104639 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Evaluación del contenido nitrógeno en pastos a partir de información multiespectral en “CADET” Tumbaco, Pichincha, Ecuador Evaluation of nitrogen content in pastures from multispectral information in CADET Tumbaco, Pichincha, Ecuador

Isabel Cristina Vinueza Espinel 01633724 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Leonardo Zurita Arthos PhD

Quito-Ecuador, 15/09/2021

AGRADECIMIENTO A la Universidad Central del Ecuador, en particular a la Facultad de Ciencias Agrícolas: Campo Académico Docente Experimental la Tola (CADET), al Laboratorio de Nutrición Animal, a los estudiantes de Ingeniería Agropecuaria de CADET y en especial reconocimiento al Ing. Agr. Francisco Gutiérrez, MSc por su gran aporte científico y experimental a esta investigación.

A la empresa ecuatoriana Geosolutions por brindarme apoyo con las imágenes satelitales Planet para el área de investigación.

Al equipo de UNIGIS por su entrega, tiempo, dedicación y asesorías en el desarrollo de este trabajo.

DEDICATORIA

La investigación está dedicada a:

A mi Amore Jaimito por entregarme su tiempo y motivación para cumplir los proyectos que me he propuesto en la vida.

A mi familia por brindarme cada día su cariño y apoyo para continuar en la carrera profesional. En especial mención a mis sobrinos Yusuf y Meryem quienes con su dulzura y alegría impregnaron en mí un espíritu soñador, vencedor y triunfante.

A mis niños de la catequesis por dejar sus huellas en mi corazón las cuales fueron inspiración para la realización de la investigación.

RESUMEN

La aplicación de las diferentes herramientas para medir la presencia de nitrógeno en un cultivo mediante sensores portátiles como el Green Seeker, imágenes multiespectrales, cálculos de Nitrógeno Total en laboratorio juntamente con técnicas de geoprocesamiento mediante sistemas de información geográfica se ha transformado en una alternativa esencial para evaluar escenarios geográficos de forma rápida. En consecuencia, convertirse en apoyo para la toma de decisiones en diferentes procesos como es el caso del comportamiento de los cultivos permitiendo la obtención de datos que a simple vista no se pueden observar. Con el objeto de evaluar a partir de información multiespectral la presencia de nitrógeno en la madurez del cultivo de pasto mixto desarrollado en el Campo Académico Docente Experimental la Tola de la Facultad de Ciencias Agrícolas de la Universidad Central del Ecuador en Tumbaco, Pichincha, Ecuador, se midió en dos cortes consecutivos los índices de vegetación estimadores de nitrógeno de las imágenes multiespectrales NDVI, NPCI, MCARI2 y PRI; y el índice NDVI del sensor portátil Green Seeker. Para ello, se instaló 6 sub-parcelas con 6 tratamientos de dosis de nitrógeno incluyendo el de sin tratamiento N (0, 80, 160, 240, 320 y 400 kg de N/ha/año). Se recolectó 47 muestras en los dos cortes para obtener el porcentaje de nitrógeno total en laboratorio en cada uno de los tratamientos. Se correlacionó los índices con el porcentaje de nitrógeno total en materia seca. El índice NDVI del Green Seeker para la dosis de 0 kg de N/ha/año del primer corte presentó un coeficiente de determinación de R2=0.84, para la dosis de 240 kg de N/ha/año del segundo corte con R2=0.65, para la dosis de 320 kg de N/ha/año: del primer corte con R2=0.73 y segundo corte con R2=0.58. Se identificó que el índice PRI es idóneo para detectar la presencia de nitrógeno en la madurez del pasto mixto con la cantidad de fertilizante nitrogenado de 240 kg de N/ha/año perteneciente al tratamiento T3 con un coeficiente de determinación de R2=0.81. Mientras que los índices NDVI, NPCI y MCARI2 obtenidos de las imágenes satelitales Planet de 3 metros de resolución espacial con bandas en el espectro visible e infrarrojo cercano no son relevantes para estimar la presencia del nitrógeno total en el pasto mixto compuesto por la mezcla forrajera de raigrás perenne y alfalfa en las dosis de 0, 80, 160, 320 y 400 kg de N/ha/año. Los resultados obtenidos demuestran que la combinación de técnicas tradicionales de detección del nitrógeno y combinado con sensores remotos permitirá desempeñar un papel importante en el suministro de información en un tiempo específico también en un tiempo crítico para la agricultura de precisión, debido a sus capacidades en la medición de indicadores/parámetros biofísicos y detección de su variabilidad espacial sobre el comportamiento del nitrógeno en la madurez del pasto a fin de que sea un instrumento esencial para investigaciones posteriores en CADET. Palabras clave: pasto mixto, materia seca, fertilización nitrogenada, imágenes multiespectrales, índices de vegetación, Green Seeker

ABSTRACT

The application of the different tools to measure the presence of nitrogen in a crop using portable sensors such as the Green Seeker, multispectral images, Total Nitrogen calculations in the laboratory together with geoprocessing techniques using geographic information systems has become an essential alternative for quickly evaluate geographic settings. Consequently, it becomes a support for decision-making in different processes, such as the behavior of crops, allowing the obtaining of data that cannot be observed with the naked eye. In order to evaluate from multispectral information the presence of nitrogen in the maturity of the mixed grass crop developed in the Tola Experimental Academic Teaching Field of the Agricultural Science Faculty of Central University of Ecuador in Tumbaco, Pichincha, Ecuador, the indices derived from multispectral imagery NDVI, NPCI, MCARI2 and PRI were measured; as well as the NDVI index from a Green Seeker handheld sensor. For the study, six sub-plots were installed with five nitrogen dose treatments including the one without treatment N (0, 80, 160, 240, 320 y 400 kg de N/ha/año). A total of 47 samples were collected in the two sections to obtain the percentage of total nitrogen in the laboratory in each of the treatments. The indices were correlated with the percentage of total nitrogen in dry matter, the NDVI index of the Green Seeker for the dose 0 kg N/ha/año of the first cut presented a coefficient of determination of R2 = 0.84, for the dose of 240kg N/ha/año of the second cut with R2 = 0.65, for the dose of 320kg N/ha/año: of the first cut with R2 = 0.73 and second cut with R2 = 0.58. It was identified that the PRI index is suitable for detecting the presence of nitrogen in the maturity of the mixed pasture with the amount of nitrogen fertilizer of 240 kg N/ha/año belonging to the T3 treatment with a coefficient of determination of R2 = 0.81. While the NDVI, NPCI and MCARI2 indices obtained from the Planet satellite imagery of 3 resolution with spectral bands in the visible and near infrared did not prove relevant to estimate the presence of total Nitrogen in the mixed grass composed of the forage mixture of perennial ryegrass and alfalfa at all the doses 0, 80, 160, 320 and 400 kg de N/ha/año. The results obtained show that the combination of traditional nitrogen detection techniques and combined with remote sensors will allow it to play an important role in providing information at a specific time, also at a critical time for precision agriculture, due to its capabilities in the measurement of biophysical indicators / parameters and detection of their spatial variability on nitrogen behavior in pasture maturity in order to make it an essential tool for further research in CADET.

Keywords: mixed grass, dry matter, nitrogen fertilization, multispectral imagery, vegetation indices, Green Seeker

TABLA DE CONTENIDO RESUMEN .……..................................................................................................................................5 ABSTRACT……………………………………………………………………………………....6 1. INTRODUCCIÓN............................................................................................................. 13 1.1. Antecedentes del problema ...................................................................................... 13 1.2. Objetivo General ....................................................................................................... 15 1.3. Objetivos Específicos ............................................................................................... 15 1.4. Pregunta de Investigación ........................................................................................ 15 1.5. Hipótesis ................................................................................................................... 15 1.6. Justificación .............................................................................................................. 15 1.7. Alcance ..................................................................................................................... 16 2. REVISIÓN DE LITERATURA .......................................................................................... 17 2.1. Características generales de las Pasturas............................................................... 17 2.2. mezclas forrajeras .................................................................................................... 18 2.3. Rye grass (Lolium perenne) ..................................................................................... 19 2.4. Alfalfa Común ........................................................................................................... 20 2.5. Nutrición de las plantas ............................................................................................ 20 2.5.1. Nutrición en los pastos....................................................................................... 22 2.5.2. Herramientas de diagnóstico de Nitrógeno en la planta y cultivo ..................... 23 2.5.3. Detección de Nitrógeno con índices de vegetación .......................................... 25 2.5.4. Detección del Nitrógeno en laboratorio ............................................................. 28 2.5.5. Detección del Nitrógeno con Green Seeker ...................................................... 28 2.6. Marco metodológico ................................................................................................. 29 3. METODOLOGÍA .............................................................................................................. 34 3.1. Esquema Metodológico ............................................................................................ 34 3.2. Ubicación del área de estudio .................................................................................. 36 3.2.1. Características climáticas .................................................................................. 37 3.2.2. Procedimiento .................................................................................................... 38 4. RESULTADOS Y DISCUSIÓN ....................................................................................... 46 4.1. Resultados ................................................................................................................ 46 4.1.1. Muestra de suelo................................................................................................ 46 4.1.2. Medición Variables ............................................................................................. 46 4.1.3. % Nitrógeno Total .............................................................................................. 54

4.1.4. Correlación de Variables.................................................................................... 56 4.2. Discusión................................................................................................................... 73 5. CONCLUSIONES ............................................................................................................ 83

GLOSARIO ADP: Adenosín difosfato ATP: Trifosfato de adenosina CADET: Campo Académico Docente Experimental la Tola CLgreen: Indice de clorofila verde CL red-edge: Ondice de clorofila del borde rojo DCNI: Índice de nitrógeno de dosel de doble pico EAN: Eficiencia Agronómica del Nitrógeno GNDVI: Indice de vegetación de diferencia normalizada verde GS:Green Seeker GPS: Sistema de Posicionamiento Global GVI: Indice de vegetación verde IPNI: International Plant Nutrition Institute MCARI2: Absorción de clorofila modificada en el índice de reflectancia 2 MS: Materia seca MTVI2: Índice de vegetación triangular modificado 2 MV: Materia verde N: Nitrógeno NDVI: Índice de Vegetación Normalizada NDRE: Indice del borde rojo de diferencia normalizada NGRDI: Normalized Green-Red Difference Index NIR: Banda del infrarrojo cercano NPCI: Índice de clorofila de pigmento normalizado PRI: Índice de reflectancia fotoquímica de diferencia normalizada QUAC: Corrección Atmosférica Rápida RED: Banda del rojo RVI: Ratio Vegetation Index SAVI: Indice de Vegetación ajustado al suelo

LISTA DE FIGURAS

Figura 1 Desarrollo morfológico de los pastos. A: Organización estructural de los fitómeros. B: Organización estructural de los tallos. C: Organización de la planta ........... 18 Figura 2 Crecimiento del fitómero de Rye grass perenne después de la defoliación ....... 20 Figura 3 Localización del N en la molécula de clorofila ..................................................... 22 Figura 4 Respuesta espectral de una hoja sana ............................................................... 24 Figura 5 Funcionamiento del Sensor portátil Green Seeker ............................................. 29 Figura 6 Esquema Metodológico de la investigación ........................................................ 34 Figura 7 Mapa de Ubicación del Área de estudio en “CADET”-La Morita. ....................... 37 Figura 8 Obtención de muestras con barreno en campo .................................................. 38 Figura 9 Mapa de Ubicación del Área de estudio en “CADET”-La Morita y distribución de tratamientos de N. ............................................................................................................... 39 Figura 10 Colocación de cuerdas en campo. .................................................................... 40 Figura 11 Mapa del Diseño para la medición de las variables: NDVI (GS) y % Nitrógeno Total. .................................................................................................................................... 41 Figura 12 Dirección de medición de las lecturas Green Seeker ....................................... 42 Figura 13 Muestras de MV ................................................................................................. 43 Figura 14 Muestras de Materia seca .................................................................................. 43 Figura 15 Muestras secas para análisis en Laboratorio .................................................... 44 Figura 16 Medición del NDVI (Green Seeker) en parcela sin tratamiento T0: 0 N (Kg/ha) enero y marzo. ..................................................................................................................... 47 Figura 17 Medición del NDVI (Green Seeker) en parcela T1: 80 N (Kg/ha) enero y marzo. ............................................................................................................................................. 47 Figura 18 Medición del NDVI (Green Seeker) en parcela T2: 160N (Kg/ha) enero y marzo. .................................................................................................................................. 48 Figura 19 Medición del NDVI (Green Seeker) en parcela T3: 240N (Kg/ha) enero y marzo. .................................................................................................................................. 48 Figura 20 Medición del NDVI (Green Seeker) en parcela T4: 320N (Kg/ha) enero y marzo. .................................................................................................................................. 49 Figura 21 Medición del NDVI (Green Seeker) en parcela T5: 400N (Kg/ha) enero y marzo. .................................................................................................................................. 49 Figura 22 Mapa de Respuesta del cultivo al N-Índice NDVI-enero y marzo en T0, T1, T2, T3, T4 y T5. ......................................................................................................................... 50 Figura 23 Mapa de Respuesta del cultivo al N-Índice MCARI2-enero y marzo en T0, T1, T2, T3, T4 y T5. ................................................................................................................... 51 Figura 24 Mapa de Respuesta del cultivo al N-Índice NPCI- enero y marzo en T0, T1, T2. T3, T4 y T5. ......................................................................................................................... 52 Figura 25 Mapa de Respuesta del cultivo al N-Índice PRI- enero y marzo en T0, T1, T2, T3, T4 y T5. ......................................................................................................................... 53 Figura 26 Mapa de distribución espacial de las muestras de MV y NDVI (GS). ............... 54 Figura 27 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero. ..................................................................................................................... 58 Figura 28 Relación entre el Índice INDVI y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero. ................................................................................................................................... 58

Figura 29 Relación entre Índice NPCI y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero. ................................................................................................................................... 59 Figura 30 Relación entre el Índice PRI y %Nitrógeno Total en parcela T0: 0N (Kg/ha),enero. ...................................................................................................................... 59 Figura 31 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero. ..................................................................................................................... 60 Figura 32 Relación entre el Índice PRI y %Nitrógeno Total en parcela T1: 80N (Kg/ha), marzo. .................................................................................................................................. 61 Figura 33 Relación entre el Índice NPCI y %Nitrógeno Total en parcela T1: 80N (Kg/ha), marzo. .................................................................................................................................. 62 Figura 34 Relación entre el Índice NPCI y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo. .................................................................................................................................. 63 Figura 35 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo. .................................................................................................................... 64 Figura 36 Relación entre el Índice NDVI y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo. .................................................................................................................................. 64 Figura 37 Relación entre el Índice PRI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), enero. ................................................................................................................................... 66 Figura 38 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T3: 240N (Kg/ha), enero. ..................................................................................................................... 66 Figura 39 Relación entre el Índice PRI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo. .................................................................................................................................. 67 Figura 40 Relación entre el -Índice NDVI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo. .................................................................................................................... 67 Figura 41 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo. .................................................................................................................... 68 Figura 42 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo. .................................................................................................................... 68 Figura 43 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T4: 320N (Kg/ha), enero. ..................................................................................................................... 70 Figura 44 Relación entre el Índice PRI y %Nitrógeno Total en parcela T4: 320N (Kg/ha), marzo. .................................................................................................................................. 70 Figura 45 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T4: 320N (Kg/ha), marzo. .................................................................................................................... 71 Figura 46 Relación entre el Índice NDVI y %Nitrógeno Total en parcela T5: 400N (Kg/ha), enero. ................................................................................................................................... 72 Figura 47 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T5: 400N (Kg/ha), enero ...................................................................................................................... 73 Figura 48 Mapa del NDVI del cultivo de pasto en T0: 0N (Kg/ha), enero y marzo, sensor Green Seeker. ..................................................................................................................... 75 Figura 49 Mapa del NDVI del cultivo de pasto en T1: 80N (Kg/ha), enero y marzo, sensor Green Seeker. ..................................................................................................................... 76 Figura 50 Mapa del NDVI del cultivo de pasto en T2: 160N (Kg/ha), enero y marzo, sensor Green Seeker. ......................................................................................................... 77 Figura 51 Mapa del NDVI del cultivo de pasto en T3: 240N (Kg/ha), enero y marzo, sensor Green Seeker. ......................................................................................................... 78 Figura 52 Mapa del NDVI del cultivo de pasto en T4: 320N (Kg/ha), enero y marzo, sensor Green Seeker. ......................................................................................................... 79 Figura 53 Mapa del NDVI del cultivo de pasto en T5: 400N (Kg/ha), Mes Enero y Marzo, sensor Green Seeker. ......................................................................................................... 80

LISTA DE TABLAS

Tabla 1 Nutrientes Minerales de las plantas .................................................................. 21 Tabla 2 Categorías nutricionales del Rye grass perenne ............................................. 23 Tabla 3 Características climáticas anuales .................................................................... 37 Tabla 4 Evaluación de cinco dosis de ............................................................................ 39 Tabla 5 Variables de la investigación ............................................................................. 40 Tabla 6 Parámetros analizados del suelo ....................................................................... 46 Tabla 7 Variables en estudio –Enero .............................................................................. 55 Tabla 8 Variables en estudio –Marzo .............................................................................. 56 Tabla 9 Rangos de Correlación ....................................................................................... 57 Tabla 10 Correlación lineal de las variables con T0: 0 N (Kg/ha)-enero ..................... 57 Tabla 11 Correlación lineal de las variables con T0: 0 N (Kg/ha)-marzo .................... 57 Tabla 12 Correlación lineal de las variables con T1: 80 N (Kg/ha)-enero ................... 60 Tabla 13 Correlación lineal de las variables con T1: 80 N (Kg/ha)-marzo .................. 61 Tabla 14 Correlación lineal de las variables con T2: 160 N (Kg/ha)-enero................. 62 Tabla 15 Correlación lineal de las variables con T2: 160 N (Kg/ha)-marzo ................ 63 Tabla 16 Correlación lineal de las variables con T3: 240 N (Kg/ha)-enero................. 65 Tabla 17 Correlación lineal de las variables con T3: 240 N (Kg/ha)-marzo ................ 65 Tabla 18 Correlación lineal de las variables con T4: 320 N (Kg/ha)-enero................. 69 Tabla 19 Correlación lineal de las variables con T4: 320 N (Kg/ha)-marzo ................ 69 Tabla 20 Correlación lineal de las variables con T5: 400 N (Kg/ha)-enero................. 71 Tabla 21 Correlación lineal de las variables con T5: 400 N (Kg/ha)-marzo ................ 72

1. INTRODUCCIÓN 1.1. ANTECEDENTES DEL PROBLEMA La alimentación del ganado lechero en Ecuador se basa fundamentalmente en pastos y forrajes los cuales se producen durante todo el año debido a las condiciones ambientales favorables que presenta el territorio ecuatoriano. Salazar, Cuichán, Ballesteros, Márquez y Orbe (2017) indican que la superficie de pastos cultivados ascienden del año 2016 al 2017 con una representación del 19,81% de la superficie total nacional del Ecuador. Sin embargo, al presentar una mayor superficie de pastos cultivados el sector pecuario tiene dificultades para mantener un desarrollo constante y sostenido debido a la mala y escasa alimentación suministrada a los bovinos, Ramírez, L (comunicación personal 15 de septiembre de 2018) sugiere que al mejorar la tecnología de producción de pastos beneficiarían en forma directa en la producción de carne, leche o lana. Uno de los nutrientes que mayor impacto tienen en la producción de forraje es el nitrógeno (N) ya que participa en el crecimiento y desarrollo saludable de las plantas. El N participa en las plantas en varios procesos metabólicos como en la herencia genética, en la clorofila y mejora los sistemas de raíces, especialmente en la absorción de agua y nutrientes (Yadav et al., 2017). El N contribuye a la producción de componentes químicos para la protección contra parásitos y enfermedades de las plantas (Muñoz Huerta et al., 2013). Con el uso de fertilizantes nitrogenados se ha logrado obtener buenos rendimientos en los forrajes y ha permitido maximizar la utilización de los recursos naturales con lo que cuenta, de manera que permite aumentar la producción de forraje manteniendo estable la superficie utilizada (Alesandri y Alesandri, 2009). Se han realizado varias investigaciones en el Campo Académico Docente Experimental la Tola (CADET) de la Facultad de Ciencias Agrícolas de la Universidad Central del Ecuador , Tumbaco, sobre el efecto de la fertilización nitrogenada en la producción de biomasa y la eficiencia del nitrógeno en cultivos de Rye grass (Lolium perenne) en los que han determinado que a medida que se

incrementaron las dosis de N aumentaron también la producción de biomasa verde y seca obteniendo rendimientos altos superando el rendimiento Rye grass en condiciones normales (Gutiérrez y López, 2018; Gutiérrez y Fuentes, 2019) de igual manera se obtuvo altos rendimientos con al cultivo de avena forrajera (Avena sativa L.) (Gutiérrez y Loazya, 2016). Las cantidades de fertilizantes colocadas no siempre son las adecuadas para que las plantas presenten un equilibrio en las actividades metabólicas de su sistema, ya que pueden evidenciar síntomas de deficiencia. Los síntomas se presentan cuando la concentración de N es alta en hojas jóvenes y concentraciones bajas en las hojas viejas, mostrando un retraso en el crecimiento, clorosis, amarrillamiento en las hojas (Barbazan, 1998), reducción de la macolla en los cereales, reducción de las vainas en las leguminosas, y consecuentemente, reducciones en el rendimiento (Yadav et al., 2017). Para evitar los síntomas que se pueden presentar al incrementar o disminuir N en cultivo, los investigadores de CADET han empleado el análisis de la Eficiencia Agronómica del Nitrógeno (EAN) a través de un gráfico, el cual determina la recomendación de N para el sitio de interés definiendo la dosis de N que mejor absorbe en la planta de acuerdo a la producción de biomasa seca obtenida al final de un ciclo. Las técnicas tradicionales para la corrección de síntomas presentados en las plantas se realizan demasiado tarde en el ciclo productivo como para obtener un retorno económico en respuesta a esa corrección (Barbazan, 1998). Con el desarrollo de técnicas espectrales usadas dentro del campo de los sensores remotos presentan un mejor entendimiento sobre el estado de los cultivos que se están observando facilitando este recurso como información necesaria para evaluar y monitorear el estado nitrogenado de las plantas en tiempo real, conocimiento que aportaría a los agricultores para que tomen decisiones correctas para la prevención de sus cultivos.

1.2. OBJETIVO GENERAL Evaluar la presencia de nitrógeno en el cultivo de pasto mixto

a partir de

información espectral en el CADET de la Facultad de Ciencias Agrícolas de la Universidad Central del Ecuador en Tumbaco, Pichincha, Ecuador.

1.3. OBJETIVOS ESPECÍFICOS •

Analizar la respuesta del cultivo de pasto mixto bajo diferentes dosis y períodos de fertilización con nitrógeno con el sensor portátil Green Seeker.

•

Identificar el índice de vegetación idóneo para detectar la presencia de nitrógeno en la madurez del pasto mixto.

1.4. PREGUNTA DE INVESTIGACIÓN •

¿Qué relación tiene entre el porcentaje de nitrógeno total calculado en laboratorio de las diferentes dosis y periodos de fertilización con el índice de diferencia normalizado (NDVI) medido por el sensor Green Seeker?

•

¿Cuál es el índice de vegetación idóneo que detecta la presencia de nitrógeno en la madurez del pasto mixto?

1.5. HIPÓTESIS Es posible estimar la presencia del nitrógeno en el pasto mixto compuesto por la mezcla forrajera de raigrás perenne y alfalfa cuando se aplican diferentes dosis de fertilización nitrogenada mediante el análisis de información espectral captada con imágenes satelitales Planet de 3 metros de resolución espacial con bandas en el espectro visible e infrarrojo cercano.

1.6. JUSTIFICACIÓN El nitrógeno es quizás el más importante de los nutrientes esenciales para las plantas, debido a las elevadas cantidades en que es demandado durante el crecimiento de los cultivos y es uno de los nutrientes que mayor impacto tiene en la producción de forrajes (Gutiérrez, Alcoser, Macías, Portilla y Espinosa, 2017). Una detección temprana del nivel de suficiencia del nitrógeno permitiría una corrección antes de que la producción se viese afectada o evitaría aplicaciones excesivas

fertilizante

nitrogenado,

con

los

consiguientes

medioambientales que pueden originarse (Isla y López, 2005).

problemas Al combinar

técnicas tradicionales de detección del nitrógeno y combinado con sensores

remotos permitirá desempeñar un papel importante en el suministro de información en un tiempo específico también en un tiempo crítico para la agricultura de precisión, debido a sus capacidades en la medición de indicadores/parámetros biofísicos y detección de su variabilidad espacial sobre el comportamiento del nitrógeno en la madurez del pasto a fin de que sea un instrumento esencial para investigaciones posteriores en el CADET.

1.7. ALCANCE La investigación se basa en la identificación del índice óptimo capaz de detectar la presencia de nitrógeno aplicado en un cultivo. Para esta evaluación se empleará dos herramientas de sensores remotos la primera con el sensor portátil Green Seeker y la segunda imágenes multiespectrales Planet con resolución de 3 metros en la etapa de madurez del cultivo de pasto mixto encontrándose dicho cultivo bajo diferentes dosis de fertilización nitrogenada, cantidades colocadas en dos ciclos consecutivos comprendidos en Enero y Marzo del año 2019 en uno de los predios del campo CADET de la Facultad de Ciencias Agrícolas de la Universidad Central del Ecuador en Tumbaco, Pichincha, Ecuador. La identificación del índice óptimo permitirá al sector de la agricultura ampliarse sobre el conocimiento de nutrición de las plantas sobre el uso de fertilizantes nitrogenados en pastos ya que al detectar o monitorear en tiempo real la presencia de N en la planta ayudaría a los agricultores a tomar decisiones de aplicación de N adecuadas y mejorar el rendimiento.

2. REVISIÓN DE LITERATURA 2.1. CARACTERÍSTICAS GENERALES DE LAS PASTURAS La pastura cultivada es la herramienta principal para manipular la producción ganadera y fuente de alimentación más económica para los animales herbívoros. Se encuentra formada por tres tipos de plantas: las gramíneas (poáceas) son ricas en energía, pobres en proteína y son consumidoras de nitrógeno por lo que se recomienda asociarlas con leguminosas ya que son ricas en proteína. Leguminosas (fabáceas) son utilizadas para incrementar la porción proteica y mineral balanseando la dieta animal (alfalfa, tréboles, vicia, soya, etc) y humana (arveja, garbanzo, frejol, soya) y para fijar nitrógeno al suelo. Las adventicias son especies vegetales que crecen espontáneamente en una pastura que pueden ser plantas útiles (alimento para el ganado) o malezas (especies dañinas ya que desplazan a las especies introducidas y afectan la salud animal) (León, Bonifaz y Gutiérrez, 2018). El desarrollo morfológico es similar entre especies, con variaciones menores principalmente en el tipo de crecimiento. La unidad básica son los fitómeros, unidades compuestas por nudo, yema axilar y lámina (Figura 1 A). El tamaño y arreglo espacial de los fitómeros determinan la organización estructural de los tallos individuales (Figura 1 B). Las plantas individuales están compuestas de un arreglo de tallos originados de yemas axilares de previas generaciones de tallos (Figura 1 C), cuya variación determina la forma de crecimiento del pasto entre sus especies (Loza, 1993).

Figura 1 Desarrollo morfológico de los pastos. A: Organización estructural de los fitómeros. B: Organización estructural de los tallos. C: Organización de la planta (Quero y Enríquez, 2013)

Las pasturas se deben mirar como un ecosistema en el que el clima, suelo, microorganismos, planta y animal están interrelacionados. El clima influye sobre las plantas aportando energía solar para el proceso de fotosíntesis, contribuye con agua para la hidratación vegetativa y el viento ayuda al intercambio de polen para la reproducción vegetal. El suelo influye en el crecimiento de los pastos como medio de sostén y provisión de nutrientes. Las plantas tienen relación con los animales ya que suministran a los animales nutrientes y fotoquímicos sintetizados por ellas (García et al., 2010, citado en León et al., 2018).

2.2. MEZCLAS FORRAJERAS Para alcanzar la autosuficiencia alimentaria en las fincas ganaderas es necesario que el potrero este conformado por mezclas de gramíneas, leguminosas y adventicias útiles ya que al sembrarlas juntas poseen varias ventajas (León et al., 2018): Las raíces al tener diferente profundidad y altitud permiten que utilicen al máximo los elementos nutritivos del suelo y de la atmósfera. •

Si alguna especie se ve afectada por algún efecto climático o producto de la presencia de plagas siempre hay otra especie que resiste y compensa la producción de forraje.

•

Para el ganado, la mezcla forrajera es más apetecible que una siembra pura.

•

Los potreros de Rye grass perenne aumenan el consumo y la producción de leche de vacas a postoreo, cuando incluyen 20-25% de trébol blanco.

•

El suelo se beneficia con el N de la simbiosis de las leguminosas y la mayor cantidad de materia organica y humus incorporado, con lo cual se tiene producción sostenible sin contaminación ambiental.

•

Se controlan mejor las malas hierbas

•

Se protege al suelo contra la erosión

La composición ideal para la sierra, se comporne de gramíneas 70-75%, leguminosas 25-30% y adventicias 2-3%. En zonas donde se produce bien la alfalfa, el aporte de esa leguminosa a la mezcla debe ser entre un 50 y un 60% de la materia seca (MS) total ofrecida, pero se puede llegar al 100% (León, et al., 2018).

2.3. RYE GRASS (LOLIUM PERENNE) El Rye grass perenne es una gramínea perenne, nativa de Europa, Asia templada y Norte de África, se encuentra distribuida al norte y sur de América, Europa, Nueva Zelanda y Australia. Las características de esta especie son: alto potencial de producción, rápido establecimiento, adaptabilidad con labranza mínima y en suelos pesados con poco drenaje. Es considerado la mejor opción forrajera en las zonas de clima templado por sus altos rendimientos, calidad nutritiva y habilidad para crecer en gran diversidad de suelos (Gutiérrez y López, 2018). No toleran temperaturas extremas (>25ºC) ni largos períodos de sequía. Se desarrolla adecuadamente con más de 750 mm y bien distribuidos a lo largo del año (Gutiérrez y Alcoser, 2016). Se adapta en zonas entre los 1800 y 3600 msnm, arriba de los 3000 msnm su crecimiento se reduce y los períodos de recuperación se deben prolongar entre 2 y 4 semanas. Los suelos donde crece deben ser de media a alta fertilidad, con un drenaje adecuado y pH superior a 5,5; es exigente a la nutrición de nitrógeno, fósforo y potasio (Villalobos y Sánchez, 2010). Los tallos vegetativos del Rye grass perenne son erectos con abundantes hojas, sus vainas son algo achatadas, la lígula es corta y las aurículas pequeñas. Presenta láminas verdes brillantes con prominentes nervaduras laterales (Gutiérrez y Alcoser, 2016). El Rye grass perenne se considera una planta de 3 hojas, la primera hoja en emerger se vuelve senescente conforme la cuarta hoja emerge, dicho ciclo se mantiene después de 3 hojas verdes, por lo que la hoja más vieja morirá de no aprovecharse el forraje (Fulkerson y Donaghy, 2001). El rendimiento máximo de los pastizales Rye grass perenne coincide con un nuevo crecimiento de alrededor de 3.5-4.0 hojas / tallo (Figura 2) (Fulkerson y Donaghy, 2001)

Figura 2 Crecimiento del fitómero de Rye grass perenne después de la defoliación (Fulkerson y Donaghy, 2001)

2.4. ALFALFA COMÚN La alfalfa común es una leguminosa de origen pérsico, tiene un ciclo vegetativo perenne, tiene una notable adaptabilidad a diversas clases de suelos, sin embargo, para un buen desarrollo de la planta es indispensable suelos profundos, con subsuelo permeable. El pH ideal es neutro o ligeramente alcalino (6,2-7,8), puede vegetar con pH 9 y llegar a pH 11, no soporta la acidez, limitante para el cultivo es un pH 4,5-5,5. La alfalfa es muy apetecida por el ganado vacuno,caballar, ovino y especies menores como cuyes y conejos, sea como forraje verde, heno y bajo forma de harina (alfarina). Se le usa sola o en mezcla con otras gramíneas y leguminosas (León et al., 2018).

2.5. NUTRICIÓN DE LAS PLANTAS La nutrición de plantas se aplica en varios sistemas desde extensas áreas de pastizales y pasturas utilizadas para pastoreo hasta la producción intensiva de cultivos anuales y plantaciones. El International Plant Nutrition Institute (IPNI) propone cuatro requisitos (4R) necesarios y suficientes para describir cualquier aplicación de fertilizantes a cualquier cultivo a fin de lograr un manejo sostenible de nutrición de las plantas: fuente, dosis, momento y lugar correctos e incluye tres dimensiones de sostenibilidad económica (productividad y rentabilidad del sistema), ambiental (impactos sobre el suelo, el agua, aire y la biodiversidad) y social (impactos en la calidad de vida y oportunidades de empleo). Los 4R se encuentran interconectados entre sí los cuales trabajan en el entorno de la planta, suelo y clima. Las plantas dependen del suelo como soporte mecánico y como fuente de agua, aire y nutrientes; también dependen de factores externos

como la luz y temperatura. La nutrición de las plantas parte de un sistema dinámico, que varía de un lugar a otro y de un momento a otro. La respuesta a la aplicación de nutrientes varía con todos los factores mencionados y por tanto es una actividad específica para cada sitio (IPNI, 2013). Todas las plantas requieren al menos 17 nutrientes esenciales para completar su ciclo de vida, son 14 nutrientes minerales de los cuales 6 son macronutrientes utilizados en cantidades relativamente grandes por las plantas mientras que los 8 micronutrientes son utilizados en cantidades menores y; los 3 nutrientes restantes no minerales carbono, hidrógeno, y oxígeno (Tabla 1) (IPNI, 2013). Tabla 1 Nutrientes Minerales de las plantas Categoría

Nutriente

Símbolo

Nitrógeno

Fósforo

Macronutriente

Micronutriente

Forma primaria de absorción nitrato, 𝑁𝑂3− ,amonio, 𝑁𝐻4+ fosfato, 𝐻𝑃𝑂42− , 𝐻2 𝑃𝑂4

Potasio Calcio Magnesio Azufre

K Ca Mg S

ion potasio, 𝐾 + ion calcio 𝐶𝑎2+ ion magnesio 𝑀𝑔2+ sulfato, 𝑆𝑂42−

Cloro Hierro Boro Manganeso Zinc Cobre

Cl Fe B Mn Zn Cu

ion cloruro, 𝐶𝑙 − hierro ferroso, 𝐹𝑒 2+ ácido bórico, 𝐻3 𝐵𝑂3 ion manganeso 𝑀𝑛2+ ion zinc 𝑍𝑛2+ ion cobre 𝐶𝑢2+

Molibdeno

molibdato, 𝑀𝑜𝑂42−

ion níquel 𝑁𝑖 2+

Níquel Fuente: (IPNI, 2013)

Forma principal de reserva en el suelo materia orgánica materia orgánica, minerales minerales minerales minerales materia orgánica, minerales minerales minerales materia orgánica minerales minerales materia orgánica, minerales materia orgánica, minerales minerales

Xu, Zhao, Wang, Zhang y Song (2014) indican que el N es uno de los nutrientes más exigentes para el desarrollo de los cultivos y desempeña un papel profundamente importante en la mejora de la eficiencia fotosintética de los cultivos (Xu et al., 2014) y rendimiento de los mismos (Chen, 2015). Es un componente incorporado de los compuestos de transferencia de energía como el adenosín difosfato (ADP) y el trifosfato de adenosina (ATP) que desempeñan un papel clave en el uso de energía, transferencia y liberación en diversos procesos metabólicos de las plantas, es también un componente del ácido nucleico (ácido

desoxirribonucleico y ácido ribonucleico) que desempeña un papel crucial en la herencia genética de las plantas. El N mejora los sistemas de raíces, que tiene una importancia especial en la absorción de agua y nutrientes (Yadav et al., 2017) y contribuye a la producción de componentes químicos que protegen contra parásitos y enfermedades de las plantas (Muñoz Huerta et al., 2013). En la hoja, el N se encuentra formando parte de la estructura molecular de las clorofilas a y b, pigmentos localizados en la membrana tilacoidal producidos por los cloroplastos, dichos pigmentos son los responsables de la absorción de la luz solar (energía electromagnética) en el proceso de la fotosíntesis (Figura 3).

Figura 3 Localización del N en la molécula de clorofila (Nabors, González, García, Moreno, 2006 )

2.5.1. Nutrición en los pastos Bajo pastoreo, existen dos entradas de N más significativas en el sistema sueloplanta-animal y es la fijación biológica de nitrógeno a través de leguminosas y fertilizantes nitrogenados. Los rangos de N en MS son 1- 5%, se conoce en pastos con un índice alto mayor al 4% y bajo cuando es menor al 2,9%. Por formar parte estructural de proteínas la planta necesita de este nutriente en proporciones relativamente altas y es la principal fuente de N para el ganado. Como alternativa, cuando los contenidos de N en las plantas son bajos, se debe suministrar a los animales por medio de concentrado o como N no proteico (urea) (Mena y León, 2011).

Los síntomas de deficiencia de N en la planta, empiezan en las hojas más viejas o bajeras debido a su gran movilidad, el N se transloca a tejidos tiernos, presentando una clorosis generalizada en el potrero, la tasa de crecimiento es baja y el pasto se vuelve más débil (Mena y León, 2011). Se presenta los contenidos nutricionales de Rye grass perenne (Tabla 2): Tabla 2 Categorías nutricionales del Rye grass perenne Elemento % N P K Ca Mg S

Bajo <4.50 <0.35 <2.00 <0.25 <0.16 <0.27

Rye grass perenne Suficiente 4.50-5.00 0.35-0.40 2.00-2.50 0.25-0.30 0.16-0.20 0.27-0.32

Alto >5.00 >0.40 >2.50 >0.30 >0.20 >0.32

Fuente: Mena y León (2011)

2.5.2. Herramientas de diagnóstico de Nitrógeno en la planta y cultivo Una de las herramientas utilizadas para extraer información en agricultura son los sensores remotos o teledetección, cuya función es captar a través de energía electromagnética proveniente del sol las características físicas, detección de factores limitantes, discriminación de cultivos, inventarios, etapas de crecimiento, vigor vegetal, necesidades nutrimentales, variación espacial de la productividad, estimación de la biomasa y rendimientos, superficies y muestreo de propiedades físicas y químicas del suelo en complejos entornos biofísicos (Aguilar Rivera, 2015), características que a simple vista no se puede observar. La energía electromagnética que emite un cuerpo, posee dos componentes: longitud de onda y frecuencia, ambas son continuas dentro del espectro electromagnético. Los distintos sensores remotos han sido desarrollados para captar información en distintas porciones del espectro, dichas porciones son denominadas “Bandas Espectrales”, en donde la radiación electromagnética se manifiesta con un comportamiento similar. Cuando una hoja se encuentra en un estado óptimo de crecimiento, existe baja reflectividad en las bandas visibles del espectro electromagnético (0.4 a 0.7µm) debido a la absorción energética de los pigmentos fotosintéticos (Liang, 2005). La

clorofila presenta una segunda banda de absorción en los 0.645 µm. Sin embargo, el efecto absorbente de los pigmentos es menor en los 0.55 µm, ocasionando un pico relativo que coincide con la banda verde del espectro visible dando el color a la vegetación (Figura 4).

Figura 4 Respuesta espectral de una hoja sana (Liang, 2005)

La mayor reflectancia de la vegetación verde, cerca del 45 al 50%, se da en el infrarrojo cercano (NIR), en un rango de longitudes de onda entre 0.7 a 1.3 µm, causada por la difusión que resulta de los índices de refracción del líquido intracelular y de los espacios intercelulares del mesófilo de la planta; mientras que para longitudes de ondas entre 1.3 y 2.5 µm, la reflectividad de las hojas es controlada por la absorción de agua, dando lugar a valores de reflectancia entre el 10 y 20% (Posada Asprilla, Medina Sienra y Cerón Muñoz, 2019). Una planta al estar en estrés disminuye la producción de clorofila causando una disminución en la absorción en las bandas del azul al rojo, aumentando la reflectancia en el rojo dando una apariencia amarillenta a la planta (Basilio et al., 2007). El N no absorbe ni refleja en el visible ni en el infrarrojo cercano, por lo que su concentración no se puede determinar directamente a partir de medidas espectroscópicas. Sin embargo, los diferentes niveles de N en la planta se reflejan

en el contenido de clorofila foliar, lo que hace posible estimar el contenido de N a partir de la reflectancia en el rango del espectro porque la transición de los electrones en sus moléculas ocurre a 430, 460, 640 y 660 nm; por tanto, la clorofila es un absorbente efectivo del espectro azul (400-500 nm) y rojo (600-700 nm) (Basilio et al., 2007).

2.5.3. Detección de Nitrógeno con índices de vegetación Los índices de vegetación son un conjunto de operaciones algebraicas efectuadas sobre valores numéricos de los pixeles entre dos o mas bandas pertenecientes a una misma escena de una imagen satelital, específicamente es una relación biunívoca entre los valores de reflectancia espectral a distintas longitudes de onda y parámetros biofísicos que caracterizan la cubertura vegetal. Fueron creados para normalizar la influencia que tienen los factores externos o perturbaciones como la atmósfera, presencia de las características ópticas y distribución espacial de todos sus constituyentes (incluyendo el suelo sobre el que se asienta la vegetación) sobre las respuestas espectrales de las cubiertas de la vegetación (Gilabert, González y García, 1997). Los valores están basados en datos espectrales en funcion de factores internos como propiedades ópticas de las hojas, arquitectura de losfitoelementos y suelo o sustrato (fondo) (Paz et al., 2014). De acuerdo a Xue y Su (2017), no existe una expresión matemática única que defina todos los índices de vegetacion, debido a la complejidad de las diferentes combinaciones de espectros de luz, instrumentación, plataformas y resoluciones utilizadas. Por lo tanto, se han desarrollado y probado algoritmos personalizados para una variedad de aplicaciones, de acuerdo con expresiones matemáticas específicas, que combinan radiación de luz visible, principalmente, región de espectros verdes y espectros no visibles, para obtener cuantificaciones de la superficie de la vegetación (Xue y Su, 2017) y áreas dedicadas a la producción ganadera, mediante la estimación de parámetros fisiológicos y de crecimiento de las pasturas (Cáceres, 2016 citado en Posada Asprilla et al., 2019). Los índices de vegetación que intentan aproximar relaciones entre los datos espectrales y variables biofísicas, como la biomasa y el área foliar de la vegetación, es el NDVI, usado para estimar la cantidad, la calidad y el desarrollo de la

vegetación; y el Normalized Pigment Chlorophyll Index (NPCI) usado para calcular la clorofila y nutrición (Posada Asprilla et al., 2019) y el Modified Chlorophyll Absorption Ratio index 2 (MCARI2) predicen mejor el área foliar en diferentes tipos de cultivos como soja, maíz y trigo, en diferentes etapas de crecimiento, y bajo varios tratamientos de fertilización (Paruelo, 2008). En un estudio en Argentina, se evaluaron tres tipos de pastos e identificaron que los índices que explicaron mejor las variaciones de concentración de nitrógeno fueron los que combinaron la reflactancia en el borde rojo (Castro y Garbulsky, 2018 citado en Posada Asprilla et al., 2019). En sistemas silvopastoriles encontraron una relación entre el NDVI y la proteína cruda (Serrano et al. 2018, citado en Posada Asprilla et al., 2019). Los índices potenciales para cultivos de gramíneas como el trigo fueron NPCI (Filella, Serrano, Serra y Peñuelas, 1995) y Double-peak Canopy Nitrogen Index (DCNI) (Chen et al., 2010). De igual manera para cultivos de maíz Bagheri, Ahmadi, Alavipanah y Omid (2013) identificaron los dos mejores índices Modified Triangular Vegetation Index 2 (MTVI2) y MCARI2. Los índices que guardan relación con el contrenido en clorofila de la hoja son: •

Índice de Vegetación Normalizada (NDVI)

Es uno de los índices más utilizados para detectar zonas de vegetación. Se basa en el contraste entre la máxima absorción en la porción del espectro visible correspondiente a la luz roja (0.6-0.7 µm), debido a los pigmentos de la clorofila y la máxima reflexión en el infrarrojo cercano (0.7-0.11 µm) causado por la estructura celular de la hoja (Haboudane, Miller, Pattey, Zarco y Strachan, 2004). Es un índice no dimensional por lo que sus valores se encuentran de -1 a 1. Se lo obtiene mediante la ecuación 1: 𝑵𝑰𝑹−𝑹𝑬𝑫

𝑵𝑫𝑽𝑰 = 𝑵𝑰𝑹+𝑹𝑬𝑫

Ecuación 1

Donde NIR=Banda del infrarojo cercano y RED=Banda del rojo.

•

Normalized Pigment Chlorophyll Index (NPCI)

Evalúa

proporción

pigmentos

fotosintéticos

totales

clorofila,

particularmente aplicable al estrés de nitrógeno de la planta (Peñuelas, Gamon, Fredeen, Merino y Field, 1994). Se lo obtiene mediante la ecuación 2: 𝑹𝟔𝟖𝟎−𝑹𝟒𝟑𝟎

𝑵𝑷𝑪𝑰 = 𝑹𝟔𝟖𝟎+𝑹𝟒𝟑𝟎

Ecuación 1

Donde R680=Banda del rojo y R430=Banda del azul. •

Modified chlorophyll absorption ratio index 2 (MCARI2)

El MCARI2 es uno de los índices que predicen mejor el área foliar en diferentes tipos de cultivos como soja, maíz y trigo, en diferentes etapas de crecimiento, y bajo varios tratamientos de fertilización (Paruelo, 2008). Se lo obtiene mediante la ecuación 3: 𝑀𝐶𝐴𝑅𝐼2 =

1,5[2.5(𝑅800 −𝑅670 )−1,3(𝑅800−𝑅550 )]

Ecuación 2

√(2𝑅800 +1)2 −(6𝑅800 −5√𝑅670 )−0.5

Donde R800=Banda del infrarojo cercano, R670=Banda del rojo y R550= Banda del verde. •

Photochemical Reflectance Index (PRI)

El Índice de Reflectancia Fotoquímico (PRI) se basa en que parte de la energía absorbida por la clorofila en la fotosíntesis se pierde como calor o fluorescencia. Un cambio en la tasa fotosintética va a afectar la fluorescencia y la disipación de energía y, por lo tanto, la medición de la fluorescencia provee una medida de la eficiencia fotoquímica de la fotosíntesis o rendimiento cuántico (Paruelo, 2008). Este índice considera los cambios de xantofila relacionados con el estrés hídrico, pero también genera una normalización considerando el contenido de clorofila y la reducción del área foliar del dosel que se ve afectada principalmente por el estrés hídrico (Xue y Su, 2017). El rango de medición varía entre -1 a 1 pero los valores comunes para vegetación viva van desde -0.2 a 0.2 (Rodriguez, 2019).

𝑃𝑅𝐼 =

𝑹𝟓𝟑𝟏−𝑹𝟓𝟕𝟎 𝑅531+𝑅570

Ecuación 3

Donde R531=Banda del azul y R570=Banda del verde.

2.5.4. Detección del Nitrógeno en laboratorio El N también puede ser obtenido a través de métodos destructivos a través del método Kjeldahl (Latimer, 2012 citado en Gutiérrez et al., 2017) en laboratorio, el cual utiliza una porción de producción primaria para calcular el porcentaje de (%)N total en una planta. La producción primaria se refiere a la cosecha y pesaje de la vegetación inmediatamente antes del pastoreo. Se lo expresa en kilogramos de materia verde (MV) o forraje fresco, como se encuentra al momento de la medición, pero para fines técnicos es necesario señalar los kilogramos de MS es decir la cantidad de substancia de un alimento menos la humedad que contiene. Se corta el forraje con la ayuda de un cuadrante de 1𝑚2 o 0.5𝑚2 y se pesa. Se recomienda tomar 10 – 20 muestras por hectárea y de esta manera obtener la producción promedio por 𝑚2 . A partir del material recolectado se toma una muestra de 100 gr para ser secado en un horno o estufa. Es preferible medir la MS por cuanto el agua contenida en los forrajes no aporta valor alimenticio y además el contenido de agua fluctúa a través del día o entre días a lo largo del año; así por en época de lluvias el pasto puede contener 82% de agua en las primeras horas de la mañana y reducir su contenido a 78% por la tarde, en época seca puede bajar a 74%. Los potreros a base de Rye grass perenne y trébol en condiciones ideales pueden producir 1.4 kg/MV/m2, ésta MV puede contener aproximadamente 22 % de MS (León et al., 2018).

2.5.5. Detección del Nitrógeno con Green Seeker El Green Seeker (GS) es un instrumento que provee información local y de forma rápida del NDVI cuya interpretación contribuye al diagnóstico del estado fisiológico, incidencia

stres,

rendimiento

potencial

condiciones

nutricionales

especialmente de N (Gutiérrez, Cadet, Rodríguez y Araya, 2011). El GS tiene dos emisores de luz (luz LED) para emitir su propia luz roja e infrarroja. La luz roja (570-680 nm) emitida por el instrumento es dirigida hacia las superficies cultivadas, y simultáneamente, mide la luz que reflejan las hojas (infrarroja cercana,

725-1020 nm), calculando valores numéricos entre -1.0 y 1.0 siendo los valores más altos (0.7-0.8) en las que indican que las plantas se encuentren en las mejores condiciones (Figura 5) (Gutiérrez et al., 2011).

Figura 5 Funcionamiento del Sensor portátil Green Seeker (Gutiérrez et al., 2011).

En las investigaciones realizadas en CADET, se ha utilizado el GS para medir el efecto de la fertilización nitrogenada sobre diferentes cultivos. Gutiérrez y López (2018) identificaron sobre pastos perennes que los valores del NDVI por tratamiento está directamente influenciado por las diferentes dosis de N a medida que aumenta la dosis también aumenta también el índice NDVI. Gutiérrez y Domínguez (2019) observaron que a la cuarta semana, en los 3 cortes el pasto obtuvo valores altos de NDVI en un rango de 0.82 a 0.87 en todos los tratamientos (N70, N140, N210, N280) kg ha-1.

2.6. MARCO METODOLÓGICO León et al. (2018), en “Pastos y Forrajes del Ecuador”, recomiendan que para el establecimiento de pasturas se debe conocer la capacidad del suelo para suministrar nutrientes a la planta y con base en una adecuada interpretación, se pueden diagnosticar las deficiencias y/o toxicidades. Para ello se obtiene una muestra representativa de las condiciones de la pastura a fertilizar mediante las siguientes actividades: •

Dividir el predio en áreas homogéneas de acuerdo a la aptitud de uso del suelo (topografía del terreno, disponibilidad de riego, nivel de fertilidad, textura, tipo de pastos).

•

Excluir

áreas

representativas,

como

áreas

cercanas

bebederos,saladeros, puerta de potreros, acequias, sitios donde se ha

depositado residuos orgánicos, estiércol, cal o fertilizantes y en áreas pantanosas. •

No muestrear el suelo dentro de los tres meses de haber aplicado fertilizantes o correctores de pH.

•

Época recomendada para el muestreo. El muestreo se debe hacer en la época seca, lo que permite la aplicación e incorporación de correctivos durante la época de lluvias.

•

Materiales requeridos para recolectar las muestras. Una pala recta o un barreno, un balde plástico para recolectar y mezclar submuestras, bolsas plásticas para empacar las muestras, marcadores de tinta permanente o etiquetas para identificación de las muestras.

•

Toma de la muestra, se sugiere una profundidad de muestreo de 0-20 cm (en mantenimiento de potreros 0-7,5 cm).

•

Con la pala se limpia la vegetación o residuos frescos de materia orgánica de la superficie del suelo y luego se cava un hueco en forma de “V” a la profundidad de muestreo sugerida y a continuación se corta una tajada de 2-3 cm de grueso en una de las paredes del hueco y se utiliza una faja de 35 cm de ancho en el centro de la tajada, descartando los extremos. Esta faja corresponde a una submuestra y se deposita en un balde plástico limpio.

•

Representatividad de la muestra. En cada lote con características homogéneas se toman alrededor de 4-5 submuestras por hectárea, teniendo en cuenta que sean representativas del área en estudio.

•

Las submuestras se mezclan homogéneamente en el balde y se toma una porción de muestra compuesta (500 g) para su envío al laboratorio.

Gutiérrez et al. (2017) en su investigación “Omision de nutrientes y dosis de nitrógeno en la acumulación de biomasa, composición bromatológica y eficiencia de uso de nitrógeno de raigrás diploide perenne (Lolium perenne)” realizada en el CADET utilizaron un diseño de bloques completamente al azar en los dos experimentos, las unidades experimentales fueron parcelas de 3 x 3 m y cada uno de los tratamientos tuvo 3 repeticiones. Las dosis de N (0, 70, 140, 210, 280, 350 y

420 kg de N/ha/año) fragmentaron 8 veces durante el ciclo de modo que las fracciones aplicaron cada 30 días luego del corte de igualación. La producción de MV determinaron cuando el pasto tenía 4 semanas de edad ya que en el lugar donde se desarrolló el experimento fisiológicamente el pasto llega a su punto máximo de crecimiento, este proceso repitieron por 3 veces, con la ayuda de un cuadrante de 0.3 x 0.3 m, realizando un corte a ras de suelo en cada parcela y pesaron la biomasa acumulada, una muestra de la biomasa secaron en una estufa por 24 horas a 70 C° determinando el contenido de MS. Finalmente para determinar el NDVI, utilizaron el sensor portátil GS. Los resultados obtenidos con respecto a la producción de MS y a las dosis de N permitieron observar que el efecto de la adición de dosis progresivas de N en el promedio de rendimiento de MS de cuatro cortes consecutivos presenta una tendencia cuadrática en la acumulación de biomasa y aun cuando la mayor respuesta se obtuvo con la dosis de 420 kg/ha/año la tendencia indicaría que en las condiciones de experimentación todavía habría respuesta a la aplicación de dosis más altas de N. De igual manera los valores del NDVI incrementaron obteniendo 0.88 en la dosis de N más alta de la experimentación. Gutiérrez y López (2018) en su investigación “Eficiencia de la fertilización nitrogenada sobre el crecimiento y la calidad del forraje en pastos perenne“ realizada en CADET, utilizaron un diseño de bloques completamente al azar, las unidades experimentales fueron parcelas de 3 x 2.5 m en un área total neta de 270 𝑚2 , cada uno de los tratamientos tuvo 3 repeticiones. Se evaluaron diferentes dosis de nitrógeno (0, 70, 140, 210, 280 y 350 kg N/ha/año) se fragmentaron 8 veces durante el ciclo de modo que las fracciones se aplicaron cada 30 días luego del corte de igualación en rye grass variedad shogun (Lolium perenne) y festulolium (Festulolium sp). Las variables de estudio fueron MS, MV, el contenido de proteína y fibra, NDVI (GS) y elongación foliar. Los resultados muestran que para las dos especies la biomasa y la proteína incrementan en función del N aplicado, la mayor producción de biomasa se obtuvo en rye grass y el mayor porcentaje de proteína en festulolium, la eficiencia fue de 145 y 154 kg N/ha/año

para rye grass y

festulolium respectivamente. La variable NDVI por tratamiento está directamente influenciado por las diferentes dosis a medida que aumenta la dosis aumenta

también el NDVI, el valor más alto para en rye grass variedad shogun (Lolium perenne) y festulolium (Festulolium sp) fue del tratamiento N350 con 0,79. Gutiérrez y Domínguez (2019) en su investigación “Determinación del momento de aplicación de nitrato de amonio en una mezcla forrajera“ realizada en CADET, utilizaron un diseño de bloques completamente al azar, las parcelas de 2 x 2 m se instalaron sobre la mezcla forrajera ya establecida hace seis meses en el lote 5.8 destinado al pastoreo del rejo, dentro del lote se colocaron las 12 unidades experimentales distribuidas en un lote de 1.5 ha. Se evaluaron diferentes dosis de N (70, 140, 210 y 280 kg N/ha/año). Determinaron el momento óptimo de aplicación de nitrato de amonio para la producción de MS y su influencia sobre la calidad de la mezcla forrajera; la aplicación del nitrato de amonio fue en cuatro momentos en 0, 7, 14 y 21 días después del pastoreo. Evaluaron el NDVI, producción primaria, contenido de proteína bruta, fibra detergente neutra y ácida e índice de fertilización nitrogenada durante tres cortes. Realizado el análisis de varianza no se encontró diferencias estadísticas entre tratamientos en todas las variables, se optó por realizar una regresión lineal en la variable NDVI y presentar los valores promedio encontrados por variable, se tiene para la cuarta semana en el primer corte: T1 con 0.86, T2 con 0.87, T3 con 0.88, T4 con 0.88; y, segundo corte: T1 con 0.84, T2 con 0.87, T3 con 0.86, T4 con 0.85. Para el análisis estadístico: relación y correlación de índices espectrales y NDVI del GS con el % N total en MS obtenida en laboratorio se ha tomado como base las investigaciones de Rivera, Nava, Martínez y Cerano (2019) y Díaz (2015): Rivera, Nava, Martínez y Cerano (2019) en su investigación “Evaluación de índices de vegetación para estimar nitrógeno foliar en el cultivo de triticali (x. Triticosecale wittmack) mediante teledetección“ evaluaron 5 índices de vegetación para estimar nitrógeno foliar en el cultivo de triticali. Los índices de vegetación evaluados fueron: el NDVI, índice de vegetación ajustado al suelo (SAVI), índice de clorofila verde (CLgreen), Índice de clorofila del borde rojo (CL red-edge), índice del borde rojo de diferencia normalizada (NDRE) y MTVI2. Los índices de vegetación se obtuvieron de imágenes del satélite sentinel 2A y 2B. En forma simultánea se realizaron muestreos foliares, estos muestreos consistieron en cosechar el forraje (plantas completas) de una superficie de 0.25 𝑚2 , a partir de las muestras foliares se

determinaron las variables, altura de planta, materia seca a peso constante, concentración de nitrógeno (%N) en base MS. No encontraron correlación significativa al asociar los índices de vegetación evaluados con el contenido de nitrógeno (%N). Díaz (2015) en su investigación “Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión“ relacionó el índice NDVI con diferentes índices de vegetación GNDVI, RVI, GVI, NGRDI en cultivos de trigo en Puertollano, Ciudad Real, Madrid. En su estudio empleó análisis de correlación (diagramas de dispersión, coeficiente de Pearson y coeficiente de determinación 𝑅 2 ) y análisis de regresión para comprobar la similitud entre índices.

3. METODOLOGÍA 3.1. ESQUEMA METODOLÓGICO La investigación se desarrolló de acuerdo al siguiente diagrama de flujo (Figura 6).

Figura 6 Esquema Metodológico de la investigación

La investigación se ha desarrollado en dos partes: La primera se ha enfocado en el análisis de la respuesta del cultivo de pasto mixto bajo diferentes dosis y períodos de fertilización nitrogenada con GS y la segunda, en la identificación del índice de vegetación idóneo para detectar la presencia de nitrógeno en la madurez del pasto mixto en los predios ubicados en CADET. Para ello se ha tomado las recomendaciones dadas por León et al. (2018) para el establecimiento de pasturas en lo que respecta a las condiciones iniciales del terreno específicamente en el análisis de suelo. Gutiérrez, F (comunicación personal 13 de noviembre de 2018) recomienda que para el diseño experimental, fertilización nitrogenada, obtención de muestras de materia verde y seca, % de nitrógeno total en laboratorio y lecturas del NDVI del GS se utilice la metodología de Gutiérrez et al. (2017); Gutiérrez y López (2018); y Gutiérrez y Domínguez (2019), las cuales han sido desarrolladas en los predios del presente estudio. La selección del área de estudio, muestras de suelo, diseño experimental y evaluación de dosis de nitrógeno son cuatro actividades preliminares para el establecimiento del experimento en el campo CADET. Para la medición del NDVI se tomaron las lecturas con el sensor portátil GS y para obtener del % de N total en laboratorio se tomaron cuatro muestras de MV en la madurez del pasto mixto. Para el cálculo de los índices de vegetación, NDVI,MCARI2, NPCI Y PRI se emplearon las imágenes Planet de 3m de resolución espacial proporcionadas por la empresa ecuatoriana Geosolutions a través del software ENVI 5.5 Para el análisis estadístico: relación y correlación de índices espectrales y NDVI del GS con el % de N total en MS obtenida en laboratorio se ha tomado como base las investigaciones de Gutiérrez et al. (2017; Rivera, Nava, Martínez y Cerano 2019; y Díaz, 2015). Por medio del geoprocesamiento a través de herramientas SIG se interpolan los datos NDVI (GS) de cada subparcela y se extraen los valores para cada muestra;

de igual manera, se obtienen los valores de las muestras de las superficies de cada índice espectral. Los valores obtenidos se correlacionan para identificar el grado de relación que mantienen cada una de las variables y con ello identificar si es posible estimar con índices espectrales la presencia del nitrógeno en el pasto mixto compuesto por la mezcla forrajera de raigrás perenne y alfalfa cuando se aplican diferentes dosis de fertilización nitrogenada. A continuación se detalla cada uno de las partes del esquema metodológico de la investigación.

3.2. UBICACIÓN DEL ÁREA DE ESTUDIO El presente trabajo de investigación se realizó en el CADET de la Facultad de Ciencias Agrícolas de la Universidad Central del Ecuador en el barrio La Morita, parroquia Tumbaco, cantón Quito, provincia de Pichincha, Ecuador. Coordenadas geográficas Latitud: 00º13’30’’ S, Longitud: 78º23’30’’ O. El área de estudio asignado para la investigación tiene una superficie de 1.20 Ha (Figura 7).

Figura 7 Mapa de Ubicación del Área de estudio en “CADET”-La Morita.

3.2.1. Características climáticas La temperatura, la lluvia y radiación solar son los tres elementos del clima que influyen en la producción del forraje. La temperatura controla las reacciones bioquímicas de la planta, crecimiento y metabolismo sobre todo en la fotosíntesis. En la Tabla 3 se encuentra las características climáticas anuales del área de estudio. Tabla 3 Características climáticas anuales Características Humedad relativa promedio anual Temperatura promedio anual Precipitación Evaporación Fuente: Gutiérrez y López (2018)

Datos 73 % 16.7 ᵒC 58 mm 132.5 mm

3.2.2. Procedimiento 3.2.2.1. Muestra de Suelo Antes de fertilizar una pastura se debe conocer las condiciones iniciales del suelo, pH, materia orgánica, carbono orgánico y capacidad de intercambio catiónico (León et al., 2018). Para ello se recolectó una muestra homogénea comprendida por 5 sub-muestras al azar del suelo con barreno a 10 cm de profundidad (Figura 8). De la cantidad total de suelo se sacó una muestra de 1kg para identificar las condiciones iniciales de la experimentación. La muestra fue enviada para su análisis al Laboratorio de Química Agrícola y Suelos de la Universidad Central del Ecuador.

Figura 8 Obtención de muestras con barreno en campo

3.2.2.2. Diseño experimental Se utilizó un diseño experimental de un bloque que comprende el total del área de estudio asignada a la investigación. El bloque se conforma de seis unidades experimentales denominadas parcelas. Cada parcela tuvo 48 m de largo por 41,6 metros de ancho con un total de 2004 𝑚2 . Se colocaron 14 estacas en las esquinas de las parcelas cuyas coordenadas de ubicación fueron calculadas con herramientas de sistemas de información geográfica y posicionadas con un Global Positioning System (GPS) (Figura 9). Las parcelas de investigación se instalaron sobre la mezcla forrajera ya establecida destinada para el pastoreo del rejo.

3.2.2.3. Evaluación dosis de nitrógeno Se evaluaron seis dosis de nitrógeno (0, 80, 160, 240, 320 y 400 Nkg/ ℎ𝑎−1 . 𝑎ñ𝑜 ) en el pasto mixto en dos períodos de corte consecutivos (Tabla 4). La primera

aplicación se llevó a cabo el 13 de diciembre del 2018, mientras que la segunda el 11 de febrero del 2019. Tabla 4 Evaluación de seis dosis de fertilizante nitrogenado en Rye grass perenne y alfalfa Tratamiento

Código

kg/ha/año

160

240

320

400

La ubicación de los tratamientos (T0, T1, T2, T3, T4 y T5) fueron colocadas al azar

Figura 9 Mapa de Ubicación del Área de estudio en “CADET”-La Morita y distribución de tratamientos de N.

3.2.2.4. Medición de variables Para la medición de las variables 1) NDVI (GS) y 2) % de N total (Tabla 5) en los dos períodos, se establecieron 6 sub-parcelas de 36 metros de largo x 30 metros de ancho dentro de cada parcela. Para la ubicación espacial de las muestras y medidas del GS, en cada sub-parcela se colocaron 6 cuerdas de 36m con una separación de 6 metros cada una Figura 10 y Figura 11. Cada cuerda llevó 2 estacas pequeñas, 18 etiquetas, señaladas cada 2m como referencia visual. Se colocaron en campo un total de 72 estacas, 36 cuerdas y 648 etiquetas en las 6 sub-parcelas. Tabla 5 Variables de la investigación VARIABLES 1) Índice Normalizada de Vegetación (NDVI) 2) % Nitrógeno Total en MS

3) Modified chlorophyll absorption ratio index 2 (MCARI2) 4) Índice Normalizada de Vegetación (NDVI) 5) Normalized Pigment Chlorophyll Index (NPCI) 6) Índice de Reflectancia Fotoquímico (PRI)

Figura 10 Colocación de cuerdas en campo.

MEDICIÓN Sensor portátil Green Seeker 4 muestras de materia seca/subparcela Laboratorio

Imagen Multiespectral Planet

Figura 11 Mapa del Diseño para la medición de las variables: NDVI (GS) y % Nitrógeno Total.

Para la medición del 1) NDVI con el sensor GS se tomaron las lecturas entre las cuerdas tomando como referencia las etiquetas señaladas en cada cuerda a una distancia por encima del cultivo de 80-120 cm obteniendo un total de 540 muestras en cada periodo. Cada lectura representa el promedio de todas las lecturas desde el punto inicial al punto final (Gutiérrez et al., 2011), la dirección de la toma de las lecturas se observan en la Figura 12. Ésta medición fue tomada en la fase de maduración del cultivo de pasto de cada sub-parcela a las 4 semanas luego de la aplicación del fertilizante nitrogenado en los dos períodos de corte.

Cuerdas Lecturas Green Seeker Dirección de medición Figura 12 Dirección de medición de las lecturas Green Seeker

Para obtener el % de N total se tomaron en la fase de maduración del cultivo de pasto de cada sub-parcela a la cuarta semana de la aplicación del fertilizante nitrogenado en cada período cuatro muestras al azar de materia verde con el método del cuadrante (Gallardo, 2016). En el primer período se utilizó un cuadrante de 0.5 m x 0.5 m y en el segundo de 1 m x 1m en cada una de las sub-parcelas. Cada muestra se cortó a una altura de 8 a 10 cm, las mismas que fueron colocadas en fundas plásticas con sus respectivas etiquetas y pesadas en el laboratorio con una balanza analítica, registrándose así el dato de materia verde en gramos Figura 13.

Figura 13 Muestras de MV

Posteriormente, se pesó una cantidad aproximada de 200 gramos de materia verde y se colocó en una funda de papel debidamente etiquetada. Las muestras fueron sometidas a un proceso de secado en una estufa a una temperatura de 70±5 °C durante 24 horas con ventilación constante (Latimer, 2012 citado en Gutiérrez et al., 2017) Figura 14.

Figura 14 Muestras de Materia seca

Las muestras secas se pesaron en una balanza analítica registrando el peso seco en gramos de cada una de ellas. El % de MS se llevó a cabo mediante la siguiente ecuación: 𝑃2

%MS= 𝑃1 𝑥100 Ecuación 5 Dónde: P1=Peso de materia verde, P2=Peso de materia seca

Se enviaron las muestras secas al laboratorio de Nutrición Animal de la Universidad Central del Ecuador para obtener el % de N total en cada una de ellas (Figura 15).

Figura 15 Muestras secas para análisis en Laboratorio

Para la medición de las variables 3) MCARI2, 4) NDVI, 5) NPCI y 6) PRI (Tabla 5) en el bloque de investigación se obtuvieron las imágenes satelitales de la constelación de monitoreo Planet de la empresa ecuatoriana Geosolutions, en fechas cercanas al primer y segundo periodo de corte que corresponden al 5 de enero y 8 de marzo del 2019 respectivamente. Las imágenes Planet presentan una resolución de 3 metros, resolución radiométrica de 12 bits y 4 bandas presentadas con valores de reflectancia: R (0.6300 µm), G (0.5450 µm), B (0.4850 µm), NIR (0.8200 µm). Dichas imágenes fueron corregidas atmosféricamente con la herramienta Quick Atmospheric Correction (QUAC) propia del software ENVI 5.5. Posteriormente, se extrajo el área de estudio y se calcularon los índices de vegetación propuestos para la investigación: NDVI, NPCI, MCARI2 y PRI en los dos cortes de medición.

3.2.2.5. Análisis exploratorio de datos El análisis exploratorio de datos es considerado como un instrumento indispensable para identificar el comportamiento de las variables a ser investigadas (Buzai y Baxendale, 2009) es por ello que se realizaron mapas visuales de la distribución espacial de las lecturas tomadas con el GS a fin de analizar la respuesta del cultivo bajo las diferentes dosis de fertilización nitrogenada en los dos períodos de corte.

3.2.2.6. Geoprocesamiento El geoprocesamiento, se dividió en dos partes, la primera en la obtención de valores del NDVI con el GS de las muestras recogidas en campo con herramientas de SIG y la segunda extracción de valores de las muestras de campo en base a las superficies calculadas de los índices de vegetación y estimadores de nitrógeno: NDVI, NPCI, MCARI2 y PRI. Para la obtención de valores NDVI de las muestras recogidas en campo se aplicó el método geo estadístico krigging simple, técnica empleada para crear superficies de interpolación en lugares que no han sido muestreados en campo en cada uno de los tratamientos de los dos períodos de estudio y se extrajeron los valores de cada una de las muestras tomadas en laboratorio en los dos cortes Enero y Marzo empleando herramientas SIG. De igual forma se aplicó la extracción de los valores de las muestras de campo en base a las superficies calculadas de los índices de vegetación y estimadores de nitrógeno en los dos cortes.

3.2.2.7. Correlación de variables Se evaluaron los coeficientes de correlación lineal de Pearson (Díaz, 2015) en cada uno de los tratamientos entre las variables de % N total con el NDVI del GS y los índices estimadores de nitrógeno de la imagen multiespectral NDVI, MCARI2, NPCI y PRI a fin de identificar el grado de asociación existente entre ellos. Aquellos índices que presenten correlaciones positivas o negativas moderadas-fuertes y perfectas son relevantes para explicar la presencia de nitrógeno total en el cultivo de pasto en los dos períodos de corte.

4. RESULTADOS Y DISCUSIÓN 4.1. RESULTADOS 4.1.1. Muestra de suelo Los resultados del análisis del suelo de las condiciones iniciales del suelo del experimento mostraron que el bloque tuvo un pH de 6.66 ligeramente ácida apto para el crecimiento del cultivo (León et al., 2018) la capacidad del suelo para aportar nutrimentos al cultivo fue de 3.62 % de materia orgánica y carbono orgánico del suelo de 1.91%, mientras que el contenido de Nitrógeno Total fue bajo con 0.18% (Tabla 6). Tabla 6 Parámetros analizados del suelo pH

Conductividad eléctrica

Carbono orgánico del suelo

Materia orgánica del suelo %

Nitrógeno Total

dS/m 6.66

0.35

1.91

3.62

0.18

Ligeramente ácido

No salino

Medio

Bajo

4.1.2. Medición Variables 4.1.2.1. NDVI (Green Seeker) Las medidas obtenidas por el sensor GS se representaron por medio de mapas los cuales muestran la distribución espacial de las mismas en cada tratamiento en los dos períodos de corte establecidos. Las figuras 16 a 21 son comparables ya que tienen la misma escala de datos en la leyenda.

Figura 16 Medición del NDVI (Green Seeker) en parcela sin tratamiento T0: 0 N (Kg/ha) enero y marzo.

Figura 17 Medición del NDVI (Green Seeker) en parcela T1: 80 N (Kg/ha) enero y marzo.

Figura 18 Medición del NDVI (Green Seeker) en parcela T2: 160N (Kg/ha) enero y marzo.

Figura 19 Medición del NDVI (Green Seeker) en parcela T3: 240N (Kg/ha) enero y marzo.

Figura 20 Medición del NDVI (Green Seeker) en parcela T4: 320N (Kg/ha) enero y marzo.

Figura 21 Medición del NDVI (Green Seeker) en parcela T5: 400N (Kg/ha) enero y marzo.

4.1.2.2. Índices multiespectrales Con respecto a los valores obtenidos de los índices estimadores de nitrógeno se realizaron mapas de la respuesta del cultivo bajo diferentes dosis de N en los dos períodos de estudio. El mapa del índice NDVI presentó valores altos en el mes de marzo el rango de 0.8 a 0.90 (Figura 22).

Figura 22 Mapa de Respuesta del cultivo al N-Índice NDVI-enero y marzo en T0, T1, T2, T3, T4 y T5.

La respuesta del cultivo medido con el índice MCARI2 presentó valores altos en el rango de 0.80-0.90 en el mes de marzo (Figura 23).

Figura 23 Mapa de Respuesta del cultivo al N-Índice MCARI2-enero y marzo en T0, T1, T2, T3, T4 y T5.

La respuesta del cultivo medido con el índice NPCI presentó valores bajos de clorofila en enero y marzo ya que se encontraron en el rango de 0-0.56 en relación con los valores obtenidos por el índice NDVI y MCARI2 Figura 24.

Figura 24 Mapa de Respuesta del cultivo al N-Índice NPCI- enero y marzo en T0, T1, T2. T3, T4 y T5.

La respuesta del cultivo medido con el índice PRI presentó valores entre el rango 0.31 a -0.24 valores dentro del rango de la presencia de vegetación sana Figura 25.

Figura 25 Mapa de Respuesta del cultivo al N-Índice PRI- enero y marzo en T0, T1, T2, T3, T4 y T5.

4.1.3. % Nitrógeno Total Se tomaron 47 de 48 muestras de materia verde en los dos cortes a la cuarta semana luego de la aplicación del fertilizante nitrogenado. Una de las muestras de la subparcela perteneciente al tratamiento T4: 320 N (kg/ha) del primer corte se dañó al trasladar al laboratorio Figura 26. Se presentaron los porcentajes de N total en materia seca de cada una de las muestras con sus respectivos valores obtenidos por interpolación de la medición por el NDVI del GS y de las imágenes satelitales MCARI2, NDVI, NPCI, PRI en los dos períodos (Tablas 7 y 8).

Figura 26 Mapa de distribución espacial de las muestras de MV y NDVI (GS).

Tabla 7 Variables en estudio –Enero No.

MES ENERO cod_muestra

MCARI2

NDVI

NPCI

PRI

NDVI (GS)

% Nitrógeno total en MS

T0_1ENERO

0,62

0,42

-0,26

0,82

2,59

T0_2ENERO

0,67

0,68

0,45

-0,29

0,79

1,86

T0_3ENERO

0,68

0,69

0,44

-0,28

0,78

1,58

T0_4ENERO

0,69

0,45

-0,32

0,81

1,90

T1_1ENERO

0,66

0,67

0,42

-0,27

0,80

2,06

T1_2ENERO

0,65

0,43

-0,27

0,78

2,49

T1_3ENERO

0,64

0,43

-0,27

0,78

1,99

T1_4ENERO

0,64

0,46

-0,30

0,74

2,18

T2_1ENERO

0,67

0,68

0,41

-0,26

0,79

2,42

T2_2ENERO

0,67

0,68

0,42

-0,23

0,79

2,83

T2_3ENERO

0,68

0,69

0,43

-0,27

0,81

2,55

T2_4ENERO

0,68

0,69

0,43

-0,27

0,81

2,77

T3_1ENERO

0,64

0,43

-0,28

0,79

3,56

T3_2ENERO

0,66

0,43

-0,27

0,79

2,75

T3_3ENERO

0,66

0,67

0,44

-0,28

0,76

3,23

T3_4ENERO

0,66

0,45

-0,28

0,76

3,38

T4_1ENERO

0,64

0,40

-0,25

0,74

2,77

T4_2ENERO

0,68

0,69

0,44

-0,27

0,79

2,75

T4_4ENERO

0,65

0,66

0,43

-0,26

0,84

3,83

T5_1ENERO

0,69

0,70

0,44

-0,27

0,84

2,75

T5_2ENERO

0,69

0,70

0,44

-0,28

0,86

3,93

T5_3ENERO

0,70

0,71

0,42

-0,25

0,86

2,85

T5_4ENERO

0,68

0,69

0,41

-0,26

0,86

4,25

Tabla 8 Variables en estudio –Marzo MES MARZO No.

cod_muestra

MCARI2

NDVI

NPCI

PRI

NDVI (GS)

% Nitrógeno total en MS

T0_1MARZO

0,85

0,18

-0,30

0,83

2,24

T0_2MARZO

0,84

0,79

0,19

-0,26

0,79

1,67

T0_3MARZO

0,81

0,80

0,19

-0,26

0,78

2,57

T0_4MARZO

0,81

0,82

0,19

-0,29

0,82

1,94

T1_1MARZO

0,84

0,83

0,15

-0,26

0,80

2,45

T1_2MARZO

0,84

0,18

-0,29

0,81

2,42

T1_3MARZO

0,84

0,83

0,19

-0,30

0,77

2,74

T1_4MARZO

0,84

0,82

0,16

-0,26

0,75

2,34

T2_1MARZO

0,85

0,86

0,16

-0,28

0,89

2,10

T2_2MARZO

0,86

0,87

0,13

-0,25

0,87

2,14

T2_3MARZO

0,86

0,87

0,12

-0,26

0,88

3,25

T2_4MARZO

0,85

0,86

0,13

-0,25

0,87

2,27

T3_1MARZO

0,86

0,87

0,14

-0,28

0,89

2,88

T3_2MARZO

0,85

0,13

-0,25

0,85

2,02

T3_3MARZO

0,86

0,87

0,10

-0,24

0,88

2,27

T3_4MARZO

0,85

0,86

0,15

-0,27

0,86

2,22

T4_1MARZO

0,85

0,84

0,13

-0,25

0,84

2,78

T4_2MARZO

0,85

0,86

0,12

-0,25

0,83

2,48

T4_3MARZO

0,86

0,87

0,14

-0,28

0,89

2,85

T4_4MARZO

0,84

0,16

-0,26

0,85

2,61

T5_1MARZO

0,84

0,85

0,16

-0,26

0,85

2,70

T5_2MARZO

0,86

0,87

0,11

-0,26

0,89

2,93

T5_3MARZO

0,86

0,87

0,14

-0,27

0,86

2,16

T5_4MARZO

0,85

0,13

-0,23

0,85

2,60

4.1.4. Correlación de Variables Las variables obtenidas de las imágenes multiespectrales y del sensor GS se correlacionaron con el (%) N total obtenido en laboratorio para determinar el grado de asociación entre ellas tomando en consideración los rangos de la Tabla 9.

Tabla 9 Rangos de Correlación

RANGO DE CORRELACIÓN 0-0.25 0.26-0.50 0.51-0.75 0.76-1.00

Escasa o nula Débil Entre moderada y fuerte Entre fuerte y perfecta

Fuente: Ortega, Pendás, Ortega, Abreu y Cánovas (2009)

Para el caso del tratamiento de 0 N (kg/ha) en el mes de enero existe: una correlación negativa, fuerte y perfecta con los índices MCARI2 y NDVI y moderada y fuerte con el índice NPCI; correlación positiva: moderada y fuerte con el índice PRI y fuerte y perfecta con el índice NDVI del GS (Tabla 10). En el mes de marzo presentan una correlación negativa: escasa o nula con los índices MCARI2, NPCI y NDVI del GS y correlación positiva: escasa o nula con los índices NDVI y PRI (Tabla 11). Tabla 10 Correlación lineal de las variables con T0: 0 N (Kg/ha)-enero MCARI2

NDVI

NPCI

PRI

NDVI (GS)

MCARI2 NDVI NPCI PRI NDVI (GS)

1 0,994139 0,82549379 -0,86705472 -0,6884798

1 0,84121281 -0,82020393 -0,7620859

1 -0,80943938 -0,6511674

Nitrógeno total

-0,90199648

-0,93919384

-0,72429095 0,57400503 0,92130808

1 0,2876735

Nitrógeno total

1 1

Tabla 11 Correlación lineal de las variables con T0: 0 N (Kg/ha)-marzo MCARI2

NDVI

NPCI

NDVI NPCI

0,5808994 1 -0,87095589 -0,82195103

PRI NDVI (GS) Nitrógeno total

-0,30063857 -0,89274685 0,36108888 0,87561709

MCARI2

PRI

NDVI (GS)

0,49521648 -0,49724432

1 -0,99247155

-0,2171301

0,08020077

-0,19405493

Nitrógeno total

-0,22367334

0,16123213

Con la regresión lineal se verifica si los índices que presentan correlación negativa: fuerte y perfecta MCARI2 en la Figura 27 y NDVI en la Figura 28 y moderada y fuerte con el NPCI en la Figura 29; correlación positiva: moderada y fuerte con el

índice PRI en la Figura 30 y fuerte y perfecta con el índice NDVI del GS en la Figura 31; son relevantes para explicar el % N total presente en el cultivo de pasto en el mes de enero.

% NITRÓGENO TOTAL

Nitrógeno total

Lineal (Nitrógeno total)

3.00 2.50 2.00 1.50

y = -12,406x + 10,248 R² = 0,8136

1.00 0.50 0.00 0.61

0.62

0.63

0.64

0.65

0.66

0.67

0.68

0.69

0.70

ÍNDICE MCARI2

Figura 27 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero.

% NITRÓGENO TOTAL

Nitrógeno total

Lineal (Nitrógeno total)

3.00 2.50 2.00

y = -12,15x + 10,158 R² = 0,8821

1.50 1.00 0.50 0.00 0.62

0.63

0.64

0.65

0.66

0.67

0.68

0.69

0.70

ÍNDICE NDVI

Figura 28 Relación entre el Índice INDVI y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

3.00 2.50 2.00

y = -24,242x + 12,694 R² = 0,5246

1.50 1.00 0.50 0.00

0.42

0.43

0.44

0.45

0.46

ÍNDICE NPCI

Figura 29 Relación entre Índice NPCI y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

3.00 2.50 2.00 1.50 1.00

y = 10,471x + 4,9938 R² = 0,3295

0.50 0.00

-0.35

-0.30

-0.25

-0.20

-0.15

-0.10

-0.05

0.00

ÍNDICE PRI Figura 30 Relación entre el Índice PRI y %Nitrógeno Total en parcela T0: 0N (Kg/ha),enero.

% NITRÓGENO TOTAL

Nitrógeno total

Lineal (Nitrógeno total)

3.00 2.50 2.00 1.50

y = 21,893x - 15,576 R² = 0,8488

1.00 0.50 0.00

0.78

0.79

0.80

0.81

0.82

0.83

NDVI (GS) Figura 31 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T0: 0N (Kg/ha), enero.

Para el caso del tratamiento 1 de 80 N (kg/ha) en el mes de enero existe: una correlación negativa: escasa o nula con los índices MCARI2 y NDVI del GS; y correlación positiva: escasa o nula con los índices NDVI, NPCI y PRI en laTabla 12. En el mes de marzo existe una correlación negativa: moderada y fuerte con el índice PRI y escasa o nula con el índice NDVI del GS y correlación positiva: escasa o nula con los índices MCARI2 y NDVI y moderada y fuerte con el índice NPCI en la Tabla 13.

Tabla 12 Correlación lineal de las variables con T1: 80 N (Kg/ha)-enero MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

Nitrógeno total

NDVI (GS)

1 0,98440799 1 -0,69857387 -0,5690171

0,47131186 0,33035775

-0,94857126

0,72353301

0,5931666

-0,99430491 0,91564804

-0,03768542 0,03060574

0,06602179 0,10327849

-0,16354831

Tabla 13 Correlación lineal de las variables con T1: 80 N (Kg/ha)-marzo MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

NDVI (GS)

Nitrógeno total

1 0,99801555

0,18745702 0,12982669 1 -0,48415746 -0,43187134 -0,95012244 0,95658261

0,9530534

0,2399398

0,21977448

0,09503137 -0,39189699

0,67070721 -0,66340509 -0,02918715

Con la regresión lineal se verifica si los índices que presentan correlación negativa: moderada y fuerte con el índice PRI en la Figura 32 y correlación positiva: moderada y fuerte con el índice NPCI en la Figura 33; son relevantes para explicar el % de nitrógeno total presente en el cultivo de pasto en el mes de marzo.

Nitrógeno total

Lineal (Nitrógeno total) 2.80

%NITRÓGENO TOTAL

2.75

-0.30

2.70

y = -5,7648x + 0,8867 R² = 0,4401

2.65 2.60 2.55 2.50 2.45 2.40 2.35

-0.29

-0.28

-0.27

-0.26

2.30 -0.25

INDICE PRI

Figura 32 Relación entre el Índice PRI y %Nitrógeno Total en parcela T1: 80N (Kg/ha), marzo.

% NITRÓGENO TOTAL

Nitrógeno total 2.80 2.75 2.70 2.65 2.60 2.55 2.50 2.45 2.40 2.35 2.30

Lineal (Nitrógeno total)

y = 6,3669x + 1,4197 R² = 0,4498

0.00

0.05

0.10

0.15

0.20

INDICE NPCI Figura 33 Relación entre el Índice NPCI y %Nitrógeno Total en parcela T1: 80N (Kg/ha), marzo.

Para el caso del tratamiento 2 de 160 N (kg/ha) en el mes de enero existe una correlación negativa escasa o nula con el índice MCARI2 y correlación positiva: débil y moderada con los índices NDVI, NPCI, PRI y NDVI del GS en la Tabla 14. En el mes de marzo existe una correlación negativa moderada y fuerte con el índice NPCI y correlación positiva: moderada y fuerte con los índices MCARI2 y NDVI, escasa o nula con los índices PRI y NDVI del GS en la Tabla 15. Tabla 14 Correlación lineal de las variables con T2: 160 N (Kg/ha)-enero MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

1 0,90806992 0,91396913

NDVI 1 0,99989765

-0,91957806 -0,67048426 0,9032741 0,99920522 -0,09622009

0,28006248

NPCI

PRI

NDVI (GS)

Nitrógeno total

1 -0,68103054 1 0,99896377 -0,66273423 0,26805913

0,43318654 0,26980675

Tabla 15 Correlación lineal de las variables con T2: 160 N (Kg/ha)-marzo MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

NDVI (GS)

Nitrógeno total

1 0,93985562

-0,60983955 -0,78036212 1 0,05669611 0,35252524 -0,81022753 1 -0,16437248 -0,49140702 0,6957448 -0,87078232 0,70507737

0,55282607

-0,5572487

0,06088664 0,20483811

Con la regresión lineal se verifica si el índice NPCI en la Figura 34 que presenta correlación negativa moderada y fuerte y los índices MCARI2 en la Figura 35 y NDVI en la Figura 36 que presentan correlación positiva moderada y fuerte son relevantes para explicar el % de nitrógeno total presente en el cultivo de pasto en el mes de marzo.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

3.50 3.00 2.50 2.00 1.50

y = -18,503x + 4,9067 R² = 0,3105

1.00 0.50 0.00 0.00

0.05

0.10

0.15

0.20

INDICE NPCI Figura 34 Relación entre el Índice NPCI y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo.

% NITRÓGENO TOTAL

Nitrógeno total

Lineal (Nitrógeno total)

3.50 3.00 2.50 2.00

y = 93,519x - 77,703 R² = 0,4971

1.50

1.00 0.50 0.00 0.85

0.85

0.86

INDICE MCARI2

Figura 35 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo.

Nitrógeno total

Lineal (Nitrógeno total)

%NITRÓGENO TOTAL

3.50 3.00 2.50 2.00 1.50

y = 39,912x - 32,158 R² = 0,3056

1.00 0.50 0.00 0.86 0.86 0.86 0.86 0.87 0.87 0.87 0.87 0.87 0.88

INDICE NDVI Figura 36 Relación entre el Índice NDVI y %Nitrógeno Total en parcela T2: 160N (Kg/ha), marzo.

Para el caso del tratamiento 3 de 240 N (kg/ha) en el mes de enero existe una correlación negativa: fuerte y perfecta con los índices PRI, moderada y fuerte con el índice MCARI2 y débil con los índices NDVI y NDVI del GS; correlación directa débil con el índice NPCI en la Tabla 16. En el mes de marzo existe correlación negativa fuerte y perfecta con el índice PRI y correlación positiva: fuerte y perfecta con los índices NDVI y NDVI del GS, moderada y fuerte con el índice MCARI2 y escasa o nula con el índice NPCI en la Tabla 17.

Tabla 16 Correlación lineal de las variables con T3: 240 N (Kg/ha)-enero

MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

NDVI (GS)

1 0,99345102 1 0,44507649 0,54227729 1 0,15055524 0,0449677 -0,80410433 1 -0,63679182 -0,70539085 -0,92178017 0,64934512

Nitrógeno total

-0,55723769 -0,46750992 0,47662468 -0,90387711 -0,2767147

Tabla 17 Correlación lineal de las variables con T3: 240 N (Kg/ha)-marzo

MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

NDVI (GS)

1 0,99513131 -0,43992877 -0,33576741 0,99464185

1 -0,36925847 1 -0,40065977 -0,69501223 1 0,98748533 -0,39667606 -0,38426572

0,75059605

0,75884069 0,12294951 -0,76032214 0,80914507

Nitrógeno total

1 1

Con la regresión lineal se verifica si los índices que presentan una correlación negativa fuerte y perfecta PRI en la Figura 37 y moderada y fuerte MCARI2 en la Figura 38 en el mes de enero; correlación negativa fuerte y perfecta con el índice PRI en la Figura 39 y correlación positiva: fuerte y perfecta con los índices NDVI en Figura 40 y NDVI del GS en la Figura 41, moderada y fuerte con el índice MCARI2 en la Figura 42 en el mes de marzo, son relevantes para explicar el % N total presente en el cultivo de pasto.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

4.00

3.50 3.00

y = -70,492x - 16,289 R² = 0,817

2.50 2.00 1.50 1.00 0.50

-0.28

-0.27

0.00 -0.27

INDICE PRI

Figura 37 Relación entre el Índice PRI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

4.00 3.50 3.00

y 2.50 2.00

= -23,702x + 18,695 R² = 0,3105

1.50 1.00 0.50 0.00 0.64

0.64

0.65

0.66

INDICE MCARI2

Figura 38 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T3: 240N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total) 3.50

% NITRÓGENO TOTAL

3.00 2.50 2.00 1.50

y = -16,895x - 2,0396 R² = 0,5781

1.00 0.50

0.00 -0.29 -0.28 -0.28 -0.27 -0.27 -0.26 -0.26 -0.25 -0.25 -0.24

INDICE PRI Figura 39 Relación entre el Índice PRI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo.

Nitrógeno total

Lineal (Nitrógeno total)

% NITRÓGENO TOTAL

3.50 3.00

2.50 2.00 1.50

1.00

y = 30,126x - 23,538 R² = 0,5758

0.50 0.00 0.85

0.85

0.86

0.87

INDICE NDVI

Figura 40 Relación entre el -Índice NDVI y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo.

% NITRÓGENO TOTAL

Nitrógeno total

Lineal (Nitrógeno total)

3.50 3.00 2.50 2.00 1.50

y = 16,666x - 12,129 R² = 0,6547

1.00 0.50

0.00 0.84 0.85 0.85 0.86 0.86 0.87 0.87 0.88 0.88 0.89 0.89

INDICE NDVI (GS) Figura 41 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo.

Nitrógeno total

Lineal (Nitrógeno total)

3.50

% NITRÓGENO TOTAL

3.00

2.50 2.00 1.50 1.00

y = 45,053x - 36,167 R² = 0,5634

0.50 0.00 0.85

0.85

0.86

INDICE MCARI2 Figura 42 Relación entre el Índice MCARI2 y %Nitrógeno Total en parcela T3: 240N (Kg/ha), marzo.

Para el caso del tratamiento 4 de 320 N (kg/ha) en el mes de enero existe una correlación negativa escasa o nula con los índices MCARI2 y NDVI; y correlación positiva fuerte y perfecta con el índice NDVI del GS y escasa o nula con los índices NPCI y PRI en la Tabla 18. En el mes de marzo, correlación negativa moderada y fuerte con el índice PRI y correlación positiva: fuerte y perfecta con el índice NDVI del GS, débil con el índice MCARI2 y escasa o nula con los índices NDVI y NPCI en la Tabla 19.

Tabla 18 Correlación lineal de las variables con T4: 320 N (Kg/ha)-enero MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

Nitrógeno total

NDVI (GS)

1 0,9969388

0,89110808 0,92386027 1 -0,97381601 -0,98860955 -0,97093909 1 0,2742544 0,34860284 0,68078181 -0,48569413 -0,25694777 -0,18060042

0,20958699

0,03051508 0,85890076

Tabla 19 Correlación lineal de las variables con T4: 320 N (Kg/ha)-marzo MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

1 0,97681877 -0,39689398 -0,67850367 0,55158197 0,34563218

NDVI

NPCI

PRI

NDVI (GS)

Nitrógeno total

1 -0,25437936 1 -0,73100533 -0,37546449 1 0,59052936 0,46988232 -0,97966062 0,24905155

0,17304957 -0,66007158 0,76304833

Con la regresión lineal se verifica si los índices que presentan una correlación positiva fuerte y perfecta con el índice NDVI del GS en la Figura 43 en el mes de enero y correlación negativa moderada y fuerte con el índice PRI en la Figura 44 y correlación positiva fuerte y perfecta con el índice NDVI del GS en la Figura 45 en el mes de marzo, son relevantes para explicar el % de nitrógeno total presente en el cultivo de pasto.

Nitrógeno total

Lineal (Nitrógeno total)

4.50

% NITRÓGENO TOTAL

4.00 3.50 3.00 2.50 2.00 1.50 1.00

y = 11,079x - 5,6181 R² = 0,7377

0.50 0.00 0.72

0.74

0.76

0.78

0.80

0.82

0.84

0.86

INDICE NDVI (GS) Figura 43 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T4: 320N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total) 2.90

% NITRÓGENO TOTAL

2.85 2.80 2.75 2.70 2.65

y = -6,2769x + 1,055 R² = 0,4357

2.60 2.55 2.50

-0.29

-0.28

-0.27

-0.26

-0.25

2.45 -0.24

INDICE PRI Figura 44 Relación entre el Índice PRI y %Nitrógeno Total en parcela T4: 320N (Kg/ha), marzo.

Nitrógeno total

Lineal (Nitrógeno total)

2.90

% NITROGENO TOTAL

2.85 2.80 2.75 2.70 2.65

y = 4,8197x - 1,4387 R² = 0,5822

2.60 2.55 2.50 2.45 0.82

0.83

0.84

0.85

0.86

0.87

0.88

0.89

0.90

INDICE NDVI (GS) Figura 45 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T4: 320N (Kg/ha), marzo.

Para el caso del tratamiento 5 de 400 N (kg/ha) en el mes de enero existe una correlación negativa: moderada y fuerte con el índice NDVI y débil con los índices MCARI2, NPCI y PRI; y correlación positiva: moderada y fuerte con el índice NDVI del GS en la Tabla 20. En el mes de marzo existe correlación negativa débil para el índice NPCI y correlación positiva: débil con los índices PRI y NDVI del GS, escasa o nula con los índices MCARI2 y NDVI en la Tabla 21. Tabla 20 Correlación lineal de las variables con T5: 400 N (Kg/ha)-enero

MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

MCARI2

NDVI

1 0,92524381 -0,01630142

1 0,32301316

0,51835441 0,42708496

NPCI

PRI

NDVI (GS)

Nitrógeno total

0,29866169 -0,75528018 0,12889289 -0,37401897

1 0,15148103

-0,48773212 -0,69021538 -0,27932632 -0,38149273 0,57836964

Tabla 21 Correlación lineal de las variables con T5: 400 N (Kg/ha)-marzo MCARI2 MCARI2 NDVI NPCI PRI NDVI (GS) Nitrógeno total

NDVI

NPCI

PRI

Nitrógeno total

NDVI (GS)

1 0,99255514

-0,76242304 -0,7994723 1 -0,53174171 -0,45665245 -0,13295173 1 0,91055586 0,89166409 -0,87751512 -0,29616392 0,05873153

0,02522015 -0,47185292

0,39936732 0,46593243

Con la regresión lineal se verifica si los índices que presentan una correlación negativa: moderada y fuerte con el índice NDVI en la Figura 46 y correlación positiva moderada y fuerte con el índice NDVI del GS en la Figura 47 en el mes de enero son relevantes para explicar el % N total presente en el cultivo de pasto.

Nitrógeno total

Lineal (Nitrógeno total)

4.50

% NITRÓGENO TOTAL

4.00 3.50 3.00 2.50 2.00

y = -50,17x + 38,599 R² = 0,4764

1.50

1.00 0.50 0.00 0.69

0.69

0.70

0.71

0.72

INDICE NDVI Figura 46 Relación entre el Índice NDVI y %Nitrógeno Total en parcela T5: 400N (Kg/ha), enero.

Nitrógeno total

Lineal (Nitrógeno total)

4.50

%NITROGENO TOTAL

4.00 3.50 3.00 2.50 2.00 1.50

y = 38,164x - 29,248 R² = 0,3345

1.00 0.50 0.00 0.84

0.84

0.85

0.86

0.87

INDICE NDVI (GS) Figura 47 Relación entre el Índice NDVI (GS) y %Nitrógeno Total en parcela T5: 400N (Kg/ha), enero

4.2. DISCUSIÓN Los suelos del cultivo del área de estudio presentan las características adecuadas para el crecimiento del ray grass perenne al tener un pH superior a 5.5, (Villalobos y Sánchez, 2010). El porcentaje del N presente en el suelo es bajo necesario para iniciar la experimentación en el bloque asignado. Mediante los mapas de distribución espacial de los tratamientos T1, T2, T3, T4 y T5 en los dos periodos de corte se identificó que la adición de fertilizantes nitrogenados sobre el pasto mixto concuerda con Gutiérrez y López (2018) ya que al aumentar el N sobre el cultivo aumenta también las lecturas del NDVI del GS. Se compararon los resultados de la presente investigación con la investigación de Gutiérrez y Domínguez (2019) ya que las dosis de fertilización son altas en las dos investigaciones. Gutiérrez y Domínguez (2019) identificaron valores altos del NDVI del GS, en el corte 1: el valor de NDVI del GS para T1 (70 kg de N/ha/año) de 0.86, para T2 (140 kg de N/ha/año) de 0.87 y manteniéndose para T3 (210 kg de N/ha/año) y para T4 (280 kg de N/ha/año) con 0.88; mientras que en la presente investigación los rangos del NDVI del GS para T1, T2 y T4 se mantienen en 0.75-0.86 para T3 disminuye de 0.69 a 0.80 y aumenta en T5 de 0.81-0.92; en el corte 2: el valor del NDVI del GS para T1 (70 kg de N/ha/año) disminuye a 0.84, para T2 (140 kg de N/ha/año) se

mantiene en 0.87, para T3 (210 kg de N/ha/año) disminuye a 0.86 y para T4 (280 kg de N/ha/año) disminuye a 0.85; mientras que en la presente investigación los rangos del NDVI del GS son mayores a los valores citados para T1 con 0.75-0.86, para T2, T3, T4 y T5 se mantienen pero no incrementan con 0.81-0.92. Roldán y Poveda (2006, citado en Gutiérrez y Kovacevic, 2021) reportaron que los valores de NDVI varían de acuerdo al sector y concluyeron que en la región Sierra los valores puede oscilar entre 0.38 y 0.69. Los resultados de esta investigación muestran que los datos obtenidos para el NDVI con la aplicación de los tratamientos se encuentran sobre de los rangos mencionados anteriormente. Gutiérrez y López (2018), en Rye grass perenne registraron valores de NDVI del GS para T0 de 0.62, para T1 (70 kg de N/ha/año) de 0.66, para T2 (140 kg de N/ha/año) de 0.70, para T3 (210 kg de N/ha/año) de 0.73, para T4 (280 kg de N/ha/año) de 0.76 y para T5 (350 kg de N/ha/año) de 0.79. Comparando los resultados obtenidos todos los tratamientos superan los valores citados, en la subparcela que no se adicionó fertilizante se observa una alta actividad fotosintética en el cultivo de pasto destacando los valores del NDVI en el rango de 0.75-0.80 en el primer corte con un área de 1.257 𝑚2 . Mientras que en el segundo corte en el rango de 0.81-0.86 con un área de 1.132 𝑚2 (Figura 16 y Figura 48 respectivamente).

Figura 48 Mapa del NDVI del cultivo de pasto en T0: 0N (Kg/ha), enero y marzo, sensor Green Seeker.

De igual manera se tiene para el T1 de 80 kg de N/ha/año en el primer corte valores altos de NDVI (GS) con una distribución uniforme en la subparcela destacándose en el rango de 0.75-0.80 con un área de 1.643 𝑚2 . En el segundo corte en el rango de 0.75 a 0.80 con un área de 1.328 𝑚2 (Figura 17 y Figura 49 respectivamente).

Figura 49 Mapa del NDVI del cultivo de pasto en T1: 80N (Kg/ha), enero y marzo, sensor Green Seeker.

Para el tratamiento T2 de 160 kg de N/ha/año el cultivo en el primer corte domina el rango del NDVI (GS) comprendido de 0.75-0.80 con un área de 1.281 𝑚2 mientras que en el segundo corte presenta valores entre 0.81 -0.86 con un área de 1157 𝑚2 (Figura 18 y Figura 50 respectivamente).

Figura 50 Mapa del NDVI del cultivo de pasto en T2: 160N (Kg/ha), enero y marzo, sensor Green Seeker.

Para el tratamiento T3 de 240 kg de N/ha/año en el primer corte la respuesta del cultivo al N es alta ya que se evidencia el rango comprendido entre 0.75-0.80 con un área de 887 𝑚2 . En el segundo corte, se evidencia los valores altos del NDVI comprendidos entre 0.87-0.92 con un área de 1.683 𝑚2 (Figura 19 y Figura 51 respectivamente).

Figura 51 Mapa del NDVI del cultivo de pasto en T3: 240N (Kg/ha), enero y marzo, sensor Green Seeker.

Para el tratamiento T4 de 320 kg de N/ha/año la respuesta del cultivo al N en el primer corte se destaca los valores del NDVI del GS en el rango comprendido de 0.75-0.80 con un área de 1.015 𝑚2 , destacándose en el segundo corte en el rango de 0.81-0.86 con un área de 1.317 𝑚2 (Figura 20 y Figura 52 respectivamente).

Figura 52 Mapa del NDVI del cultivo de pasto en T4: 320N (Kg/ha), enero y marzo, sensor Green Seeker.

Para el tratamiento T5 de 400 kg de N/ha/año la respuesta del cultivo al N en el primer corte se destaca los valores del NDVI del GS en el rango comprendido de 0.81-0.86 con un área de 1.693 𝑚2 mientras que en el segundo corte la respuesta del cultivo al N es alta reflejándose en el rango de 0.87 a 0.92 con un área de 1027 𝑚2 (Figura 21 y Figura 53 respectivamente).

Figura 53 Mapa del NDVI del cultivo de pasto en T5: 400N (Kg/ha), Mes Enero y Marzo, sensor Green Seeker.

Con respecta a los valores de % de N total en MS, según Leon et. al (2018), los valores varían entre 2.4 al 5%, en el primer corte los valores de los tratamientos T2, T3, T4 y T5; y, en el segundo corte los tratamientos T1, T4 y T5 se encuentran dentro de los valores citados mientras que los demás tratamientas se encuentran por debajo de 2.4%. De acuerdo a la primera pregunta de investigación, al presentar valores bajos del % N total en MS, se encontró relación entre el % de NTotal obtenido en laboratorio con la lectura obtenida con el NDVI del GS únicamente en el primer corte en el tratamiento de T0 0 kg de N/ha/año ya que presenta un R2=0.84 con una correlación positiva fuerte y perfecta, en los demás tratamientos no se encontraron relación entre el % de NTotal obtenido en laboratorio con la lectura obtenida con el NDVI del GS. De acuerdo a la segunda pregunta de investigación el índice de vegetación idóneo que detecta la presencia de nitrógeno en la madurez del pasto mixto es para el

tratamiento T3 de 240 kg de N/ha/año en el primer corte con una correlación negativa fuerte y perfecta es el índice PRI con R2=0.81 y en el segundo corte con una correlación positiva fuerte y perfecta el índice NDVI del GS con R2=0.65; y para el tratamiento T4 de 320 kg de N/ha/año el mejor modelo para identificar el % de N total presente en el cultivo en el primer corte con una correlación positiva fuerte y perfecta es el índice NDVI del GS con R2=0.73 y en el segundo corte con una correlación positiva fuerte y perfecta el índice NDVI del GS con R2=0.58. Rivera et al. (2019) no encontraron correlación significativa al asociar los índices de vegetación evaluados con el contenido de nitrógeno expresado en forma de concentración (%N). De igual manera en la presente investigación en los tratamientos T1 y T2 en el primer corte y T5 en el segundo corte no tienen correlación ningún índice con el % de N total presente en el cultivo . En el segundo corte de T1, los coeficientes de determinación de los índices PRI y NPCI y de T2, MCARI2 NPCI Y NDVI son bajos los cuales no permitieron identificar el % de N total presente en el cultivo. Para el tratamiento de T5 de 400 kg de N/ha/año en el primer corte los coeficientes de determinación de los modelos expuestos son bajos por lo que los índices NDVI y NDVI del GS no permitieron identificar el % de N total presente en el cultivo. Al correlacionar varios índices de vegetación con las muestras de % N total obtenidas en laboratorio Bagheri et al., (2013) identificaron para los tratamientos de 50, 75, 100, 125, 150 kg de N/ha/año que el índice de vegetación cuyo coeficiente de determinación de 0,789 de MCARI2 fue el segundo mejor índice para la predicción del contenido de nitrógeno en maíz, seguido por NDVI con R2=0.72 . Comparando con los resultados en los tratamientos que corresponden a la cantidad utilizada por Bagheri et al. (2013), el tratamiento T2, en el corte 2, MCARI2 tiene un R2=0.49 y NDVI con un R2=0.30, valores menores a los citados. Con respecto a la metodología aplicada una de las técnicas que facilitaron la georreferenciación de las muestras del NDVI del GS y MV fue la técnica de plantación de cuerdas cuya acción requirió trabajo y esfuerzo adicional para preparar previamente cada una de las cuerdas con su medida, con sus etiquetas y estacas respectivas.

Existieron factores limitantes dentro de la investigación que se deben considerar y a la vez son recomendaciones para los siguientes estudios a fin de obtener mejores resultados. Presentar solamente cuatro muestras de MV por parcela dificultó la construcción de los diagramas de dispersión ya que las observaciones no se ajustaron a la línea de tendencia y por ende sus coeficientes resultaron bajos en los índices de las imágenes satelitales. De igual manera las muestras de suelo que se recolectaron fueron escasas para determinar las condiciones iniciales reales de la pastura ya que al presentar una sola muestra homogénea de todo el lote no se visualizó la cantidad de nitrógeno presente en el suelo en cada una de las zonas de las parcelas. Es necesario presentar muestras representativas para realizar por ejemplo mapas de interpolación espacial y verificar en qué zonas de la parcela presenta alto o bajo contenido de nitrógeno en el suelo.

5. CONCLUSIONES La aplicación de las diferentes herramientas para medir la presencia de nitrógeno en un cultivo mediante sensores portátiles como el Green Seeker, imágenes multiespectrales, cálculos de Nitrógeno Total en laboratorio juntamente con técnicas de geoprocesamiento mediante sistemas de información geográfica se ha transformado en una alternativa esencial para evaluar escenarios geográficos de forma rápida y , en consecuencia, convertirse en apoyo para la toma de decisiones en diferentes procesos como es el caso del comportamiento de los cultivos permitiendo la obtención de datos que a simple vista no se pueden observar. La utilización de los mapas de distribución espacial ha permitido identificar la acción participante de la clorofila en valores reflejados del índice NDVI del Green Seeker en la madurez del pasto mixto. Dichos valores indicaron que el cultivo en los dos periodos tiene alta actividad fotosintética gracias a la presencia de las diferentes dosis de fertilizante nitrogenado. Sin embargo, se evidencia con claridad en que en altas concentraciones de nitrógeno como T2 (160 kg de N/ha/año), T3 (240 kg de N/ha/año), T4 (320 kg de N/ha/año) y T5 (400 kg de N/ha/año) se incrementa uniformemente los valores del NDVI destacándose en el mes de marzo debido a las precipitaciones abundantes por lo que las raíces del pasto asimilaron de mejor manera el fertilizante nitrogenado colocado sobre la superficie del suelo. Con respecto a los mapas de la respuesta al cultivo en la utilización de las imágenes satelitales se observaron que existe actividad fotosintética alta bajo la acción del fertilizante nitrogenado en el mes de enero con valores altos de los índices NDVI y MCARI2 en las parcelas de los tratamientos T2 y T5 mientras que en marzo los valores son uniformes en todas las parcelas cubriendo el rango de 0.8-09. Con los porcentajes obtenidos en laboratorio del nitrógeno total en MS en cada una de las parcelas se verificó que los valores de nitrógeno dependen de la capacidad que tiene las plantas para asimilar el nitrógeno ya que se encontraron valores similares en cada uno de los tratamientos cuyos valores son bajos para relacionarlos con los índices espectrales de las imágenes satelitales. A pesar de ello, se identificó que el índice PRI es idóneo para detectar la presencia de nitrógeno en la madurez del pasto mixto con la cantidad de fertilizante nitrogenado de 240 kg

de N/ha/año perteneciente al tratamiento T3 con un coeficiente de determinación de R2=0.81. De igual manera, el índice NDVI proporcionado por el sensor Green Seeker identifica el % de Nitrógeno Total en la cantidad de fertilizante nitrogenado de 240 kg de N/ha/año con R2=0.65 y 320 kg de N/ha/año con R2=0.73. Los índices NDVI, MCARI2 y NPCI no son relevantes en ninguno de los tratamientos para estimar la presencia del Nitrógeno total en el pasto mixto compuesto por la mezcla forrajera de ray gráss perenne y alfalfa. Los resultados obtenidos demuestran que los métodos y herramientas de índole espacial representan un apoyo fundamental para la realización de estudios integrales de la agricultura, pues facilita su comprensión, la manipulación de su información y permite tener una representación simplificada del objeto de estudio.

REFERENCIAS Aguilar Rivera, N. (2015). Percepción remota como herramienta de competitividad de la agricultura. Revista mexicana de ciencias agrícolas, 6(2), 399-405. Accedido el 26 de mayo de 2021. Disponible en:http://www.scielo.org.mx/scielo.php?script=sci_abstract&pid=S200709342015000200014&lng=es&nrm=iso&tlng=es Alesandri, D., y Alesandri, G. (2009). Seminario sobre fertilización nitrogenada en pasturas, Montevideo, Uruguay. Accedido el 26 de mayo de 2021. Disponible en: http://prodanimal.fagro.edu.uy/cursos/PASTURAS%20CRS/Seminarios%202009/ Texto%20-%20Fertilizacion%20Nitrogenada%20en%20Pasturas.pdf Bagheri, N., Ahmadi, H., Alavipanah, S. K., y Omid, M. (2013). Multispectral remote sensing for site-specific nitrogen fertilizer management. Pesquisa Agropecuaria Brasileira [en línea]. 2013, v. 48, n. 10, pp. 1394-1401. Epub 17 Enero 2014. ISSN 1678-3921. Accedido el 7 de julio de 2018. Disponible en: https://doi.org/10.1590/S0100-204X2013001000011 Barbazan, M. (1998). Análisis de plantas y síntomas visuales de deficiencia de nutrientes. Universidad de la República de Uruguay, Facultad de Agronomía, Montevideo, Uruguay. Accedido el 13 de enero de 2018. Disponible en: https://www.researchgate.net/profile/Monica_Barbazan/publication/267702791_A GRONOMIA_ANALISIS_DE_PLANTAS_Y_SINTOMAS_VISUALES_DE_DEFICIE NCIA_DE_NUTRIENTES/links/56f123d608aea9fd53a881b5.pdf Basilio, A., G. Alcántar, P. Sánchez, Y. Pea, J. Crumbaugh, C. Olive, L. Tijerina, y R. Maldonado. (2007). Establecimiento de Índices Espectrales en el Diagnóstico Nutrimental de Nitrógeno En Maíz. Universidad Autónoma Chapingo. Texcoco, Estado de México 10. Accedido el 13 de enero de 2018. Disponible en: https://www.redalyc.org/pdf/302/30220203002.pdf Buzai, G., y Baxendale, C. (2009). Análisis Exploratorio de Datos Espaciales. Revista digital del Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica (GESIG). Programa de Estudios Geográficos (PROEG). Universidad Nacional de Luján, Argentina. ISSN 1852-8031. AÑO 1, NÚMERO 1, SECCIÓN SOFTWARE Y METODOLOGÍA: III PP. 1-11. Accedido el 12 de mayo de 2021. Disponible en: https://ri.unlu.edu.ar/xmlui/bitstream/handle/rediunlu/702/Buzai_An%C3%A1lisis% 20Exploratorio%20de%20Datos%20Espaciales.pdf?sequence=1&isAllowed=y Chen, P., Haboudane, D., Tremblay, N., Wang, J., Vigneault, P., y Li, B. (2010). New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat. Remote Sensing of Environment, 114(9), 1987-1997. Accedido el 7 de julio de 2018. Disponible en: https://doi.org/10.1016/j.rse.2010.04.006 Chen, P. (2015). A Comparison of Two Approaches for Estimating the Wheat Nitrogen Nutrition Index Using Remote Sensing. Remote Sensing, 7(4), 45274548. Accedido el 23 de junio de 2018, en https://doi.org/10.3390/rs70404527

Díaz, Juan. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. Trabajo fin de Máster en Tecnologías de la Información Geográfica. Universidad Complutense de Madrid. Accedido el 12 de mayo de 2021. Disponible en: https://eprints.ucm.es/id/eprint/31423/1/TFM_Juan_Diaz_Cervignon.pdf Filella, I., Serrano, L., Serra, J., y Penuelas, J. (1995). Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis. Vol 35 Num 5 Crop Science (USA). Accedido el 7 de julio de 2018. Disponible en: https://acsess.onlinelibrary.wiley.com/doi/abs/10.2135/cropsci1995.0011183X0035 00050023x Fulkerson, W., y Donaghy, D. (2001). Plant-soluble carbohydrate reserves and senescence - Key criteria for developing an effective grazing management system for ryegrass-based pastures: A review. Animal Production Science, 41, 261-275. Accedido el 16 de junio de 2018, Disponible en: https://doi.org/10.1071/EA00062 Gallardo, Carlos. (2016). Eficiencia Agronómica del Nitrógeno en el cultivo de Avena Forrajera (Avena sativa L.). Trabajo de titulación previo a la obtención del Título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito-Ecuador: UCE. Accedido el 7 de julio de 2018. Disponible en: http://www.dspace.uce.edu.ec/bitstream/25000/10127/1/T-UCE-0004-87.pdf Gilabert, M. A., González, J., y García, J. (1997). Acerca de los Indices de Vegetación. Revista de la Asociación Española de Teledetección, ISSN 11330953, Nº 8. Accedido el 8 de febrero del 2020. Disponible en: https://www.redalyc.org/pdf/104/10412209.pdf Gutiérrez, F., y Alcoser, L. (2016). Evaluación de la eficiencia agronómica de nitrógeno en Rye grass perenne (Lolium perenne) var. One 50. Trabajo de grado previo la obtención del título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito, Ecuador: UCE. 55 p. Accedido el 8 de febrero del 2020. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/9418 Gutiérrez, F., Alcoser, R., Macías, G., Portilla, A., y Espinosa, J. (2017). Omisión de nutrientes y dosis de nitrógeno en la acumulación de biomasa, composición bromatológica y efciencia de uso de nitrógeno de raigrás diploide perenne (Lolium perenne). Universidad Central del Ecuador. Facultad de Ciencias Agrícolas. Siembra, 4(1), 81-92. Accedido el 8 de febrero del 2020. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=6220190 Gutiérrez, M., Cadet, E., Rodríguez W., y Araya, J. (2011). El GreenSeekerTM y el diagnóstico del estado de salud de los cultivos. Agronomía Mesoamericana 22(2):397. ISSN 1021-7444. Accedido el 12 de mayo de 2021. Disponible en: http://revistas.ucr.ac.cr/index.php/agromeso/article/view/11799 Gutiérrez, F., y Domínguez, J. (2019). Determinación del momento de aplicación de nitrato de amonio en una mezcla forrajera. Trabajo de titulación previo a la obtención del Título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito-Ecuador: UCE. Accedido el 12 de mayo de 2021. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/18673

Gutiérrez, F., y Fuentes, V. (2019). Evaluación de la eficiencia agronómica de nitrógeno en pasto miel (Setaria sphacelata) en Nanegalito. Pichincha. Trabajo de titulación previo a la obtención del Título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito, Ecuador: UCE. 61 p. Accedido el 8 de febrero del 2020. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/17499 Gutiérrez, F., y Kovacevic V. (2021). Efecto de la aplicación en diferentes dosis de biofertilizante producido a partir de los residuos de establos sobre pasturas. Trabajo de titulación previo a la obtención del Título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito-Ecuador: UCE. p. 67. Accedido el 12 de mayo de 2021. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/22715 Gutiérrez, F., y Loayza, C. (2016). Eficiencia agronómica del nitrógeno en el cultivo de avena forrajera (Avena sativa L.). Trabajo de grado previa a la obtención del título de Ingeniero Agrónomo. Carrera de Ingeniería Agronómica. Quito, Ecuador: UCE. 60 p. Accedido el 13 de enero de 2018. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/10127http://www.dspace.uce.edu.ec/ handle/25000/10127 Gutiérrez, F., y López, V. (2018). Eficiencia de la fertilización nitrogenada sobre el crecimiento y la calidad del forraje en pastos perennes. Trabajo de titulación previo a la obtención del Título de Ingeniera Agrónoma. Carrera de Ingeniería Agronómica. Quito, Ecuador: UCE. 69 p. Accedido el 8 de febrero del 2020. Disponible en: http://www.dspace.uce.edu.ec/handle/25000/16095 Haboudane, D., Miller, J. R., Pattey, E., Zarco, P. J., y Strachan, I. B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 90(3), 337-352. Accedido el 7 de julio de 2018. Disponible en: https://doi.org/10.1016/j.rse.2003.12.013 Isla, R., y López, R. (2005). Comparación de distintos índices de vegetación para detectar deficiencias de nitrógeno en maíz. XI Congreso Nacional de Teledetección, Puerto de la Cruz, Tenerife. Accedido el 7 de julio de 2018. Disponible en: http://www.aet.org.es/congresos/xi/ten17.pdf IPNI, International Plant Nutrition Institute. (2013). 4R de la Nutrición de Plantas. Un Manual para mejorar el Manejo de la Nutrición de Plantas. (T.W. Bruulsema, P.E. Fixen, G.D. Sulewski, eds.), International Plant Nutrition Institute, Norcross, GA, EE.UU.Traducido al español por Dr. Hernán Tejeda (SQM, Chile) León, R., Bonifaz, N., y Gutiérrez, F. (2018). Pastos y forrajes del Ecuador: Siembra y producción de pasturas (1ra ed.) Quito-Ecuador: Universidad Politécnica Salesiana. Accedido el 12 de mayo de 2021. Disponible en: http://dspace.ups.edu.ec/handle/123456789/19019 Liang, S. (2005). Teledetección cuantitativa de superficies terrestres. John Wiley y Sons., Inc. ISBN 0-471-28166-2. Hoboken, New Jersey. Accedido el 12 de mayo de 2021. Disponible en: https://books.google.es/books?id=v07cooSh4YEC&pg=PR3&hl=es&source=gbs_s elected_pages&cad=2#v=onepage&q&f=false

Loza, T., y H. J. (1993). Morfología y fisiología de los pastos. Universidad Autónoma de Nuevo León, Facultad de Medicina Veterinaria y Zootecnia, Departamento de Nutrición y Control de Calidad. Monterrey, N.L, México. Accedido el 2 de junio de 2018. Disponible en: http://cd.dgb.uanl.mx//handle/201504211/6799 Ortega, R. M., Pendás, L. C., Ortega, M., Abreu, A., y Cánovas, A. M. (2009). El coeficiente de correlación de los rangos de Spearman caracteriszación. Revista Habanera de Ciencias Médicas, 8(2), 0-0. Accedido el 2 de junio de 2018. Disponible en: http://www.revhabanera.sld.cu/index.php/rhab/article/view/1531 Mena, K, y León, R. (2011). Evaluación del efecto de Agronitrógeno y Ekotron 40 con urea en potreros de pastos mejorados, en el sector de Machachi. Carrera de Ingeniería de Ciencias Agropecuarias. ESPE-IASA I. Sede El Prado. Accedido el 23 de junio de 2019. Disponible en: http://repositorio.espe.edu.ec/jspui/handle/21000/5141 Muñoz Huerta, R. F., Guevara Gonzalez, R. G., Contreras Medina, L. M., Torres Pacheco, I., Prado Olivarez, J., y Ocampo Velazquez, R. V. (2013). A Review of Methods for Sensing the Nitrogen Status in Plants: Advantages, Disadvantages and Recent Advances. Sensors (14248220), 13(8), 10823-10843. Accedido el 23 de junio de 2018, Disponible en: https://doi.org/10.3390/s130810823 Nabors, M. W., González, P., García, M., y Moreno, J. C. (2006). Introducción a la botánica. PEARSON EDUCACIÓN, S. A. ISBN 13: 978-84-7829-073-4 Materia: Botánica, 58 .Páginas: 744. Accedido el 12 de mayo de 2021. Disponible en: https://bibliotecaia.ism.edu.ec/Varios/IntroduccionBotanica.pdf Paz, F., Romero, M., Palacios, E., Bolaños, M., Valdez, J., y Aldrete, A. (2014). Alcances y limitaciones de los índices espectrales de la vegetación: marco teórico. Terra Latinoamericana. Volumen 32. Número 3. Accedido el 12 de mayo de 2021. Disponible en: http://www.scielo.org.mx/pdf/tl/v32n3/2395-8030-tl-32-03-00177.pdf Paruelo, J. M. (2008). La caracterización funcional de ecosistemas mediante sensores remotos. Ecosistemas 17(3):4-22. Laboratorio de Análisis Regional y Teledetección – IFEVA y Facultad de Agronomía, Universidad de Buenos Aires y CONICET. C1417DSE Buenos Aires, Argentina. Accedido el 23 de junio del 2018. Disponible en: https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/83 Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J., y Field, C. B. (1994). Reflectance indices associated with physiological changes in nitrogen- and waterlimited sunflower leaves. Remote Sensing of Environment, 48(2), 135-146. Accedido el 7 de julio de 2018. Disponible en: https://doi.org/10.1016/00344257(94)90136-8 Posada Asprilla, W., Medina Sierra, M., y Cerón Muñoz, M. (2019). Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales. Revista U.D.C.A Actualidad y Divulgación Científica 22(1). Accedido el 12 de mayo de 2021. Disponible en: https://doi.org/10.31910/rudca.v22.n1.2019.1195

Quero, A., y Enríquez, J. (2013). Manejo de pasturas bajo riego y fertilización en sistemas de producción intensivos en condiciones tropicales. Manejo de la producción de semilla en especies forrajeras: experiencias en México. Cuadernos Científicos Girarz 13. Perozo Bravo A. (ed). Fundación Girarz. Ediciones Astro Data S.A. Maracaibo, Venezuela, Pp. 143-154. Accedido el 23 de junio del 2018. Disponible en: https://www.researchgate.net/profile/Marcos-Lopes14/publication/325513981_MANEJO_DE_PASTURAS_BAJO_RIEGO_Y_FERTILI ZACION_EN_SISTEMAS_DE_PRODUCCION_INTENSIVOS_EN_CONDICIONE S_TROPICALES/links/5b11975faca2723d997b2e18/MANEJO-DE-PASTURASBAJO-RIEGO-Y-FERTILIZACION-EN-SISTEMAS-DE-PRODUCCIONINTENSIVOS-EN-CONDICIONES-TROPICALES.pdf Rivera, M., Nava, E., Martínez, A., y Cerano, J. (2019). Evaluación de índices de vegetación para estimar nitrógeno foliar en el cultivo de triticali (x. Triticosecale wittmack) mediante teledetección. Agrofaz: publicación semestral de investigación científica 1(Extra 1 (No Especial)):126-33. Accedido el 12 de mayo de 2021. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=7366966 Rodriguez, A. (2019). Asociación entre fenología foliar, crecimiento de tallos y patrones espectrales foliaresen diez especies de vegetación mediterráneas. Trabajo de grado previo la obtención del título de Maestría en Ciencias. Ensenada, Baja California, México. Accedido el 17 de agosto de 2020. Disponible en: https://cicese.repositorioinstitucional.mx/jspui/bitstream/1007/2763/1/tesis_Rodr% C3%ADguez%20Bastarrachea%20Anaid_31_ene_2019BibliotecaB.pdf Salazar, D., Cuichán, M., Ballesteros, C., Márquez, J., y Orbe, D. (2017). Encuesta de Superficie y Producción Agropecuaria Continua. Ecuador: Instituto Nacional de Estadística y Censos, Dirección de Estadísticas Agropecuarias y Ambientales. Unidad de Estadísticas Agropecuarias-ESAG. Accedido el 23 de junio del 2018. Disponible en: https://www.ecuadorencifras.gob.ec/documentos/webinec/Estadisticas_agropecuarias/espac/espac_2017/Informe_Ejecutivo_ESPAC_2 017.pdf Villalobos, L., y Sánchez, J. (2010). Evaluación agronómica y nutricional del pasto ryegrass perenne tetraploide (Lolium perenne) producido en lecherías de las zonas altas de Costa Rica. II. Valor nutricional. Agron. Costarricense [en línea], vol.34, n.1, pp.43-52. ISSN 0377-9424. Accedido el 12 de mayo de 2021. Disponible en: https://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S037794242010000100004 Xu, X., Zhao, C., Wang, J., Zhang, J., y Song, X. (2014). Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley. Precision Agriculture, 15(2), 227-240. Accedido el 23 de junio del 2018. Disponible en: https://doi.org/10.1007/s11119-013-9339-0 Xue, J., y Su, B. (2017). Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. Journal of Sensors, 2017, e1353691. Accedido el 12 de mayo de 2021. Disponible en: https://doi.org/10.1155/2017/1353691

Yadav, M. R., Kumar, R., Parihar, C. M., Yadav, R. K., Jat, S. L., Ram, H., Meena, R. K., Singh, M., Birbal, Verma, A. P., Kumar, U., Ghosh, A., y Jat, M. L. (2017). Strategies for improving nitrogen use efficiency: A review. Agricultural Reviews, 38(1), 29-40. Accedido el 13 de enero de 2018. Disponible en: https://doi.org/10.18805/ag.v0iOF.7306

104639

Articles inside

Tabla 21 Correlación lineal de las variables con T5: 400 N (Kg/ha)-marzo

Tabla 8 Variables en estudio –Marzo

4.1.3. % Nitrógeno Total

Tabla 7 Variables en estudio –Enero

Tabla 13 Correlación lineal de las variables con T1: 80 N (Kg/ha)-marzo

Tabla 5 Variables de la investigación

3.2.2. Procedimiento

Tabla 4 Evaluación de cinco dosis de

2.3. Rye grass (Lolium perenne

1.7. Alcance

Tabla 1 Nutrientes Minerales de las plantas

2.5.1. Nutrición en los pastos

2.6. Marco metodológico

3.2. Ubicación del área de estudio

2.5.3. Detección de Nitrógeno con índices de vegetación

2.2. mezclas forrajeras