Search

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops (rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software. Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to 69% in the case of harvest date in tomato., [ES] Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenológicas a nivel de parcela de cuatro tipos de cultivo de regadío (arroz, maíz, girasol y tomate). El método combina imágenes de los sensores ASTER y MODIS en un entorno de análisis de imágenes basado en objetos, y la aplicación de tres curvas de ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%, con valores entre el 92% en las fechas de emergencia y cosecha del arroz y el 69% en la estimación de la fecha de cosecha del tomate.

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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

Revista oficial de la Asociación Española de Teledetección, [EN] Weed mapping in early season requires of very high spatial resolution images (pixels <5 cm). Currently only Unmanned Aerial Vehicles (UAV) can take such images. The aim of this work was to evaluate the optimal flight altitude for mapping weeds in an early season sunflower field using a low-cost camera that took images in the visible spectrum at several flight altitudes (40, 60, 80 and 100 m). The object based image analysis procedure used for weed mapping was divided in two main phases: 1) crop-row identification, and 2) crop, weed and bare soil classification. The algorithm identified the crop rows with 100% accuracy at every flight altitude (phase 1) and it detected weed-free zones with 100% accuracy in the images captured at 40 and 60 m flight altitude. In weed-infested zones, the classification algorithm obtained the best results in the images captured at low altitude (40 m), reporting 71% of correctly classified sampling frames (phase 2). Most of errors committed (incorrectly classified frames) were produced by non-detection of weeds (negative false). Subsequent studies would consist in a multi-temporal study aiming to detect weeds are at a more advance growth stage. It could reduce the percentage of negative false in the classification., [ES] La discriminación de malas hierbas en fase temprana con técnicas de teledetección requiere imágenes re-motas 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 discrimi-nación 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 ca-sos (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 multi-temporal 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