Determinación de deficiencias de nitrógeno y fósforo en papa utilizando el NDVI

INTRODUCCIÓN

Los sensores son instrumentos prácticos que tienen el potencial de caracterizar a los cultivos midiendo la reflectancia del canopeo. La utilización de los sensores remotos permite obtener información muy precisa sobre la dinámica espacio-temporal del nivel de N de los cultivos lo que es muy útil para la denominada agricultura de precisión (Solari et al 2008; Lemaire et al 2008; Darrin et al 2009). Varios trabajos en trigo demostraron que la utilización de los sensores permitieron predecir el rendimiento, estimar el requerimiento de N y lograr mejoras en la eficiencia de uso del N (Raun et al 2001; 2002 y 2004).

La investigación para detectar deficiencias de P utilizando métodos de reflectancia es muy limitada (Osborne et al., 2002). Milton et al (1991) en soja determinaron que las plantas con deficiencia de P tuvieron elevada reflectancia en las regiones verdes y amarillos del espectro electromagnético y no varió la región del rojo. Jacob y Lawlor (1991) sugirieron que la reflectancia en el infrarrojo podría predecir el estrés de P en etapas iniciales del ciclo del cultivo en maíz, trigo y girasol. Entre los sensores remotos el GreenSeeker es un sensor activo construido con diodos que emiten en el rojo (650 nm) y en el infrarrojo (770 nm). Otro sensor es el Crop Circle ACS- 210 que emite en la región naranja-amarillo (590 nm) y en el infrarrojo (880 nm). Ambos sensores calculan el índice de vegetación diferencial normalizado (NDVI) (Samborski et al 2009). Schepers (2008) determinó que cuando se cierra el canopeo, el NDVI-GS se satura y el NDVI-CC es más útil para determinar el estado nutricional nitrogenado. El trabajo tiene como objetivo: 1) comparar al NDVI obtenido del Green Seeker y Crop Circle en la estimación del estatus de N en papa y 2) evaluar al NDVI como estimador de la producción de biomasa aérea en papa bajo diferentes dosis de P.

MATERIALES Y MÉTODOS

Se realizaron dos ensayos de fertilización con N y uno con P durante la campaña agrícola 2010/11 en dos lotes de producción de papa, ubicados en Balcarce (37º45’S; 58º18’W ,130 msnm) provincia de Buenos Aires. El suelo en todos los casos fue Argiudol típico sin limitaciones en su capacidad de uso (USDA soil taxonomy classification 2008). La Tabla 1 muestra algunas características del suelo previo a la plantación y datos del manejo durante el ciclo del cultivo. Los ensayos de fertilización nitrogenada se realizaron en un diseño en bloques completos y aleatorizados con arreglo en parcela dividida. La parcela principal fue la dosis de N en plantación (0 y 50 kg ha-1) y la subparcela la dosis de N en tuberización (0, 50 y 100 kg ha-1). Por lo que, se evaluaron 6 tratamientos combinando dosis y momento de aplicación: 0-0, 0-50, 0-100, 50-0, 50-50 y 50-100 (el primer valor corresponde al N aplicado en plantación y el segundo en tuberización). En el lote 2 se realizó un ensayo de fertilización fosforada en un diseño en bloques completos y aleatorizados con cuatro tratamientos de P (0, 25, 50 y 100 kg ha-1). Se regó a partir del momento crítico (45-50 días después de plantación -DDP) para asegurar el suministro hídrico adecuado al cultivo. El control de enfermedades e insectos se realizó mediante aplicaciones de productos específicos y el control de malezas se llevó a cabo mediante métodos químicos y mecánicos.

Determinación de deficiencias de nitrógeno y fósforo en papa utilizando el NDVI - Image 1

En los ensayos de N se midió el NDVI con el sensor óptico GreenSeeker (NTech Industries, Inc., Ukiah, CA) (GS) y con el Crop Circle (Holland Scientific Lincoln, NE) (CC) y en el ensayo de P se midió el NDVI con el GS. Las fechas de muestreo fueron a los 32, 38, 47, 67, 84 y 104 DDP. En ambos ensayos se realizaron muestreos de planta, para ello se cosechó 1 m lineal de un surco de cada unidad experimental. Las fechas de muestreo de planta fueron a los 38, 67, 84 y 104 DDP. Cada muestra se la separó en parte aérea y tubérculos y se determinó la materia seca de cada fracción. Con la información de las muestras en peso fresco y seco se realizaron estimaciones de la producción de materia seca aérea (MSA). A la madurez fisiológica, se cosecharon en forma manual un metro de los dos surcos centrales de cada parcela y se realizaron estimaciones del rendimiento en peso fresco.

Los resultados obtenidos fueron analizados utilizando el programa Statical Análisis Systems (SAS) (SAS, Institute, 2001). Las medias de cada tratamiento fueron comparadas mediante la prueba de diferencias mínimas significativas (DMS) (p<0,1) cuando el ANOVA fue significativo. En ambos ensayos se relacionó el NDVI determinado con ambos sensores con la MSA. Se seleccionaron las fechas de muestreo del NDVI más próximos a las fechas de muestreo de la MSA.

RESULTADOS Y DISCUSIÓN

Nitrógeno

El NDVI varió a lo largo del ciclo del cultivo (Figura 1) en ambos lotes y con los dos sensores. Los valores del GS fueron mayores a los determinados con el CC; debido a las diferencias en el cálculo del índice para cada caso (Samborski et al 2009). Los resultados obtenidos sugieren que el NDVI-CC diferencia más los tratamientos que el NDVI-GS. Para ambos lotes, los resultados coincidieron con los establecidos por Schepers (2008), quien determinó que en las primeras etapas del ciclo, el NDVI logra valores mínimos y cuando el canopeo alcanza la total cobertura, los valores son máximos. La disminución en los valores de NDVI registrada a los 60 DDP en el lote 1 coincidió con un período de estrés hídrico. El NDVI, independientemente del sensor, varió por efecto de la dosis y momento de aplicación de N a partir de inicio de tuberización (60 DDP); siendo menor en los testigos y mayor en los tratamientos que recibieron 150 kg N ha-1. En la medida que los síntomas de deficiencia de N fueron más pronunciados, aumentó la reflectancia del canopeo en el espectro del visible y el NDVI fue menor (Freeman et al., 2007).

El NDVI, determinado con ambos sensores, se asoció con la producción de MSA y con el rendimiento de tubérculos a cosecha (Figura 2). Los resultados coinciden con los obtenidos en trigo (Melchori et al. 2005), maíz (Teal et al. 2006) y papa (Martin 2010).

Determinación de deficiencias de nitrógeno y fósforo en papa utilizando el NDVI - Image 2

Figura 1: Evolución del índice de vegetación diferencial normalizado (NDVI) para cada tratamiento, lote y sensor. DDP= Días después de la plantación. Las flechas indican el momento que fue realizada la fertilización en tuberización. GS: GreenSeeker; CC: Crop Circle.

Figura 2: Relación entre el índice de vegetación diferencial normalizado (NDVI) con la producción de materia seca aérea (MSA) y con el rendimiento. NDVI-GS: NDVI medido con el GreenSeeker; NDVI-CC: NDVI medido con el Crop Circle.

Fósforo

El NDVI aumentó gradualmente en las primeras etapas del ciclo, hasta alcanzar valores de 0,8 a los 47 DDP. Posteriormente, el NDVI se mantuvo constante en todos los tratamientos hasta el final del ciclo, excepto en el tratamiento sin P. El NDVI varió por efecto de la dosis de P sólo a los 104 DDP, determinándose que el NDVI fue significativamente menor en el testigo y mayor en aquellos tratamientos que recibieron la fertilización con P. Además, el NDVI aumentó exponencialmente con la producción de MSA y no se asoció con el rendimiento de tubérculos a cosecha (datos no presentados).

Figura 3: Evolución del índice de vegetación diferencial normalizado medido con el GreenSeeker (NDVI (GS)) a lo largo del ciclo del cultivo bajo diferentes dosis de P y relación entre el NDVI (GS) con la producción de materia seca aérea (MSA) (kg ha-1).

CONCLUSIÓN

Los resultados demostraron que ambos sensores tuvieron un comportamiento similar para caracterizar el status nitrogenado del cultivo de papa. Además, el NDVI detectó diferencias debidas a la dosis de P al final del ciclo y sólo se asoció con la MSA. Es necesario continuar los trabajos de investigación para confirmar la utilidad de los sensores como método de diagnóstico.

AGRADECIMIENTOS

Este trabajo fue financiado con fondos del proyecto de investigación de la Universidad Nacional de Mar del Plata Nº AGR 329/10 e INTA AERN 295561.

BIBLIOGRAFÍA

Darrin, FR; VI Adamchuk; JF Shanahan; RB Ferguson & JS Schepers. 2009. Optimization of Crop Canopy Sensor Placement for Measuring Nitrogen Status in Corn. Agron. J 101:140-149.
Freeman, KW; K Girma; DB Arnall; RW Mullen; KL Martin; RK Teal & WR Raun. 2007. By-plant prediction of corn forage biomass and nitrogen uptake at various growth stages using remote sensing and plant height. Agron. J 99:530–536.
Jacob, J & DW Lawlor. 1991. Stomatal and mesophyll limitations of photosynthesis in phosphate deficient sunflower, maize and wheat plants. J. Exp. Bot. 42:1003-1011.
Martin, C. 2010. Índice de vegetación diferencial normalizado como estimador del nivel de N en papa para industria. Ingeniera Agrónoma. Facultad de Ciencias Agrarias, Universidad Nacional de Mar del Plata. Balcarce, Argentina. 38 p.
Melchiori, R; O Caviglia; N Faccendini; A Bianchini & WR Raun. 2005. Evaluación de refertilización nitrogenada basada en un sensor óptico. Actas VII Congreso Nacional de Maiz. AIANBA-Maizar. Rosario, Santa Fe
Milton, NM; BA Eiswerth & CM Ager. 1991. Effect of phosphorus deficiency on spectral reflectance and morphology of soybean plants. Remote Sens. Environ. 36:121-127.
Osborne, SL; JS Schepers; DD Francis & MR Schlemmer. 2002. Detection of Phosphorus and Nitrogen Deficiencies in Corn Using Spectral Radiance Measurements. Agron. J. 94:1215-1221.
Raun, WR; JB Solie; GV Johnson; ML Stone; EV Lukina; WE Thomason & JS Schepers. 2001. In-season prediction of potential grain yield in winter wheat using canopy reflectance. Agronomy Journal 93:131–138.
Raun, WR; JB Solie; GV Johnson; ML Stone; RW Mullen; KW Freeman; WE Thomason; EV Lukina. 2002. Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application. Agronomy Journal 94:815-820.
Raun, WR; JB Solie; ML Stone; KW Freeman; KL Martin; R Teal; B Aenall; B Tubana; C Byungkyun; KB Morris; K Girma; S Moges & C Mack. 2004. Cómo aumentar la eficiencia de uso del nitrógeno del cereal utilizando un sensor basado en tecnología. Congreso Nacional de AAPRESID, Rosario, Santa Fe. Argentina
Samborski, SM; N Tremblay & E Fallon. 2009. Strategies to Make Use of Plant Sensors-Based Diagnostic Information for Nitrogen Recommendations. Agron. J. 101(4):800-816.
SAS Institute. 2001. The SAS system for Windows. Release version 6.12. SAS Inst., Cary, NC
Schepers, JS; & WR RAUN. 2008. Crop nitrogen requirement and fertilization. p. 563–612. In Nitrogen in agricultural systems. Agron. Monogr. 49. ASA, CSSA, and SSSA, Madison, WI.
Solari, F; J Shanahan; R Ferguson; JS Schepers & AA Gitelson. 2008. Active Sensor Refl ectance Measurements of Corn Nitrogen Status and Yield Potential. Agron. J. 100:571–579.
Teal, RK; B Tubana; K Girma; KW Freeman; DB Arnall; O Walsh & WR Raun. 2006. In-season prediction of corn grain yield potential using normalized diff erence vegetation index. Agron. J. 98:1488–1494.