curso anual de percepción remota para viticultura remot… · la percepción remota es la captura...

Curso anual de Percepción Remota para Viticultura

La Cumbre – CórdobaAgosto 2012

Guía de la presentación IIng. Agrs. Sean Towers y Pedro Towers

Percepción Remota e Índices de VegetaciónConceptos Básicos

Introducción

La percepción remota es la captura u obtención de energía electromagnética a la distancia. La energía electromagnética abarca un amplio rango de ondas que se caracterizan por su longitud o frecuencia, y la parte visible de ésta es solo una pequeña porción con respecto al todo (Figura 1).

La percepción remota no se limita a capturar esta porción visible del espectro, si no que suma la adquisición en longitudes de onda que son visibles para el humano, y de todas permite extracción de información.

La vida ha evolucionado para aprovechar mayormente las frecuencias que el sol emite con más potencia, es decir, alrededor del espectro visible. No solo la visión es sensible a este, sino que también los pigmentos vegetales se estimulan con ese rango de energía, aunque longitudes de onda menos abundantes también interactúan con rasgos del ambiente y pueden, por lo tanto, utilizarse como fuente de información.

Sensores

Hay 2 tipos de sensores remotos, los activos y los pasivos.

Los sensores activos emiten con su propia fuente de luz, y capturan el rebote de la misma. El radar es un sensor activo que ilumina con longitudes de onda largos.

AgriSat SA / Belgrano 308 – (5178) La Cumbre, Córdoba, Argentina+54 3548 451 721 / 452 938 – www.agrisat-sa.com.ar

Figura 1: Espectro electromagnético. A la izquierda, las longitudes de onda.

Cuando se utiliza para topografía, el radar define el relieve tomando el tiempo que el pulso de luz emitido tarda en regresar. Existen versiones que utilizan microondas y permiten el mapeo del agua en suelo, ya que éste tipo de onda es absorbida por el agua y su atenuación es indicación de su contenido en el blanco observado (Figura 2, izquierda).

Figura 2: Mapas topográficos de sensores activos. Izq.: Mapa Radar de la Cordillera y Tupungato, Mendoza. La escala muestra la elevación en metros sobre el nivel del

mar. Der.: Modelos de superficie de canopia vegetal y terreno subyacente obtenidos en un vuelo con Lidar.


El Lidar es otro tipo de sensor activo que dispara pulsos láser (unos 30 mil por segundo) y es capaz de captar hasta 4 rebotes de cada pulso. Este sensor se utiliza para hacer mapas topográficos de muy alta resolución, del orden de diez datos por metro cuadrado, con precisiones excelentes. La capacidad de separar rebotes del mismo pulso permite armar un modelo de elevación del terreno y otro de la superficie de la vegetación (Figura 2, derecha). Los sensores pasivos son aquellos que utilizan como fuente de luz al sol. Éstos sensores, como los activos, pueden ir montados en plataformas aéreas (aviones, helicópteros) o satelitales (Figura 3). Un tipo de sensor pasivo son las cámaras ópticas multiespectrales, que capturan bandas (rangos definidos del espectro) como imágenes separadas.

Figura 3: Plataformas de sensores remotos. Satélite a punto ser puesto en órbita (izq.) y avión en despegue con cámara multiespectral en el tren de aterrizaje (der).

Imagen digital: Raster y píxel

Un píxel es la unidad mínima que posee información en una imagen: es el elemento básico. Un raster es un ordenamiento de pixeles en columnas y filas que constituyen la imagen digital. En la Figura 4, por ejemplo, el píxel 1 1 025 se encuentra en la columna 1 y fila 1 de la imagen, y tiene un valor de brillo de 025.


Figura 4: Imagen (raster). Cada píxel tiene un dato de posición (fila y columna) y un

valor de brillo. Normalmente se despliegan en escalas de grises.

Resolución espacial .

El tamaño que un píxel representa sobre el terreno se denomina su resolución espacial. Se denota con el largo de un lado, es decir que un píxel con resolución espacial de 30 metros representa una superficie de 30 metros por 30 metros en el terreno. Por lo tanto, a menor superficie representada en el terreno por los pixeles de una imagen, mayor la resolución espacial de ésta, mayor su nivel de detalle y su capacidad de discriminar rasgos (Figura 5).


Píxel

Columna

Fila

1 1 025 1 2 030 1 3 035 1 4 050 1 5 075 1 6 110 2 1 040 2 2 055 2 3 095 2 4 110 2 5 090 3 1 180 etc.

Píxel

Columna

Fila

PíxelPíxel

ColumnaColumna

FilaFila

1 1 025 1 2 030 1 3 035 1 4 050 1 5 075 1 6 110 2 1 040 2 2 055 2 3 095 2 4 110 2 5 090 3 1 180 etc.

Figura 5: Simulación de detalle visible en una laguna con resoluciones espaciales crecientes de izquierda a derecha.

Resolución Radiométrica

El rango completo de brillo que un sensor capta, entre la ausencia completa de luz (negro) y el brillo máximo (blanco) se divide en una cantidad de valores que depende de la sensibilidad del sensor. Esta capacidad de discriminar entre valores de brillo se denomina la resolución radiométrica de un sensor. Comúnmente se divide en 256 valores (8 bits).

Resolución Espectral

La resolución espectral de un sensor indica cuantas y que bandas es capaz de capturar, es decir la capacidad que tiene de discriminar porciones distintas del espectro. Para fines agrícolas, los sensores satelitales y aerotransportados suelen capturar luz en las bandas B (luz azul); G (luz verde); R (luz roja); y NIR (luz infrarroja). Algunas cámaras multiespectrales aérea pueden modificar las bandas (pero no su cantidad) que perciben. A su vez, algunos sensores satelitales adquieren además bandas en el Borde Rojo (RE), el infrarrojo de onda corta (SWIR), o en bandas térmicas (TIR).

Resolución temporal

La resolución temporal es una medida de la frecuencia con la que un satélite es capaz de obtener imágenes de una determinada área. La revisita, por otra parte, es el tiempo que tarda el satélite en recorrer la misma órbita.

Existen una gran variedad de fuentes de datos de diversas resoluciones (Figuras 6 y 7).


Figura 6: Imágenes satelitales con distintas resolución espaciales, temporales, y espectrales. Arriba de Izq. a Der.: GOES, Landsat, IKONOS. Abajo: Imagen GeoEye

color real (izq.) y combinación de bandas infrarrojas (der.)

Figura 7: Fotografía aérea digital de alta resolución en color real. Autopista Buenos Aires-Rosario.

En lo que concierne al agro, la importancia de la percepción remota no radica en la capacidad de distinguir características de la superficie mediante fotointerpretación, sino que a partir de éstas imágenes se puede extraer valiosa información aplicable a la agricultura (Figura 8).


Figura 8: Índice de vegetación

normalizado de un círculo de riego con ensayos de maíz en franjas. Las diferencias de coloración denotan diferencias de crecimiento.

Imágenes satelitales e imágenes aéreas

Como muestra la figura 9, el NDVI extraído de una imagen satelital o aérea pueden ser muy similares. En este caso en particular se puede observar mayor vigor (azul) en la imagen aérea, pero se debe a que ésta se capturó unas 2 semanas mas tarde que la imagen satelital durante pleno crecimiento vegetativo del cultivo. A pesar de esto, los patrones de vigor se mantienen en ambas imágenes.

Figura 9: NDVI coloreado de la misma finca: a partir de una imagen satelital (izq.) y de un mosaico aéreo multiespectral (der.)


La principal diferencia entre una imagen satelital y una aérea radica en la oportunidad de obtención de cada una. La Tabla 1 muestra que las características de un sensor remoto satelital y uno aéreo pueden ser similares, con excepción de la

resolución temporal. Si se requiere de información para una determinada fecha futura (por ejemplo en envero), los proveedores de imágenes satelitales pueden tardar hasta 60 días en obtenerla, ya sea por su resolución temporal o por la presencia de nubes que cubran la zona de interés al momento de la captura. En los casos de demora semejante, o aún mucho menor, será muy tarde para cualquier tipo de decisión de manejo que surgiera de la imagen para cuando esta se encuentre disponible. Por otro lado, las imágenes satelitales deben pagarse por adelantado consintiendo en recibirla con un mínimo de cobertura por nubes. Es decir que si las nubes se encuentran sobre una finca de interés, la escena debe aceptarse y se ha pagado sin que sirva. Por último, la entrega de datos suele demorarse unas dos semanas más posteriores a la captura, y a partir de ese momento se cuenta con los datos crudos: falta todo el procesamiento para la extracción de información.

La única limitante para la obtención de la imagen aérea en una determinada fecha es la nubosidad parcial, ya que se puede obtener una imagen con cielo totalmente cubierto o completamente despejado. Con frecuencia, las nubosidades parciales evolucionan en uno u otro extremo en poco tiempo, resultando posible volar con solo esperar las condiciones aptas en algún momento del día. Los datos crudos se obtienen en pocas horas después del vuelo, y la información procesada suele estar lista unas dos semanas después del vuelo para misiones de muchas fincas.

Tabla 1: Cuadro comparativo de resoluciones en sensores sobre plataformas aéreas y satelitales


Aérea MS Satélite MS

Resolución Espacial 0.25 - 1.50 m 0.50 - 1000 m

Resolución radiométrica 8 bits 8-16 bits

Resolución Espectral B-G-R-NIR B-G-R-(RE -NIR-SWIR)

Resolución Temporal adaptable 3-42 días

Un error común es creer que obtener una imagen satelital es de menor costo que una imagen aérea. Esto deriva de comparar cotizaciones por Km2. En rigor, al encargar imágenes satelitales, es condición la compra de un mínimo de km2, situación que encarece la compra: a modo de ejemplo, el área mínima en imágenes de archivo puede ser del orden de 50 Km2, vale decir 50 o 100 veces más de lo necesario para clientes promedio.

Iluminación solar

Cuando se adquiere una imagen con un sensor ubicado en un satélite, la luz que éste captura ha pasado a través de la atmósfera 2 veces. Esto afecta la cantidad de luz percibida por el sensor, ya que la luz interactúa con la atmósfera por reflexión, dispersión, transmisión, y absorción. Como muestra la Figura 10, no es la misma cantidad de luz la que llega al nivel del mar con respecto a la que alcanza el tope de la atmósfera desde el sol. También se puede observar que hay ciertas longitudes de onda que interactúan más con la atmósfera que otras, representadas por los valles de la curva continua. La Figura 11 muestra las bandas azul y roja de una misma imagen satelital. La razón por la cual la banda azul tiene más bruma es debido al mayor contenido de partículas en suspensión atmosférica cuyo tamaño se acerca a la longitud de onda del azul, lo cual genera su dispersión. Por ésta misma razón se utiliza la banda roja para generar índices de vegetación, ya que no sufre tanta dispersión como la banda azul. Teniendo en cuenta este factor, se hace evidente que en la fotografía aérea no se da tanto este fenómeno de dispersión ya que la luz solo atraviesa la atmósfera una vez, más la altura de vuelo de la aeronave.

Resulta importante destacar que hay longitudes de onda en las que la luz se ve muy afectada por la composición química de sustancias atmosféricas que pueden cambiar con el tiempo. Los sensores de observación de la tierra deben evitar capturar en esos rangos para no mostrar diferencias que se deben a cambios en el terreno.


Figura 10: Gráfico de las curvas de irradiación solar fuera de la atmósfera (línea punteada) y la irradiación solar a nivel del mar (línea continua).

De todas las condiciones que provocan atenuación atmosférica, la nubosidad es ineludible con sensores ópticos (Figura 12). Las partículas de agua son de un tamaño que solo resultan transparentes con longitudes de onda propias de radar.

Figura 11: Interacción de la luz con la atmósfera. Izq.: Banda azul de una imagen con bruma. Der.: Banda roja de la misma imagen, sin bruma.


Irradiación solar a nivel del mar. Los valles muestran absorción de luz por el H

2O, CO

2 y

O3 a longitudes de onda específicas.

Curva de irradiación solar fuera de la atmósfera.

Figura 12: Imagen con cobertura de

nubes, Landsat Banda 4, infrarrojo. El tamaño de la partícula de agua es

demasiado grande para que resulte transparente aún con las longitudes de

onda largas.

El espectro de reflectancia y la firma espectral

La reflectancia es la proporción de la radiación incidente reflejada por una superficie.

La firma espectral es una curva característica, única y constante, de cada elemento o superficie, dada la reflectancia en cada parte del espectro.

La firma espectral detallada de cualquier cobertura puede tomarse con un espectrómetro, como muestra la Figura 13, donde se está midiendo la reflectividad de una canopia de vid y la luz solar directa incidente.

Figura 14: Izq.: Medición de la firma espectral de la canopia con espectrómetro. Der.: Medición de la luz incidente.


En la Figura 15 se pueden observar 4 firmas espectrales distintas. En el caso del agua se observa que prácticamente no refleja la luz visible, salvo muy poco en este caso en la banda verde, por la presencia de algas en el momento en que se tomo la medición en la represa escogida, pero claramente no refleja nada en la banda infrarroja. En el caso del suelo se observa que la reflectancia de las ondas aumenta en sentido proporcional a la longitud de la misma.

Figura 15: Gráfico de firmas espectrales de agua, suelo, canopia con conducción en espaldero, y en parral

La vegetación viva verde refleja poco en la parte visible del espectro si bien la luz verde lo hace levemente más que la roja y la azul. En infrarrojo la reflectancia aumenta drásticamente. La diferencia entre la reflectividad en el infrarrojo de un sistema de conducción en espaldero y en parral no se debe al vigor de las plantas, sino a la cantidad de capas de hoja que reflejan luz. Desde la vertical, el espaldero posee más capas de hojas con respecto al parral, y es por esta razón que refleja más en la banda del infrarrojo.

Lo citado enfatiza el hecho que la reflectancia captada con sensores remotos integra la respuesta de todo un cultivo, y no de la sumatoria de respuestas de hojas individuales (Figura 16). Como se observa en la Figura 16, la luz incidente puede ser absorbida, reflejada o transmitida, y la respuesta integrada dependerá de la cantidad de capas de hojas de la canopia.


Figura 16: Interacción de la luz incidente con una canopia.

Imágenes Multiespectrales

Una imagen multiespectral esta formada por imágenes individuales, cada una de una banda particular. Individualmente, estas pueden visualizarse en escalas de grises pero al combinarse, a cada una se le puede asignar una escala de brillo en uno de los tres colores primarios (azul, verde, o rojo) y así ver la imagen en color. Si a cada banda se le asigna el color que le corresponde (a la banda capturada de luz azul, el azul, etc.) la combinación resultante sería RGB (Red-Green-Blue), y la imagen se vería con el color real, como lo ve el ojo.

Figura 17: Bandas individuales y su

combinación. Arriba, de izq. a der.: bandas de rojo, verde y azul en escala de grises,

de la misma imagen. Abajo a la izq.:

Combinación de bandas en RGB, color verdadero. Abajo a la der.: Combinación de bandas en GBR, color

falso.


hoja 1

hoja 2

Reflectancia realR 1 + T 3 +

…

Energía Incident

e

T 1

R 1

T 2

R 2 R 3

T 3

Pero es posible asignar cualquier color a cualquier banda, de modo que si la combinación fuese GBR, la imagen se vería en colores falsos, porque la luz verde se visualizaría como roja, la azul como verde, y la roja como azul (Figura 17). De esta manera, una imagen multiespectral permite combinar sus bandas para resaltar rasgos de interés. Por ejemplo, como el ojo humano no puede ver la banda infrarroja, se puede combinar las bandas de tal manera para que ésta se pueda ver, por ejemplo, en rojo.

Cámara multiespectral equipada con IMU

Los mapeos multiespectrales aéreos hoy se realizan con cámaras que poseen un sistema llamado IMU (Inertial Measurment Unit). Esta unidad mide con gran precisión los ángulos de actitud del avión (cabeceo, rolido, y guiñado) al momento del disparo de una escena, con lo que se corrigen las deformaciones por perspectiva de las imágenes capturadas en vuelo. Asociado a un GPS que determina las coordenadas del centro de la escena y al conocimiento de las deformaciones propias de los lentes y otros parámetros propios de la cámara y del vuelo, las escenas pueden convertirse en imágenes georreferenciadas (con coordenadas ciertas para cada punto) llevadas a un plano. Un mosaico realizado con estas imágenes se convierte así en un mapa, y no se ven las zonas de unión.

Índices de Vegetación

Como ya se ha mencionado previamente, la vegetación refleja muy poco en la parte visible del espectro, a excepción de la banda verde que es posee un leve pico de reflectancia. Ésta característica de la vegetación en la porción visible del espectro depende de la presencia de pigmentos, principalmente clorofila. Por otro lado, como se observa en la Figura 18, el infrarrojo es reflejado intensamente por una canopia. Esto se explica por la estructura celular de las hojas, ya que las células del mesófilo esponjoso poseen una fina capa de agua sobre la pared celular, permitiendo que la célula se comporte como una pequeña esfera de vidrio. La intensidad del reflejo en el infrarrojo depende, entonces, de la cantidad de hojas presentes. A mayor cantidad de hojas, mayor reflejo (Figura 15). Así, a mayor cantidad de clorofila más absorción de luz visible (menor reflectancia); y cuantas más hojas tenga un cultivo, mayor será su reflectancia en el infrarrojo). Más hojas con más clorofila implican una productividad creciente, de modo que esta generará un aumento de la diferencia en la reflectancia entre esas bandas. A partir de ésta diferencia se generan los índices de vegetación.


Figura 18: Firma espectral de una canopia y factores que afectan la reflectancia.

El fenómeno resulta claro en la Figura 19, donde parcelas de trigo fueron dañadas con una moto-guadaña a fin de simular daño por granizo con distintas intensidades. Se observan las diferencias en la curva de reflectancia levantadas de parcelas sin daño (V0%) a parcelas con las tres cuartas partes de la canopia destruida (V75%).

Figura 19: Curvas de reflectancia de trigo

con 4 niveles de daño simulado de

granizo. Los números indican el porcentaje de hoja

dañada.


0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.4

0

0.4

7

0.5

3

0.5

9

0.6

4

0.7

1

0.7

8

0.9

9

1.1

5

1.3

0

1.4

5

1.6

2

1.8

7

2.1

7

longitud de onda (micrones)

refl

ecta

ncia

Visible Infrarrojo reflejado

Infrarrojo Cercano

Infrarrojo de onda corta

Pigmentos de la hoja

Estructura celular de la hoja

Contenido de agua

Absorción por clorofila

Absorción por agua

Factor determinante de la reflectancia de la hoja

Principales bandas de absorción

Región del espectro

Extracción del Índice de Vegetación Normalizado NDVI El NDVI (normalized difference vegetation index) es el índice (hay muchos) que en una amplia variedad de situaciones y cultivos mejor representa el vigor de una canopia. Su cálculo se basa el la diferencia de la reflectancia de la banda infrarroja con la de la banda roja. Esta diferencia, como se explicara arriba, se relaciona estrechamente con el vigor del cultivo. La diferencia obtenida se divide por la suma de las bandas a fin de forzar el rango de valores posibles al rango -1 a 1 (la “normalización”), lo que además ayuda a compensar posibles artefactos por diferencias de iluminación.

Así, el cálculo se realiza para cada píxel con la expresión NDVI = (NIR-R)/(NIR+R)

Infrarrojo (NIR) Rojo (R) NDVI

Figura 19: Viñedo capturado con luz infrarroja (izq.), con luz roja (centro) y NDVI (der.) En el NDVI, las partes negras sin vegetación son caminos o suelo desnudo, y

las que poseen mas brillo son vegetación.

El NDVI puede colorearse para reasaltar diferencias de manera simple. En la Figura 20 se puede ver las diferencias de biomasa de distintos cultivos de secano y bajo riego.

Figura 20: NDVI coloreado. Las diferencias evidentes entre círculos de

riego responden principalmente a distintas fechas de siembra y cultivos

diferentes.


Una enorme cantidad de investigación ha establecido de manera irrefutable que los índices de vegetación se relacionan de manera estrecha con parámetros de importancia agronómica (Figura 21).

Figura 21: Gráficos que muestran la relación de índices de vegetación con parámetros de importancia agronómica en ensayos sobre cultivos distintos.

Variabilidad espacial del vigor de un cultivo

El advenimiento de los mapas de rendimiento a principios de la década del ’90 ilustró la universalidad de la variabilidad del rendimiento en los cultivos principales, y demostró que dicha variabilidad era de una magnitud significativamente más importante de lo que se creía o apreciaba por visualmente en lotes cultivados, aún aquellos aparentemente uniformes.

El hecho fomentó la noción de adaptar las técnicas de manejo y la distribución de recursos de manera variable con el fin de optimizar la producción según las características propias de cada sitio, es decir, lo que hoy se denomina agricultura sitio-específica.

No todos los cultivos disponen de maquinaria donde la cosecha, u otros parámetros, puedan medirse con facilidad. Es por este motivo que se pensó, y eventualmente se desarrolla, toda la aplicación de los sensores remotos con este fin.


Distribución de NDVI en un lote o cuartel: Criterios de Clasificación

La variabilidad de vigor en viñedos, al igual que otros cultivos, queda claramente demostrada empleando mapas de NDVI (Figura 22). Sin embargo, una visualización de una variación que suele ser continua no resulta de aplicación práctica. En la actualidad, se busca dividir cada unidad de manejo en sectores discretos que puedan tratarse como uniformes para su manejo.

Figura 22: NDVI coloreado de una finca entera. Resulta evidente la variabilidad dentro de cuarteles que tienen un manejo uniforme.

Los valores de NDVI de un cuartel o lote se pueden distribuir de distinta manera, ya sea con distribuciones uni- o multimodales. Presumiblemente, las distribuciones multimodales denotan cuadros donde hay condiciones de crecimiento abruptamente distintas, y aquellas con distribuciones unimodales (frecuentemente normales) indican aquellos lotes donde las condiciones de crecimiento varían gradualmente. La delimitación de zonas en uno u otro caso presenta la necesidad de escoger un sistema de clasificación que resulte útil en todo caso, y que asegure que, de encontrarse zonas que en terreno son efectivamente diferentes, estas sean identificadas y delimitadas con fronteras precisas.

El problema que esto conlleva es determinar el procedimiento de clasificación para poder decidir donde existe un cambio de vigor. En el caso de una distribución normal, donde no hay cambios netos, se puede clasificar en cuantiles y determinar clases, cada una de las cuales posee la misma cantidad de puntos (Figura 23). Si se desean más clases, cada una de éstas seguirá teniendo la misma cantidad de puntos que el resto pero los bordes de las clases se mantendrían. La única diferencia es que habría más diferenciación dentro de las clases previas (figura 23).


Figura 23: Distribución de frecuencias de NDVI de un cuadro individual. Abajo las clasificaciones resultantes de dividir los datos en dos, tres, y cuatro cuantiles.

Si la distribución del NDVI es multimodal (Figura 24) y se quiere dividir en 2 o mas clases, la división en cuantiles presenta problemas de interpretación porque las fronteras entre clases no necesariamente coincidirán con los valles de la curva.

Figura 24: Arriba izq.: Distribución multimodal de NDVI en un cuadro.Abajo, de izq. a der.: Aumento de clases en la clasificación por cuantiles

De lo señalado surge que la clasificación por cuantiles no asegura que se identifiquen sobre el terreno cambios abruptos cuando estos existan.

Una alternativa es generar clases con rangos fijos de NDVI. Se toma el valor máximo y mínimo del NDVI y se divide en cuantas clases se desee. Cada clase contiene un rango igual de valores de NDVI (Figura 25). Este sistema es útil si el NDVI se


encuentra calibrado año a año, pero puede haber clases ausentes o, en lotes muy uniformes, puede aparecer una superficie importante de un solo color lo cual debilita la posibilidad de identificar la variabilidad relativa dentro del cuadro.

Figura 25: Clasificación de NDVI en rangos fijos de 0,05 unidades.

La clasificación en rangos fijos es útil para estudiar la evolución de un cuadro pero tampoco identifica fronteras naturales si estas están en el terreno.

Tal vez la mejor estrategia es realizar una de las llamadas “clasificación no supervisada”, que son procedimientos matemáticos que agrupan puntos en base a algún criterio de similitud. La empleada por AgriSat SA, y validada a campo con viticultores de experiencia, consiste dentro de una clase a puntos con valores similares de modo que se asegure que la varianza dentro de clases sea la mínima posible, y la diferencia entre clases sea la mayor (Figura 26). Este procedimiento detecta las fronteras efectivas y, en los casos que no existan, entrega una clasificación semejante a la realizada por cuantiles.

Figura 26: Clasificación no supervisada de NDVI

en tres clases. Cada color representa un

grupo de puntos que tienen la menor varianza entre ellos y la máxima

diferencia de medias entre clases.


curso anual de percepción remota para viticultura remot… · la percepción remota es la captura...

Documents