholar

Guo, Y. et al. Calibración radiométrica para cámara multiespectral de diferentes condiciones de imagen montada en una plataforma UAV. Sostenibilidad 11, 978 (2019).

Artículo de Google Scholar

Stark, JA Mejora adaptativa del contraste de la imagen mediante generalizaciones de ecualización de histograma. Traducción IEEE. Proceso de imagen. 9, 889–896 (2000).

Artículo ADS CAS PubMed Google Scholar

Lu, H., Fan, T., Ghimire, P. & Deng, L. Evaluación experimental y comparación de consistencia de minisensores multiespectrales UAV. Sensores remotos 12, 2542 (2020).

ADS del artículo Google Scholar

Wang, C. & Myint, SW Un método lineal empírico simplificado de calibración radiométrica para sensores remotos basados en sistemas de pequeñas aeronaves no tripuladas. IEEE J. Sel. Arriba. Aplica. Observación de la Tierra. Sensores remotos 8, 1876–1885 (2015).

Agostini, A. et al. Una arquitectura cognitiva para la jardinería automática. Computadora. Electrón. Agr. 138, 69–79. https://doi.org/10.1016/j.compag.2017.04.015 (2017).

Schafleitner, R. y col. Evaluación de campo para la variación de la tolerancia a la sequía en Solanum tuberosum L. por métodos agronómicos. Fisiol. Gineta. Anal. Patata Res. 50, 71–85 (2007).

Artículo CAS Google Scholar

Kim, KN, Park, WK & Nam, SY Comparación del vigor de establecimiento, uniformidad, potencial de enraizamiento y calidad del césped de céspedes de pasto azul de Kentucky, raigrás perenne, festuca alta y mezclas de pastos de estación fría cultivados en suelo arenoso. Kor. J. Césped Sci. 17(4), 129-146 (2003).

Rouse, J. W, Haas, RH, Scheel, JA & Deering, DW Monitoreo de sistemas de vegetación en las grandes llanuras con ERTS. En trámites. Tercer simposio 48–62 (1974) sobre satélites de tecnología de recursos terrestres (ERTS).

Walter, A., Liebisch, F. & Hund, A. Fenotipado de plantas: del pesaje de frijoles al análisis de imágenes. Métodos de plantas 11, 14 (2015).

Artículo PubMed PubMed Central Google Scholar

Borawska-Jarmułowicz, B., Mastalerczuk, G., Pietkiewicz, S. y Kalaji, MH Efectos de la baja temperatura y el endurecimiento sobre la eficiencia del aparato fotosintético y la supervivencia de variedades de pastos forrajeros. Entorno del suelo vegetal. 60, 177–183 (2014).

Artículo de Google Scholar

Bremer, DJ, Lee, H., Su, K. & Keeley, SJ Relaciones entre el índice de vegetación de diferencia normalizada y la calidad visual en césped de estación fría: II. Factores que afectan el NDVI y las reflectancias de sus componentes. Ciencia de cultivos. 51, 2219–2227 (2011).

Artículo de Google Scholar

Barboza, TOC et al. Comportamiento de índices de vegetación para estimar la acumulación de biomasa verde en frijol común. AgriIngeniería 5, 840–854 (2023).

Artículo de Google Scholar

Boiarskii, B. Comparación de índices NDVI y NDRE para detectar diferencias en la vegetación y el contenido de clorofila. J. Mech. Continúe. Matemáticas. Ciencia. spl1, (2019).

Narmilan, A. et al. Predecir el contenido de clorofila del dosel en cultivos de caña de azúcar utilizando algoritmos de aprendizaje automático e índices espectrales de vegetación derivados de imágenes multiespectrales de vehículos aéreos no tripulados. Sensores remotos 14, 1140 (2022).

ADS del artículo Google Scholar

Adam, E., Mutanga, O. & Rugege, D. Teledetección multiespectral e hiperespectral para la identificación y mapeo de la vegetación de los humedales: una revisión. Wetl. Ecológico. Gestionar. 18, 281–296 (2010).

Artículo de Google Scholar

Xue, J. & Su, B. Índices importantes de vegetación por teledetección: una revisión de desarrollos y aplicaciones. J. Sens. 2017, 1-17 (2017).

Artículo CAS Google Scholar

Fracheboud, Y. & Leipner, J. La aplicación de la fluorescencia de la clorofila para estudiar el estrés por luz, temperatura y sequía. en Aplicaciones prácticas de la fluorescencia de clorofila en biología vegetal (eds. DeEll, JR & Toivonen, PMA) 125–150 (Springer US, 2003). https://doi.org/10.1007/978-1-4615-0415-3_4.

Wu, L., Wang, L., Shi, C. y Yin, D. Detección de la fotosíntesis de manglares con fluorescencia de clorofila inducida por el sol. En t. J. Remote Sens. 43, 1037–1053 (2022).

Artículo de Google Scholar

Rivera, G., Porras, R., Florencia, R. & Sánchez-Solís, JP Aplicaciones LiDAR en agricultura de precisión para cultivos: una revisión de los avances recientes. Computadora. Electrón. Agrícola. 207, 107737 (2023).

Artículo de Google Scholar

Al-Tamimi, N. et al. Capturando la adaptación de los cultivos al estrés abiótico utilizando tecnologías basadas en imágenes. Biol abierto. 12, 210353 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

El Programa de Investigación en Ciencias Básicas apoyó esta investigación a través de la Fundación Nacional de Investigación de Corea (NRF), financiada por el Ministerio de Educación (2019R1A6A1A11052070).

Departamento de Recursos Vegetales y Medio Ambiente, Universidad Nacional de Jeju, Jeju, 63243, República de Corea

Ki-Bon Ku, Sheikh Mansoor, Yong Suk Chung y Thai Thanh Tuan

Departamento de Educación Artística Práctica, Universidad Nacional de Educación de Cheongju, Cheongju, 28708, República de Corea

Gyung Deok Han

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización: YSC; Metodología, KU y TTT; Investigación, SM y YSC; Curación de datos, KK, SM y TTT; Redacción: preparación del borrador original, KK y SM; Redacción: revisión y edición, KK, SM, GDH y YSC; Supervisión, YSC; Administración de Proyectos, YSC.; Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Yong Suk Chung o Thai Thanh Tuan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ku, KB., Mansoor, S., Han, GD et al. Identificación de nuevas especies de pasto Zoysia tolerantes al frío mediante imágenes multiespectrales y RGB de alta resolución. Representante científico 13, 13209 (2023). https://doi.org/10.1038/s41598-023-40128-2

Descargar cita

Recibido: 18 de mayo de 2023

Aceptado: 04 de agosto de 2023

Publicado: 14 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40128-2

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.