Integración de UAV multiespectral/térmico, captura de esporas y evaluación fitosanitaria para la vigilancia de Bipolaris oryzae en arroz
DOI:
https://doi.org/10.17398/3101-7177.2.284Palabras clave:
Teledetección, arroz, Bipolaris oryzae, inteligencia artificialResumen
La mancha carmelita del arroz, asociada a Bipolaris oryzae, requiere esquemas de vigilancia que permitan detección y respuesta temprana. En este trabajo se presenta un esquema metodológico de vigilancia fitosanitaria en arroz basado en la integración de teledetección de proximidad y mediciones in situ en sectores agrícolas del departamento de Lambayeque (provincias de Lambayeque, Ferreñafe y Chiclayo). Se empleó un UAV DJI Matrice 300 RTK con cámara multiespectral (B, G, R, RedEdge y NIR; azul, verde, rojo, borde rojo e infrarrojo cercano) y sensor térmico H20T, complementado con captura de esporas, inspección visual del cultivo y registro meteorológico in situ. Las adquisiciones se organizaron en jornadas de monitoreo sucesivas entre marzo y junio de 2025. Los resultados preliminares muestran la generación de productos georreferenciados multiespectrales y térmicos y la obtención de evidencia fitosanitaria de referencia (severidad visual y cuantificación de esporas) para su integración con variables espectrales y térmicas. El avance evidencia la factibilidad del enfoque y sienta las bases para etapas posteriores de modelado con inteligencia artificial, integración de variables meteorológicas y generación de mapas de riesgo con proyección a un geoportal de apoyo a la decisión fitosanitaria.
Descargas
Referencias
Kaboré, K. H., Kassankogno, A. I., & Tharreau, D. (2025). Brown spot of rice: worldwide disease impact, phenotypic and genetic diversity of the causal pathogen Bipolaris oryzae, and management of the disease. Plant Pathology, 74(4), 908-922. https://doi.org/10.1111/ppa.14075
Kouadio, L., El Jarroudi, M., Belabess, Z., Laasli, S. E., Roni, M. Z. K., Amine, I. D. I., ... & Lahlali, R. (2023). A review on UAV-based applications for plant disease detection and monitoring. Remote Sensing, 15(17), 4273. https://doi.org/10.3390/rs15174273
Liu, C., Zhai, Z., Zhang, R., Bai, J., & Zhang, M. (2022). Field pest monitoring and forecasting system for pest control. Frontiers in Plant Science, 13, 990965. https://doi.org/10.3389/fpls.2022.990965
Liu, S., Zhang, B., Yang, W., Chen, T., Zhang, H., Lin, Y., ... & Zhang, L. (2023). Quantification of physiological parameters of rice varieties based on multi-spectral remote sensing and machine learning models. Remote Sensing, 15(2), 453. https://doi.org/10.3390/rs15020453
Ma, B., Cao, G., Hu, C., & Chen, C. (2023). Monitoring the rice panicle blast control period based on UAV multispectral remote sensing and machine learning. Land, 12(2), 469. https://doi.org/10.3390/land12020469
Mahaffee, W. F., Margairaz, F., Ulmer, L., Bailey, B. N., & Stoll, R. (2023). Catching spores: Linking epidemiology, pathogen biology, and physics to ground-based airborne inoculum monitoring. Plant Disease, 107(1), 13-33. https://doi.org/10.1094/PDIS-11-21-2570-FE
Yan, J., Wu, H., Diao, Z., Miao, Y., Zhang, B., & Zhao, C. (2025). Recent Developments and Applications of Crop Disease Detection, Prediction, and Early Warning: A Review. Engineering. https://doi.org/10.1016/j.eng.2025.10.032
Zhu, H., Lin, C., Liu, G., Wang, D., Qin, S., Li, A., ... & He, Y. (2024). Intelligent agriculture: Deep learning in UAV-based remote sensing imagery for crop diseases and pests detection. Frontiers in Plant Science, 15, 1435016. https://doi.org/10.3389/fpls.2024.1435016
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Juan Valdiviezo Espinoza, María Jaramillo Carrión, Jaime Aguilar Lome, Luis Ruiz Fernández, Lia Ramos Fernández (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
