TELEDETECCIÓN, GPS Y GIS - agrometeorologia.criba.edu.aragrometeorologia.criba.edu.ar/Downloads/WEB-RALDA2010/AREA TE… · XIII Reunión Argentina y VI Latinoamericana de Agrometeorología,

TELEDETECCIÓN, GPS Y GIS

XIII Reunión Argentina y VI Latinoamericana de Agrometeorología, 20 al 22 de octubre de 2010. Bahía Blanca - Argentina

ANALYSIS OF THE NDVI TEMPORAL DYNAMICS IN SEMI-ARID ECOSYSTEMS: BRAZILIAN CAATINGA AND AFRICAN SAHEL

Barbosa, H.A.1; Lakshmi Kumar, T. V.2 1Instituto de Ciências Atmosféricas, Universidade Federal de Alagoas, Campus A. C. Simões, Maceió, Brasil. 2SRM University City Campus, Chennai, India.

E-mail: [email protected]

Key words: Vegetation, AVHRR, drought

INTRODUCTION In earlier studies (Barbosa 1998; Nicholson and

Farrar, 1994) mostly held in the atmospheric dynamics context have incorporated long time series of Normalized Difference Vegetation Index (NDVI) data taken by the National Oceanic and Atmospheric Administration (NOAA) Advanced Very High Resolution Radiometer (AVHRR) to monitor the dynamics of the temporal structures of vegetation responses to climatic fluctuations across the Northeastern Brazil and the West African Sahel’s landscapes. These investigations have found clear and positive linear relationships between NDVI and rainfall thanks to different analyses across the semi-arid tropical ecosystems where rainfall is below an absolute amount of rainfall of 50-100 mm/month. In this research we have the objective to investigate the NDVI responses to rainfall oscillations at seasonal scale over the last two decades of the 20th century. DATA AND METHODOLOGY

Temporal analyses performed in this research were based on the monthly NDVI imagery from the Goddard Distributed Active Archive Center (GDAAC) for the 1982 to 2000 period. The NDVI images were originally in the Goode’s Interrupted Homolosine projection, and they were geo-referenced to a geographical coordinate system (latitude and longitude). The 20-year series of monthly NDVI data for Brazilian semi-arid and West African Sahel regions were extracted from NDVI images with a resolution spatial of 7.6 km.

Aiming to characterize the seasonal variability of land cover types in Caatinga and Savanna Biomes to the understanding of their responses to the seasonal rainfall variability, we verified how available GDAAC NDVI are able to capture the climatic variability, and how it could be used in ecological studies, at the local level. Based on the vegetation map published by the Brazilian Institute for Geography and Statistics (IBGE, 1993) and by author’s local knowledge, as a basis, four homogeneous vegetation sites covering semi-arid Caatinga in Northeastern Brazil were selected from vegetation classes, and located by ground meteorological stations (sites): site#1-caatinga arbórea aberta (open arboreous shrubbery) (4031’S; 40012’W), site#2-caatinga arbustiva densa (dense shrubbery) (4037’S; 4207’W), site #3-caatinga arbórea densa (dense arboreous shrubbery) (8037’S;

4207’W), and site #4-caatinga arbustiva aberta (open shrubbery) (9025’S; 4107’W). For the semi-arid Sahelian region, four vegetation classes were conducted over the UNESCO map produced by White (1983). Representatives from the following land cover types dominated in this classification: site#1-woodland (10055’N; 14019’W), site#2-woodland (110026’S; 7025’W), site#3-woodland (11004’N; 7042’E), and site#4-wooded grassland (11004’N; 39047’E) (Fig. 1). The 20-year integrated series of monthly NDVI data were extracted by averaging the NDVI values for a window of 3 by 3 pixel arrays at selected locations within each land cover type in order to characterize the seasonal variability in land cover type for each series. RESULTS AND DISCUSSION

Seasonal variations in the NDVI of Cattinga and Savanna vegetation types are illustrated in Figure 1. For each location, the average monthly values of NDVI were extracted from 1982 to 2000 (20-years) at a 519.84 km2 (averaged area of nine pixels) for each site. The average monthly values of rainfall for the specific location within each land cover type are representative over the 30-year climatology period of 1961 to 1990. Both NDVI and rainfall series for the four caatinga types show a clear unimodal seasonal cycle. While the differences in magnitude of the NDVI are different over each site, the NDVI series show that phenological behavior varies slightly from north (site#1) to south (site#4). The annual total rainfall gradually varies from site#4 (549.10 mm) to site#3 (657.2 mm), to site#1 (839.13 mm) to site#2 (1046.12 mm). At these four sites, the beginning of the vegetation season is mostly driven by rainfall, while mean maximum temperature is quite constant during year and around 310C. Moreover, the NDVI related to dry and rain seasons are very pronounced, with a minimum of 0.21 ± 0.02 over site#4 in August to October and maximum of 0.68 ± 0.02 over site#2 in April to June. On average, NDVI and rainfall have a similar pattern (both increase and both decrease together) with a lagged response due to the differences between the onset of the rainy season occurring in October or November, and the vegetation growth in November or December. Contemporaneously, from May to October there is a downward trend in NDVI values for all four Caatinga types, with the lagged response of the vegetation to rainfall being two months. While the upward trend in NDVI values is certainly due in part to stored soil moisture during the rainy season, the

142


downward trend is likely to be more closely related to the different soil types and their physical properties.

For the West African Sahel, the seasonal pattern of NDVI for all four vegetation types closely responds to the seasonal cycle of rainfall as illustrated in Figure 1, with a peak in rainfall followed by a peak in NDVI. The majority of NDVI and rainfall series in these figures are dominated by an indistinct unimodal pattern, except for site#4 that shows two peaks. These two NDVI peaks capture the effects of two seasonal monsoons that are related to the north-south movement of the ITCZ. The first peak occurs in early May, when the ITCZ is at its southernmost extent. The second peak occurs when the ITCZ is at its northernmost extent in early October, and is also higher than the first peak. These seasonal variations in rainfall time series represent both meteorological and geographical factors resulting a bimodal greenness pattern in the NDVI time series. The unimodal cycle of the other three selected sites show a similar phonological behavior (peaking in October), but they exhibit differences in amplitude of the NDVI time series among them.

The figures for the Caatinga and Savanna Biomes discussed above underline the relationships between surface greenness and rainfall (varying from r2=+0.1 to r2=+0.6, n=360 (rain), n=240 (NDVI), P<0.05) and lend support to the time lag between the rainfall and NDVI. The time response of the rate green up due to the rainy season (rainfall) in NDVI profile is longer for semi-arid Sertão caatinga types than Sahelian vegetation types. This is likely because the semi-arid Brazilian is dominated by deeper-rooted arboreal formations. The lagged response of vegetative activity of these deeper-rooted caatinga types to absorb the stored soil moisture is longer than the Sahelian vegetation types, which are dominated by wooded and bushed grassland (herbaceous). In

contrast, the time duration of the rate of senescence in the NDVI profile, which is due to the dry season (rainfall deficit), is shorter for Sahelian vegetation type than caatinga types. This might indicate that the caatinga types, which are very drought resistant, have an additional water supply besides rainfall. CONCLUSION

The Caatinga and Savanna vegetation covers are likely the most sensitive to changes in climate. They support the conclusion that monitoring the dynamics of their vegetation, in the sense of a regional indicator for climatic and/or anthropogenic changes, might constitute a key element in desertification research. ACKNOWLEDGMENTS This work was developed within the Laboratory of Image Processing (LAPIS) at UFAL. (http://www.lapismet.com/)

REFERENCES Barbosa, H.A., 1998. Spatial and temporal analysis of

vegetation index derived from AVHRR-NOAA and rainfall over Northeastern Brazil during 1982-1985. Master degree dissertation in Remote Sensing [in Portuguese]. Divisão de Sensoriamento Remoto, Instituto Nacional de Pesquisas Espacias, São José dos Campos-SP, Brazil.

IBGE, 1993. The vegetation map of Brazil. IBGE, Rio de Janeiro.

Nicholson, S. E and Farrar, T.J., 1994. The influence of soil type and the relationships between NDVI, rainfall and soil moisture in semiarid Botswana. Remote Sensing. Environment. v.50, p.107-120.

White, M. A., Thornton, O. E., and Running, S. W., 1997. A continental phenology model for monitoring vegetation responses to interannual climate variability. Global Biogeochem. Cycles, 11, 217-234.

ND

VI -

Caa

tinga

0.2

0.3

0.4

0.5

0.6

050100150200250

0.3

0.4

0.5

0.6

0.7

050100150200250

0.2

0.3

0.4

0.5

0.6

020406080100120140

0.2

0.3

0.4

0.5R

ain

- Caa

tinga

020406080100120

MonthF A J A O D

ND

VI -

Sah

el

0.3

0.4

0.5

0.6

0100200300400500

MonthF A J A O D

0.2

0.3

0.4

0.5

050100150200250

MonthF A J A O D

0.1

0.2

0.3

0.4

050100150200250

MonthF A J A O D

0.3

0.4

0.5

0.6

Rai

n - S

ahel

0

50

100

150

200

site#1 site#2 site#3 site#4

site#1 site#2 site#3 site#4

FIGURA 1. Time series of monthly composites of NDVI (thin solid line) and rainfall (thick solid line). The monthly composites of NDVI relative to the 20-year GDAAC data period from 1982 to 2000. The mean monthly rainfall values relative to the 30-year climatological period of 1961-1990.

143


COMPARAÇÃO ENTRE DADOS DE PRECIPITAÇAO PLUVIAL OBSERVADOS EM ESTAÇÕES METEOROLÓGICAS E ESTIMADOS PELO SATÉLITE TRMM

PARA A REGIÃO CAFEEIRA DA MOGIANA, SÃO PAULO, BRASIL

Bardin, L1, de Camargo, M.B.P.2,4; Blain, G.C.2; da Silva, D.F.3 1 , 3Bolsista FAPESP, Pós-Graduação, Instituto Agronômico (IAC/APTA/SAA), CP 28, 13012-970. São Paulo, Brasil. 2Instituto Agronômico (IAC/APTA/SAA), CP 28, 13012-970. São Paulo, Brasil. 4Bolsista CNPq.


Palabras clave: chuva, estimativa, qualidade café

INTRODUÇÃO

A precipitação pluvial é um elemento com grande variabilidade espacial e de importância fundamental no estudo da agrometeorologia. As estações meteorológicas fornecem registros pontuais, freqüentemente sujeitos à falhas ou inexistência de dados, que limitam o uso dessa informação. A baixa densidade de pluviômetros tem sido o fator determinante nas incertezas dos resultados de diversos estudos aplicados no país, e com isto, estimativas de precipitação por sensoriamento remoto podem se constituir numa ferramenta extremamente útil (Collischonn et al., 2007). De acordo com Pscheidt et al. (2008) o uso conjunto das estimativas de chuva e dados observados pelas estações meteorológicas torna-se cada vez mais necessário a fim de melhorar a rede de obtenção das informações de chuva. Em novembro de 1997 foi lançado o satélite TRMM (Tropical Rainfall Measuring Mission) e desde então diversos trabalhos foram desenvolvidos visando validar ou comparar as estimativas de chuva por satélite em diferentes regiões: Collischonn et al. (2007) na Bacia do Paraguai Superior; Pscheidt et al. (2008) para o Estado do Paraná; Leivas et al. (2009) para Manaus. Neste contexto, a estimativa da precipitação pluvial utilizando satélites como o TRMM podem contribuir na aquisição de dados em regiões onde estes são escassos.

O interesse em utilizar os dados estimados pelo satélite TRMM, surgiu devido à deficiência de dados de precipitação pluvial em regiões produtoras de cafés de qualidade no Estado de São Paulo, como é o caso da região da Alta Mogiana. A chuva é um elemento de fundamental importância em estudos envolvendo qualidade de café, devido aos problemas causados para a qualidade se houver chuva na época da maturação. Neste contexto, visando a geração de um banco de dados de chuva consistente, para posterior utilização em estudos de qualidade de café, foi desenvolvido este trabalho, que buscou validar o uso das estimavas de chuva decendial por satélite. MATERIAL E MÉTODOS

A região da Alta Mogiana está localizada entre as latitudes 19°57’ e 21°50’ Sul e as longitudes 47°02’ e 48°30’ Oeste, sendo a principal região

produtora de cafés de qualidade no Estado de São Paulo, Brasil. Neste trabalho foram utilizados dados provenientes de quatro estações meteorológicas (Franca, Cristais Paulista, São Simão e Ribeirão Preto), pertencentes ao Centro Integrado de Informações Agrometeorológicas (CIIAGRO/IAC). O período utilizado foi de dez anos (1998 a 2008).

Os dados estimados de chuva foram obtidos do produto 3B42 do satélite TRMM (Fonte: http://trmm.gsfc.nasa.gov). Os dados já foram adquiridos tabulados e acumulados em decêndios, ou seja, para cada ano há um total de 36 decêndios. Para os dados das estações meteorológicas foram calculadas as médias das quatro estações. Já os dados do TRMM geraram uma grade, onde são representados 56 pontos, uma vez que a resolução espacial do satélite é de 0,25°, como pode ser observado na figura 1. Com os dados tabulados foram calculados os valores médios entre os 56 pontos do TRMM, para os 36 decêndios, no período de 1998 a 2008. Posteriormente esses valores médios, juntamente com os valores médios das estações meteorológicas foram comparados. RESULTADOS E DISCUSSÃO

Com os dados obtidos por meio do satélite TRMM e das estações meteorológicas foram calculadas as precipitações decendiais médias sobre a região da Alta Mogiana – SP, no período de 1998 a 2008. Visando a comparação entre as médias, na figura 2 foram apresentados os valores obtidos para o ano de 2003. Pode-se observar que a estimativa do satélite TRMM está muito próxima dos valores obtidos a partir das estações meteorológicas. Além disso, o satélite conseguiu captar de maneira satisfatória a não-ocorrência de chuva, como observados nos decêndios 17, 18 e 19.

Nos demais decêndios, em que há ocorrência de chuvas, os valores foram semelhantes. Em alguns decêndios, como o 35 e 36 os valores do satélite superestimaram os das estações e em outros, como os decêndios 3 e 5, os dados foram subestimados. Entretanto de modo geral a diferença entre períodos com ou sem chuva foram bem representados. Na tabela 1 são apresentados os valores dos coeficientes de determinação (R²) e do índice de concordância (d) para cada ano utilizado. Os valores de R² indicaram boa correlação, variando entre 0,67 (2001) e 0,90

144


0

50

100

150

200

250

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Prec

ipita

ção

méd

ia

dece

ndia

l (m

m)

Decêndios

TRMM Estações meteorológicas

(2003). Os valores de “d” foram também elevados permanecendo todos acima de 0,90, sendo que para os anos de 2003, 2004 e 2006 os valores foram iguais a 0,97. Os resultados mostraram que apesar da possibilidade de ocorrência de erros, as estimativas de precipitação fornecidas pelo satélite TRMM foram consistentes e possuem grande potencial para estudos visando o conhecimento de índices pluviométricos em regiões de fundamental importância na produção de cafés de qualidade. Tabela 1. Coeficiente de determinação (R²) e índice de concordância (d) das estimativas de precipitação pluviométrica decendial, para os anos de 1998 a 2008.

Ano R² d 1998 0,76 0,93 1999 0,70 0,91 2000 0,86 0,96 2001 0,67 0,90 2002 0,85 0,96 2003 0,90 0,97 2004 0,88 0,97 2005 0,83 0,95 2006 0,89 0,97 2007 0,80 0,94 2008 0,76 0,93

CONCLUSÕES Os resultados preliminares obtidos

indicaram que as estimativas de precipitação pluvial fornecidas pelo satélite TRMM conseguem reproduzir com consistência os totais decendiais de chuvas na região da Alta Mogiana, SP. As variações de épocas com e sem a ocorrência de chuvas foram bem representadas, sendo assim uma alternativa eficiente na aquisição de dados de precipitação pluvial em locais onde há escassez de dados. REFERÊNCIAS Collishonn, B.; Allasia, D.; Collishonn, W; Tucci, C. E.

M. Desempenho do satélite TRMM na estimativa de precipitação sobre a bacia do Paraguai Superior. Revista Brasileira de Cartografia, 59 (1):93-99, 2007.

Pscheidt, I; Beneti, C.A.A.; Calvetti L. Validação de estimativas de chuva por satélite para o Estado do Paraná. In: XV Congresso Brasileiro de Meteorologia, 2008, São Paulo, SP, v. 1. P 1-4.

Leivas, J.F.; Ribeiro, G.G.; Souza, M.B.; Rocha Filho, J. Analise comparativa entre os dados de precipitação estimados via satélite TRMM e dados observados de superfície em Manaus. In: XIV Simpósio Brasileiro de Sensoriamento Remoto, 2009, Natal, RN, v. 1. P 1611-1616.

Figura 1. Localização dos pontos dos dados estimados pelo satélite TRMM e dados das estações meteorológicas, para a região da Alta Mogiana – SP. Figura 2. Comparação entre a precipitação decendial estimada pelo satélite TRMM e dados das estações meteorológicas, para a região da Alta Mogiana - SP, no ano de 2003.

145


ATLAS CLIMÁTICO DIGITAL DE LA REPÚBLICA ARGENTINA Bianchi, A.R1; Cravero, S.A.C2

1 Ex INTA EEA Salta, División Recursos Naturales 2 Facultad de Ciencias Naturales. Universidad Nacional de Salta. Bolivia 5150, Salta, CP 4400, Argentina. E-mail: [email protected]

Palabras clave: mapas digitales, atlas, Argentina

INTRODUCCIÓN Las nuevas herramientas informáticas referidas al

procesamiento de imágenes satelitales por teledetección y el análisis de distintas capas de información cartográfica por medio de los Sistemas de Información Geográfica (SIG), unidos a técnicas estadísticas como la regresión múltiple y la interpolación (geoestadística), hacen factible la disminución del error humano en la generación digital de mapas. Sin embargo, sigue siendo necesario disponer del conocimiento experto para poder evaluar la cartografía obtenida (Ninyerola et al. 2005).

El Atlas Climático Digital de la República Argentina comprende una colección de mapas obtenidos mediante la combinación de herramientas tales como Sistemas de Información Geográfica (SIG), métodos estadísticos, técnicas de interpolación espacial y análisis de imágenes satelitales.

Los mapas del Atlas representan la distribución espacial de elementos climáticos tales como temperatura media mensual y anual, precipitación anual, evapotranspiración potencial mensual y anual, balance hídrico anual e índice de De Martonne, para todo el país.

Este Atlas tiene como principal finalidad, la de ofrecer herramientas para un manejo más adecuado del territorio, de manera de poder colaborar en la determinación de las posibilidades del uso sustentable del ambiente, en la forma más certera posible, tanto desde el punto de vista ecológico como social.

MATERIALES Y MÉTODOS

Para la generación de los mapas digitales que componen el Atlas se utilizó como metodología la combinación de herramientas tales como Sistemas de Información Geográfica (SIG), métodos estadísticos, técnicas de interpolación espacial y análisis de imágenes satelitales.

El mapa en formato raster (continuo) contenido en el Atlas Digital como mapa de Precipitación anual, se generó por interpolación partiendo de un mapa de isohietas realizado para la República Argentina (Bianchi, 2009), usando las herramientas Spatial Analyst Tools; Interpolation, Topo to raster de ArcMap.

Para realizar la cartografía digital de las temperaturas medias mensuales que se incluye en el Atlas, se adaptó para todo el país el modelo

estadístico INTASAL-TEMP, desarrollado en su oportunidad para la región Noroeste de Argentina (Bianchi et al. 1994). Éste es un modelo estadístico de regresión lineal múltiple que considera a la altitud, latitud y lluvia del año como los factores climáticos más importantes en la distribución geográfica de las temperaturas medias mensuales. En el ajuste del modelo, en todos los casos el R2 ajustado supera a 0,92 mientras que, los errores cuadráticos medios son del orden del grado centígrado.

Utilizando el módulo MODELER del programa ERDAS Imagine 9.1 se generaron mapas continuos de temperatura media del aire para cada mes y sector en que se dividió la Argentina (Bianchi y Cravero 2009). Luego, mediante técnicas SIG se unificaron los dos sectores de manera de obtener los mapas para todo el país.

La cartografía básica utilizada para generar el modelo corresponde a los tres factores citados. En la figura 1 se muestra el diseño del modelo que relaciona las capas de información para generar nueva cartografía.

Figura 1. Módulo del programa ERDAS que permite generar en forma visual un modelo que relacione distintas capas de información para generar nueva cartografía, por ejemplo de temperatura media mensual.

Para la variable altitud se utilizó un Modelo

Digital de Elevaciones (DEM) obtenido por la misión de la Agencia Espacial de Estados Unidos (NASA) con un píxel de 90 m. Para la latitud se generó, también con pixeles de 90 m, un mapa continuo utilizando la función “data generation, MAPY” del módulo MODELER de ERDAS y, partiendo del mapa de isohietas generado para todo el país, se procedió a transformar por interpolación entre las isolíneas, el mapa de superficie continua de lluvia anual. En este caso, debido a limitantes del

146


ordenador utilizado el trabajo se realizó determinando pixeles de 600 m de lado.

Al disponer de mapas continuos de temperatura media mensual para Argentina se pudieron obtener por procesos digitales, las cartas de evapotranspiración potencial para cada mes del año, utilizando el método de Thornthwaite para su cálculo y el módulo MODELER de ERDAS.

A través del mismo módulo del programa ERDAS se generó el modelo para realizar la resta píxel a píxel de los mapas digitales de precipitación y evapotranspiración anual (P-EP), obteniéndose un nuevo mapa en el que se visualiza las áreas con exceso y aquellas con déficit hídrico.

Finalmente, con la misma técnica, se obtuvo el mapa incluido en el Atlas, con un modelo generado para el índice de aridez propuesto en 1926 por De Martonne (Almorox, 2009) cuya fórmula (1) es:

Ia = P / (T + 10) (1) en donde: Ia = Índice de aridez de De Martonne P = precipitación T = temperatura del aire RESULTADOS Y DISCUSIÓN

La metodología utilizada permitió generar mapas en una escala geográfica de trabajo de 1:500.000 y conformar un Atlas climático digital para la Argentina.

La cartografía contenida en el Atlas representa la distribución espacial de elementos climáticos tales como temperatura media mensual y anual, precipitación anual, evapotranspiración potencial mensual y anual, balance hídrico anual e índice de De Martonne, para todo el país.

Una característica importante del Atlas digital es su interactividad. La figura 2 muestra un ejemplo de ello.

Figura 2. Visualización en entorno SIG de los valores correspondientes a los pixeles del mapa digital de temperatura media del mes de Enero correspondiente a la localidad de Rivadavia (provincia de Salta).

La cartografía continua (en formato raster) le permite al usuario recorrer el mapa con el mouse y visualizar los distintos valores de la variable considerada en cada celda (o píxel).

En el mapa incluido en el Atlas, producto del balance hídrico directo (P-EP) anual se destacan las zonas áridas de Argentina ubicadas al norte sobre el relieve andino (Puna y Andes Áridos), las zonas desérticas entre la cordillera y las sierras pampeanas (bolsones Campo del Arenal, de Pipanaco, valle de Fiambalá y las llamadas travesías entre las Sierras de Córdoba y la Cordillera en San Juan y Mendoza); y más al sur la árida meseta patagónica. Así también, quedan demarcadas la Pampa húmeda y semiárida, y las distintas zonas del Chaco según la disponibilidad hídrica: húmedo, subhúmedo, semiárido y seco.

CONCLUSIONES

El módulo MODELER del ERDAS demostró ser una herramienta potente que permite generar mapas climáticos relacionando distintas capas de información.

Una característica importante de la cartografía continua (en formato raster) es que cada celda (píxel) tiene un valor de la variable considerada y es posible recorrer el mapa con el mouse y visualizar los distintos valores. Se pueden utilizar los mapas obtenidos en este formato para el cálculo de otros parámetros climáticos, o bien hacerlos intervenir como “capa climática” en procesos de análisis de las posibilidades de uso del territorio con finalidad de lograr un ordenamiento territorial lo más despojado de subjetividades posible. REFERENCIAS Almorox, J. 2009. Climatología aplicada al Medio

Ambiente y Agricultura. (http://ocw.upm.es/ingenieria-agroforestal/climatologia-aplicada-a-la-ingenieria-y-medioambiente/contenidos/indicesclimaticos/indicessimples.pdf1) Consultado el 9 de junio de 2010.

Bianchi, A. R., I. J. Nieva y C. E. Yañez. 1994. Un modelo simple de regresión lineal para la estimación de temperaturas medias mensuales regionales. RIA 25 (3): 35-54, INTA, Argentina.

Bianchi, A. R. y S. A. C. Cravero. 2009. Modelo de regresión lineal para la estimación de temperatura media mensual del aire en Argentina. Actas de las V Jornadas de Ciencia y Tecnología de Facultades de Ingeniería del NOA, Universidad Nacional de Salta.

Bianchi, A.R. 2009. Mapa de isohietas de la República Argentina, Inédito.

Ninyerola, M., Pons, X. y J.M Roure. 2005. Atlas climático digital de la Península Ibérica. Metodología y aplicaciones en bioclimatología y geobotánica. Universidad Autónoma de Barcelona.

147

XIII Reunión Argentina y VI Latinoamericana de Agrometeorología, 20 al 22 de octubre de 2010. Bahía Blanca – Argentina.

MODELO DE REGRESIÓN PARA ESTIMAR PRODUCCIÓN DE MATERIA SECA EN SOJA A PARTIR DE DATOS SATELITALES

Bocco, M.; Ovando, G.; Sayago, S.; Willington, E.; González, V.

Facultad de Ciencias Agropecuarias, UNCórdoba. CC 509, 5000 Córdoba. E-mail: [email protected]

Palabras clave: materia seca – imágenes satelitales – soja – regresión INTRODUCCIÓN

La soja (Glycine max (L.) Merill) es el cultivo más importante en Argentina, por la superficie sembrada y los réditos económicos que genera. En la campaña 2008/09 la superficie implantada a nivel nacional alcanzó a 18.032.800 ha (Ministerio de Agricultura, Ganadería y Pesca, 2010). En Córdoba, la superficie sembrada en esa campaña alcanzó las 5.197.000 ha (Ministerio de Agricultura, Ganadería y Pesca, 2010); lo que representa el 29% de la superficie nacional.

Para predecir el rendimiento y/o los residuos del cultivo es importante monitorear la materia seca (MS) de su parte aérea. La identificación de predictores de materia seca en soja permite determinar anticipadamente los rendimientos y analizar los factores ambientales que limitan la producción del cultivo (Board y Modali, 2005).

La medición precisa de la cantidad y configuración de los cultivos es complicada y requiere mucho tiempo debido a la variabilidad espacial inherente a los mismos (Bocco et al., 2009; Medina García et al., 2009). Por otra parte, como afirman Launay y Guerif (2005), el uso de modelos de cultivos en grandes áreas se ve obstaculizado por la falta de información espacial suficiente, en tiempo real; la teledetección, que brinda información extensiva durante la temporada de crecimiento, permite subsanar este inconveniente.

Desde los años 80 se han desarrollado, con propósitos de monitoreo y predicción, relaciones empíricas entre datos provenientes de la teledetección y estimaciones de producción del cultivo (Zhang et al., 2005).

Las propiedades radiométricas y geométricas del MODerate resolution Imaging Spectroradiometer (MODIS) constituyen una base significativamente mejorada para el monitoreo de la vegetación y el pronóstico de rendimientos a partir de datos provenientes de la teledetección; también brindan varios productos con una corrección atmosférica y limpieza de nubes y altas resoluciones espaciales y temporales.

Diversos índices desarrollados a partir de datos de sensores remotos, en particular el Normalized Difference Vegetation Index (NDVI), se utilizaron para el monitoreo de la vegetación y para la previsión y evaluación de rendimientos de cultivos (Prasad et al., 2006).

Relaciones, lineales y no lineales, entre NDVI y MS fueron presentadas para trigo por Aparicio et

al. (2002) y para mijo por Buerkert et al. (1995), respectivamente.

El objetivo de este trabajo fue construir un modelo para estimar la producción de materia seca en soja a partir de valores de NDVI, provenientes del sensor MODIS. MATERIALES y MÉTODOS

El estudio se realizó en el área central de la provincia de Córdoba, Argentina. Se efectuaron 40 registros de peso seco de la parte aérea para 10 lotes con soja cuya superficie superasen las 50 ha. En cada lote se obtuvo el peso seco del cultivo, promediando cuatro muestras de un cuarto de metro cuadrado cada una. Las muestras fueron secadas en estufa, con ventilación forzada y a una temperatura de 40ºC hasta peso constante. Se realizaron en total siete viajes espaciados dentro del período del cultivo (12/nov/2008 y 30/mar/2009).

Se empleó el producto MYD13Q1 (proveniente del sensor MODIS, a bordo del satélite AQUA), con una resolución espacial de 250m y que integra un período de 16 días combinados para crear una única imagen libre de nubes, con mínimos efectos atmosféricos y menor ángulo sol-superficie-sensor; para imágenes adquiridas entre el 09/nov/2008 y 30/mar/2009. Se utilizaron las capas de NDVI y la que indica el día juliano adoptado por el procedimiento de composición,

Para obtener el NDVI en el día en que se recolectó la muestra a campo se interpolaron linealmente, para cada lote, los valores de NDVI correspondientes a las imágenes previa y posterior a cada fecha de muestreo. En este procedimiento se utilizó el día juliano de la composición para cada píxel.

La materia seca del cultivo se estimó a partir del NDVI con un modelo de tipo potencial (empleando una regresión no lineal) mediante el software InfoStat/P (Di Rienzo et al. 2009), el cual permitió obtener los estadísticos de ajuste que confirman la validez del modelo. RESULTADOS y DISCUSIÓN

La relación entre los valores de MS y NDVI refleja un comportamiento no lineal (Figura 1). En esta figura se observan dos puntos (distinguidos con el símbolo º) que presentan valores singulares, los mismos corresponden al último viaje realizado, para los lotes 1 y 4, donde el cultivo comenzaba a entregarse y consecuentemente su NDVI fue menor que en etapas anteriores, mientras que la MS presentó los valores más elevados.

148

XIII Reunión Argentina y VI Latinoamericana de Agrometeorología, 20 al 22 de octubre de 2010. Bahía Blanca – Argentina.

0

200

400

600

800

1000

1200

0 0.2 0.4 0.6 0.8 1

NDVI

MS (g/m2)

Figura 1: Relación entre Materia Seca (MS) e índice NDVI para soja en todo el ciclo de cultivo.

El modelo potencial que permite estimar la materia seca para soja, en todo el ciclo de cultivo, a partir del NDVI está dado por:

3,98NDVI 799,96MS = (1) Esta ecuación se obtuvo de la recta de regresión

lineal resultante de aplicar logaritmo natural a cada una de las variables (Figura 2).

Figura 2. Relación lineal entre los logaritmos naturales

de MS y NDVI para soja en todo el ciclo de cultivo, con intervalos de confianza al 95%.

Los valores estadísticos para el modelo ajustado

presentaron un valor de R2 = 0,91, con coeficientes de regresión significativos (p<0,0001, para ambos coeficientes). El análisis de la varianza confirmó la relación lineal entre el logaritmo de ambas variables (p<0,0001) y que el modelo propuesto no presentó falta de ajuste (Lack of fit: p=0,1135).

Buerkert et al. (1995) también obtuvieron para mijo una relación potencial con valores de R2 entre 0,86 y 0,89, para datos de materia seca a los 30 y 40 días después de la siembra, respectivamente.

Por otra parte, Aparicio et al. (2002) en trigo, con relaciones lineales, encontraron valores de R2 entre 0,39 y 0,84 para etapas desde vaina engrosada hasta grano lechoso.

CONCLUSIONES El modelo potencial presentado, con base en el

NDVI proveniente de sensores de resolución moderada, resultó un buen estimador de la producción de materia seca para soja.

Como continuidad de este trabajo y a los efectos de mejorar el modelo, se propone extender la recolección de materia seca en años contrastantes, incrementar los ambientes de muestreo y hacer más repeticiones dentro de cada lote. REFERENCIAS Aparicio, N, Villegas, D., Araus, J., Casadesús, J. y

Royo, C. 2002. Relationship between Growth Traits and Spectral Vegetation Indices in Durum Wheat. Crop Sci. 42: 1547-1555.

Board, J. y Modali, H. 2005. Dry Matter Accumulation Predictors for Optimal Yield in Soybean. Crop Sci. 45:1790-1799.

Bocco M., Heredia, S.; Ovando, G., Sayago, S. y Willington, E. 2009. Estimación de Cobertura Vegetal con Redes Neuronales a partir de Imágenes de distintos satélites. Avances en Ingeniería Rural 2007-2009. UNR Editora. Universidad Nacional de Rosario. 1:609-615.

Buerkert, A., Lawrence, P., Williams, J. y Marschner, H. 1995. Non-destructive measurements of biomass in millet, cowpea, groundnut, weeds and grass swards using reflectance, and their application for growth analysis. Expl. Agric. 31: 1–11.

Di Rienzo, J., Casanoves, F., Balzarini, M., Gonzalez, L., Tablada, M. y Robledo, C. InfoStat versión 2009. Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argentina.

Launay M. y Guerif M. (2005). Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications. Agriculture, Ecosystems and Environment. 111(1-4): 321-339.

Medina García, G., Gutiérrez Luna, R., Echavarría Chairez, F., Amador Ramírez, M. y Ruiz Corral, J. 2009. Estimación de la producción de forraje con imágenes de satélite en los pastizales de Zacatecas. Téc. Pecu. Méx. 47(2):135-144.

Ministerio de Agricultura, Ganadería y Pesca. 2010. Sistema integrado de información agropecuaria. Disponible en: http://190.220.136.179/index.php/ series-por-tema/agricultura.

Prasad, A. Chai, L., Singh, R. y Kafatos, M. 2006. Crop yield estimation model for Iowa using remote sensing and surface parameters. International Journal of Applied Earth Observation and Geoinformation. 8(1): 26-33

Zhang, P., Anderson, B., Tan, B., Huang, D. y Myneni, R. 2005. Potential Monitoring of Crop Production Using a Satellite-Based Climate-Variability Impact Index. Agricultural and Forest Meteorology. 132 (3-4): 344–358.

Ln(MS)

-1.50 -1.20 -0.90 -0.60 -0.30 0.00Ln(NDVI)

-1.00

0.80

2.60

4.40

6.20

8.00 Ln(MS)

Ln(MS) BPSup_95(%) BPInf_95(%)

149


EVALUACIÓN DE SEQUÍAS, DEFORESTACIÓN Y DESERTIFICACIÓN EN

EL CHACO SECO Boletta, P. E.; Ravelo, A. C.; Planchuelo, A. M.; Grilli, M.; Zanvettor, R. E. CREAN, FCA-U N Cba, CC 509, 5000- Córdoba.


Palabras clave: Teledetección, Sequía, Deforestación,

Desertificación, Chaco Seco.

INTRODUCCIÓN El incremento poblacional mundial junto con la

gran demanda de alimentos y servicios ha

conducido a la destrucción de bosques y áreas

forestadas naturales. Durante el siglo XX las

superficies mas afectadas por la deforestación, para

uso agropecuario, fueron las que poseían climas

sub-húmedos secos y semiáridos (Houghton,

1994). La deforestación ha determinado pérdidas

de biodiversidad, aceleración de la desertificación

y cambios de habitad de insectos, que pasaron de

bosques nativos a nuevas áreas agrícolas,

comportándose como plagas de cultivos

(Southworth y Tucker, 2001). La mayoría de las

técnicas de deforestación son a tala rasa, que

modifican el microclima y alteran las variables

físicas de la atmósfera, como: la temperatura del

aire y del suelo, la humedad, el albedo y el balance

hídrico, produciendo modificaciones irreversibles

en el ecosistema (Asbjorsen et al., 2004). El Chaco

Seco argentino a lo largo de su historia, sufrió

distintos procesos de degradación. A principio del

siglo pasado, por una extracción excesiva de

madera para postes, durmientes y leña para la

elaboración de carbón. A partir de la década del 80

por la tala rasa para la actividad agropecuaria. En

el Departamento Moreno (Santiago del Estero), la

deforestación ha generado un ambiente sin

protección vegetal que exacerba los efectos

dañinos de las sequías sobre la fertilidad del suelo,

lo cual contribuye a los procesos que conducen a la

desertificación.

El objetivo de este trabajo es evaluar el cambio

de uso de la tierra, la pérdida de la cobertura

boscosa y la variabilidad hídrica en los últimos 40

años, en un área representativa del Chaco

Occidental en la Provincia de Santiago del Estero.

MATERIALES Y MÉTODOS El estudio se realizó en una región del Chaco

Seco que comprende una superficie de 1,5 millones

de hectáreas, ubicadas entre 26º 53´ y 27º 48´ S de

latitud y entre 61º 50´ y 63º 25´ W de longitud en

el Departamento Moreno, provincia de Santiago

del Estero. El bosque nativo es xerófilo

perteneciente al distrito del Chaco Occidental

(Cabrera 1971). El clima es templado cálido, con

temperaturas medias mensuales de 28º C en enero

y de 16,3º C en julio. Las precipitaciones medias

anuales disminuyen gradualmente desde los 750

mm en la parte oriental a los 500 mm en la parte

occidental (Minetti, 1999). Las precipitaciones se

concentran en el semestre cálido (octubre-marzo)

en un porcentaje superior al 60%. El déficit hídrico

climático se produce en todos los meses del año

según Thornthwaite. Los vientos predominantes

provienen de los cuadrantes Sur y Norte, este

último es caliente y desecante principalmente a

fines de invierno y principio de la primavera

(Boletta et al., 2006).

Se utilizaron las imágenes procedentes de los

satélites LANDSAT 2 MSS (245/079) y

LANDSAT 5 MSS y TM (228/079 y 229/079),

para determinar el cambio de uso del suelo. El

estudio se realizó con una imagen correspondiente

a los veranos de 1975, 1992, 1999, 2003 y 2009.

Las imágenes fueron corregidas geométricamente

y clasificadas temáticamente con el programa

IDRISI (Eastman, 1997).

Se realizaron observaciones geo-referenciadas

de campo y se documentó con fotografías el estado

actual de terrenos desmontados que fueron

utilizados para distintas actividades no

conservacionistas (Boletta et al., 2006).

La variabilidad mensual de las condiciones

hídricas se determinaron mediante el Índice de

Sequía de Palmer (ISP), (Palmer ,1965) para el

período 1970-2009.

RESULTADOS Y DISCUSIÓN

La clasificación temática de las imágenes

permitió verificar los diferentes manejos del

bosque y evidenciaron los resultados. Cuando se

dejaban árboles semilleros, se producía una buena

recuperación de la cobertura forestal a largo plazo.

En cambio, las superficies desmontadas a tala rasa

para fines agropecuarios agotaban su capacidad

productiva, y luego fueron abandonadas e

invadidas por un estrato arbustivo carente de valor

comercial. Este último es uno de los indicadores

que ponen de manifiesto el avance de los procesos

de desertificación (Boletta et al., 2006).

Durante el período analizado (1975-2009) se

observa que la superficie dedicada al uso

agropecuario se incrementó en forma exponencial

mientras que el área boscosa disminuyó en la

misma forma (Figura 1). El incremento del uso

agropecuario del suelo fue debido al aumento de

las precipitaciones hasta el año 2003. A partir de

dicha fecha, se observa una disminución de la tasa

de deforestación por un período de bajas

150

mailto:[email protected]


precipitaciones y la ocurrencia de sequías severas.

Por otro lado, se comprobó que algunos insectos

presentes en el bosque, como la tucura

quebrachera, comenzaron a manifestarse en

algunos cultivos

Figura 1. Evolución de la superficie deforestada y

agrícola en el Departamento Moreno en el período

1975/2009.

El análisis del ISP revela que se producen

sequías recurrentes (Figura 2), destacándose como

período mas prolongado e intenso el de los años

2003 a 2009, en algunos meses de esos años se

registraron sequías severas, alcanzando valores de

ISP de hasta -3,5. El promedio del período (2003-

2009) de ISP es de -2,37, es decir, sequías

moderadas. Estas anomalías meteorológicas

incrementan los riesgos de erosión eólica y luego

hídrica, cuando se producen lluvias torrenciales, en

las áreas desmontadas que fueron introducidas a

cultivos.

CONCLUSIONES Las prácticas de deforestación a tala rasa en

conjunción con la ocurrencia de sequías afectan la

conservación del suelo y la biodiversidad,

incrementando los procesos de desertificación.

También se verifican desbalances en la ecología de

insectos que afectan la sustentabilidad de las

nuevas áreas bajo explotación agropecuaria como

es el caso de la tucura quebrachera.

La invasión de áreas con especies arbustivas

carentes de valor comercial y la erosión edáfica

son expresiones de los procesos de desertificación

por una actividad antrópica no conservacionista.

Por lo tanto, un manejo agroforestal adecuado

en el Chaco Occidental, aseguraría la

sustentabilidad del ecosistema, reduciría el impacto

negativo de las sequías y mitigaría los riesgos de

desertificación.

FIGURA 2. Evolución del índice de sequía de Palmer para la localidad de Quimilí durante el período 1970/2009. Se indican

los períodos con sequías moderadas a extremas.

REFERENCIAS Asbjorsen, H., M. S. Ashton, D. J. Vogt, S. Palacios,

2004. Effects of habitat fragmentation on buffering

capacity of edge environments in a seasonally dry

tropical oak forest in Oaxaca, Mexico. Agric.,

Ecosyst. Environ (En prensa).

Boletta, P. E., Ravelo, A. C., Planchuelo, A. M y Grilli,

M., 2006. Assessing deforestation in the Argentine

Chaco. For. Ecol. Manage. 228: pp. 108-114.

Cabrera, A. L., 1971. Fitogeografía de la República

Argentina. Boletín de la Sociedad Argentina de

Botánica, 14 (1-2): 1-42. Buenos Aires.

Eastman, J. R.,1997. IDRISI for Windows. User’s Guide

Version 2.0. Revisión 2. Clark University.

Worcester, MA, USA.

Houghton, R. A., 1994. The worldwide extent of land-

use change: in the last few centuries, and

particularly in the last several decades effects of

land-use change have become global. Bioscience 44

(5), 305-313.

Palmer, W.C., 1965. Meteorological Drought. United

States Weather Bureau Research Paper No. 45, 58

p. Washington D.C.

Minetti, J. L., 1999. Atlas Climático del Noroeste

Argentino. Ed. Lab. Climatológico Sudamericano-

Fundación Carl C. von Caldenius Sede NOA,

CONICET y UNT. Tucumán, Argentina.

Southworth, J., Tucker, C.J., 2001. The influence of

accessibility, local institutions and socioeconomics

factors on forest cover change in the mountains of

western Honduras, Mt. Res. Dev. 21 (3), 276-283

151


PROCESAMIENTO DE DATOS GEOESPACIALES PARA AGRICULTURA DE PRECISIÓN EN DIAMANTE, ENTRE RÍOS

Brizuela, A. B.1,2 ; Aguirre C. A. 1,2 ; Soirifman, A. 1 1 Facultad de Ciencias Agropecuarias Universidad Nacional de Entre Ríos (PID-UNER 2128. PICT 1221), Ruta 11, km 10, (3101), Oro Verde, Entre Ríos, Argentina. 2 CICyTTP CONICET Diamante, Entre Ríos, Argentina E-mail: [email protected]

Palabras clave: zonas homogéneas, rendimiento de cultivos, datos multiespectrales.

INTRODUCCIÓN

En un campo agrícola se observan sub-regiones que se caracterizan por tener cierta uniformidad en los factores limitantes del rendimiento. En Argentina, el desarrollo de la Agricultura de Precisión (AP) y el manejo de sitio especifico se inicia en 1995 y reside en la utilización de nuevas tecnologías de información, para tomar decisiones de manejo, técnica, económica y ambientalmente adecuadas a la producción agrícola (Bragachini, et al., 2002). La variabilidad espacial en el rendimiento, tiene un patrón similar a la distribución de los datos que proveen las imágenes espaciales (Basso et al., 2001) y a los índices espectrales obtenidos a partir de imágenes satelitales o fotografías aéreas durante el ciclo de crecimiento del cultivo, generalmente empleados como estimadores de biomasa y rendimiento (Di Bella, et al., 2007). En este contexto las técnicas geoespaciales proporcionan herramientas que pueden ayudar a mejorar los beneficios económicos, preservando recursos y ambiente. Si, bajo ciertas condiciones, la variabilidad de los datos de producción está bien representada en los datos multiespectrales, será posible utilizarlos en la identificación y delimitación de zonas de manejo. Este trabajo se realizó con el objeto de probar una técnica para identificar y delimitar estas zonas, en lotes agrícolas, a partir de datos multiespectrales y de modelos digitales de elevación.


Se trabajó con dos lotes ubicados al Sur del Dpto. Diamante (Entre Ríos, Argentina) uno con soja y el otro con maíz de la campaña 2008/2009 y tres lotes ubicados al NO de Villa María (Córdoba - Argentina) dos sembrados con soja y un lote con maíz durante la campaña agrícola 2006/2007.

Se realizó la georreferenciación de las escenas Landsat 5, 227-82 del 12 de diciembre de 2008 -obtenida via ftp del Banco de Imágenes de la DGI/INPE http://www.dgi.inpe.br/CDSR/ - y 228-082 del 24 de febrero de 2007 –provista por CONAE- que corresponden al área de estudio. De éstas se obtuvieron los datos de la banda 4 para cada lote (Tabla 1). Para la delimitación de zonas en el interior de lotes agrícolas se utilizó el programa Management Zone Analyst (MZA) (Fridgen et al., 2004). Como datos de entrada se consideraron dos

situaciones: a) con datos de rendimiento, elevación (Elev) y pendiente (Pend) y b) con datos Landsat 5 (banda 4), elevación y pendiente. Tabla 1. Fechas de las imágenes Landsat 5 y de cosecha de los lotes.

Lote Escena Landsat 5

Fecha imagen

Fecha cosecha

C996 - soja 228-082 24-02-07 16-04-07 C925 - soja 228-082 24-02-07 24-04-07 C643 - maíz 228-082 24-02-07 10-04-07 D015 - soja 227-082 12-12-08 25-03-09 D013 - maíz 227-082 12-12-08 27-02-09

Para la primera se utilizaron mapas de

rendimiento obtenidos durante la cosecha. Los valores puntuales de rendimiento fueron consistidos para corregir los valores apartados. Los datos de rendimiento fueron integrados como promedios y convertidos a formato raster obteniendo un conjunto de píxeles de 30m x 30m con un valor promedio del rendimiento (Rm). Se generaron los modelos digitales de elevación (MDE) –con la misma resolución- a partir de las Cartas topográficas del IGM Carrilobo 3163-33-4 y Trinchera 3163-34-3, vectorizando las cotas e interpolando en el plano. Para los lotes de Diamante el MDE fue reformulado a partir de los datos disponibles en la página web del U.S. Geological Survey (http://srtm.usgs.gov/) Una vez obtenidos los MDE se calculó la pendiente de los píxeles para cada uno de los lotes.

Posteriormente los datos de cada lote se exportaron, pasando de raster a vector y luego a tablas, en archivos ASCII con el siguiente formato: a) Long, Lat, Rm, Elev, Pend y b) Long, Lat, Banda 4, Elev, Pend para ser procesados con MZA. RESULTADOS Y DISCUSIÓN

Los MDE de cada lote mostraron un aspecto muy coherente con las características topográficas de cada sitio, pero los mismos no fueron contrastados. La Figura 1 muestra los resultados de elevación y pendiente para un lote.

En un trabajo anterior Brizuela et al. (2008) mostraron que la banda 4 (B4) del Landsat presenta un grado de asociación significativo con los datos de rendimiento (Rm) resumidos a nivel de píxel (30 m x 30 m).

152


a b Figura 1. Elevación del terreno (a) y pendiente (b) del lote C925.

Esta variable explica un buen porcentaje de la variabilidad del rendimiento si la imagen es obtenida cuando el cultivo se encuentra al final de la etapa vegetativa o comienzos de la reproductiva. En otros estados esa asociación puede ser muy baja o casi nula (Tabla 2). Tabla 2. Coeficientes de correlación entre Rm y la banda 4 para tres lotes de soja y dos lotes de maíz, tamaño de muestra (n) y valor-p para el test de r.

Lote r (Rm vs B4) n Valor-p

C996 - soja 0.68 324 0.0000

C925 - soja 0.81 696 0.0001

C643 - maíz 0.14 1108 0.0002 D015 - soja 0.09 748 0.1200 D013 - maíz 0.57 1073 0.0001

El lote C925 representa bien el grado de

asociación, entre Rm y B4. En el caso de los lotes C643 y D015 el coeficiente de correlación es muy bajo por el estado fenológico al momento de adquisición de la imagen (C543 maíz en madurez fisiológica y D015 soja de 1ra. en etapa vegetativa), en ambos casos la respuesta en B4 es baja y heterogénea por la escasa cobertura vegetal.

Una vez procesados los dos juegos de datos para cada lote con MZA, con la opción de clasificación por Mahalanobis, se obtuvieron las gráficas de los índices de ‘desempeño borroso’ (FPI) y de ‘entropía de la clasificación normalizada’ (NCE).

Figura 2. Índices NCE y FPI al clasificar MZA con Rm, Elev y Pend del lote C925

Se considera que en general, la mejor clasificación se produce cuando los índices son mínimos con el menor número de clases que se utilizan (Fridgen et al., 2004.) (Figura 2). En los lotes analizados esta condición se cumple para n=4 zonas pero, cuando se emplea Rm la condición de mínimos es más definida que al utilizar B4.

Comparando las zonas clasificadas se encontró un apreciable grado de coincidencia, entre las zonas clasificadas con Rm y con B4, en este orden: C996 (77.5%), C925 (70.2%), C643 (67.7%), D015 (62.5%) y D013 (57.3%). Se advierte que en los lotes D015 y C643 el porcentaje de coincidencia es mayor que el esperado. Esto indicaría que la B4, aún en estos casos, ayuda a identificar zonas. La Figura 3 muestra las zonas del lote C925 para los dos conjuntos de datos de entrada.

a b Figura 3. Zonas delimitadas con MZA para el lote C925. a) Con Rm, Elev y Pend y b) con B4, Elev y Pend. CONCLUSIONES

Se indican los pasos para clasificar lotes agrícolas en zonas homogéneas utilizando datos multiespectrales. Se concluye que es factible poner en práctica un método simple para identificar y delimitar las zonas homogéneas y que resulta apropiado para investigar las características –suelo, nutrientes, topografía, manejo- que las define. Además la zonificación en 5 lotes es coincidente, en más del 57%, con la que se obtiene con datos de monitores de rendimiento. AGRADECIMIENTOS Este trabajo fue realizado con apoyo del proyecto de investigación PICT 06/1221- PIDUNER 2128. A la CONAE, a INPE y por los datos SRTM del U.S. Geological Survey. REFERENCIAS

B. Basso, B.; Ritchie, J.T.; Pierce, F.J.; Braga, R.P.; Jones, J.W. 2001. Spatial validation of crop models for precision agriculture, Agricultural Systems. 24-2 (97-112).

Bragachini M.; Von Martini, A.; Méndez, A.; Bongiovanni R. 2002. Avances en la Agricultura de Precisión en Argentina. Proyecto Agricultura de Precisión, INTA Manfredi. 7 pp.

Brizuela A.B.; Aguirre, C.A; Velasco, I.; Petra, J. 2008. Integración de datos Landsat 5 en agricultura de preci-sión. XII Reunión Argentina de Agrometeorología. UN Jujuy - San Salvador de Jujuy – Argentina.

Di Bella, C.M.; Kemerer A.C. ; Rebella C.M.; Melchiori A. E.; Mosso J.E.; Reta J. M. 2007. Desarrollo y aplicación de nuevas herramientas de teledetección en el estudio de ambientes. 7º Curso de agricultura de precisión y 2ª Exp. de Máquinas Precisas. (140-147), EEA INTA Manfredi, Córdoba, Argentina

Fridgen J.J.; Kitchen, N.R.; Sudduth, K.A.; Drummond, S.T. 2004. Management Zone Analyst (MZA): Software for Subfield - Agronomy Journal. 96:100–108.

153


APLICACIÓN DE LA ECUACIÓN DE PRIESTLEY Y TAYLOR CON IMÁGENES DE SATÉLITE

CARMONA, F.1, 2; RIVAS, R.1, 3

1Instituto de Hidrología de Llanuras “Dr. Eduardo J. Usunoff” - UNCPBA, Pinto 399. Tandil, CP 7000, Argentina. 2Agencia Nacional de Promoción Científica y Tecnológica de Argentina (ANPCyT). 3Comisión de Investigaciones Científicas de Buenos Aires (CIC).


Palabras clave: evapotranspiración, ecuación de Priestley-Taylor, radiación neta diaria, imágenes de satélite.

INTRODUCCIÓN

En la región de la llanura pampeana argentina el 85 % del agua precipitada se pierde a través del proceso de evapotranspiración (ET) (Weinzettel y Usunoff, 2001). De allí la importancia que tiene en dicha región la estimación de la ET tanto a escala local (en estaciones meteorológicas) como regional (mediante imágenes de satélite utilizando como base, generalmente, la ecuación de balance de energía o una simplificación de ésta).

Desde principios del siglo pasado muchos estudios han sido presentados para estimar la ET. Las primeras formulaciones se basaron en relaciones empíricas, pero Penman (1948) presentó una ecuación incorporando todas las variables meteorológicas con relación directa sobre el proceso de ET. La ecuación de Penman (1948) para estimar la ET desde una superficie saturada se expresa como:

( ) AEGRnET ⎟⎟⎠

⎞⎜⎜⎝

⎛+∆

+−⎟⎟⎠

⎞⎜⎜⎝

⎛+∆∆

=γ

γγ

(1)

donde ∆ es la pendiente de la curva de presión de vapor saturado como función de la temperatura media del aire, γ la constante psicrométrica, Rn la radiación neta, G el flujo de calor en el suelo y EA representa el poder de secado del aire, siendo éste último función del gradiente de humedad del aire cercano a la superficie y de la velocidad del viento a través de dicha superficie.

Teóricamente, en condiciones libres de advección, se ha considerado que el aire que pasa sobre una superficie saturada disminuirá gradualmente su déficit de saturación, tendiendo a cero EA (segundo término de la Ecuación 1), y pudiéndose establecer un límite inferior de ET. Dicho límite se denomina evapotranspiración de equilibrio ETeq (o evaporación de equilibrio, considerando el agua como superficie evaporante) (Slatyer y Mcllroy, 1967; Brutsaert, 1984). Sin embargo, en ambientes naturales, difícilmente son encontradas condiciones de equilibrio. Las desviaciones de éstas son derivadas de efectos de advección regional y de gran escala, participando en ellas las variaciones horizontales de superficie y/o las condiciones atmosféricas presentes (Brutsaert, 1984; Eichinger et al., 1996). Con el fin de compensar estas desviaciones Priestley y Taylor (1972) introdujeron un parámetro empírico, resultando:

( )GRnET −⎟⎟⎠

⎞⎜⎜⎝

⎛+∆∆

=γ

α (2)

donde ET es la evapotranspiración considerando una superficie extensa y húmeda y α (adimensional) es el parámetro de Priestley y Taylor (PT). Como es sabido la Rn

representa, por lo general, la mayor parte de la energía disponible para realizar el proceso de ET. Esto nos indica que resulta fundamental una buena estimación de la Rn para poder conocer, con una precisión aceptable, la cantidad de agua evapotranspirada desde una región. La Rn representa la suma de todas las contribuciones de radiación de onda corta y larga que entran y salen de la superficie, lo cual se expresa como:

↑↓↑↓ −+−= RlRlRsRsRn (3)

siendo Rs la radiación de onda corta, Rl la radiación de onda larga y los subíndices ↓ y ↑ indicando entrante y saliente, respectivamente (dichos términos expresados en W m-2). El objetivo de éste trabajo es desarrollar una ecuación para obtener la radiación neta diaria a partir de datos registrados durante el ciclo de un cultivo de Soja y mostrar su aplicación en la estimación de la evapotranspiración a escala regional a partir del modelo de Priestley y Taylor (1972) con imágenes de satélite en la región pampeana de Argentina. MATERIALES Y MÉTODOS

El estudio fue desarrollado sobre una parcela de Soja de primera en el establecimiento agrícola Laura Leofú ubicado en el centro de la provincia de Buenos Aires (37º 14’ S, 59º 34’ O, 235 m), 50 km al oeste de la ciudad de Tandil. La zona de estudio se encuentra inmersa en una región de llanura con clima sub-húmedo (Carmona et al., 2010 (a)).

El cultivo de Soja de primera se monitoreó durante casi la totalidad de su ciclo con una estación de balance de energía (EBE) (ver Carmona et al., 2010 (b)), entre mediados de diciembre de 2009 y principios de marzo de 2010, por medio de la cual se registraron datos de Rn, G, temperatura del aire, temperatura del cultivo, temperatura y humedad del suelo y humedad relativa del aire entre otros.

Un radiómetro neto CNR1 (Campbell Scientific, Inc.) instalado en la EBE registró durante 82 días los términos de la Rn en superficie (Ecuación 3). A partir de éstos se utilizaron 55 días de registro con el fin de desarrollar una ecuación lineal para estimar la Rn diaria (Rnd) como función de la radiación de onda corta neta diaria (Rnsd = Rs↓d - Rs↑d, el subíndice d indica el promedio diario), resultando:

BRsRsARn ddd +−= ↑↓ )( (4)

siendo A (adimensional) y B (W m-2) parámetros propios del área de estudio. Los datos registrados en los restantes 27 días se utilizaron para validar el modelo de Rnd propuesto.

Para evaluar el modelo se utilizó el coeficiente de determinación (r2), la pendiente b de la regresión lineal entre valores observados (O, a partir del sensor CNR1) y estimados (E, Ecuación 4) y, además, los siguientes estadísticos: la desviación media del error o bias (MBE), la

154


raíz cuadrada del error cuadrático medio (RMSE), el error relativo (RE) y el índice de concordancia de Willmott (d). Finalmente, se combinaron las Ecuaciones 2 y 4 para obtener la ET con imágenes de satélite (IS), resultando:

( ) 1)1( −↓ −+−⎟⎟

⎠

⎞⎜⎜⎝

⎛+∆∆

= fcGBalbedoRsAET ddd γα (5)

siendo ETd la ET diaria máxima (o real si el suelo está húmedo), α considerado igual a 1,26 (Priestley y Taylor, 1972), (∆/∆+γ) calculada como un valor medio del día (promedio entre las 10 y 17 horas), Rs↓d (1 - albedo) reemplazando a (Rs↓d - Rs↑d) con el albedo obtenido por medio de una imagen de satélite (regulando la variación espacial de la Rnd), Gd el flujo el calor en el suelo diario asumido igual a cero y fc-1 igual a (28,36) -1 es el factor de conversión de unidades de W m-2 a mm día-1.

Utilizando una IS captada por el sensor Thematic Mapper (Landsat 5) el día 23/02/2010 (path/row 225/86) se obtuvo un mapa de ETd, donde el albedo se calculó por medio de la ecuación de Liang (2000):

0018,0072,0085,0373,013,0356,0 75421 +++++= ρρρρρal (6)

donde ρ representa la reflectividad de superficie y los subíndices 1, 2, 4, 5 y 7 el número de la banda. RESULTADOS

La Figura 1-a muestra el ajuste del modelo de Rnd, en donde los parámetros experimentales obtenidos son A = 0,67 y B = 8 W m-2, con un r2 de 0,96. La validación del modelo de Rnd se muestra en la Figura 1-b.

Figura 1. (a) Ajuste del modelo de Rnd y (b) validación.

En la Tabla 1 se presentan los resultados de los estadísticos utilizados para evaluar el modelo de Rnd. Como puede observarse los valores de la pendiente b, d y r2 fueron cercanos a la unidad, MBE y RMSE resultaron relativamente bajos (si se comparan la media de la Rnd observada, 164 W m-2, en el periodo considerado) y el RE igual al 8%, indicando un muy buen ajuste del modelo. El modelo de Rnd presenta una subestimación de apenas un 2 %, siendo O = 1,02. E (Figura 1-b).

Tabla 1. Resultados de los estadísticos del modelo de Rnd. b r2 MBE (W m-2) RMSE (W m-2) RE d

1,02 0,91 4 13 0,08 0,98 En la Figura 2 se muestra el mapa de LEd elaborado para

el día de captura de la imagen. Comparando el valor LEd calculado en la EBE, aplicando el modelo de PT, con el obtenido en el mapa de LEd, por medio de la Ecuación 5, se encontró una diferencia de apenas 0,2 mm día-1, siendo 5 mm día-1 en la EBE y 5,2 mm día-1 en el mapa desarrollado.

Figura 2. Mapa de LEd (mm día-1), la X en el centro del mapa indica la ubicación de la EBE. CONCLUSIONES

En el presente trabajo se calculó la evapotranspiración píxel a píxel a partir de un modelo desarrollado para obtener la radiación neta diaria desde la radiación de onda corta diaria y el albedo obtenido desde imágenes de satélite. Lo importante del método es que el albedo, por lo general, no varía mucho a lo largo de 7 a 10 días y puede usarse una misma imagen para crear mapas a lo largo de varios días introduciendo en cada uno de ellos la radiación de onda corta diaria. Los resultados sugieren que el modelo de Priestley y Taylor a escala regional puede aplicarse con buena precisión sobre superficies de Soja, debiéndose corroborar su validez sobre otras superficies, para la región sub-húmeda de llanura de la provincia de Buenos Aires (Argentina). AGRADECIMIENTOS El trabajo fue realizado con fondos otorgados por la CIC, la UNCPBA y la ANPCyT (PRH n° 0032). REFERENCIAS Brutsaert, W. 1984. Evaporation into the atmosphere, Theory,

History, and Applications. Cornell University. Reidel Publishing Company, Dordrecht, Holland, 299 pp.

Carmona, F.; Rivas, R. y Caselles, V. 2010(a). Estimación del parámetro alfa de Priestley-Taylor en condiciones de secano. I Congreso Internacional de Hidrología de Llanuras Azul, Buenos Aires, Argentina. Aceptado.

Carmona, F.; Rivas, R.; Ocampo, D.; Schirmbeck, J. y Holzman, M. 2010(b). Estación de balance de energía: instrumental para la estimación y validación de variables hidrológicas a escala local y regional. I Congreso Internacional de Hidrología de Llanuras Azul, Buenos Aires, Argentina. Aceptado.

Eichinger, W.E.; Parlange, M.B. y Stricker, H. 1996. On the concept of equilibrium evaporation and the value of the Priestley-Taylor coefficient. Water Resources Research, 32(1):161-164.

Liang, S. 2000. Narrowband to broadband conversions of land surface albedo. I Algorithms. Remote Sensing of Environment, 76:213-238.

Penman, H.L. 1948. Natural evaporation from open water, bare soil and grass. Proceedings of the Royal Society of London, A, 194:120-145.

Priestley, C.H.B. y Taylor, J. 1972. On the Assessment of Surface Heat Flux and Evaporation Using Large-Scale Parameters. Monthly Weather Review, 100(2):81-92.

Slatyer, R.O. & McIlroy, I.C. 1967. Practical Microclimatology. CSIRO, Melbourne, Australia, 310 pp.

Weinzettel, P. y Usunoff, E. 2001. Cálculo de la recarga mediante aplicación de la ecuación de Darcy en la zona no saturada. En: A. Medina, J. Carrera y L. Vives (Ed.). Las caras del agua subterránea, serie hidrogeológica y aguas subterráneas, Tomo I, 225-232.

155

XIII Reunión Argentina y VI Latinoamericana de Agrometeorología, 20 al 22 de octubre de 2010. Bahía Blanca -Argentina

DISTRIBUCIÓN ESPACIAL DE LA TEMPERATURA EN EL VALLE CULTIVADO DEL RÍO NEUQUÉN UTILIZANDO IMÁGENES LANDSAT

Cogliati, M.G. Departamento de Geografía - Facultad de Humanidades- Universidad Nacional del Comahue. Email: [email protected]

Palabras clave: temperatura de brillo, satélites, LANDSAT.

INTRODUCCIÓN El estudio de la distribución espacial de la

temperatura de superficie obtenida a partir de imágenes satelitales constituye una herramienta importante para el estudio de zonas frías y cálidas en zonas con terrenos de distinta complejidad o en áreas donde no se cuenta con una red densa de estaciones meteorológicas. Los resultados permiten inferir patrones de calentamiento diferencial del terreno debido a distintos factores, entre ellos a la topografía y aportar al conocimiento topo meteorológico de distintas áreas productivas.

Los satélites LANDSAT poseen una banda infrarroja (10.44 - 12.42 µm) a partir de la cual se puede inferir los patrones espaciales de la temperatura de superficie a la hora de pasada del satélite para píxeles de 60 m.

Un éxito limitado se ha alcanzado para determinar la temperatura de superficie utilizando satélites LANDSAT, ya que en estas imágenes los algoritmos para corrección atmosférica implican la utilización de métodos que involucran cálculos de parámetros atmosféricos como emisividad y transmitancia, a partir de datos de superficie a la hora de pasaje del satélite . Sin embargo la alta resolución espacial hace el estudio térmico infrarrojo muy atractivo desde el punto de vista local y regional.

En este trabajo se explora la utilización de la temperatura de superficie del satélite LANDSAT ETM+ para la obtención de mapas de temperatura de superficie. DATOS UTILIZADOS

En este estudio se analizaron imágenes LANDSAT 7 ETM+ (Enhanced Thematic Mapper Plus) (path 232/row 086) adquiridas en las fechas que se presentan en la tabla I, Las imágenes fueron facilitadas por el U.S. Geological Survey (USGS) en formato GeoTIFF (Geographic Tagged Image-File Format), producto L1T y analizadas utilizando el Sistema de Información Geográfica IDRISI. El área de estudio comprende el sector SE de la provincia de Neuquén representado en la Figura 1. Los datos LANDSAT están disponibles a través del Proyecto LANDSAT vía internet e indican el tipo de proceso que les ha sido aplicado. En este caso el proceso es L1T (Level 1 terrain corrected data). Los datos están disponibles en formato GeoTiff en proyección UTM (Universal Transverse Mercator) con datos WGS84 (World

Geodetic System 84) (Tucker y otros, 2004). El nivel de proceso 1T incluye corrección radiomética, corrección geométrica sistemática y corrección de precisión utilizando puntos de control en superficie y un modelo de elevación digital para corregir el paralaje debido a la topografía. El error de geolocalización en L1T es similar al error del modelo de elevación digital utilizado en este caso 90 m. Tabla 1: imágenes LANDSAT7 ETM+ utilizadas en el análisis (USGS, Global visualization Viewer).

Fecha Análisis 18/10/1999 L1T 22/1/2000 L1T 02/09/2000 L1T 16/7/2000 L1T 08/11/2001 L1T 11/11/2002 L1T 06/05/2003 L1T

METODOLOGÍA

Se analiza la temperatura de brillo del canal térmico del satélite LANDSAT 7 ETM +.

Figura 1: Ubicación y topografía del área en estudio (contornos: líneas de nivel z(m)).

A partir de los niveles digitales de la banda térmica, se calculó la radianza espectral (Lsensor) utilizando (1):

⎟⎟⎠

⎞⎜⎜⎝

⎛−+= )L(L*

DDLL minmaxnmax

nmins (1)

Para las imágenes consideradas y en la banda 6,

dichos valores son: Lmax = 17.040, Lmin = 0.00. La temperatura de brillo en el tope de la atmósfera del canal 6 (LANDSAT (2002)) es (2):

)s/L(K

KsT

11ln2

+=

(2)

156

XIII Reunión Argentina y VI Latinoamericana de Agrometeorología, 20 al 22 de octubre de 2010. Bahía Blanca -Argentina

donde Ts es la temperatura efectiva del satélite (temp. de brillo) (°K) y K1 y K2 son constantes de calibración de pre lanzamiento (para Landsat 7 ETM+, K1 = 666.09 W/(m2 sr mm) y K2 =1282.71 K). La temperatura calculada en la Ec. (2) es la temperatura de brillo al tope de la atmósfera (Zhang y otros, 2006).

Se calculó el NDVI (Índice de Vegetación en Diferencias Normalizadas) a partir de la reflectancia de los canales 3 y 4 según (3).

)34()34(

CHCHCHCHNDVI

+−

= (3)

A partir de los valores de NDVI se distinguieron las zonas con distinta cobertura del suelo: agua, ciudad, cultivos, meseta con vegetación escasa como se observa en la Figura 2.

Figura 2: NDVI promedio para el Valle cultivado del río Neuquén.

Los valores negativos, generados por una mayor reflectancia en el visible que en el infrarrojo, pertenecen a nubes, nieve, agua, zonas de suelo desnudo y rocas. El valor del NDVI puede variar en función del uso de suelo, estación fenológica, situación hídrica del territorio, etc. DISCUSIÓN Y RESULTADOS

A partir de las imágenes enumeradas en la tabla I se calculó el promedio espacial de temperatura. La Figura 3 presenta la temperatura efectiva del satélite y en la Figura 4 se asociaron los píxeles donde las áreas presentan anomalías de temperatura similares utilizando una herramienta de agrupamiento. El área ribereña puede ser delimitada como un área con menor temperatura. Las áreas en las cercanías del río y la región ubicada al SE presentan valores de temperatura entre 4 y 5° menos. Mientras que las zonas de mayor pendiente ubicadas hacia el N presentan temperatura aproximadamente 2° mayor. El área sobre la meseta presenta las mayores temperaturas. El patrón de temperatura del suelo discriminó las áreas urbanas de Centenario y Cinco Saltos con mayores valores de temperatura y las áreas cultivadas presentaron menores valores.

La discriminación entre áreas urbanas y rurales se hace evidente en el análisis del indice de vegetación normalizado (ver Figura 2).

Figura 3: Temperatura de brillo media en el valle del río Neuquén a partir de las imágenes Landsat7 ETM+ consideradas. (ver Tabla 1).

Figura 4: Anomalías de la temperatura de brillo. (Las zonas en recuadros corresponden a áreas urbanas) en las escenas consideradas (ver Tabla I) CONCLUSIONES

Los patrones diurnos de temperatura efectiva a partir del análisis de imágenes LANDSAT presentan discriminación de zonas más frías asociadas al río y al sector SE de la zona de estudio y zonas más calientes en área de terreno con vegetación escasa y zonas urbanas.

Este análisis permite estudiar el área desde el punto de vista de la distribución espacial de la temperatura efectiva. El trabajo se orientará posteriormente hacia la asociación de dichos valores con la temperatura del aire en la zona, lo que permitirá completar el estudio topo meteorológico del valle cultivado del río Neuquén. REFERENCIAS LANDSAT 7 Science users data handbook 2002. en:

http://landsathandbook.gsfc.nasa.gov/ handbook/handbook_htmls/

Tucker, C. J., Grant, D. M., & Dykstra, J. D. 2004. NASA's global orthorectified landsat data set. Photogrammetric Engineering and Remote Sensing, 70, 313−322.

Zhang J., Wang Y. And Li, Y. 2006. C++ program for retrieving LST from the data of Landsat TM/ETM+band6. Computers & Geosciences, vol. 32 1796–1805.

157


ESTIMACIÓN DE LOS COMPONENTES DEL BALANCE DE AGUA EN LA REGIÓN PAMPEANA UTILIZANDO DATOS PROVENIENTES DE SENSORES REMOTOS

Della Chiesa, T. ; Di Bella, C. M. Instituto de Clima y Agua, INTA Castelar, Calle de los Reseros y Las Cabañas s/n. Castelar, CP 1712, Argentina.


Palabras clave: Balance de agua, sensores remotos, región Pampeana.

INTRODUCCIÓN

El balance hídrico es un método de estimación del contenido de agua del suelo a partir de la determinación de los componentes de ganancia y pérdida de agua de un sistema. En sistemas de producción agrícola, conocer el almacenaje de agua del suelo permite e. g. ajustar la fecha de siembra de los cultivos, mejorar las estimaciones de rendimiento de cultivos en crecimiento o diseñar cronogramas de riego.

Para la estimación del balance hídrico se han desarrollado numerosos modelos que pueden clasificarse en simples y complejos. Los modelos simples requieren pocos datos de entrada y calibrando algunos parámetros pueden aplicarse a nivel de cuenca o región, generando información principalmente mensual o anual bajo condiciones ambientales contrastantes (Mouelhi et al. 2006). Los modelos complejos requieren mayor cantidad de datos de entrada y pueden brindar información más exacta y detallada temporalmente, pero deben ser aplicados a escala local y en el lugar donde fueron desarrollados (Ranatunga et al. 2008).

La incorporación de información proveniente de sensores remotos a los modelos simples representa una alternativa de estimación, que permite tener una descripción espacialmente continua de la información, a intervalos regulares de tiempo y de manera económica. En zonas donde la densidad de estaciones meteorológicas es baja, alternativas basadas únicamente en datos de sensores remotos puede mejorar significativamente la determinación de los componentes del balance hídrico del suelo (Di Bella et al. 2000). Existe actualmente en argentina información proveniente de sensores remotos que estiman los dos principales componentes del balance hídrico: precipitación (PP) y evapotranspiración (ET) (Di Bella et al. 2000; Flamenco et al. 2008; Su et al. 2008).

El objetivo de este trabajo es realizar una integración de la información disponible, proveniente de sensores remotos, para estimar los componentes del balance hídrico de sistemas agrícolas de la región pampeana. Para ello se evaluará el grado de exactitud de las estimaciones de PP y ET de los sensores remotos disponibles actualmente y su distribución espacial a distintas escalas de tiempo.

MATERIALES Y MÉTODOS En este trabajo se utilizaron 2 tipos de materiales:

datos derivados de sensores remotos y datos de estaciones meteorológicas. Las estimaciones de PP corresponden a las imágenes generadas por un lado por el Radar Meteorológico del INTA ubicado en la estación experimental Pergamino (PPradar) y por el otro por los satélites TRMM (Tropical Rainfall Measuring Mission) (PPTRMM). El radar meteorológico genera una imagen cada 10 minutos con una resolución de 1 x 1 km2 y un alcance de de 240 km. El producto 3B42 de TRMM genera imágenes cada 3 hs de alcance global con una resolución espacial de 25 x 25 km2. En ambos casos, se utilizaron los datos diarios acumulados en milímetros para el período 01/07/2007 - 30/06/2009. La ET fue estimada usando el modelo propuesto por Di Bella et al. (2000) aplicado a imágenes diarias del sensor NOAA-AVHRR, que estima ET real en milímetros (ETNOAA). La resolución espacial de estas imágenes es de 1 x 1 km2. El periodo de estudio fue del 01/01/2006 al 31/12/2008.

Con el objeto de contar con los mismos datos provenientes de las 2 fuentes distintas se extrajeron los datos diarios de PP y ET real de los registros de estaciones meteorológicas. La ET real fue calculada a partir de la PP y la ET potencial utilizando el método de Thornthwaite. Se utilizaron datos de 11, 55 y 25 estaciones para evaluar el PPRadar, PPTRMM y ETNOAA respectivamente. De las imágenes de ETNOAA y de PPRadar, cada dato se extrajo como el promedio de los 9 píxeles centrados sobre cada estación. Para PPTRMM se extrajo el valor de un único píxel.

Para evaluar las estimaciones a diferentes niveles temporales se generaron datos acumulados quincenales y mensuales a partir de los datos diarios.

En la Tabla 1 se presenta la cantidad de datos disponibles para cada nivel temporal de los 3 sensores. Para evaluar la variabilidad espacial de ETNOAA y PPTRMM se dividió la región pampeana en 6 subregiones: NEA, Litoral, Córdoba, Norte de Bs. As., Sur de Bs. As. y La Pampa. También se evaluó ET en la zona de influencia del radar con datos de 8 estaciones. Tabla 1. Cantidad de datos disponibles (n) según el nivel temporal de análisis para cada sensor.

PPRadar PPTRMM ETNOAA Diario 7130 35911 26197

Quincenal 124 2438 1722 Mensual 249 1121 862

158


Se compararon los datos estimado con los observados en estaciones a través de regresiones lineales simples, considerando los valores de las estaciones como variable regresora y los de sensores como variable dependiente. Los estadísticos utilizados para el análisis fueron el coeficiente de regresión (R2) y los parámetros de la regresión (ordenada al origen y pendiente). RESULTADOS Y DISCUSIÓN

La Tabla 2 muestra los ajustes obtenidos (R2) para cada sensor según el nivel temporal considerado. Tabla 2. R2 según el nivel temporal de análisis para cada sensor.

PPRadar PPTRMM ETNOAA Diario 0,11 0,34 0,17

Quincenal 0,29 0,58 0,23 Mensual 0,62 0,69 0,49

En ETNOAA se observó una gran variabilidad en

las regresiones para las distintas estaciones. Los valores de R2 fueron desde 0,22 hasta 0,83 y las pendientes desde 0,13 hasta 0,74. Sin embargo, la variabilidad disminuyó y el ajuste mejoró cuando consideramos las estaciones ubicadas en la zona de influencia del radar donde el R2 fue de 0,59.

Las regresiones obtenidas en PPRadar y ETNOAA sobreestiman a valores bajos observados y subestiman a valores altos. PPTRMM por su parte presenta una notable sobreestimación en todos los valores (Figura 1).

A pesar de la variación entre estaciones observadas en ETNOAA, no se observaron diferencias significativas cuando se compararon las pendientes de las subregiones (α=0,05). Para PPTRMM, únicamente la subregión litoral obtuvo una regresión con pendiente levemente menor a las demás. Por su parte, 9 de las 11 estaciones utilizadas para evaluar PPRadar no mostraron diferencias en las pendientes de las regresiones.

CONCLUSIONES La información de sensores remotos disponible

actualmente resultó confiable para la estimación de los componentes del balance hídrico regional a nivel mensual. Las estimaciones diarias o quincenales requieren mayor calibración. Dentro de estas estimaciones PPTRMM presentó los mejores ajustes. En la zona de influencia del radar meteorológico se obtuvieron mejores estimaciones de ET con una descripción espacial de la PP más detallada. Esta mejora en la estimación de ET puede deberse a que el algoritmo de Di Bella et al. (2000) fue generado en base a datos de 6 estaciones de esta zona.

La información obtenida representa un avance en la tecnología de la estimación del balance hídrico utilizada hasta el momento en nuestro país. A partir de la mayor disponibilidad de información se espera que estas estimaciones sean cada vez más precisas.

AGRADECIMIENTOS Se agradece a Soledad Tamburrino, Gabriela Sepulcri y Patricio Oricchio, por el apoyo otorgado para la realización de este trabajo. REFERENCIAS Di Bella, C. M.; Rebella, C. M.; Paruelo, J. M. 2000.

Evapotranspiration estimates using NOAA AVHRR imagery in the Pampa region of Argentina. International Journal of Remote Sensing. Vol. 21, Nº 4, (791–797).

Flamenco, E. A.; Tamburrino, S.; Hartmann, T. 2008. El radar meteorológico de Pergamino. XII Reunión de Agrometeorología. San Salvador de Jujuy, Argentina. 10/2008.

Mouelhi, S.; Michel, C.; Perrin, C.; Andréassian, V. 2006. Stepwise development of a two-parameter monthly water balance model. Journal of Hydrology 318 (200-214).

Ranatunga, K.; Nation, E. R.; Barratt, D. G. 2008. Review of soil water models and their applications in Australia. Environmental Modelling & Software 23 (1182-1206).

Su, F.; Hong, Y.; Lettenmaier, D. P. 2008. Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and Its utility in hydrologic prediction in the La Plata basin. Journal of Hydrometeorology .Vol. 9 (622-640)

FIGURA 1. Relación entre los datos mensuales estimados por sensores remotos y observados en estación meteorológica para las variables ETNOAA, PPRadar y PPTRMM. La línea punteada corresponde a la relación 1:1.

159


DETERMINACIÓN DE LA FRACCIÓN DE SUELO CUBIERTA CON EL FOLLAJE

DE PAPA A PARTIR DEL COCIENTE

ENTRE BANDAS DE FOTOGRAFÍAS DIGITALES

de la Casa, A.1; Ovando, G.1; Bressanini, L.2; Martínez, M.3 ; Rodríguez, A.1 1Cátedras de Agrometeorología, 2Agrotecnia y 3Física de la Facultad de Ciencias Agropecuarias (UNC).


Palabras Clave: papa, cobertura, fotografía digital.

INTRODUCCIÓN

La fracción del suelo cubierta por el follaje

constituye un parámetro biofísico de la vegetación muy

difundido para representar distintas funciones del

crecimiento y desarrollo de un cultivo. Así, el valor de

cobertura ha sido empleado para determinar tanto la

tasa de intercepción de radiación que realiza la canopia

del cultivo (de la Casa et al., 2007), como para modelar

el tamaño del aparato transpiratorio y, a partir del

concepto de eficiencia en el uso del agua, estimar la

productividad de un cultivo (Steduto et al., 2009).

Existen distintas tecnologías utilizadas en el

análisis de imágenes de fotografías digitales que se han

aplicado en diferentes campos de investigación:

determinación de la diferencia de color y fertilidad en

cultivos de maíz (Ewing y Horton, 1999), estimación

de la fracción de suelo cubierto por el conopeo de soja

(Purcell, 2000), evaluación de la porosidad de barreras

rompevientos (Kenney, 1987) o aproximar el número

de flores de un árbol (Adamsen et al., 2000), entre

otras. Adamsen et al. (1999), asimismo, cuantificaron

el verdor del follaje en trigo utilizando una cámara

digital a color y realizando el cálculo de la relación

entre la banda verde (v) y roja (r) de cada píxel de la

imagen.

Por su parte, la teledetección es muy utilizada en la

determinación remota de distintos parámetros del

cultivo, incluyendo la cobertura el follaje. Con este

propósito, Gitelson et al. (2002) desarrollaron un

indicador denominado Índice Visible Resistente

Atmosféricamente que utiliza directamente los datos

radiométricos en el rango del visible para estimar la

condición de cobertura en maíz y trigo.

El objetivo de este trabajo fue desarrollar un

procedimiento para estimar la cobertura en el cultivo

de papa (Solanum tuberosum L.) de un modo simple,

no destructivo, e igual de efectivo que otros métodos

mas laboriosos.


La información básica de este análisis corresponde

a imágenes (fotográficas) digitales a color que fueron

adquiridas sobre un cultivo de papa con una cámara

CyberShoot (Sony) de baja resolución (VGA, 640

pixeles de ancho por 480 de alto) almacenadas en

formato JPEG. Las fotografías fueron tomadas en 8

fechas distintas del ciclo del cultivo, que abarcó el

periodo entre 09/02/2009 y 29/05/2009, con la

finalidad de detectar diferencias de la cobertura y la

fracción de radiación interceptada en distintos sectores

en un lote de producción comercial. Cada fotografía se

obtuvo de manera perpendicular sobre el cultivo a una

altura de 1,2 m y comprende una superficie de 1m2.

Las imágenes corresponden a los nodos de una grilla

de 5x5, por lo que la muestra en cada fecha tiene un

tamaño de 25. Una serie de fotografías similares

adquiridas durante 2008 en un ensayo de densidad de

plantación se utilizó para verificar los resultados

obtenidos.

Para obtener el valor de cobertura se utilizaron dos

métodos. Uno de ellos efectúa la clasificación

supervisada de la imagen utilizando el método de

máxima verosimilitud (MMV) (Eastman, 1997). El

algoritmo que se desarrolló al efecto prevé la

identificación de 4 clases distintas: suelo y follaje, al

sol y en penumbra, respectivamente, de modo que el

procedimiento requiere delimitar sobre la imagen un

conjunto de pixeles de cada una de estas condiciones.

A partir de los valores medios y de desviación estándar

de estas muestras, el algoritmo asigna cada píxel a su

respectiva categoría en base a la mayor probabilidad de

pertenencia calculada.

El otro procedimiento, de acuerdo con Adamsen et

al. (1999) y Gitelson et al. (2002), determina la

presencia de vegetación sobre el suelo apelando a la

descomposición colorimétrica de la imagen en el rango

del visible, y realizando en cada pixel un cociente entre

bandas v/r, por lo que denominó método del cociente

(MC). En ausencia de un método patrón que permita

determinar la fracción de suelo cubierto por el follaje,

los resultados del MMV se utilizaron como

información de referencia para analizar su relación con

los resultados obtenidos a partir de v/r, de esta forma,

obtener un procedimiento confiable que permita

estimar la cobertura.

RESULTADOS Y DISCUSIÓN

La Figura 1 presenta los valores de correlación y

regresión que para cada fecha de muestreo en 2009 se

obtiene de la relación lineal entre el valor de cobertura

[f, (decimal)] y el cociente entre bandas (v/r). En 6 de

estas oportunidades tanto la pendiente como el R2 de la

relación tienden a 1, en tanto la ordenada al origen

tiende a cero. El 10/04, cuando el cultivo se encuentra

en máxima cobertura, la pendiente y la ordenada al

origen son ostensiblemente distintas de 1 y 0,

respectivamente, y la dispersión es más evidente. La

relación en el último muestreo (15/05) tiene la

pendiente lineal y el R2 más reducidos del conjunto. En

este momento del ciclo, el cultivo presenta un estado

160

mailto:[email protected]


avanzado de senescencia, mucho material vegetal se

encuentra caído sobre el suelo y exhibe un

amarillamineto que altera de manera evidente el valor

del cociente.

0

0.2

0.4

0.6

0.8

1

1.2

03/03/2009 18/03/2009 02/04/2009 17/04/2009 02/05/2009 17/05/2009Fecha

Coe

ficie

ntes

de

regr

esió

n y

dete

rmin

ació

n

pendiente ordenada R2 Figura 1. Coeficientes de regresión (pendiente y ordenada) y

determinación (R2) de la relación lineal entre la cobertura

obtenida con el MMV y el valor del cociente v/r en cada

fecha de muestreo.

El análisis de los parámetros de la recta y la gran

dispersión que resulta permiten descartar los datos del

último muestreo, en tanto los que se obtienen el 10/04

con máxima cobertura suscitan el interés particular por

explicar este comportamiento.

La Figura 2 presenta el diagrama de dispersión

entre la cobertura y el cociente de bandas, y las

funciones de ajuste cuando se incluyen todas las fechas

de muestreo (polinomio de segundo grado) y al excluir

los datos del 10/04 (recta). La función cuadrática de la

Figura 2 revela cierta tendencia a la saturación para

valores de cobertura elevados, en tanto que, al

descartar los datos del 10/4, se obtiene una recta muy

próxima a la de identidad. Además, se observa que un

valor v/r de aproximadamente 0,8 delimita la condición

a partir de la cual comienza a manifestarse el efecto de

saturación.

y = -0,328x2 + 1,19x - 0,007R2 = 0,991

y = 0,97x + 0,012R2 = 0,994

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 0.2 0.4 0.6 0.8 1 1.2 1.4v/r

Cob

ertu

ra (f

racc

ión)

Figura 2. Relación entre la cobertura (decimal) obtenida por

clasificación (MMV) y el cociente de bandas (v/r) para el

conjunto de las fechas (excepto el 15/05). También se

presenta el polinomio de 2º grado obtenido por ajuste y la

expresión de la recta al excluir el 10/04.

Este comportamiento fue aprovechado para

efectuar el cálculo de la cobertura a partir del cociente

de bandas de cada píxel y considerando que, cuando

v/r es menor que 1 el píxel se asigna a la clase suelo y,

si es mayor, a la clase de vegetación. El porcentaje de

cobertura se obtiene de la relación entre el número de

píxeles asignadas a vegetación respecto del total. Para

verificar este procedimiento, la Figura 3 presenta el

análisis de correlación y regresión entre los valores de

cobertura que se obtienen tanto a partir de MMV como

del cociente v/r con el umbral de 1 (MC), utilizando un

conjunto de imágenes del año 2008.

La similitud en los resultados de ambos

procedimientos confirma la aptitud de MC para estimar

la cobertura del cultivo de papa. De todos modos,

cuando al final del ciclo la escena presenta abundante

material amarillento y caído sobre el suelo el método

del cociente produce valores sistemáticamente menores

a MMV. Este resultado es muy interesante y requiere

ser profundizado porque dadas las diferencias de color

MC podría estar representando condiciones de

cobertura verde, activa o efectiva con un mayor

alcance fisiológico, en lugar de considerar sólo el

contraste entre la vegetación y el suelo que realiza

MMV.

y = 0,993x + 1,487R2 = 0,997

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70 80 90 100Cobertura (%) MMV

Cob

ertu

ra (%

) MC

Figura 3. Relación entre los valores de cobertura estimada a

partir del método de máxima verosimilitud (MMV) y del

cociente de bandas v/r con el umbral de 1 (MC) para 2008.

REFERENCIAS Adamsen, F.J., P.J. Pinter, Jr., E.M. Barnes, R.L. La Morte,

G.W. Wall, S.W. Leavitt, and B.A. Kimball. 1999.

Measuring wheat senescence with a digital camera.

Crop Sci. 39:719-724.

Adamsen, F.J., T.A. Coffelt, J.M. Nelson, E.M. Barnes, and

R.C. Rice. 2000. Method for using images from a color

digital camera to estimate flower number. Crop Sci.

40:704-709.

de la Casa, A., G. Ovando, L. Bressanini, Á. Rodríguez, y J.

Martínez. 2007. Uso del índice de área foliar y del

porcentaje de cobertura del suelo para estimar la

radiación interceptada en papa. Agricultura Técnica

(Chile) 67(1):78-85.

Eastman, R.J. 1997. Clasification of Remotely Sensed

Imagery p. 1-29. In:IDRISI: User’s guide Idrisi for

Windows, Worcester, MA, USA, Clark University

Ewing, R.P., and R. Horton. 1999. Quantitative color

image analysis of agronomic images. Agron. J. 91:148-

153.

Gitelson, A.A., Y.J. Kaufman, R. Stark, and D. Rundquist.

2002. Novel algorithms for remote estimation of

vegetation fraction. Remote Sens. Environ. 80:76-87.

Kenney, W.A. 1987. A method for estimating windbreak

porosity using digitized photographic silhouettes. Agric.

For. Meteorol. 39:91-94.

Purcell, L.C. 2000. Soybean canopy coverage and light

interception measurement using digital imagery. Crop

Sci. 40:834-837.

Steduto, P., T.C. Hsiao, D. Raes, and E. Fereres. 2009.

AquaCrop-The FAO crop model for predicting yield

response to water: I. Concepts and underlying

principles. Agron. J. 101:426-437.

161


ANÁLISIS DE LOS EFECTOS DE ENSO EN LAS CONDICIONES HÍDRICAS DE LA

REGIÓN PAMPEANA A TRAVÉS DE IMÁGENES SATELITALES

Holzman, M.1; Rivas, R.1, 2

1 Instituto de Hidrología de Llanuras “Dr. Eduardo J. Usunoff” (UNCPBA – CIC – Municipalidad de Azul) – República de Italia

780 (B730. Azul, Buenos Aires, Argentina. 2 Comisión de Investigaciones Científicas de Buenos Aires.


Palabras clave: El Niño Oscilación Sur, Temperatura de

Superficie, Índice de Vegetación Mejorado.

INTRODUCCIÓN En Sudamérica, la variabilidad climática podría

asociarse a anomalías extremas en las temperaturas

del océano Pacífico ecuatorial: “El Niño-Southern

Oscillation” (ENSO) (Penalba et al., 2005).

ENSO ha sido estudiado desde diferentes puntos

de vista. Montecinos et al (2000) encontraron

asociación entre el índice de anomalías de la

temperatura superficial del mar (SST) y las

precipitaciones en el este de Sudamérica, con

mayores (menores) precipitaciones durante una

anomalía cálida-El Niño (fría-La Niña), con una

significante señal en Uruguay y el este de Argentina.

Scian (2000), analizando la relación entre dos

índices de ENSO, el Índice de Oscilación del Sur

(SOI) y SST y la variabilidad de las precipitaciones

en el centro-oeste de la pradera pampeana, encontró

altas correlaciones espaciales. Compagnucci y

Agosta (2008) no encontraron vinculación entre las

SST del Pacífico y la precipitación en el centro-oeste

de Argentina.

Kogan y Wei (2000) con imágenes del satélite

NOAA compararon la condición de la vegetación

entre los eventos El Niño (1986/1987 y 1995/1996)

y La Niña (1988/1989 y 1995/1996) en Argentina.

Encontraron que el patrón es de deterioro de dicha

condición durante La Niña y de mejora durante El Niño.

El objetivo de este trabajo fue evaluar

preliminarmente la incidencia de ENSO en las

condiciones hídricas de superficie de la región

pampeana de Argentina y Uruguay a través de la

Temperatura de Superficie (Ts) y el Índice de

Vegetacion Mejorado (EVI).

MATERIALES Y MÉTODOS El análisis de Ts y EVI se realizó con los

productos MOD11 (Land Surface Temperature and

Emissivity), composición de 8 días y MOD13

(Gridded Vegetation Index), composición de 16 días,

del sensor AQUA/MODIS (http://wist.echo.nasa.gov), de

67.75 ha de tamaño de píxel. Se armaron los pares

de imágenes de Ts y EVI de un mismo periodo.

Considerando al índice Niño 3.4 de anomalías de

SST (Figura 1), se seleccionaron 3 periodos de

estudio: agosto-febrero de 2005-2006 (periodo

neutro); agosto-febrero 2007-2008 (periodo La

Niña) y agosto-febrero 2009-2010 (periodo El

Niño); contando así con 21 pares de imágenes.

Fueron considerados estos periodos tomando como

base los trabajos de Díaz et al. (1998) y Scian

(2000) quienes señalan una fuerte correlación entre

ENSO y precipitaciones en la región de estudio

durante primavera-verano.

Figura 1: Índice Niño 3-4 de anomalías de temperatura.

La Ts y el EVI reflejan la disponibilidad de agua

existente en el suelo (Clarke, 1997; Gilies et al.,

1997). Así, una baja temperatura en suelo desnudo

(EVI tiende al valor 0) indica alta disponibilidad de

agua y máxima evaporación, mientras que, baja

temperatura con máxima cobertura vegetal (EVI

tiende al valor 1) muestra máxima transpiración. Por

el contrario altas temperaturas en suelo desnudo y en

vegetación indican mínima a nula disponibilidad de

agua en el suelo (Sandholt et al., 2002) (Figura 2). Tomando como base el trabajo de Montecinos et al (2000),

sería esperable alta correlación entre valores relativamente

altos (bajos) de Ts/EVI y los eventos la Niña (el Niño). En las provincias de Buenos Aires, La Pampa y

San Luis (Argentina) y Uruguay se seleccionaron 7

áreas de interés (AOI) en zonas no cultivadas para

evitar efectos de uso del suelo en la relación Ts/EVI.

Con los valores medios de Ts y EVI de cada AOI se

calculó la relación Ts/EVI para cada mes analizado.

Figura 2: Esquema teórico de la relación Ts y EVI.

RESULTADOS Y DISCUSIÓN En la Figura 3 se muestra la relación Ts/EVI para

las AOI representativas de cada provincia/país de

162

http://wist.echo.nasa.gov/


análisis. Se incluyen las precipitaciones mensuales

(P) de la estación de medición asociada a cada AOI.

En Argentina se consideraron las estaciones Bahía

Blanca (38º 43‟ S 62º 15‟ O), Santa Rosa (36º37‟ S

64º16‟45‟‟ O), San Luis (33º21‟26‟‟ S 66º21‟33‟‟ O)

y en Uruguay, Durazno (33º02‟38‟‟ S 56º01‟41‟‟ O).

En las provincias de San Luis, La Pampa y Buenos

Aires las AOI mostraron valores de Ts/EVI mayores

en los meses de agosto a noviembre en El Niño

2009-2010 que en La Niña 2007-2008, concordantes

con una tendencia a menores P en dichos meses del

periodo El Niño; en el periodo neutro 2005-2006 no

se da un comportamiento claro. En Uruguay no se

evidencia una diferencia clara en estos meses. En

diciembre, enero y febrero no hay un

comportamiento claro en San Luis y La Pampa en la

relación Ts/EVI. En Uruguay se dan valores menores

en El Niño 2009-2010 que en La Niña 2007-2008,

Figura 3: Precipitaciones mensuales y relación Ts/EVI para valores medios en las áreas de interés.

concordantes con las mayores P durante El Niño.

El índice El Niño 3.4 muestra valores menores a -

1 a partir de octubre de 2007, marcando un evento La

Niña; dicho índice toma valores superiores a +1 a

partir de octubre de 2009, marcando El Niño. Es a

partir de diciembre cuando se observan efectos de

ENSO en las condiciones hídricas, los que parecen

ser algo más evidentes en la provincia de Buenos

Aires y en Uruguay, pues la relación Ts/EVI muestra

una tendencia a valores mayores para La Niña 2007-

2008 que en El Niño 2009-2010. Esto no se observa

claramente en las provincias de La Pampa y San Luis

(Figura 3).

CONCLUSIONES Preliminarmente, la relación Ts/EVI muestra el

impacto de ENSO en las condiciones hídricas de

Uruguay y la región centro-este de Argentina, no

observándose dicho impacto en La Pampa y San

Luis. No obstante es necesario analizar más eventos

ENSO, y evaluar la incidencia del océano Atlántico

en las condiciones hídricas de la región pampeana. La relación Ts/EVI sería una herramienta apta para

monitorear los efectos de ENSO en las condiciones

hídricas de superficie de la región estudiada.

AGRADECIMIENTOS Este trabajo fue realizado con fondos otorgados por

la Agencia Nacional de Promoción Científica y

Tecnológica de Argentina-UNCPBA (proyecto

PRH0032) y la Comisión de Investigaciones

Científicas de la provincia de Buenos Aires.

REFERENCIAS Clarke, T. R. 1997. An empirical approach for detecting

crop water stress using multispectral airborne sensors.

HortTechnology, A Publication of the American

Society for Horticultural Science Alexandria, VA

2314, 7 (1)(9– 16).

Compagnucci, R. H y Agosta, E. A. 2008 La precipitación

de verano en el centro-oeste de Argentina y los

fenómenos interanual El Niño/Oscilación Sur (ENOS)

e interdecádico “tipo” ENOS. GEOACTA, 33(107-

114).

Díaz, A. F.; Studzinski, C. D. y Mechoso, C. R. 1998.

Relationships between precipitation anomalies in

Uruguay and southern Brazil and sea surface

temperature in the Pacific and Atlantic Oceans.

Journal of climate, 11(251-271).

Gillies, R. R.; Carlson, T. N.; Gui, J.; Kustas, W. P., y

Humes, K. S. 1997. A verification of the „triangle‟

method for obtaining surface soil water content and

energy fluxes from remote measurements of the

Normalized Difference Vegetation Index (NDVI) and

surface radiant temperature. International Journal of

Remote Sensing, 18 (15) (3145– 3166).

Kogan, F. N. y Wei, G. 2000. Using AVHRR for detection

of El Niño/La Niña impacts in land ecosystems.

Remote Sensing and Environmental, 26(1165-1168).

Montecinos, A.; Díaz, A. y Aceituno, P. 2000. Seasonal

diagnostic and predictability of rainfall in subtropical

South America based on tropical Pacific SST. Journal

of Climate, 13(746-758).

Penalba, O C.; Beltrán A. y Messina C. 2005. Monthly

rainfall in central-eastern Argentina and ENSO: a

comparative study of rainfall forecast methodologies.

Revista Brasileira de Agrometeorología, 13 (2)(49-

61).

Sandholt, I.; Rasmussen, K.; Andersen, J. 2002. A simple

interpretation of the surface temperature/vegetation

index space for assessment of surface moisture status.

Remote Sensing of Environment, 79(213-224).

Scian, B. 2000. Episodios ENSO y su relación con las

anomalías de precipitación en la pradera pampeana.

GEOACTA, Nº 25.

163


VARIACION TEMPORAL DE LA TEMPERATURA DE SUPERFICIE “LST” DETERMINADA CON INFORMACIÓN LANDSAT TM PARA EL VALLE DE

CHILECITO, LA RIOJA

Luna Toledo, E.S.; Figuerola, P.I. Universidad Nacional de Chilecito, 9 de Julio 22. Chilecito, C.P. 5.360. La Rioja, Argentina E-mail: [email protected]

Palabras clave: LST, cultivos, LANSAT.

INTRODUCCIÓN

La producción agrícola del Valle de Chilecito se encuentra actualmente en expansión como consecuencia en parte a la promoción que recibe el sector a través del sistema de diferimiento impositivo. Esto ha llevado al desmonte de la vegetación nativa y a la implantación de grandes superficies de Olivo, Nogal y Vid entre los principales cultivos de la región.

La LST (Land Surface Temperature) o temperatura de superficie (Ts) con sensores remotos es la temperatura promedio de los objetos de la superficie que son registrados por el sensor y determinado por los patrones de variación espectral, bajo la escala del píxel considerado, tal que la Ts es una mezcla de las fracciones de los diferentes tipos de superficies. La Ts es un parámetro clave en las interacciones de flujos energéticos entre la atmósfera y la superficie (Pérez and DaCamara, 2004; Sobrino et al., 2004), y es un factor de cambio en los procesos físicos, químicos y biológicos (Becker et al., 1990).

Las prácticas agrícolas que alteren el ciclo hidrológico y el balance energético podrían ser monitoreadas a través de variaciones de Ts, sobre todo en ambientes áridos en donde está ligada fuertemente a la evapotranspiración, siendo por lo tanto útil en el manejo general de los recursos de agua, eficiencia de la agricultura, dinámica del clima, aplicaciones ecológicas y análisis de la vegetación (Kustas and Norman, 1997).

En la estimación de la Ts los niveles digitales (ND) son convertidos a valores de radiancia espectral o reflectancia en el tope de la atmósfera usando datos de la calibración de los sensores (Markhan and Barrer, 1986). La información del sensor TM del LANDSAT 5 fue usada para obtener todos los parámetros involucrados en el cálculo de la Ts de este estudio.

El objetivo de este trabajo fue comparar la variación de Ts en el periodo de mayor avance de la frontera agrícola en el valle árido de Antinaco-Los Colorados (Chilecito), usándose para ello imágenes de años recientes y de 15 años atrás. MATERIALES Y MÉTODOS

El área de estudio se extiende desde los 29º05´S hasta 29º40´S, y desde los 67º19´O hasta 67º33´O aproximadamente. La región corresponde a un

paisaje heterogéneo rodeado por las sierras del Famatina (6.200msnm) y del Velazco (4.300msnm). Para el procesamiento digital de las imágenes satelitales se utilizó el software ERDAS IMAGINE 9.3, y para la creación de los modelos se aplico MODEL MAKER del mismo software. Se utilizaron imágenes satelitales crudas del sensor Thematic Mapper (TM) del satélite LANSAT 5, adquiridas desde INPE (Brasil) a las cuales se las georeferenció al sistema de proyección UTM WGS84. Luego fueron procesadas utilizando la metodología desarrollada por Sobrino et al. (2004) para imágenes LANSAT. Para ello se obtuvo NDVI, Radiancia de la Banda 6 (Lsensor) (infrarrojo térmico), Temperatura de Brillo (Tsensor) y Emisividad de la Banda 6 (ε), y finalmente se estimo Ts para la región de estudio, a partir de las siguientes expresiones:

( )[ ] δψψψεγ +++= −321

1sensorLTs (1)

sensorsensor TL +−= γδ (2)

[ ]{ } 111

422 )/(/ −−+= λλγ sensorsensorsensor LCTLC (3)

donde, Ts es la temperatura de la superficie, λ es la longitud de onda efectiva (11.458 µm para la Banda 6), C1 y C2 son constantes de calibración (ver Sobrino et al., 2004). Los valores de ε son obtenidos usando la expresión de Proporción de vegetación, Pv

( ) ( )[ ]2minmaxmin NDVINDVINDVINDVIPv −−= (4) Pv permite incluir en ε el efecto de la distribución geométrica de las superficies naturales y las reflexiones internas.

Las funciones atmosféricas (ψ) son función del contenido total de vapor de agua de la atmósfera (w) (Sobrino et al., 2004). Los valores de w fueron obtenidos desde perfiles de radiosondeos de Mendoza Aero del S.M.N. por la proximidad y las características atmosféricas similares. Para la georeferenciación se utilizó como coordenadas de control las obtenidas con el GPS Garmin Oregón 300. Se seleccionó imágenes sin nubosidad siendo descartadas la de los meses de verano, y se elimino el área de pie de monte y de la ciudad de Chilecito a fin de restringirnos solo al área natural y de producción. RESULTADOS Y DISCUSIÓN

Los valores de NDVI observados en el área natural fueron entre -0.6 y 0.2 relacionados estos a la mayor o menor proporción de suelo desnudo. Mientras que para los cultivos dominantes los valores de NDVI fueron mas altos que 0.2, y la Pv fue mayor a 0.25.

164


El área de las zonas cultivadas se determino, usando el software, y se observo que entre 1994 y 2009 existió un aumento del área desde 8.500Has a 22.000 Has aprox. para la zona de estudio (Ver Figura 1).

Figura 1: Imagen de Ts de la zona sur del valle con mayor desarrollo productivo. El polígono delimita la región de análisis para este estudio. La imagen izquierda es de noviembre de 1997 y la derecha de noviembre de 2009.

El comportamiento de Ts se analizo diferenciando los meses de otoño (abril-mayo) y los meses de primavera (septiembre-noviembre), y comparando años recientes (2005-2008-2009) con años de mediados de la década de los 90 (1994-1995-1997) cuando comenzó una importante implantación de cultivos en la zona. La selección de las imágenes estuvo limitada a su disponibilidad. Tabla 1: Se indica en cada columna el mes, el año considerado, el valor medio ponderado de Ts, el valor máximo, el valor mínimo y la moda de los valores de Ts observados desde las imágenes.

Mes Año Tsm (oC)

Tsmax (oC)

Tsmin (oC)

Tsmoda (oC)

Abril 1994 27,7 33,2 10,2 28,8 2009 26,0 32,6 17,0 27,5

Mayo 1995 21,5 30,0 14,3 18,0 2005 18,3 27,4 6,6 18,7

Septiembre 1994 24,3 30,5 15,3 23,4 2008 28,5 33,9 17,3 28,8

Noviembre 1997 36,1 42,0 23,8 36,8 2009 45,7 52,8 30,0 46,8

La comparación entre los años 90 y años

recientes (Tabla 1) muestran que los valores de Ts medios y máximos disminuyeron en los meses de otoño, mientras que en los meses de primavera ha aumentado su valor. Por otro lado, los valores mínimos de Ts aumentaron también en los últimos años con excepción del mes de mayo que disminuyo.

Comparando los valores de la Moda y la Media en los últimos años tienden a ser mas sesgadas hacia mayores temperaturas (Moda>Media) de lo que eran anteriormente, y si observamos mayo y septiembre estaban sesgadas hacia las bajas temperaturas (Moda<Media). Hay que tener en cuenta que el rango de error de la metodología implementada es de unos 2oC, y la desviación estándar de Tsm es de 1oC a 3oC. En Noviembre del 2009, Ts mostró un aumento pronunciado respecto al año 1997, en valor medio, máximo, mínimo y moda. El alto valor de Ts en este mes es confirmado por observaciones realizadas con termocuplas ubicadas en suelo desnudo (Figuerola y otros, 2007).

La proporción de vegetación media (Pv) ha aumentado en un 8% debido a la implantación de los cultivos, pero Pv en zonas naturales ha disminuido en un 2% debido a la deforestación para el uso de leña. Las zonas de cultivos tuvieron una disminución de Ts, mientras que en las zonas naturales Ts aumento. CONCLUSIONES

La temperatura de superficie obtenida desde sensores remotos satelitales para la zona agrícolas del valle de Chilecito muestra que en los últimos años hay una tendencia a más altas temperaturas de superficie principalmente en los meses más calidos.

La metodología tiene gran potencial de aplicación para la zona topográficamente compleja como el Valle de Chilecito.

Para la validación será necesario realizar mediciones con valores de temperaturas de Suelo-Aire y de distintas superficies a lo largo de las zonas de cultivos del valle. REFERENCIAS Becker, F. and Li, Z. 1990. Towards a local split window

method over land surfaces. Int. J. Remote Sensing, 11: 369-393.

Figuerola P.I., Searles P. y Rousseaux M.C., 2007: Evaluación de la evaporación en una zona árida no mediterránea bajo condiciones diferentes de riego. XVI Congreso Mexicano de Meteorología (México) (9 Págs.)

Kustas, W. P., and J. M. Norman (1997), A Two-Source Approach for Estimating Turbulent Fluxes using Multiple Angle Thermal Infrared Observations, Water Resour. Res., 33(6), 1495–1508, doi:10.1029/97WR00704.

Markham, B.L., and Barker, J. L. 1986: Landsat MSS and TM post-calibration dynamic ranges, exoatmospheric reflectances and at-satellite temperatures. EOSAT Technical Notes, August 1986.

Peres, L. F. and DaCamara, C. C., 2004, Land surface temperature and emissivity estimation based on the two-temperature method: sensitivity analysis using simulated MSG/SEVIRI data. Remote Sensing of Environment, 91, 377–389.

Sobrino, J. A., Jiménez-Muñoz, J. C. and Paolini, L. 2004. Land surface temperature retrieval from LANDSAT TM 5, Remote Sens. Environ., vol. 90, 434-44

165


CR CR

LR LR

ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN EN ESCALA REGIONAL,

BASADA EN PERCEPCIÓN REMOTA

Mulleady, C.1,2 ; Barrera, D.3 1Departamento de Ciencias de la Atmósfera y los Océanos, Facultad Ciencias Exactas y Naturales, Universidad de Buenos Aires, 2Centro Atómico Bariloche, Comisión Nacional de Energía Atómica, 3Departamento de Ingeniería Agrícola y Uso de la Tierra, Facultad de Agronomía, Universidad de Buenos Aires


Palabras clave: Teledetección, Fracción evaporativa,

Evapotranspiración

INTRODUCCIÓN

El enfoque clásico al estimar la

evapotranspiración a partir de información remota

consiste en calcular el residuo a partir de la ecuación

de conservación de energía en la superficie

evapotranspirante. La ecuación que gobierna el

balance viene dada por la forma en que se distribuye

la radiación neta (Rn) a nivel de superficie, por

medio del flujo de calor en el suelo (G) y los flujos

atmosféricos de calor sensible (H) y de calor latente

( w λ E):

EHGRn w (1)

donde w es la densidad del agua, λ es el calor latente

de vaporización y E es la tasa de evapotranspiración

en unidades de velocidad. El término H describe el

flujo vertical de calor causado principalmente por

transporte turbulento; depende de la resistencia del

aire al transporte vertical de propiedades, lo cual es

difícil de estimar con datos de sensores remotos.

A fin de evitar la estimación de H algunos

investigadores han partido de la relación empírica de

Bouchet (1963), quien postula que a medida que el

suelo pierde su humedad, la disminución en la

evapotranspiración actual es compensada

exactamente por un aumento en la

evapotranspiración potencial correspondiente a las

nuevas condiciones ambientales. Posteriormente

Granger y Gray (1989) trabajaron con la relación

(F=ET/Epot), razón entre las evapotranspiraciones

actual y potencial, a la que llamaron

evapotranspiración relativa, y propusieron una

relación empírica de este cociente con la relación

(Ea/(Ea+Q)) donde Ea es el poder evaporante de la

atmósfera, y (Q=Rn-G) es la energía disponible para

emisión de calor sensible y latente hacia la

atmósfera. A su vez, Ea es función del viento y del

déficit de presión de vapor según la ecuación de

Dalton. Venturini et al. (2008) retomaron el trabajo

de Granger y Gray, y calcularon la fracción F como:

)(

)(

ds

du

TT

TT

Epot

ETF (2)

donde Ts y Td son las temperatura de la superficie y

de punto de rocío respectivamente y Tu se define

como la temperatura que tendría el aire en la

superficie si fuese llevado a la saturación sin cambiar

la presión de vapor. Basándose además en la

ecuación de Priestley y Taylor (1972), estos autores

proponen el siguiente modelo para la estimación de

la evapotranspiración:

)( GRF

FET n (3)

donde α es un parámetro de la ecuación propuesta

por Priestley y Taylor (1972), es la pendiente de la

ecuación de Clausius-Clapeyron y γ es la constante

psicrométrica.

A través de la evapotranspiración relativa F, la

estimación de ET se independiza del cálculo de

factores de fricción y funciones de la velocidad del

viento, y además incorpora las condiciones

atmosféricas sin tener que recurrir a relaciones

auxiliares o calibraciones in-situ (Venturini et al.,

2008).

En las siguientes secciones se describe la

metodología seguida para implementar esta técnica y

obtener un mapa de tasa instantánea de ET en la

provincia de Buenos Aires.

MATERIALES Y MÉTODOS Para estimar la radiación neta se aplicó la técnica

propuesta por Bisht et al. (2005). Se evalúa a partir

de sus componentes de flujos saliente y entrante de

radiación de onda corta y los flujos saliente y

entrante de radiación de onda larga como:

LLCLLCC RRRrRRRRRn )1( 0 (4)

donde y son los flujos de radiación de onda

corta entrante y saliente respectivamente, y son

los flujos de radiación de onda larga entrante y

saliente respectivamente y r0 es el albedo. El flujo de

radiación de onda corta entrante es obtenido

siguiendo la parametrización propuesta por Zillman

(1972). Los flujos de radiación de onda larga se

pueden representar de la siguiente forma:

4aaL TR 4

ssL TR (5)

donde Ta es la temperaturas del aire, εa y εs son los

coeficientes de emisividad del aire y de la superficie

y σ es la constante de Steffan-Boltzmann. Se estimó

el albedo de superficie mediante la parametrización

propuesta por Liang (2000). Ésta consiste en una

combinación lineal de la reflectividad medida por el

instrumento MODIS en las bandas 1-5 y 7:

0015.0081.0112.0

116.0243.0291.0160.0

75

43210r (6)

donde αi es la reflectividad de cada banda obtenida

por el sensor MODIS y disponibles en el producto

MOD09 con 500 m de resolución.

166


El flujo de calor sensible en el suelo (G) es una

fracción pequeña pero variable de la radiación neta

Rn. En los suelos desnudos o con baja densidad de

vegetación, el calentamiento de la superficie del

suelo por radiación solar y el transporte de calor

hacia abajo es mayor que en el caso de superficies

densamente vegetadas. Si bien algunos autores

desprecian este término y otros lo estiman como una

fracción constante de Rn, nosotros hemos preferido

tener en cuenta la relación de G con Rn y la

vegetación. Para obtener una medida de G se utilizó

el esquema propuesto por Moran et al. (1989):

RnNDVIEXPG )13.2(583.0 (7)

donde NDVI es el Índice de Vegetación

Normalizado, el cual se estima a partir de

información de imágenes satelitales en el rojo e

infrarrojo cercano. Los datos del NDVI fueron

obtenidos del producto MOD13 de MODIS, con una

resolución de 1km. Este último está disponible cada

16 días; se asumió que la cobertura vegetal no se

modifica significativamente en ese lapso de tiempo.

Para estimar la evapotranspiración relativa F se

aplicó la ecuación (2). La temperatura Tu puede ser

calculada a partir de los datos de Ts y Td obtenidos de

sensores remotos y la curva de presión de vapor de

saturación de Clausius-Clapeyron. Los datos de

temperatura del aire Ta y temperatura de rocío Td

inmediatamente encima de la canopia fueron

obtenidos de los perfiles atmosféricos verticales

disponibles en el producto MOD07 con una

resolución horizontal de 5km para 20 niveles

verticales de presión. Para los cálculos se utilizaron

los datos de Ta y Td correspondientes al nivel de 1000

hPa. La presión a nivel de superficie fue adquirida de

este mismo producto y para estas tres variables se

asumió su homogeneidad dentro del píxel de 5km.

Para el cálculo de la temperatura y la emisividad de

superficie, Ts y εs respectivamente, fue utilizado el

producto MOD11 con una resolución horizontal de

1km. La emisividad del aire εa fue estimada con el

esquema propuesto por Prata (1996).

RESULTADOS

Figura 1. Mapa de flujo instantáneo de calor latente

para el 4/01/09 a las 13:01 UTC. Los píxeles en

negro no fueron utilizados en la estimación por estar

contaminados con nubosidad o cuya superficie está

completa o mayoritariamente cubierta por cuerpos de

agua o bien presentan errores en los datos MODIS.

CONCLUSIONES

En el presente trabajo se aplicó una metodología

para la estimación de la tasa instantánea de ET

basada en el esquema propuesto por Venturini et al.

(2008). Los resultados obtenidos (Fig. 1) muestran la

gran utilidad de esta técnica, que combinada

únicamente con información satelital permite generar

mapas de distribución de la tasa de ET a escala

regional.

REFERENCIAS Bisht, G., Venturini, V., Jiang, L., y Islam, S. 2005.

Estimation of the net radiation using MODIS

(moderate resolution Imaging spectroradiometer) data

for clear sky days. Remote Sensing of Environment,

97, 52-67.

Bouchet, R. J. 1963. Evapotranspiration réelle et

potentielle, signification climatique. International

association of scientific hydrology. General assembly

of Berkeley, transactions, vol. 2. Berkeley, Calif:

Evaporation.

Granger, R. J., & Gray, D. M. 1989. Evaporation from

natural nonsaturated surfaces. Journal of Hydrology,

111, 21-29.

Liang, S. 2000. Narrowband to broadband conversions of

land surface albedo – Algorithms. Remote Sensing of

Environment, 76, 213-238.

Moran, M. S., & Jackson, R. D., Raymond, L. H., Gray, L.

W., & Slater, P. N. (1989). Mapping surface energy

balance components by combining LandSat thematic

mapper and ground-based meteorological data.

Remote Sensing of Environment, 30, 77-87.

Prata, A. J. (1996). A new long-wave formula for

estimating downward clear-sky radiation at the

surface. Quarterly Journal of the Royal

Meteorological Society, 122, 1127-1151.

Priestley, C. H. B., & Taylor, R. J. 1972. On the

assessment of surface heat flux and evaporation using

large-scale parameters. Monthly Weather Review,

100, 81-92.

Venturini, V., Islam, S., y Rodriguez, L. 2008. Estimation

of evaporative fraction and evapotranspiration from

MODIS products using a complementary based

model. Remote Sensing of Environment, 112, 132-

141.

Zillman, J. W. (1972). A study of some aspects of the

radiation and heat budgets of the southern hemisphere

oceans. Meteorol. Studyl 26, Bur. Of Meteorol., Dept.

of the Inter., Canberra, Australia.

167


EVOLUCIÓN DE LA COBERTURA DE PAPA (Solanum tuberosum L.) Y EL NDVI EN UN LOTE DEL CINTURÓN VERDE DE CÓRDOBA, ARGENTINA

Ovando, G.; de la Casa, A.; Bressanini, L.; Martínez, J.; Rodríguez, A. Facultad de Ciencias Agropecuarias, Universidad Nacional de Córdoba, 5000 Córdoba, Argentina E-mail: [email protected]. Palabras clave: NDVI, cobertura, papa. INTRODUCCIÓN

La provincia de Córdoba participa del 45% de la producción nacional de papa (Solanum tuberosum L.) (Mosciaro, 2002), por lo cual resulta de gran interés monitorear su crecimiento y desarrollo a lo largo del ciclo, orientado a ajustar en el futuro una metodología que permita estimar la productividad del cultivo.

Cuando se estima la productividad de ecosistemas terrestres a partir de imágenes de satélites, las mediciones espectrales del canopeo que expresan a la intensidad de vegetación en unidades relativas deben ser convertidas en variables biofísicas cuantitativas. Esta conversión es llevada a cabo a través del empleo de modelos de complejidad variable (Fensholt et al. 2004).

Las aplicaciones de tecnologías de teledetección para el monitoreo de la condición del cultivo han sido extensivamente estudiadas durante las últimas décadas, proveyendo una rápida valoración de los cambios en el crecimiento y desarrollo de los cultivos agrícolas. El desafío consiste en el empleo parámetros derivados de la teledetección para cuantificar los cambios en la producción de los cultivos (Doraiswamy et al., 2004).

El NDVI se ha empleado en todas las escalas de análisis espacial, que van desde pequeñas parcelas hasta la evaluación a escala global. Parte de su popularidad radica en el hecho que emplea las bandas espectrales disponibles en prácticamente todos los sistemas de teledetección, incluyendo a la fotografía de color e infrarroja, y es computacional- mente muy eficiente (Walthall et al., 2004).

La medición precisa de la cantidad y configuración de los cultivos es tediosa y consume mucho tiempo debido a la variabilidad espacial inherente a los mismos (Daughtry et al., 1984). Por lo tanto, las mediciones de los cultivos son posibles sólo en pequeñas parcelas de investigación. Si la proporción de energía disponible puede ser estimada fehacientemente empleando datos multiespectrales provenientes de satélites, la capacidad para estimar la producción de los cultivos en grandes áreas debería mejorar significativamente. (Daughtry et al., 1984)

Wittich (1997) estudió la relación entre NDVI y fracción de la vegetación en cinco áreas de prueba en Alemania y demostró que, como una primera aproximación, la fracción de cobertura vegetal fue adecuadamente descripta por una expresión lineal del NDVI sobre un rango ampliamente distribuido de densidades de vegetaciones heterogéneas. De la Casa et al. (2008) presentaron una relación lineal entre los valores de NDVI y cobertura en papa, con valores de R2 de 0,874. Sin embargo, algunos

investigadores encontraron que la relación entre NDVI y la fracción de cobertura vegetal es no lineal con el NDVI, dando distintas curvas de acuerdo a diferentes tipos de suelos (Gutman e Ignatov, 1997). En tal sentido, Purevdorj y Tateishi (1998) presentaron una ecuación de segundo grado para estimar el porcentaje de cobertura de praderas a partir de valores NDVI.

El objetivo de este trabajo fue evaluar la utilidad del NDVI para seguir la evolución de la cobertura de papa en un lote comercial del cinturón verde de Córdoba y establecer la relación entre esta variable biofísica con el índice de vegetación. MATERIALES Y MÉTODO

El trabajo se realizó sobre un cultivo de papa (Solanum tuberosum L.) cv. Spunta, durante el ciclo semitardío del año 2009, que se extendió entre el 9 de febrero y el 29 de mayo. Las observaciones corresponden a un lote de 9 ha de producción comercial del cinturón verde de la ciudad de Córdoba (31°30’ lat. Sur, 64°08’ long. Oeste, 402 m.s.n.m.). Sobre el lote se trazó una grilla de 5x5 estaciones de muestreo separadas cada 47 m en el sentido N-S y cada 44 m en el sentido de los surcos de riego (E-O). La fracción de suelo cubierto por papa (f) se determinó a partir de una fotografía digital adquirida sobre el cultivo y aplicando técnicas de interpretación de imágenes. El valor de f se calculó con un algoritmo de clasificación de imágenes digitales que aplica el método de máxima verosimilitud y permite identificar hasta 4 clases: suelo y follaje, al sol y con sombra, respectivamente. En cada estación se midió f con una frecuencia media de 12 días sobre 1 m2 de superficie.

Para este trabajo se utilizaron 7 imágenes correspondientes al satélite LANDSAT 7 ETM (path/row 229/082) de las fechas 08/02, 12/03, 28/03, 13/04, 29/04 y 31/05 de 2009, a partir de las cuales se extrajo la información correspondiente a un rectángulo de 9 x 8 pixeles del lote en estudio. Para cada pixel se calcularon las reflectancias de las bandas roja (ρr) e infrarroja cercana (ρnir), a partir de los valores de gain y offset de cada imagen. Con estas reflectancias se calculó el NDVI según:

Para evitar la influencia de bordes y caminos periféricos del lote, se descartaron el 25% de los pixeles que presentaron los valores más bajos de NDVI.

A los efectos de realizar un análisis de correlación y regresión entre los valores de f y

rnir

rnirNDVIρρρρ

+−

=

168


NDVI, la cobertura se interpoló linealmente para estimar su valor en las fechas cuando se tuvo imágenes LANDSAT. RESULTADOS Y DISCUSIÓN

La Figura 1 muestra la evolución de los valores de NDVI y de cobertura para las distintas fechas en que se dispuso de imágenes LANDSAT. Como puede observarse la marcha de la cobertura de papa y de los valores de NDVI presentan un acoplamiento estrecho a lo largo del ciclo del cultivo.

Figura 1. Evolución de los valores de cobertura y de NDVI a lo largo del ciclo de cultivo de papa.

En la Figura 2 se observa la regresión entre los valores de cobertura y de NDVI, y se pone de manifiesto que la relación entre estas variables es marcadamente no lineal, en concordancia con lo informado por otros autores (Gutman e Ignatov, 1997; Purevdorj y Tateishi, 1998). Esta regresión mejora la capacidad de predicción de la cobertura de papa presentada por de la Casa et al. (2008) quienes estimaron f linealmente con el NDVI con un valor de R2 de 0,874.

Figura 2. Cobertura de papa en función del NDVI y la línea de tendencia correspondiente a una ecuación de segundo grado.

CONCLUSIONES • El NDVI calculado a partir de imágenes

LANDSAT TM+ resulto un buen índice de vegetación para evaluar la evolución de la cobertura de papa en el cinturón verde de Córdoba a lo largo de su ciclo de producción.

• La relación entre el NDVI y la cobertura presento una marcada no linealidad, aun bajo condiciones de cobertura incompleta del surco.

REFERENCIAS Daughtry C.S.T, Gallo K.P., Biehl L.L., Kanemasu E.T.,

Asrar G., Blad B.L., Norman J.M. and Gardner B.R. 1984. Spectral estimates of agronomic characteristics of crops.10th International Symposium: Machine processing of remotely sensed data symposium. June 12-14. Pardue University, Indiana USA. pp: 348-356.

de la Casa A., Ovando G., Bressanini L., Martinez J. y Rodriguez A. Estimación de la cobertura y de la fracción de radiación interceptada en papa a partir de datos de reflectancia. XII Reunión Argentina de Agrometeorología, 8 al 10 de octubre de 2008. San Salvador de Jujuy – Argentina.

Doraiswamy P., Hatfield J., Jackso N., Akhmedov B., Prueger J and Stern A. 2004. Crop condition and yield simulation using Landsat and MODIS. Remote Sensing of Environment. 91:548-559.

Fensholt R., Sandholt I. and Schultz Rasmussen M. 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.

Gutman G. and Ignatov A. 1997. Satellite-derived green vegetation fraction for the use in numerical weather prediction models. Adv. Space Res. 19:(3)477-480.

Jiang Z., Huete A.R., Chen J., Chen Y., Li J., Yan G. and Zhang X. 2006. Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Remote Sensing of Env. 101:366-378.

Mosciaro M. 2002. Caracterización de la Producción y Comercialización de Papa en Argentina. En: <www.elsitioagricola.com> Consultado el 20/4/2010. 9 pp.

Purevdorj T. and Tateishi R. The Assessment of Green Vegetation 1998. Coverage of Grasslands Using AVHRR Data. IGARSS'98, IEEE International Geoscience and Remote Sensing Symposium Proceedings, Volume III, C04: 0-7803-4403-0/98/, 6-10 July, Seattle, Washington, USA. p. 1283-1285.

WalthalL C., Dulaney W., Anderson M., Norman J., Fang H. and Liang S. 2004. A comparison of empirical and neural network approaches for estimating corn and soybean leaf area index from Landsat ETM+ imagery. Remote Sensing of Environment. 92:465-474.

Wittich K.P. 1997. Some simple relationships between land-surface emissivity, greenness and the plant cover fraction for use in satellite remote sensing. Int J Biometeorol. 41:58-64.

169


RELACION DE LAS PRECIPITACIONES PRIMAVERALES SOBRE LOS RENDIMIENTOS DE TRIGO EN LA REGIÓN DE INFLUENCIA DE BAHÍA BLANCA

EN EL SUDOESTE BONAERENSE SEMIARIDO

Torres Carbonell, C. A.1; Scian, B. V.2 1Agencia de Extensión Bahía Blanca, INTA EEA Bordenave, Calle Viamonte No.685. Bahía Blanca, CP 8000, Argentina. 2 Conicet.. Departamento de Agronomía, Universidad Nacional del Sur, Calle San Andres No.800. Bahía Blanca, CP 8000, Argentina.


Palabras clave: rendimiento de trigo, precipitaciones primaverales,, sudoeste bonaerense semiárido.

INTRODUCCIÓN

El cultivo de trigo (Triticum aestivum L.) (CT) es el principal cultivo de cosecha dentro de la región semiárida del Sudoeste Bonaerense (SBS). Este hecho se fundamenta en su mejor ajuste a los picos estacionales de precipitaciones característicos de la región (Torres Carbonell, 2008). Sus rendimientos en la SBS se encuentran substancialmente acotados por las variables climáticas, (principalmente la precipitación, seguida en segundo lugar por la ocurrencia de heladas) y por las clases de suelos existentes. Este hecho se relaciona directamente con que el uso consuntivo (UC) del cultivo resulta normalmente superior a las precipitaciones y capacidad de almacenaje hídrico de los suelos, limitando la expresión potencial de rendimiento del mismo. Los requerimientos hídricos del CT se incrementan progresivamente hacia la etapa de floración, alcanzando sus demandas máximas en el intervalo situado entre 20 días de prefloración y 10 días de postfloración en el cual se determina el número de granos/m2 (Abbate, 2001). En la región de influencia de Bahía Blanca este periodo se encuentra coincidente con los meses de septiembre, octubre y noviembre (SON). El aumento progresivo de las temperaturas y vientos, la escasa profundidad efectiva de los suelos y la ocurrencia de precipitaciones de junio, julio y agosto de mínimas a ocasionales, desembocan en un requerimiento imperioso de precipitaciones en el periodo de SON. La situación más deseable es el arribo al periodo crítico de cultivo con la mayor cantidad posible de agua útil disponible en el perfil. Sin embargo, a nivel de herramientas de planificación productiva, esta situación deseada no es sencilla de adecuar, dada la gran variabilidad de las precipitaciones primaverales en el SBS (Torres Carbonell, 2006). El punto clave es la adecuación y adopción de tecnología que permita maximizar la eficiencia del uso del agua, disponibilidad de agua en el periodo crítico y la conservación de los suelos.

En este sentido, el objetivo de este trabajo fue analizar la relación de las precipitaciones de SON con los rendimientos del CT, a fin de obtener mayor información para contribuir a la mejora de la utilización de las estrategias tecnológicas agrícolas disponibles.

MATERIALES Y MÉTODOS El presente estudio se realizó en la región de Bahía

Blanca de mayor aptitud agrícola. Con un área definida hacia la orientación Norte y Este respecto de dicha localidad y una distancia máxima de 60 km. El periodo de análisis comprendió los años 2005, 2006 y 2007 por ser un trienio con la manifestación de ciclos de escasas a abultadas cosechas para la zona. Asimismo la alta variabilidad interanual de las lluvias primaverales permitió observar condiciones extremas áridas y húmedas. La información fue procesada a través de un análisis estadístico multivariado de Componentes Principales (CP) a partir de datos de rendimientos de 65 lotes de explotaciones regionales, el índice de precipitación estandarizado (IPE) de SON a escala de 1, 2 y 3 meses y el tipo de tecnología utilizada: siembra directa (SD) o labranza convencional (LC).

Los lotes fueron seleccionados aleatoriamente en la zona. Los IPE en sus distintas escalas, fueron construidos a partir de series de precipitaciones de la zona muéstreal de entre 50 a 30 años y posteriormente interpolados espacialmente. La metodología empleada para la construcción de los IPE fue la definida por Edwards y Mckee (1997). El mismo presenta una alta correlación para la región semiárida pampeana con los demás índices climatológicos de mayor relevancia una vez definida una escala temporal apropiada (Scian, 1997). RESULTADOS Y DISCUSIÓN

Entre la primera, segunda y tercera CP se explicó el 95% de la variación total distribuida en un 43,6, 38,6 y 9,9% respectivamente. Las variables obtuvieron una representación superior al 77% en las primeras 3 CP. El coeficiente de correlación cofenética fue del 99,3%.

Como puede observarse en el Biplot (Figura 1) la mayor correlación con el rendimiento se encontró con el IPE trimestral del mes de Noviembre (r: 0,76). En este sentido el IPE3N sintetiza el balance de las precipitaciones acumuladas de los 3 meses objeto de estudio (SON). Se encontraron en segundo lugar de importancia el IPE1S y el IPE2O (r: 0,65 y 0,62) lo cual estaría indicando una mayor influencia de las precipitaciones de S o del balance de las acumuladas de SO en el rendimiento final del CT. Es decir, se manifiesta muy relevante la recarga y mantenimiento de agua en el suelo al inicio del intervalo de incremento de UC del cultivo, para la obtención de altos rendimientos. Siempre

170


y cuando en N (mes a nivel zonal de acontecimiento del periodo crítico) exista un saldo de agua útil en suelo de SO y/o no ocurran déficit muy severos en las precipitaciones. Este último aspecto estaría siendo indicado por la mayor correlación positiva con el IPE3N antes mencionada.

Figura 1. Análisis de CP. Relación entre variables e individuos muestreados, en la 1ra y 2da CP.

Con respecto a los lotes de CT, la 2da CP se encuentra explicando principalmente los mayores rendimientos, dado por las mayores lluvias de S y los balances hídricos positivos de todo el periodo SON (r:0,84; 0,89 y 0,83 respectivamente) observable en el cuadrante superior. La 1ra CP por su parte (cuadrante derecho) se halla exponiendo básicamente la variabilidad de cada lote con respecto a las mayores precipitaciones de O (IPE1O), y balances de los periodos ON (IPE2N) y SO (IPE2O) (r:0,96; 0,81 y 0,93 respectivamente). De las cuales solo las precipitaciones de SO (IPE2O) interesan substancialmente por su alta correlación con el rendimiento antes mencionada (r:0,62).

El desempeño de cada lote en 2005/06/07 se encuentra identificado con los colores rojo, verde y azul respectivamente. Como puede observarse la campaña 2007 de mayores rendimientos, manifestó altas precipitaciones en S (IPE1S), intermedias en O (IPE1O) y N (IPE1N) siendo elevadas en su balance SON (IPE3N). Mientras, 2005 obtuvo relativamente altas precipitaciones en N (IPE1N) y 2006 en O (IPE1O), pero ambas con balances SON negativos. Estas dos últimas distribuciones de las lluvias (2005/06) se manifiestan como inadecuadas para la expresión de altos rendimientos.

En la 3era CP (Figura 2) se encuentra expresada casi exclusivamente la variable de distinción de lotes en SD con respecto a los de LC. La SD presentó una correlación de 0,29 con los mayores valores de rendimiento, para la totalidad de explotaciones muestreados en las diferentes condiciones pluviométricas del periodo de análisis.

Figura 2. Análisis de CP. Relación entre variables en la 2da y 3ra CP. CONCLUSIONES

Se destaca como principal información obtenida la existencia de un claro requerimiento de importantes precipitaciones en S y SO para los mayores rendimientos del CT en la región de Bahía Blanca. Incorporando la salvedad, que el balance final SON no se registre finalmente negativo por déficit extremos, en el mes de N. Esta información podría resultar en una fuerte implicancia para la adecuación de la tecnología de cultivo en función del uso de pronósticos de lluvias para S, O, N a partir de agosto y reducir los niveles de riesgo principalmente para la decisiones de fertilización. Asimismo se resalta la tecnología de SD, a nivel de la respuesta productiva incremental observada, alcanzando un 29% de aumento en los rendimientos zonales observados. Los resultados hallados instalan la necesidad de continuar los estudios en otras series de tiempo, a fin de fortalecer e incorporar mayor conocimiento regional. REFERENCIAS Abbate, P. E.; Cantarero M.G. 2001. Efecto del stress hídrico

en trigo. V Congreso Nacional de trigo, Carlos Paz, Córdoba. 2001.

Edwards, D. and Mckee, T. 1997. Characteristics of 20th century drought in the United States at multiple time scale. Climatology Report Nº 97-2. Colorado State University. 155 pp.

Scian B.V. 1997. Comparación entre el índice de precipitación estandarizado y otros índices hidrológicos para la región pampeana. Meterológica. Volumen 22 - Número 2.

Torres Carbonell C.A. 2006. Estrategias tecnológicas para minimizar el riesgo económico en el cultivo de trigo en la semiárida Bonaerense. Boletín divulgación técnica INTA.

Torres Carbonell C.A. 2008. Evaluación de la respuesta a la fertilización orgánica de genesis top grow (gtg) de los cultivos de trigo y cebada cervecera en el sudoeste bonaerense. Informe técnico. Convenio vinculación tecnológica INTA-Bioagro Americana. 21p.

171

TELEDETECCIÓN, GPS Y GIS - agrometeorologia.criba.edu.aragrometeorologia.criba.edu.ar/Downloads/WEB-RALDA2010/AREA TE… · XIII Reunión Argentina y VI Latinoamericana de Agrometeorología,

Documents