Aplicaciones en el ámbito agroforestal y ambiental

Proporcionarle al alumno los conocimientos relativos a:
Dominio de los principios y aplicaciones de los UAS en la gestión de los recursos naturales
Capacidad para el diseño de operaciones y manejo de datos en la realización de inventarios.
Conocer las aplicaciones principales de los UAS en el ámbito de la agricultura y selvicultura.
Capacidad para el diseño de operaciones y manejo de datos en la agricultura de precisión.

En la memoria de título figuran los siguientes contenidos:
Aplicaciones de los UAS a la caracterización, evaluación y seguimiento 2D y 3D de la cobertura vegetal. Extracción de variables cuantitativas, clasificación y análisis de cambios a partir de datos multi e hiperespectrales, LiDAR y nubes de puntos SfM.
Aplicaciones de los UAS al seguimiento de especies. Métodos de muestreo y cálculo de poblaciones
Aplicaciones de los UAS en el sector agroforestal. Agricultura de precisión. Determinación del grado de cobertura del cultivo, biomasa, rendimiento, estado hídrico y erosivo de cultivos.
Control de plagas y enfermedades mediante el empleo de UAS.
Análisis de patrones espaciales y estructura a microescala a partir de datos UAS de ultra alta resolución.

Estos contenidos se desarrollarán en las siguientes sesiones teóricas y prácticas:
Sesiones teóricas (12 h presenciales + 20 h trabajo autónomo del alumno):
Tema 1. Introducción. Recursos naturales, servicios ecosistémicos y biodiversidad: Evaluación y seguimiento mediante RPAS. Plataformas y sensores específicos. Integración con otras fuentes de datos. 1 h presencial + 1 h trabajo autónomo
Tema 2. Proyectos de evaluación y seguimiento de la cobertura vegetal. Procesado de imágenes y generación de productos 2D y 3D. 1 h presencial + 2 h trabajo autónomo
Tema 3. Aplicaciones de los UAV a la caracterización, evaluación y seguimiento de la cobertura vegetal: Paisaje y hábitats. (radiometría, respuesta espectral, sistemas de clasificación. Clasificaciones multiespectrales. Verificación de resultados). 1 h presencial+ 2 h trabajo autónomo
Tema 4. Aplicaciones de los UAV a la caracterización, evaluación y seguimiento de la cobertura vegetal: Paisaje y hábitats. (clasificación 3D, LiDAR,). 1 h presencial + 2 h trabajo autónomo
Tema 5. Aplicaciones de los UAV a la caracterización, evaluación y seguimiento de la cobertura vegetal: Paisaje y hábitats. (análisis de cambios). 1 h presencial + 2 h trabajo autónomo
Tema 6. Aplicaciones de los UAV al seguimiento de especies. Métodos de muestreo y cálculo de poblaciones. 1 h presencial + 2 h trabajo autónomo
Tema 8. Análisis de Patrones espaciales. 2 h presencial + 2 h trabajo autónomo
Tema 9. Agricultura de precisión (determinación del grado de cobertura del cultivo, biomasa y predicción del rendimiento, riego y fertilización). 2 h presencial + 3 h trabajo autónomo
Tema 10. Viticultura. 1 h presencial + 2 h trabajo autónomo
Tema 11. Control y lucha contra plagas. 1 h presencial + 2 h trabajo autónomo

Contenidos prácticos (30 horas presenciales + 82 h de trabajo autónomo del alumno):
Práctica 1. Preparación de un proyecto de la evaluación y seguimiento de la cobertura vegetal. Procesado de imágenes y generación de productos 2D y 3D. Extracción de información 3D, multiespectral e hiperespectral. 2 h presencial + 4 h trabajo autónomo
Práctica 2. Clasificación y seguimiento de la cubierta vegetal mediante imágenes de muy alta resolución. (clasificación multi). 2 h presencial + 6 h trabajo autónomo
Práctica 3. Clasificación y seguimiento de la cubierta vegetal mediante imágenes de muy alta resolución. (clasificación 3d). 3 h presencial + 10 h trabajo autónomo
Práctica 4. Clasificación y seguimiento de la cubierta vegetal mediante imágenes de muy alta resolución. (análisis de cambios). 3 h presencial + 10 h trabajo autónomo
Práctica 5. Clasificación y seguimiento de la cubierta vegetal mediante imágenes de muy alta resolución. (verificación 2d y 3d). 2 h presencial + 10 h trabajo autónomo
Práctica 6. Análisis de patrones espaciales. 2 h presencial + 6 h trabajo autónomo
Práctica 7. Toma de datos de campo e imágenes para la evaluación y seguimiento de la cobertura vegetal. 6 h. Viaje Campo presencial + 4 h trabajo autónomo
Práctica 8. Agricultura de precisión (determinación del grado de cobertura del cultivo, biomasa y predicción del rendimiento, riego y fertilización). 4 h presencial + 12 h trabajo autónomo
Práctica 9. Viticultura. 4 horas presencial. 3 h presencial + 10 h trabajo autónomo
Práctica 10. Control y lucha contra plagas. 3 h presencial + 10 h trabajo autónomo

Bibliografía básica (en castellano)
Cancela, JJ y González, XP (2018) Uso de drones y satélites en agricultura: actas de horticultura de III Symposium Nacional de Ingeniería Hortícola y I Symposium Ibérico de Ingeniería Hortícola: celebrado del 21 al 23 de febrero de 2018, en Lugo 978-84-697-9314-5
Díaz, J., & Cervigón, J. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. Universidad Complutense de Madrid.

Bibliografía básica (en inglés)
Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., & Sousa, J. J. (2017). Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, 9(11), 1110.
Colomina, I., Molina, P., 2014. Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS J. Photogramm. Remote Sens. 92, 79–97.
Díaz-Varela, R.A., Calvo Iglesias, S., Cillero Castro, C., Díaz Varela, E.R., 2018. Sub-metric analisis of vegetation structure in bog-heathland mosaics using very high resolution rpas imagery. Ecol. Indic. 89, 861–873.
Dörnhöfer, K., Oppelt, N., 2016. Remote sensing for lake research and monitoring – Recent advances. Ecol. Indic. 64, 105–122.
Gonzalez, L., Montes, G., Puig, E., Johnson, S., Mengersen, K., Gaston, K., 2016. Unmanned Aerial Vehicles (UAVs) and Artificial Intelligence Revolutionizing Wildlife Monitoring and Conservation. Sensors 16, 97.
Malveaux, C., Hall, S. G., Price, R. (2014). Using drones in agriculture: unmanned aerial systems for agricultural remote sensing applications. In 2014 Montreal, Quebec Canada July 13–July 16, 2014 (p. 1). American Society of Agricultural and Biological Engineers.
Pádua, L., Vanko, J., Hruška, J., Adão, T., Sousa, J. J., Peres, E., & Morais, R. (2017). UAS, sensors, and data processing in agroforestry: a review towards practical applications. International Journal of Remote Sensing, 38(8-10), 2349-2391.
Tang, L., Shao, G. (2015). Drone remote sensing for forestry research and practices. Journal of Forestry Research, 26(4), 791-797.
Terms, F., 2017. Unmanned aerial vehicles for environmental applications. Int. J. Remote Sens. 38, 2029–2036.

Bibliografía complementaria (en castellano)
Garcia Carazo, J., Alvarez Alvarez, P., Garrote Haigermoser, J., 2016. Aplicaciones de QGIS en la ordenacion de montes Manual practico. Editorial Académica Española.

Bibliografía complementaria (en inglés)
Anderson, K., Gaston, K.J., 2013. Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Front. Ecol. Environ.
Berni, J., Zarco-Tejada, P.J., Suarez, L., Fereres, E., 2009. Thermal and Narrowband Multispectral Remote Sensing for Vegetation Monitoring from an Unmanned Aerial Vehicle. IEEE Trans. Geosci. Remote Sens. 47, 722–738.
d’Oleire-Oltmanns, S., Marzolff, I., Peter, K., Ries, J., 2012. Unmanned Aerial Vehicle (UAV) for Monitoring Soil Erosion in Morocco. Remote Sens. 4, 3390–3416.
Díaz-Varela, R.A., Ramil-Rego, P., Calvo-Iglesias, M.S., Diaz-Varela, R.A., Ramil-Rego, P., Calvo-Iglesias, A.S., 2007. Strategies of remote sensing monitoring of changes in NATURA 2000 sites: a practical assessment in coastal mountains of NW Iberian Peninsula, in: Ehlers, M., Michel, U. (Eds.), Remote Sensing for Environmental Monitoring, Gis Applications, and Geology Vii. p. 74932.
Diaz-Varela, R.A., Zarco-Tejada, P.J., Angileri, V., Loudjani, P., 2014. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle. J. Environ. Manage. 134, 117–126.
dOleire-Oltmanns, S., Eisank, C., Dragut, L., Blaschke, T., 2013. An Object-Based Workflow to Extract Landforms at Multiple Scales from Two Distinct Data Types. Geosci. Remote Sens. Lett. IEEE 10, 947–951.
Gonçalves, J., Henriques, R., Alves, P., Sousa-Silva, R., Monteiro, A.T., Lomba, Â., Marcos, B., Honrado, J., 2016. Evaluating an unmanned aerial vehicle-based approach for assessing habitat extent and condition in fine-scale early successional mountain mosaics. Appl. Veg. Sci. 19, 132–146.
Jones, G.P., Pearlstine, L.G., Percival, H.F., 2006. An Assessment of Small Unmanned Aerial Vehicles for Wildlife Research. Wildl. Soc. Bull. 34, 750–758.
Kachamba, D., Ørka, H., Gobakken, T., Eid, T., Mwase, W., 2016. Biomass Estimation Using 3D Data from Unmanned Aerial Vehicle Imagery in a Tropical Woodland. Remote Sens. 8, 968.
Laliberte, A.S., Goforth, M.A., Steele, C.M., Rango, A., 2011. Multispectral remote sensing from unmanned aircraft: Image processing workflows and applications for rangeland environments. Remote Sens. 3, 2529–2551.
Michez, A., Piégay, H., Lisein, J., Claessens, H., Lejeune, P., 2016. Classification of riparian forest species and health condition using multi-temporal and hyperspatial imagery from unmanned aerial system. Environ. Monit. Assess. 188, 146.
Mulero-Pázmány, M., Stolper, R., Van Essen, L.D., Negro, J.J., Sassen, T., 2014. Remotely piloted aircraft systems as a rhinoceros anti-poaching tool in Africa. PLoS One 9.
Reichardt, T.A., Collins, A.M., McBride, R.C., Behnke, C.A., Timlin, J.A., 2014. Spectroradiometric monitoring for open outdoor culturing of algae and cyanobacteria. Appl. Opt. 53, F31-45.
Shahbazi, M., Sohn, G., Théau, J., Menard, P., 2015. Development and Evaluation of a UAV-Photogrammetry System for Precise 3D Environmental Modeling. Sensors (Basel). 15, 27493–524.
Turner, D., Lucieer, A., Malenovský, Z., King, D., Robinson, S., 2014. Spatial Co-Registration of Ultra-High Resolution Visible, Multispectral and Thermal Images Acquired with a Micro-UAV over Antarctic Moss Beds. Remote Sens. 6, 4003–4024.
Zahawi, R.A., Dandois, J.P., Holl, K.D., Nadwodny, D., Reid, J.L., Ellis, E.C., 2015. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery. Biol. Conserv. 186.
Recursos en la Web:
Earth Lab 2020. Document Your Science Using R Markdown and R. https://www.earthdatascience.org/courses/earth-analytics/document-your-…. Acceso 05/05/2022.
Humboldt State University, 2014. GSP 216 Introduction to Remote Sensing. Accuracy Metrics. https://gsp.humboldt.edu/olm_2019/courses/GSP_216_Online/lesson6-2/metr…. Acceso 05/05/2022.
Prado Ortega, E. 2020. Empleo de los Modelos de Simulación de Reflectividad para la docencia de la Teledetección. Universidad de Alcalá. Departamento de Geografía. http://geogra.uah.es/rtm/. Acceso 05/05/2022.
Robert J. Hijmans, 2016-2020. Spatial Data Science with R. https://rspatial.org/raster/#. Acceso 05/05/2022.
The IDB Project, 2011-2020. Index DataBase. A database for remote sensing indices. https://www.indexdatabase.de/. Acceso 05/05/2022.
VV.AA. 2016. UAS 4 ENVIRO. Small Unmanned Aerial Systems for Environmental Research – 5th Edition. 28 – 30 June 2017. UTAD. Vila Real. PO, http://uas4enviro2017.utad.pt/index.html%3Fp=1.html. Acceso 05/05/2022.

Al concluir esta materia, los alumnos deben ser competentes en varios aspectos:
BÁSICAS Y GENERALES
CG5 - Que los estudiantes sean capaces de aplicar, en el ámbito de los sistemas aéreos no tripulados, los principios y metodologías de la investigación como son las búsquedas bibliográficas, la toma de datos y el análisis e interpretación de estos, así como la presentación de conclusiones, de forma clara, concisa y rigurosa.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
TRANSVERSALES
CT3 - Sostenibilidad y compromiso ambiental. Uso equitativo, responsable y eficiente de los recursos
CT4 - Desarrollo del espíritu innovador y emprendedor.
CT6 - Capacidad de trabajo en equipo.
CT7 - Capacidad de organización y planificación
CT8 - Capacidad de análisis y síntesis.
CT9 - Capacidad de razonamiento crítico y creatividad.
CT10 - Orientación a la calidad y a la mejora continua.
ESPECÍFICAS
CE2 - Conocimiento de los principios geomáticos, fotogramétricos y cartográficos, de navegación, aerotriangulación, interpretación y tratamiento digital de imágenes necesarios en la operación de sistemas aéreos no tripulados y sepan aplicar la normativa en vigor.
CE5 - Capacidad de aplicar datos de sistemas aéreos no tripulados para la obtención de información clave para la gestión de recursos naturales y agroforestales.

Al ser una materia con un fuerte componente práctico y procedimental, en las clases magistrales se expondrán al alumno la introducción -bases teóricas- que deba conocer para aplicar en las aplicaciones prácticas. Mediante estas metodologías se abordarán las siguientes competencias: CG5, CB6, CB7, CB9, CB10, CE2, CE5, CT4, CT7, CT8, CT9, CT10

Dentro de las actividades prácticas se incluye un viaje de campo de asistencia obligatoria (práctica de campo) para la toma de datos in situ. En caso de imposibilidad de realizar esta actividad se plantearán otras actividades alternativas. Mediante estas metodologías se abordarán las siguientes competencias: CB6, CB8, CE2, CE5, CT3, CT4, CT6, CT7, CT8, CT9, CT10

El trabajo autónomo profundizará en el manejo de las fuentes de datos, técnicas y procedimientos de análisis a través de la aplicación de TIC a casos de estudio y trabajos tutelados. Mediante estas metodologías se abordarán las siguientes competencias: CG5, CB6, CB7, CB8, CB10, CE2, CE5, CT3, CT4, CT7, CT8, CT9, CT10

Todas las actividades anteriores (sesiones expositivas, interactivas y tutorías) estarán apoyadas por el entorno virtual (aula virtual de la asignatura) que facilitará y permitirá la continuidad en todo el proceso de aprendizaje (guía, materiales, comunicaciones, entrega de trabajos, foros de debate, espacios de colaboración, etc.).

La asistencia a las sesiones presenciales podrá realizarse físicamente (EPSE) o mediante conexión síncrona a la plataforma Microsoft Teams de la asignatura.

La consecución de esas competencias se evaluará de forma continua durante todo el período lectivo. En la nota final se tendrá en cuenta:
- Prueba escrita (20 % de la nota final): CG5, CB6, CB7, CB9, CB10, CE2, CE5, CT4, CT7, CT8, CT9, CT10
- Entregas de trabajos/tareas encargadas y/o de los resultados de prácticas (70 % de la nota final): CG5, CB6, CB7, CB9, CB10, CE2, CE5, CT4, CT7, CT8, CT9, CT10
- Asistencia y participación en las actividades programadas incluyendo el viaje de prácticas (10 % de la nota final): CB6, CB8, CE2, CE5, CT3, CT4, CT6, CT7, CT8, CT9, CT10

Se superará la materia si se alcanza una calificación mínima de 5 sobre un máximo de 10 en el cómputo global. El sistema descrito de evaluación será el empleado tanto en la primera y segunda oportunidad.

En el caso de alumnos repetidores se seguirá el sistema de evaluación descrito para alumnos comunes, pudiendo convalidarse en su caso la asistencia al viaje de prácticas de haberse realizado el curso anterior.

Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación el recogido en la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones.

Los estudiantes que tengan concedida dispensa de asistencia a alguna de las actividades docentes programadas según lo dispuesto en la Instrucción 1/2017 de la Secretaría General, deben tener en cuenta que para aprobar esta materia es obligatoria la asistencia a las actividades prácticas, tanto de laboratorio como de campo, señaladas en el horario de clases y programadas en la Guía docente, así como a la prueba escrita.

La materia consta de 6 créditos ECTS (42 horas presenciales), con una carga total de trabajo autónomo del alumno de 108 horas. La distribución de horas para cada actividad se muestra a continuación.
Trabajo presencial
Clases expositivas teórico-prácticas: 12 horas
Clases interactivas (prácticas, estudio de casos, resolución de problemas, trabajos, tutorías, evaluación): 30 horas
TOTAL TRABAJO PRESENCIAL: 42 horas
TRABAJO PERSONAL
Lectura y preparación de temas, estudio de casos: 20 horas
Preparación y elaboración de prácticas y trabajos de curso: 82 horas
Evaluación: 3 h
Tutorías individuales 3 h
TOTAL TRABAJO PERSONAL: 108 horas
NUMERO TOTAL DE HORAS PARA SUPERAR LA MATERIA: 150 HORAS

- Asistir participativamente a las clases teóricas y prácticas
- Analizar la bibliografía facilitada