Análisis del rendimiento en trigo mediante mapas de rendimiento y el NDVI en el suroeste bonaerense

Introducción

Desde fines de la década de los noventa las explotaciones agropecuarias argentinas han sufrido importantes cambios en sus sistemas productivos con la gradual implementación de la llamada agricultura de precisión (AP) y el manejo por sitio especifico (SE). La difusión de esta tecnología en Argentina comenzó con el lanzamiento del Proyecto de Agricultura de Precisión del INTA Manfredi en Córdoba (Bragachini et. al., 2006).

La aparición de sistemas de posicionamiento global (GPS) precisos y relativamente económicos, combinados con monitores de rendimiento, proveen la oportunidad de grabar y mapear instantáneamente los rendimientos de los cultivos durante la cosecha.
Conceptualmente los mapas de rendimiento (MR) constituyen una representación cualitativa y cuantitativa de la variabilidad espacial del rendimiento. Poseen formato vectorial, donde los datos se representan utilizando puntos o polígonos y un sistema de coordenadas x, y (cartesiano), donde cada punto de un mapa posee coordenadas y una cantidad de información asociada (flujo de cultivo, humedad, velocidad, productividad, rendimiento, ancho de labor etc).

Hilbert et. al., (2002) menciona que se han realizado escasas experiencias de la utilización de la AP en experimentos clásicos de investigación a campo en Argentina y comenta que la exactitud de los MR resulta muy importante en la implementación de estrategias efectivas y precisas de mapeo, en especial cuando se pretende su utilización en tareas de investigación en parcelas de campo.

Ensayos realizados por Hilbert et. al., (2002) en cultivo de trigo en la localidad de San Antonio de Areco, provincia de Buenos Aires, Argentina, se encontró altas correlaciones (r2= 91,6%, para un nivel de confianza del 99%) entre los valores obtenidos por parcela y datos suministrados por una cosechadora equipada con monitor de rendimiento y GPS.

Bragachini et. al., (2000) evaluando la precisión de un monitor de rendimiento en un ensayo de fertilización de trigo en INTA Manfredi (Córdoba) concluyeron que desde el punto de vista agronómico queda demostrado la utilidad del monitor de rendimiento para evaluar ensayos a campo georreferenciados, aun en parcelas de 357 m2, teniendo espacialmente ubicadas las mismas con anterioridad. Mencionan que existe buena precisión entre los MR y datos obtenidos con una cosechadora experimental de parcelas con diferencias medias del 10%.

En el Sudoeste Bonaerense (SOB) la adopción de la AP no ha sido cuantificada y sólo productores innovadores son los usuarios de la misma, de ahí el interés de conducir mayores estudios zonales para determinar la capacidades reales de adopción y dilucidar inconvenientes técnicos surgidos de la implementación de la AP. Aunque en zonas agroecológicas más propicias para el desarrollo del cultivo de trigo como Tandil (Bragachini et. al, 2007) y cebada en Tres Arroyos (Méndez et. al., 2010) han obtenido resultados promisorios en sus ensayos aplicando AP en ambos cultivos.

Kruger et. al., (2005) menciona que las condiciones edafo-climáticas en el (SOB) determinan que los sistemas de producción sean predominantemente mixtos y que los cereales de invierno sean la alternativa casi excluyente para gran parte de la agricultura regional. Tal vez por este motivo la AP no ha tenido mucha difusión en la región; además durante la secuencia de cultivos forrajeros, no es posible seguir recolectando datos de monitores de rendimiento. Para estas situaciones la utilización de imágenes satelitales sería una herramienta valiosa en suplir la falta de MR.

La utilización de sensores remotos en el SOB resulta interesante en la determinación del rendimiento en cultivos de invierno, algunos autores como Mulla y Schepers (1997) mencionan que es una tecnología atractiva, no invasiva y de bajo costo de aplicación a gran escala.

La teledetección en particular en el dominio óptico, brinda información espacial extensiva del estado real de los cultivos (Daughtry et. al., 1984). Específicamente los sensores electro-ópticos, son sensores pasivos que miden la energía electromagnética que proviene del sol que es reflejada o emitida por la superficie terrestre. Operan durante el día capturando la energía reflejada y durante la noche solo capturando radiación infrarroja térmica proveniente de la energía emitida por la tierra.

Las imágenes provenientes del sensor MODIS, montado en los satélites Terra/Aqua, poseen una interesante resolución temporal (compendio de 16 días), espacial (píxel de 250 m), espectral, además de gran cobertura de barrido de aproximadamente 2300 km (http://modis.gsfc.nasa.gov/).

Gonzáles et. al., (2008) cita que mediante algoritmos la NASA ha generado a partir de las imágenes MODIS distintos productos. Uno de ellos es el MOD 13 Q1 que esta compuesto por 12 bandas, de las cuales la 1 corresponde al NDVI.
Otros autores como Paruelo (2008) mencionan que varios índices espectrales han sido propuestos como estimadores de la presencia y condición de la vegetación (Baret and Guyot 1991; Ridao et. al., 1998; Fensholt et al. 2004), sin embargo el NDVI ha sido y es el más usado. El NDVI se calcula como:

en donde R e IR corresponden a la reflectancia en la porción roja e infrarroja del espectro respectivamente.

El NDVI ha mostrado tener una fuerte relación con la biomasa (Gerberman et. al., 1984; Ripple 1985; Sellers 1985), el IAF (Curran 1983; Asrar et. al., 1984; Baret et al. 1989) o la productividad primaria neta aérea (PPNA) (Prince 1991; Paruelo et al. 1997).
En el SOB Marini F. (2008) analizando la variación anual del NDVI para lotes representativos de “cultivos de invierno” (trigo) observó que a fines de abril los lotes se encontraban laboreados, lo que se tradujo en bajos índices. Durante las etapas de floración y espigazón (noviembre) se alcanzaron valores cercanos a 0,80. A fines de diciembre el NDVI desciende como consecuencia de la etapa de madurez fisiológica y la cosecha del cultivo. En marzo y abril del año siguiente, el suelo presentó residuos del cultivo o mostró altos índices. Esta última condición obedece generalmente a la incorporación de un cultivo forrajero de invierno (avena), con lo que puede hablarse de uso mixto agrícola-ganadero en tales lotes.
Farrell y Rivas (2008) concluyeron mediante su trabajo que el momento óptimo para estimar el rendimiento en girasol, a partir del producto MODIS TERRA Vegetation indices 16 day L16 day - L3 global -250 m SIN GRID V 005- es a inicios de floración y mitad de antesis.

A partir de la bibliografía discutida y la insuficiente información científica disponible en la región es importante evaluar las relaciones existentes entre los MR y las Imágenes NDVI para trigo en el SOB, con la intención de aportar datos experimentales iniciales que permitan investigaciones futuras aplicadas a la AP.

Objetivos

a) Realizar el filtrado de los datos provenientes de cosechadoras equipadas con GPS, monitor de rendimiento y obtener MR.
b) Determinar NDVI para fechas próximas a floración en trigo en el área experimental.
c) Analizar las relaciones entre los MR y las imágenes NDVI.
d) Separar ambientes productivos con datos provenientes de la campaña fina 2010.

Materiales y Métodos

El ensayo se realizó en un lote perteneciente al establecimiento agropecuario “La Reserva” (38º52’4.56”S, 61º4’18.14”O), ubicado en el partido de Coronel Dorrego. El cultivo utilizado en la rotación fue trigo pan (Triticum aestivum) bajo el sistema de Siembra Directa (SD) con una superficie total cosechada de 85,37 ha en la campaña 2010.

El clima es templado subhúmedo seco a subhúmedo húmedo con marcada influencia marítima Burgos y Vidal (1951). Precipitación media anual de 669 mm (serie 1893 - 2003), con incremento sostenido en los valores de precipitación media a partir de fines del década de los setenta (Paoloni et al. 2005). Temperatura media anual de 14,5º C, máximos en verano de 41,5 º C y mínimos de – 7º C en invierno, periodo de heladas entre fines de marzo hasta principios de noviembre.

Según USDA (1999) el suelo fue clasificado como Argiustol típico, fino, ubicado en lomas del paisaje ondulado, desarrollados en pendientes suaves, donde se observa manchones producidos por tosca aflorante o apenas subsuperficial. Poseen perfil desarrollado y una profundidad media de 107 cm con secuencia de horizontes A1-B2t-B3-C. Son suelos bien drenados, sin alcalinidad y salinidad. El espesor del A1 es de 27 cm y la textura franca con tenor de carbono orgánico de 2,14% (INTA 1989).

Durante la trilla de trigo 2010 se procedió a compilar los datos provenientes de una cosechadora CASE equipada con GPS y monitor de rendimiento, se descargaron los datos de rendimiento y realizó “el filtrado” mediante el software AFS versión 9,5 de CASE, excluyendo datos por el rendimiento biológico e interpolando mediante distancia inversa ponderada (distancia máxima 22,86 m y razón de la distancia 0,4), agrupando los mismos según puntos iguales, para la confección del MR del área experimental. Se generaron 5 rangos de rendimiento mediante software de sistemas de información geográfico (SIG) de a 0,50 ton/ha respectivamente.

Seguidamente se obtuvo el producto MOD 13 Q1 del sitio EOS DATA GATAWAY de NASA (Torres, 2010) vía ftp para la fecha 16/11/2010 seleccionándose la banda 1 (NDVI) por su proximidad con la floración de trigo, aproximadamente segunda quincena de noviembre en la zona de Coronel Dorrego.

Este producto se importó posteriormente a software de procesamiento de imágenes satelitales para cambio de extensión a *tiff, ya que originalmente tienen extensión *hdf asignándoles coordenadas geográficas y datum (WGS 84) exportándose a un SIG, para obtener los valores de NDVI. Donde se recortó la mencionada imagen para el área experimental y se obtuvo los valores de NDVI, utilizándose únicamente aquellos pixeles incluidos en el área cosechada. Posteriormente se realizó una regresión entre el MR y el NDVI provenientes de imágenes satelitales.

Resultados y Discusión

A partir de los datos analizados del monitor de rendimiento según la metodología descripta en materiales y métodos se generó el MR de la figura 1.

Análisis del rendimiento en trigo mediante mapas de rendimiento y el NDVI en el suroeste bonaerense - Image 2

Figura Nº 1: Rendimiento en el área experimental, datos filtrados y rangos cada 0,5 ton/ha.

En la figura 2 se pueden aprecian los valores NDVI de la fecha 16/11/2010 obtenidos de la imagen MOD 13 Q1 superpuestos al MR para el área de estudio.

Análisis del rendimiento en trigo mediante mapas de rendimiento y el NDVI en el suroeste bonaerense - Image 3

Figura Nº 2: Rendimiento en trigo y valores NDVI superpuestos el área experimental.

En la figura 3 se observan los resultados experimentales obtenidos luego de realizar la regresión entre el rendimiento en trigo y el NDVI con un R2= 0,84 y un nivel de confianza de 0,95 lo que indica una alta correlación entre las variables estudiadas. Se lograron identificar 5 áreas con rendimiento diferenciales (ton/ha): rojo (1,33-1,50), naranja (1,51-2,00), amarillo (2,01-2,50), verde claro (2,51-3,50) y verde oscuro (3,01-3,50) respectivamente (figura 1).

Los resultados preliminares obtenidos permitirían la utilización complementaria de imágenes MOD 13 Q1 (NDVI) y MR en el estudio de variables biológicas y edáficas en el partido de Coronel Dorrego, aunque habría que intensificar los esfuerzos en realizar estudios futuros que corroboren lo mencionado.

Sería interesante evaluar simultáneamente en el tiempo MR provenientes de cosechadoras e imágenes NDVI (MOD 13 Q1) con el objetivo de analizar la dinámica fenológica del cultivo de trigo y determinar la heterogeneidad ambiental en base a estos recursos disponibles, para realizar posteriormente manejo SE en agroecosistema zonales.

Análisis del rendimiento en trigo mediante mapas de rendimiento y el NDVI en el suroeste bonaerense - Image 4

Figura Nº 3: Regresión entre rendimiento en trigo y NDVI en el área experimental.

Conclusiones

Se lograron identificar cinco zonas con variaciones importantes del rendimiento de trigo en el área experimental a partir de los MR.
Se encontró una regresión significativa entre el MR y los valores de NDVI con un R2 elevado (0,84), de forma que en situaciones que no exista disponibilidad de MR podrían utilizarse los NDVI para suplantarlas.

Bibliografía

Asrar, G., Fuchus, M., Kanemasu, E.T., Hatfield, J.L. (1984). Estimation absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal 76: 300 – 306.
Baret, F; Guyot, G. (1991). Potentials and limits of vegetations indices for LAI and APAR assesment. Remote Sensing Environment. 35: 161 - 173.
Baret, F., Guyot, G., Major, D.J. (1989). Crop biomass evaluation using radiometric measurements. Photogrammetria 43: 241 – 256.
Bragachini, M., Méndez, A.; Proietti, F., Villarroel, D., Juan, N., Otermín, J., Woycik, H. (2007). Agricultura de Precisión hacia el manejo de la calidad de granos en el cultivo de trigo (Tandil, Provincia de Bs. As.). En: Trigo 2007. Boletín de Divulgación Técnica Nº1. Ediciones INTA. E.E.A. Manfredi, Córdoba, Argentina, pp 53-57.
Bragachini M., Méndez A., Saavedra A., Scaramuzza F., Proietti F. (2006). La Agricultura de Precisión en Argentina Presente y Futuro. 6º Curso de Agricultura de Precisión – Manfredi – Córdoba – 25 al 27 de julio de 2006.
Bragachini M., Von Martini A., Méndez A. (2000). Alcance y Precisión de los Monitores de Rendimiento: Comparación entre el monitor de rendimiento y una cosechadora de parcelas para evaluación de ensayos. Proyecto de Agricultura de Precisión, INTA Manfredi.
Burgos J., Vidal A. (1951). Los climas de la república Argentina según la nueva clasificación de Thornthwaite. Meteoros I (1): 3-32. Buenos Aires.
Currran, P.J. (1983). Multispectral remote sensing for the estimation of green leaf area index. Philosophical Transactions of the Royal Society of London. A 309: 257 – 270.
Daughtry, C.S.T., Gallo K.P., Biehl L.L., Kanemasu E.T., Asrar G., Blad B., Norman J.M., and
Farrell Mauricio y Raúl Rivas (2008). Relación entre índices de vegetación provenientes de imágenes MODIS y el rendimiento en girasol en el área centro de la Pampa, Argentina. XII Reunión Argentina de Agrometeorología, 8 al 10 de octubre de 2008. San Salvador de Jujuy – Argentina.
Fensholt, R., Sandholt, I., Rasmussen, M.S. (2004). Evaluation of MODIS LAI, fAPAR and the relation between FAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment 91: 490 – 507.
Gerberman, A.J., Cuellar, J.A., Gausman, H.W. (1984). Relationship of sorghum canopy variables to reflected infrared radiation for 2 wavelengths and 2 wavebands. Photogrammetric Engineering and Remote Sensing 50: 209 – 214.
González, Liliana, Paredes P., Rial Pablo (2008). Severidad de la sequía en Santa Cruz: evaluación a través de índices de vegetación de imágenes Modis. INTA, Laboratorio de Teledetección y SIG. EEA Santa Cruz. Convenio INTA – Provincia de Santa Cruz.
Hilbert J.A., Mousegne F., Ocampo M.D., Aucaná M.O., Puentes I. (2002). Aplicación del monitoreo de rendimiento en trabajos de investigación a campo. Instituto de Ingeniería Rural, INTA.
Kruger, H., Agamennoni, R., Ripoll, M. (2005). Siembra directa de trigo en el sur de la región Semiárida Pampeana, Boletín Técnico Nº 14, INTA EEA Hilario Ascasubi. Ed Unidad de Comunicaciones INTA Bahía Blanca, Argentina.
Marini F. M. (2008). El avance de la frontera agrícola en el área adyacente al sistema Sierras de la Ventana (Buenos Aires, Argentina). Investigaciones Geográficas, Nº 47, 2008, Instituto Universitario de Geografía, Universidad de Alicante. pp. 111-121, (ISSN: 0213-4691).
Méndez A., Villarroel D., Massigoge J., Juan N., Vélez J. (2010). Análisis del rendimiento y la calidad de la cebada cervecera en función de la profundidad de tosca en el perfil del suelo. IX Congreso Latinoamericano y del Caribe de Ingeniería Agrícola – CLIA 2010. XXXIX Congresso Brasileiro de Engenharia Agícola – CONBEA 2010, Vitória – ES, Brasil, 25 a 29 de Julho 2010.
Mulla, D.J., Schepers, J.S. (1997). Key process and properties for site-specific soli and crop management. En F.J. Pierce y E.J. Sadler (eds), State of Site Specific Management , ASA, CSSA y SSSA, Madison, WI.
Paoloni J.D., Gonzáles Uriarte M. (2005). Geoambiente y evaluación de las aguas freáticas del partido de Coronel Dorrego (Pcia. de Buenos Aires). EdiUNS, 9, 15, 42, 45. 46 pp.
Paruelo J.M. (2008) La caracterización funcional de ecosistemas mediante sensores remotos. Asociación Española de Ecología Terrestre. Ecosistemas 17 (3): 4 – 22.
Paruelo, J.M., Epstein, H.E., Lauenroth, W.K., Burke, I.C. (1997). ANPP estimates from NDVI for the Central Grassland Region of the US. Ecology 78: 953 – 958.
Prince, S.D. (1991). A model of regional primary production for use with coarse resolution satellite data. International Journal of Remote Sensing 12: 1313 – 1330.
Ripple, W.J. (1985). Asymptotic reflectance characteristics of grass vegetation. Photogrammetric Engineering and Remote Sensing 43: 1915 – 1921.
Ridao, E., Conde. J., Minués, I. (1998). Estimating fAPAR from nine vegetation indices for irrigated and nonirrigated faba bean and semileafless pea canopies. Remote Sensing of Environment 66: 87 - 100.
Sellers, P.J. (1985).Canopy reflectance, photosynthesis, and transpiration. International Journal of Remote Sensing 6: 1335 – 1372.
Torres Vanesa (2010). Monitoreo de la condición de la vegetación en Santa Cruz y Tierra del Fuego, a través de índices de imágenes Modis. INTA, Laboratorio de Teledetección y SIG, EEA Santa Cruz.
INTA (1989). Mapa de suelos de la Provincia de Buenos Aires. Instituto de Suelos – INTA, Buenos Aires, 525 p.
USDA. (1999). Soil Taxonomy, Second Edition. A basic system of soil classification for making and interpretation soil surveys. Natural Resources Conservation Service, Agriculture Handbook Nº 436, Washington, EE.UU.

Agradecimientos

Se agradece la colaboración desinteresada del Ing. Agr. José Ignacio Irastorza quien proveyó los datos del monitor de rendimiento del establecimiento agropecuario.