105516 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

PROPUESTA METODOLÓGICA PARA APLICACIÓN DE ÍNDICES DE VEGETACIÓN EN CULTIVO DE BANANO SP. ECUADOR, 2020. METHODOLOGICAL PROPOSAL FOR APPLICATION OF VEGETATION INDICES IN BANANO SP. ECUADOR, 2020. by/por

Jhonny Paúl Rodríguez Ponce 1322638

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Advisor ǀ Supervisor: (Unigis completará aquí)

Quito - Ecuador, XXXX 2021

COMPROMISO DE CIENCIA Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quito xx de xxx del 2021 (Lugar, Fecha)

Firma

AGRADECIMIENTO A la Universidad de Salzburgo, equipo UNIGIS para América Latina, Profesores, y especialmente a la guía proporcionada por parte de Richard Resl y Fernanda Bonilla por todo el apoyo, recomendaciones y guía durante el desarrollo del presente documento. A AGP Geospatial, mis compañeros de trabajo, por su apoyo para la generación de datos para la ejecución del presente proyecto de tesis. A toda mi familia, por el soporte y empuje dado para la culminación de mi maestría. A mis amigos y cada una de las personas que han estado presentes en este camino y que han aportado de alguna forma en mi crecimiento personal.

DEDICATORIA A mi hija, María Emilia, por ser el soporte y el motor principal en mi vida, que me ayuda a seguir adelante y por quien, cada esfuerzo vale la pena. A mi madre, Luz, por su cariño y apoyo durante toda mi vida, por demostrarme que el trabajo y el esfuerzo siempre tienen sus recompensas. A mi familia, en especial a Carmita y Andrés, mis segundos padres, que han sido guía y ejemplo de rectitud en mi vida.

RESUMEN Debido a que el manejo de los cultivos, es heterogéneo, se hace necesario buscar alternativas para optimizar recursos y con ello mejorar la productividad, las cuales pueden generar problemas que al no ser tratadas a tiempo se traduce a potenciales pérdidas económicas de los productores. Por tal motivo una de las posibles soluciones para tratar de tener un manejo más homogéneo y que sea de uso puntual, es el el uso de teledetección, Sistemas de Posicionamiento Global, Sistemas de Información Geográfica, entre otros. El presente documento, detalla una propuesta metodológica que puede ser aplicada en este caso al cultivo de banano, para lo cual, la sección dos, recopila los conceptos más importantes de éstas tecnologías, y en la sección tres, se detalla la aplicación de éstos conceptos a través del desarrollo de una metodología para el uso de imágenes sean satelitales o de drone, aplicadas a la generación de índices de vegetación. Ésta metodología describe el flujo de procesos a seguir para relacionar índices de vegetación, y a través del análisis de la distribución de niveles, definición de rangos y cuantificación de áreas llegar a establecer un modelo de análisis económico rápido, que permita ayudar a los productores en su toma de decisiones y de esta forma reducir costos y tener una producción sostenible y sustentable, a través del uso más eficiente de recursos. La sección de resultados, muestra con ejemplos la aplicación de la metodología, el proceso de definición de niveles para índices, y su correspondiente relación, para posteriormente generar el análisis económico, a través del análisis de datos de 30 predios ubicados en el principal eje bananero ecuatoriano, y que se encuentran distribuidos en las provincias de Los Ríos, Guayas y El Oro. En conclusión, el presente documento constituye una base para la implementación de recomendaciones más cercanas a la realidad del cultivo de banano, y como tal, se pretende que el mismo pueda ser replicado a más cultivos, con el correspondiente ajuste metodológico para así apoyar al desarrollo productivo agrícola del país. Palabras Clave: Drone, Ecuador, Índice de Vegetación, NDVI, Satélite, SIG, Teledetección. 5

ABSTRACT Since crop management is heterogeneous, it is necessary to look for alternatives to optimize resources in order to improve productivity, which can generate problems that, by not being treated in time, translate into potential economic losses for producers. Therefore, one of the possible solutions to have a more homogeneous management and with a specific use, is the use of remote sensing, Global Positioning Systems, Geographic Information Systems, among others. This document details a methodological proposal that can be applied to banana crop, for which section two compiles the most important concepts of these technologies, and section three details the application of these concepts through the development of a methodology for the use of imagery, either satellite or drone, applied to the generation of vegetation indices. This methodology describes the workflow to relate vegetation indices, and through the analysis of the distribution of levels, definition of ranges and quantification of areas to establish a rapid economic analysis model, which allows to help producers in their decision-making and thus reduce costs and have a sustainable and sustainable production, through the most efficient use of resources. The results section shows with examples the application of the methodology, the process of defining levels for indices, and their corresponding relationship, to later generate the economic analysis, through the analysis of data from 30 farms located in the main ecuadorian banana axis, that are distributed in the provinces of Los Ríos, Guayas and El Oro. In conclusion, this document constitutes a basis for the implementation of recommendations closer to the reality of banana crop, and as such, it is intended that it can be replicated to more crops, with the corresponding methodological adjustment in order to support the agricultural

productive development of the

country. Keywords: Drone, Ecuador, GIS, NDVI, Remote Sensing, Satellite, Vegetation Index. 6

Índice 1.

INTRODUCCIÓN .....................................................................................................13 1.1.

Antecedentes.....................................................................................................13

1.2.

Objetivo General................................................................................................14

1.3.

Objetivos Específicos ........................................................................................14

1.4.

Preguntas de Investigación................................................................................15

1.5.

Hipótesis de Trabajo ..........................................................................................15

1.6.

Justificación .......................................................................................................15

1.7.

Alcance..............................................................................................................17

REVISIÓN DE LITERATURA ..................................................................................18 2.1.

Marco teórico .....................................................................................................18

2.1.1.

Teledetección .............................................................................................18

2.1.2.

Espectro Electromagnético .........................................................................20

2.1.3.

Características de los Sensores .................................................................21

2.1.4.

Sensores Satelitales ...................................................................................22

2.1.5.

Imágenes de Satélite ..................................................................................22

Aster - Advanced Spaceborne Thermal Emission and Reflection Radiometer ......22 Sentinel 2 .............................................................................................................24 Landsat ................................................................................................................25 2.1.6.

Sensores Aerotransportados ......................................................................28

2.1.7.

Vegetación y Radiación Electromagnética ..................................................32

2.1.8.

Agricultura de Precisión ..............................................................................34

2.1.9.

Índices ........................................................................................................36

Índices de Vegetación ..........................................................................................36 Índices Nutricionales ............................................................................................37 2.1.10.

Análisis de índices ..................................................................................38

Índice NDVI ..........................................................................................................38 Índice MTVI ..........................................................................................................38 2.2.

Marco Histórico ..................................................................................................39 Generalidades de la aplicación de Índices de Vegetación ....................................39 Uso de Índices de Vegetación a nivel local ..........................................................41

2.3.

Marco Metodológico ..........................................................................................42

2.3.1.

Cálculo de MTVI - 1 ....................................................................................42

2.3.2.

Cálculo de NDVI .........................................................................................43

2.3.3.

NDVI Modificado .........................................................................................44

2.3.1.

Lotización ...................................................................................................44

2.3.2.

Validación de Datos ....................................................................................45

2.3.3.

Cálculo de Variables Económicas...............................................................47

METODOLOGÍA ......................................................................................................50 3.1.

Área de Estudio .................................................................................................50

3.2.

Flujograma ........................................................................................................51

3.3.

Desarrollo Metodológico ....................................................................................52

3.3.1.

Fase 1: Campo ...........................................................................................52

Imágenes de Satélite............................................................................................52 Ejecución de vuelos .............................................................................................53 3.3.2.

Fase 2: Análisis GIS ...................................................................................55

Tratamiento Digital de Imágenes ..........................................................................55 Linderación ..........................................................................................................58 Generación de Índices .........................................................................................60 3.3.3.

Fase 3: Resultados y Análisis .....................................................................69

Cálculo de Estadísticas ........................................................................................69 3.4. 4.

RESULTADOS Y ANÁLISIS....................................................................................73 4.1.

Resultados ........................................................................................................74

4.1.1.

Área de Estudio ..........................................................................................74

4.1.2.

Generación NDVI .......................................................................................75

4.1.3.

Clasificación de Rangos NDVI ....................................................................76

4.1.4.

Relación entre NDVI y MTVI-1....................................................................77

4.1.5.

Generación de Análisis Económico. ...........................................................80

4.2. 5.

Justificación de la Metodología ..........................................................................73

Análisis ..............................................................................................................82

CONCLUSIONES Y RECOMENDACIONES ...........................................................85 5.1.

Conclusiones .....................................................................................................85

5.2.

Recomendaciones .............................................................................................86

REFERENCIAS BIBLIOGRÁFICAS ........................................................................88

Acrónimos

O A OSAVI · Índice de Vegetación Ajustado al Suelo Optimizado

AEBE · Asociación de Exportadores de Banano AP · Agricultura de Precisión

R E RGB · Red, green and Blue EOS · Earth Observation System ERTS · Satélite de Tecnología de Recursos Terrestres ESA · Agencia Espacial Europea ESPAC · Encuesta de Superficie y Producción Agropecuaria Continua

S SAVI · Índice de Vegetación Ajustado al Suelo SLC · Scan Line Corrector

ETM+ · Enhanced Thematic Mapper Plus

SWIR · Infrarrojo de Onda Corta

IICA · Instituto Interamericano de Cooperación para la

TCARI · Relación de Absorción de Clorofila

Agricultura

Transformada TIR · Infrarrojo Térmico

M MCARI · Absorción modificada de clorofila en el índice de reflectancia MDT · Modelo Digital del Terreno

U UAV · Vehículo Aéreo no Tripulado USGS · Servicio Geológico de los Estados Unidos

MTVI · Índice Triangular de Vegetación Modificado

V VNIR · Visible e Infrarrojo Cercano

NASA · National Aeronautics and Space Administration NDVI · Índice Diferencial de Vegetación Normalizado

W WDVI · Índice de Vegetación de Diferencia Ponderada

Índice de Tablas Tabla 1. Detalle de bandas multiespectrales del sensor Aster. ........................................23 Tabla 2. Detalle de bandas multiespectrales del Sensor Sentinel-2 .................................24 Tabla 3. Detalle de bandas multiespectrales del sensor Landsat 7 ..................................26 Tabla 4. Detalle de Bandas multiespectrales del sensor Landsat 8..................................28 Tabla 5. Predios analizados en el área de estudio. ..........................................................74 Tabla 6. Valores NDVI obtenidos a partir de Natural Breaks. ...........................................75 Tabla 7. Valores NDVI ajustados. ....................................................................................76 Tabla 8. Clasificación NDVI. ............................................................................................77 Tabla 9. Reclasificación de pixeles para NDVI. ................................................................78 Tabla 10. Reclasificación de pixeles para MTVI-1............................................................78 Tabla 11. Variables para aplicación de cálculos...............................................................80 Tabla 12. Ejemplo de cálculo de población promedio y déficit de plantas. .......................81 Tabla 13. Ejemplo de cálculo de deficiencia de producción y pérdida económica. ...........81 Tabla 14. Ejemplo de área de monitoreo y control. ..........................................................82

Índice de Ilustraciones Ilustración 1. Esquema operativo de satélite de observación ...........................................19 Ilustración 2. Espectro Radioeléctrico, generado por la luz solar. ....................................20 Ilustración 3. Ejemplo de cobertura satelital del sensor Aster ..........................................23 Ilustración 4. Presencia de ruido en imágenes Landsat 7, debido a SLC off. ...................27 Ilustración 5. Explicación de SLC off, en Landsat 7. ........................................................27 Ilustración 6. Ejemplo de imagen satelital del sensor Landsat 8 ......................................28 Ilustración 7. Ejemplo de cámaras multiespectrales para uso en Drone ..........................29 Ilustración 8. Ejemplos de Drones utilizados en la agricultura. .........................................30 Ilustración 9. Ejemplo de Drone Ambulancia. ...................................................................31 Ilustración 10. Ejemplo de Drone para riego y reforestación. ...........................................31 Ilustración 11. Morfología de las hojas .............................................................................33 Ilustración 12. Incidencia de la radiación sobre la vegetación ..........................................34 Ilustración 13. Correlación entre índices de Vegetación y nutricionales. ..........................37 Ilustración 14. Ejemplo de NDVI en predio de banano. ....................................................38 Ilustración 15. Ejemplo de MTVI-1 en predio de banano. .................................................39 Ilustración 16. Ejemplo de Predio lotizado. ......................................................................45 Ilustración 17. Ejemplo de toma de datos con sensor. .....................................................46 Ilustración 18. Distancia efectiva para toma de datos NDVI .............................................46 Ilustración 19. Campo de acción de sensor. ....................................................................47 Ilustración 20. Área de Estudio ........................................................................................50 Ilustración 21. Flujograma de procesos ...........................................................................51 Ilustración 22. Plataforma earthexplorer para descarga de imágenes ..............................52 Ilustración 23. Plataforma ESA, copernicus, para descarga de imágenes........................53 Ilustración 24. Drone para ejecución de vuelos ................................................................54 Ilustración 25. Plataforma Catalyst (PCI Geomatics) para ajuste radiométrico de imágenes ........................................................................................................................................56 Ilustración 26. Ejemplo de levantamiento de información con Drone. ..............................57 Ilustración 27. Flujo de trabajo con software especializado en manejo de imágenes de Drone. ..............................................................................................................................57 Ilustración 28. Plataforma Pix4D para procesamiento de imágenes drone. ......................58 Ilustración 29. Ejemplo de Predio lotizado. ......................................................................59 Ilustración 30. Zonas sin cultivo marcadas con negro. .....................................................60 Ilustración 31. Ejemplo de ajuste de histograma para generación de MTVI-1 ..................61 Ilustración 32. Ejemplo de índice MTVI-1 vectorizado e intersecado con capa de Lotes ..62 Ilustración 33. Banda única (pancromática) del cálculo NDVI sobre la imagen satelital ...63 Ilustración 34. Histograma con la clasificación de pixeles NDVI por el método de cortes naturales, excluyendo valores menores a 0. ....................................................................64 Ilustración 35. Histograma con la clasificación de pixeles NDVI por el método de cortes naturales, excluyendo valores menores y cercanos al límite inferior de la literatura (0.47). ........................................................................................................................................65 Ilustración 36. Histograma con la clasificación de pixeles NDVI por el método manual, ajustado a rangos propuestos. .........................................................................................66 Ilustración 37. Interpretación de nivel óptimo de NDVI .....................................................67 Ilustración 38. Interpretación de nivel aceptable de NDVI ................................................67 Ilustración 39. Interpretación de nivel Riesgo Moderado de NDVI....................................68 Ilustración 40. Interpretación de nivel Riesgo Alto de NDVI .............................................68 Ilustración 41. Interpretación de nivel Sin Cultivo de NDVI ..............................................69 Ilustración 42. Análisis de población y déficit de plantas ..................................................70 Ilustración 43. Ejemplo de Predio lotizado cruzado con NDVI ..........................................70 Ilustración 44. Porcentajes de vigorosidad dentro de lote de cultivo de banano. ..............71

Ilustración 45. Ejemplo de déficit de producción de cajas al año dentro del área de estudio. ........................................................................................................................................72 Ilustración 46. Ejemplo de área de monitoreo y control. ...................................................72 Ilustración 47. Imagen multiespectral de zona de estudio (izq). Imagen multiespectral con MTVI-1 superpuesto identificando zonas sin cultivo (der). ...............................................78 Ilustración 48. Ejemplo de herramienta generada en Model Builder para integración y cálculos de índices. .........................................................................................................80 Ilustración 49. Ejemplo de histograma NDVI ajustado......................................................82 Ilustración 50. Ejemplo de Predio lotizado cruzado con NDVI ..........................................83 Ilustración 51. En morado, la zonificación de área de cultivo efectiva generada por MTVI-1 ........................................................................................................................................83

1. Introducción 1.1.

Antecedentes

El manejo de los cultivos, en general, es muy heterogéneo, lo cual se traduce a potenciales pérdidas económicas de los productores, ya que se usan recomendaciones promedio, se aplican fertilizantes o cualquier tipo de agroquímico o enmiendas, en proporciones similares sobre todo el predio. Hoy en día y gracias a la disponibilidad de nuevas tecnologías geoespaciales y de la información ha podido hacerse realidad un manejo de precisión de las explotaciones agrarias, optimizando el uso de los diversos insumos (fertilizantes, fitosanitarios, semillas) con el uso de teledetección, Sistemas de Posicionamiento Global, Sistemas de Información Geográfica, entre otros. Con el fin de ayudar a los productores en su toma de decisiones, se pretende establecer una propuesta metodológica, que busca mostrar el uso de índices de vegetación y su interacción, estableciendo rangos de manejo específicos para el cultivo. Los índices de vegetación combinan información espectral contenida en dos o más bandas, usualmente en el espectro visible y/o infrarrojo, para extraer información óptima de los objetos investigados. Según Mirik et al (Mirik, Michels Jr., S, & Elliot, 2007) y Mandal et al (Mandal, Victor, Srivastava, Sharma, & Ramesh, 2007), indican que algunos índices son muy útiles en la medición de parámetros de los cultivos tales como, área foliar, porcentaje de biomasa verde, productividad y actividad fotosintética. Dentro de los cuales se destaca el NDVI que está asociado con la variabilidad de la clorofila de las hojas. Si bien es cierto el cálculo de índices es conocido, y existe información al respecto, la presente propuesta metodológica busca integrar el uso de dos índices, para realizar un análisis más exacto sobre las plantaciones. 13

Adicionalmente, en base a los mencionados índices, se busca definir una propuesta de análisis económico rápido, para que pueda ser aplicada al manejo agrícola y a la mejora de la producción, y tomar así decisiones que ayuden a reducir costos, y tener una producción sostenible y sustentable, a través del uso más eficiente de recursos, que en el caso de cultivos intensivos se hace necesario. Con este estudio se pretende establecer aproximaciones de plantas perdidas, y relacionarlas con cajas por hectárea al año que se pierden al no realizar labores de remediación frente a estas plantas, y finalmente proponer un cálculo económico rápido y prevenir pérdidas.

1.2.

Objetivo General

Establecer una propuesta metodológica que considere índices de vegetación generados a partir de imágenes ópticas de satélite o drone, y su aplicación en un modelo rápido de análisis económico en el cultivo de Banano sp. en las provincias de Los Ríos, Guayas y El Oro.

1.3. •

Objetivos Específicos

Generar una metodología base para aplicación de índices de vegetación, con información relevante para el manejo del cultivo de banano.

•

Establecer relaciones entre Índices de Vegetación a través del uso de imágenes aerotransportadas y satelitales que demuestren requerimientos de intervención fitosanitaria en el cultivo de banano.

•

Determinar índices de vegetación con mejor respuesta en la sanidad vegetal del cultivo de banano sp.

•

Generar una propuesta de análisis económico rápido para la toma de decisiones.

•

Establecer Índices de Vegetación a través del uso de imágenes aerotransportadas y satelitales que demuestren requerimientos de intervención fitosanitaria en el cultivo de banano. 14

1.4.

Preguntas de Investigación

¿Se están usando imágenes satelitales o de sensores aerotransportados para evaluaciones del cultivo? ¿Se están usando índices de vegetación dentro del manejo del cultivo? ¿Se pueden integrar índices de vegetación para realizar análisis sobre los cultivos? ¿Se pueden relacionar los índices de vegetación con datos adicionales y generar índices económicos, que permitan una rápida toma de decisiones en el manejo de cultivos?

1.5.

Hipótesis de Trabajo

Los índices de vegetación generados de imágenes satelitales y drones con el uso de Sistemas de Información Geográfica, especializados en el manejo de rasters, permiten determinar la sanidad de un cultivo y a través de estos resultados, obtener respuestas rápidas para el control fitosanitario y reducir pérdidas en el cultivo.

1.6.

Justificación

El cultivo de banano, constituye la actividad agrícola de mayor importancia para la economía del país; y que, según la Asociación de Exportadores de Banano - AEBE, durante el primer semestre del año 2020, el Ecuador exportó 342,77 millones de dólares promedio mensual, y en promedio mensual también 33.8 millones de cajas de 18,14kg (AEBE, 2020). Además cabe resaltar, que según la misma institución, los ingresos generados por la actividad bananera representan el 3,84 % del PIB total; el 50 % del PIB agrícola y el 20 % de las exportaciones privadas del país (AEBE, 2018). Respecto a la generación de empleo, el cultivo de banano y las industrias asociadas a la producción, más de un millón de familias están beneficiadas del mismo, lo que representa alrededor de 2,5 millones de personas (17 % de la población actual), que dependen de una u otra forma de la industria bananera (INIAP, 2019). 15

El mercado del banano ecuatoriano es diversificado, exportándose la fruta principalmente a la Unión Europea (31%) Rusia (20%) Medio Oriente (15%) EEUU (10%) Asia (7%) y otros (16%). (AEBE, 2020). Para el año 2020 en el país se reporta un total de 190.381 ha de banano. La mayor zona de producción de esta musácea se encuentra en las provincias de los Ríos, Guayas y el Oro con una participación de la superficie plantada del 33,56%; 25,83% y 24,06%respectivamente. (ESPAC, INEC, 2020). Según el ESPAC, el rendimiento promedio de banano reportado en el país para el año 2019 es de 35.91 t/ha/año, lo cual es relativamente bajo comparado con los rendimientos obtenidos en Colombia, donde oscilan alrededor de 39,92 t/ha/año. La baja productividad registrada en el país es consecuencia de problemas bióticos (Sigatoka negra, Nematodos, Picudo negro, Virosis, etc.), abióticos (sequía, inundaciones) y tecnológicos (bajas densidades, riego, nutrición, control de plagas y otros). Las plantas de este cultivo son altamente eficientes, ya que producen una gran cantidad de biomasa en un período de tiempo muy corto, por tal motivo la nutrición es un punto muy importante en el manejo del banano. Además, el crecimiento y desarrollo de la planta son producto de complejos procesos fisiológicos que suceden dentro de la planta, los mismo que permiten la formación de carbohidratos, proteínas y otras moléculas orgánicas que finalmente constituyen el racimo. Estos procesos eficientes si existe una nutrición mineral adecuada. (IPNI, International Plant Nutrition Institute, 1995). La aplicación de fertilizantes, herbicidas, insecticidas, entre otros, se realiza considerando el campo de cultivo como un espacio uniforme, por tal motivo se aplican los mismos insumos a las mismas dosis en toda el área.

Pero, la realidad es que cada suelo y predio puede variar enormemente, tanto en términos de fertilidad del suelo, como de la composición, abundancia y distribución espacial de la fauna fitófaga. En este sentido, surge ya hace algunas décadas el concepto de agricultura de precisión (AP) que propone ajustar el uso de insumos a las necesidades reales de cada unidad de terreno (Fernández-Quintanilla & Barroso, 2020). Estos parámetros tan heterogéneos dentro de los predios, provocaban que las recomendaciones venían dadas en base a valores promedios obtenidos a partir de muestreos. Pero en las últimas dos décadas, y gracias a la disponibilidad de nuevas tecnologías geoespaciales y de la información se han desarrollado técnicas para un manejo de precisión de las propiedades con lo cual se ha optimizado el uso de los insumos y recursos. Por tal motivo, se ha considerado la elaboración de la presente propuesta metodológica, en la cual se detalla información relevante para la aplicación de índices de vegetación, y su posterior derivación a un análisis económico rápido para la toma de decisiones por parte de los productores.

1.7.

Alcance

El presente proyecto está destinado al uso por parte de los productores de banano, para que puedan ser aplicadas en sus actividades productivas, y ayuden a la oportuna toma de decisiones sobre el manejo en sitio específico, y poder así, reducir el uso de insumos y generar mayor ahorro y rentabilidad de sus cultivos. Adicionalmente se espera que esta propuesta metodológica, pueda ser ajustada a la realidad de otros cultivos de interés y pueda ayudar a mejorar la realidad agrícola del país, generando menor impacto ambiental y maximizando los rendimientos de los cultivos. Se analizarán un total de 30 predios productores de banano, repartidos en las provincias de Los Ríos, Guayas y El Oro. 17

Cabe resaltar que, al ser un estudio para la presentación de una propuesta metodológica, el total de predios analizados servirán para ajustar valores, y poder establecer un método de cálculo que se adapte de manera general a cada uno de ellos, sin la necesidad de generar resultados individuales. Con lo cual se espera generar fórmulas para cálculo, tanto de índices vegetales como de indicadores económicos, y adicionalmente poder establecer un rango de valores de NDVI, y que sea más fácil la interpretación de resultados.

2. Revisión de Literatura 2.1.

Marco teórico

Con el fin de establecer el flujo metodológico del presente estudio, se revisarán conceptos previos que aporten al desarrollo de la propuesta, como se muestra a continuación. 2.1.1. Teledetección Según Ponzoni, (Ponzoni, 2012), el proceso de interacción entre la radiación electromagnética y la vegetación es un proceso fundamentado en la absorción de esta radiación por parte de pigmentos y con el fin de entender como sucede esto, se trabaja en base a conceptos de Teledetección. Esta es una técnica a través de la cual se obtiene información de un objeto sin tener contacto directo con él, esto es posible gracias a la relación sensor-cobertura, la cual en el caso de los barredores multiespectrales se expresan a través de la llamada radiación electromagnética. Esta relación se puede presentar en tres formas: Emisión, Reflexión y Emisión-Reflexión; el flujo de energía que se produce por alguna de estas formas va a estar en función de la transmisión de energía térmica (Chuvieco, 2000).

Ilustración 1. Esquema operativo de satélite de observación Fuente: (Miranda, 2021)

La teledetección constituye una herramienta para la evaluación y monitoreo de diferentes fenómenos, y en el caso de la agricultura, para la detección y monitorización de cambios en cultivos, presencia de posibles agentes alteradores de la sanidad vegetal, entre otros. El IICA en su manual de Agricultura de Precisión (IICA, 2014), expresa que “no siempre es posible o viable realizar el mapeo directamente en el campo, sea por la dificultad de locomoción en el área o por la dificultad de detección y registro de ocurrencias de interés (presencia de enfermedad, plaga, etc.), por la falta de una vista completa del área, e incluso por el hecho de que no siempre son detectados visualmente, o por lo menos no antes de que ocasionen pérdidas significativas e irreversibles en la producción pues, en algunos casos, cuando los síntomas se manifiestan visualmente, ya no es posible revertir el problema sin afectar la producción. Así, una de las maneras más eficientes de mapear la variabilidad, o determinados sucesos de interés en las áreas cultivadas, es remotamente, por medio de una técnica consagrada denominada adquisición remota”.

2.1.2. Espectro Electromagnético El espectro electromagnético es el flujo radiante detectado por los sensores remotos se extiende desde los rayos cósmicos, pasando por longitudes de onda corta, radiofrecuencias bajas y longitudes de onda larga (IGAC, Instituto Geográfico Agustin Codazzi, 2007). La luz solar es una porción de la radiación electromagnética emitida por el Sol, en particular, el infrarrojo, la luz visible y la ultravioleta. Las regiones más usadas son las que se encuentran alrededor de la región del espectro visible e infrarrojo cercano. Todo objeto, presente sobre la superficie terrestre absorbe y esparce diferentes proporciones de radiación, dándole una firma distinguible de otra. Por tal motivo, es factible analizar los datos de las imágenes provenientes de sensores remotos, y en base a ellas crear hipótesis acerca de cada cobertura analizada (IGAC, 2017).

Ilustración 2. Espectro Radioeléctrico, generado por la luz solar. Fuente: (Chomalí, 2021)

2.1.3. Características de los Sensores Existen dos grandes grupos de sensores, los cuales son denominados ópticos y radar. Los primeros, son los más utilizados, debido a la facilidad que presentan para el análisis de las características de los objetos y en especial de coberturas vegetales; éstos trabajan con la zona de luz visible e infrarroja, mientras que los segundos trabajan en la región de las microondas. Los sensores ópticos, se los puede clasificar en: •

RGB: Trabajan con la zona de luz visible, con bandas distribuidas sobre los colores Rojo, verde y azul.

•

Multiespectral: las bandas están seleccionadas en los rangos del verde, rojo e infrarrojo cercano, donde la vegetación presenta su mayor respuesta de absorbancia y reflectancia.

•

Hiperespectral: pueden tener hasta 300 bandas, capturan la información comprendida entre 400 nm y 1.000 nm.

•

Térmico: captura la información correspondiente al infrarrojo lejano, en el rango de 8-14 μm, donde se observa la temperatura emitida por los elementos presentes en el área de estudio. Esta información puede advertir sobre situaciones de estrés hídrico en las plantas, permitiendo detectar ciertos problemas fitosanitarios, y facilita la detección de otro tipo de situaciones de interés a nivel forestal, tales como localización de fauna, detección de vertidos en cauces, etc.

Estos sensores pueden ser satelitales o aerotransportados.

2.1.4. Sensores Satelitales Los sensores satelitales, se encuentran orbitando la tierra, a una velocidad constante, y recorren la tierra en cuestión de horas o días, lo cual se denomina temporalidad (FAO, 2020). Existen sensores gratuitos, como por ejemplo la misión LANDSAT, manejada por la NASA de los Estados Unidos, o el programa Copernicus de la Agencia Espacial Europea, los cuales trabajan con sensores de resolución media (entre 10 a 30 metros de resolución por pixel). Otro tipo de sensores, son de paga, debido a que tienen mejores resoluciones, y son satélites de Alta y Muy Alta Resolución (Menor a 10 metros de Resolución por pixel), en este caso, cada agencia tiene su propia forma de cobro por las escenas. 2.1.5. Imágenes de Satélite Según el Instituto Nacional de Estadística y Geografía. (2016), una imagen satelital es una representación visual de los datos reflejados por la superficie de la tierra que captura un sensor montado en un satélite artificial. Los datos son enviados a una 26 estación terrena en donde se procesan y se convierten en imágenes, enriqueciendo conocimiento de las características de la tierra en diferentes escalas espaciales. Como se mencionó anteriormente, existen varias fuentes satelitales que son una buena opción para realizar procesos de análisis de vegetación, a continuación, se describen algunos de ellos: Aster - Advanced Spaceborne Thermal Emission and Reflection Radiometer Las imágenes ASTER, son captadas desde 1999 por el satélite Terra. ASTER presenta una órbita heliosincrónica a una distancia de 705 kilómetros, con un ciclo de repetición de 16 días, un ancho de barrido de 60 kilómetros y una distancia entre 22

orbitas de 172 Km. ASTER está compuesto por 3 subsistemas, VNIR, SWIR y TIR; cada uno de cuales presenta características particulares tales como 3 bandas en la región espectral del visible e infrarrojo cercano (VNIR) con una resolución espacial de 15 metros; 6 bandas en la región espectral del infrarrojo de onda corta (SWIR) con una resolución espacial de 30 metros y 5 bandas en el infrarrojo térmico con una resolución espacial de 90 metros (ERSDAC, 2001). ASTER también presenta un telescopio con visión hacia atrás que escanea en la región espectral de la banda 3B, lo que nos permite realizar modelos digitales de terreno (MDT) por pares estereoscópicos (Geosoluciones, 2020). Tabla 1. Detalle de bandas multiespectrales del sensor Aster. Banda Resolución Rango Espectral Descripción 1 0.52-0.60 µm 2 0.63-0.69 µm 15 m Infrarrojo visible cercano (VNIR) 3N 0.78-0.86 µm 3B 0.78-0.86 µm 4 1.600-1.700 µm 5 2.145-2.185 µm 6 2.185-2.225 µm 30 m Onda Corta Infrarroja (SWIR) 7 2.235-2.285 µm 8 2.295-2.365 µm 9 2.360-2.430 µm 10 8.125-8.475 µm 11 8.475-8.825 µm 90 m Infrarrojo Térmico (TIR) 12 8.925-9.275 µm 13 10.25-10.95 µm 14 10.95-11.65 µm

Fuente: (Méndez, 2021)

Ilustración 3. Ejemplo de cobertura satelital del sensor Aster Fuente: (NASA, 2021)

Sentinel 2 Sentinel es un proyecto multi-satélite que será llevado a cabo en la próxima década. Está siendo desarrollado por la ESA en el marco del Programa Copérnico. Las misiones Sentinel incluyen satélites de radar y satélites de imágenes superespectrales para la vigilancia terrestre, oceánica y atmosférica de la Tierra. Las misiones Sentinel tendrán los siguientes objetivos: Sentinel-1 proporciona imágenes de radar terrestres y oceánicas durante todo el tiempo, día y noche. El primer satélite Sentinel-1A se lanzó con éxito el 3 de abril de

2014

por

Arianespace

Soyuz,

desde

el Puerto

espacial

Kourou en Guayana Francesa. El segundo satélite Sentinel-1B se lanzó el 25 de abril de 2016 desde el mismo puerto espacial (Wikipedia, 2020). Sentinel-2 proporciona imágenes ópticas terrestres de alta resolución para servicios terrestres (por ejemplo, monitorización de la vegetación, la cobertura de suelo y agua, las vías navegables interiores y las zonas costeras). También ayudará a los servicios de emergencia con la información que capture. El primer satélite Sentinel-2A fue

exitosamente

lanzado

el 23

junio de 2015.

segundo Sentinel-2B fue lanzado el 7 de marzo de 2017, ambos a bordo del vehículo de lanzamiento Vega, desde el Puerto espacial de Kourou. Tabla 2. Detalle de bandas multiespectrales del Sensor Sentinel-2 Banda Resolución Longitud de onda central Descripción B1 60 m 443 nm Ultra Azul B2 10 m 490 nm Azul B3 10 m 560 nm Verde B4 10 m 665 nm Rojo B5 20 m 705 nm B6 20 m 740 nm B7 20 m 783 nm Infrarrojo visible cercano (VNIR) B8 10 m 842 nm B8a 20 m 865 nm B9 60 m 940 nm B10 60 m 1375 nm Onda Corta Infrarroja (SWIR) B11 20 m 1610 nm B12 20 m 2190 nm

Fuente: (USGS, 2021)

Sentinel-3 proporcionará servicios globales de vigilancia terrestre y oceánica. El primer satélite Sentinel-3A se puso en órbita el 16 de enero de 2016. Sentinel-4, embarcado como carga útil en un satélite Meteosat Tercera Generación, proporcionará datos para la vigilancia de la composición atmosférica. Será lanzado en 2019. Sentinel-5 también proporcionará datos para la vigilancia de la composición atmosférica.

Será

embarcado

una

nave

espacial EUMETSAT

Polar

System (EPS) y lanzado en 2020. Sentinel-5P (Precursor) proporcionará observaciones de la química atmosférica necesarias para monitorizar y pronosticar la calidad del aire. En particular se espera que la misión proporcione mediciones detalladas del ozono, el dióxido de nitrógeno, dióxido de azufre, así como otros contaminantes del aire. Su lanzamiento estaba previsto inicialmente para finales de 2016 pero se ha pospuesto, y actualmente está previsto que suceda en agosto de 2017. Sentinel-5P reducirá la brecha que existe entre las mediciones que realizaba el satélite Envisat y el futuro Sentinel-5, ya que el contacto con Envisat se perdió en abril de 2012 y la misión se declaró terminada en mayo de 2012. Sentinel-6 es un intento de mantener las misiones de altimetría de alta precisión después del satélite Jason-2. Landsat El programa Landsat es la empresa de más larga duración para la adquisición de imágenes satelitales de la Tierra. El 23 de julio de 1972 se lanzó el primer satélite de tecnología de recursos de la tierra. Esto fue eventualmente rebautizado como Landsat. Mientras que el satélite más reciente, Landsat 8, se lanzó el 11 de febrero de 2013.

Los instrumentos en los satélites Landsat han adquirido millones de imágenes. Las imágenes, archivadas en los Estados Unidos y en las estaciones receptoras de Landsat en todo el mundo, son un recurso único para la investigación y las aplicaciones del cambio global en la agricultura, la cartografía, la geología, la silvicultura, la planificación regional, vigilancia y educación, y se puede ver a través del sitio web 'EarthExplorer' del Servicio Geológico de los Estados Unidos (USGS). Para el presente proyecto se trabajará con los Sensores Landsat 7 ETM+ y Landsat 8 OLI. •

Landsat 7 ETM+

Landsat 7, lleva el sensor Landsat Enhanced Thematic Mapper Plus (ETM+), posee ocho bandas espectrales con resoluciones espaciales que varían de 15 a 60 metros; la resolución temporal es de 16 días. Las imágenes de Landsat generalmente se dividen en escenas para descargarlas fácilmente. Cada escena del Landsat tiene aproximadamente 170 Km por 183 Km. (USGS, 2020) Tabla 3. Detalle de bandas multiespectrales del sensor Landsat 7 Banda Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Band 7 Band 8

Longitud de Onda 0.45-0.52 0.52-0.60 0.63-0.69 0.77-0.90 1.55-1.75 10.40-12.50 2.09-2.35 0.52-.90

Resolución 30 m 60 * (30) m 30 m 15 m

Fuente: (USGS, 2021)

El inconveniente que se presenta para Landsat 7, es que, el 31 de mayo de 2003, el Scan Line Corrector (SLC) en el instrumento ETM + comenzó a presentar fallas en la captura de información (Ruido). El SLC consiste en un par de pequeños espejos que giran alrededor de un eje en tándem con el movimiento del espejo ETM + scan principal. El propósito del SLC es compensar el movimiento hacia delante (a lo largo de la trayectoria) de la nave espacial de modo que los escaneos resultantes se alineen paralelos entre sí. Sin los efectos del SLC, el instrumento 26

visualiza la Tierra en forma de "zig-zag", lo que da como resultado algunas áreas que tienen dos imágenes y otras que no tienen imágenes. (Geosoluciones).

Ilustración 4. Presencia de ruido en imágenes Landsat 7, debido a SLC off. Fuente: (USGS, 2021)

El efecto neto es que aproximadamente el 22% de los datos en una escena de Landsat 7 tienen distorsión.

Ilustración 5. Explicación de SLC off, en Landsat 7. Fuente: (Wikipedia, 2021)

•

Landsat 8 OLI

Landsat 8 es un satélite de observación de la Tierra estadounidense lanzado el 11 de febrero de 2013. Es el octavo satélite del programa Landsat; el séptimo para alcanzar la órbita con éxito. 27

Originalmente llamada Misión de Continuidad de Datos Landsat (LDCM), es una colaboración entre la NASA y el Servicio Geológico de los Estados Unidos (USGS). Posee dos sensores, el Operational Land Imager (OLI) y el Thermal InfraRed Sensor (TIRS) (USGS, 2020).

Ilustración 6. Ejemplo de imagen satelital del sensor Landsat 8 Fuente: (USGS, 2021) Tabla 4. Detalle de Bandas multiespectrales del sensor Landsat 8. Bandas Band 1 - Coastal aerosol Band 2 – Blue Band 3 – Green Band 4 – Red Band 5 - Near Infrared (NIR) Band 6 - SWIR 1 Band 7 - SWIR 2 Band 8 – Panchromatic Band 9 – Cirrus Band 10 - Thermal Infrared (TIRS) 1 Band 11 - Thermal Infrared (TIRS) 2

Longitud de Onda 0.43 - 0.45 0.45 - 0.51 0.53 - 0.59 0.64 - 0.67 0.85 - 0.88 1.57 - 1.65 2.11 - 2.29 0.50 - 0.68 1.36 - 1.38 10.60 - 11.19 11.50 - 12.51

Resolución

30 m

15 m 30 m 100 m

Fuente: (USGS, 2021)

2.1.6. Sensores Aerotransportados Estos sensores tienen esta denominación por el hecho de que se embarcan en algún tipo de aeronave, que pueden ser aviones, helicópteros, globos, ultralivianos, 28

etc. La aplicación va desde una cámara de pequeño formato, embarcada en un aeromodelo, hasta cámaras de hasta un millón de dólares. Estas cámaras son especializadas para la generación de información, y que generalmente están compuestas por sensores con lentes que capturan información en color real (RGB) y en el espectro infrarrojo. (NIR, RedEdge) (FAO, 2020)

Ilustración 7. Ejemplo de cámaras multiespectrales para uso en Drone Fuente: (Mica Sense, 2021)

Los segmentos que más usan mapeos con sensores aerotransportados son los de petróleo & gas, la explotación minera y las carreteras, y los principales clientes son grandes compañías de ingeniería, además de los gobiernos federales, estatales y municipales (Mundo Geo, 2020). •

Vehículo no tripulado

Un dron es un vehículo que se controla por control remoto, que para elevarse utiliza la fuerza de giro de sus motores unidos a las hélices. El funcionamiento de un dron es básicamente el mismo que el de un avión o un helicóptero. Se ponen en marcha los motores y las aletas se mueven para posibilitar el vuelo. Después, con los mandos de control se va dirigiendo el vuelo, que dependerá en gran medida de los conocimientos y la pericia del piloto. En algunos casos, es posible fijar un rumbo de forma automática. Los modelos que lo permiten incorporan un GPS que permite ir corrigiendo el vuelo y ajustarlo hasta llegar al punto indicado. Estos se sumen usar para realizar rondas de observación cíclicas, sin que haga falta un piloto que lo controle. Simplemente se observa lo que recoge 29

la cámara, que se envía en tiempo real o se graba dependiendo del caso. (Universidad Internacional de Valencia, 2020) Los drones pueden ser aéreos, terrestres o acuáticos y su aplicación se ha extendido a los diferentes campos del conocimiento humano, en las ciencias e ingenierías, especialmente, el tema que abordamos sobre la agricultura de precisión (Geoinnova, 2020). •

Tipos de Drones

En el mercado internacional hay diversos tipos de drones para la agricultura. Los más utilizados en este campo son el multirrotor-cuadricóptero (tiempo de vuelo de 30 minutos y cobertura por vuelo de 65 ha) y el de ala fija (tiempo de vuelo de 30 a 90 minutos y cobertura por vuelo de 120 a 3.800 ha).

Ilustración 8. Ejemplos de Drones utilizados en la agricultura. Fuente: (HispaDrones, 2021)

•

Aplicaciones de Uso

Las principales aplicaciones que se pueden vincular al uso de drones y que son similares a las derivadas del uso de imágenes satelitales pueden ser:

•

Estudio de territorio

•

Generación de Modelos de Elevación

•

Modelamiento de escenarios 3D para aplicaciones forenses.

•

Transporte de equipos médicos

Ilustración 9. Ejemplo de Drone Ambulancia. Fuente: (Geoinnova, 2021)

•

Acceso a zonas remotas o complejas como por ejemplo zonas de incendios.

•

Análisis de vegetación

•

Seguridad Ciudadana

•

Proyectos de reforestación

Ilustración 10. Ejemplo de Drone para riego y reforestación. Fuente: (Geoinnova, 2021)

•

Aplicaciones de ingeniería civil

•

Agricultura de precisión

Respecto al último ítem, los drones, se han desarrollado en los últimos años como una nueva plataforma tremendamente versátil para la adquisición de imágenes remotas con multitud de aplicaciones en Agricultura de Precisión. Un aspecto importante son los sensores utilizados ya éstos no necesariamente han sido producidos y calibrados para la agricultura, dichos sensores capturan imágenes RGB y NIR. (Patel, 2016). Éstas imágenes están georrefereciadas, y pueden ser ubicadas de tal manera que se pueda formar un mapa de la plantación. Se puede generar información anual, semestral, mensual, semanal, diaria e incluso horaria, ya que la recopilación de imágenes permite crear una serie temporal, para observar los cambios en la cosecha, revelando áreas problemáticas y las oportunidades que hay para gestionar mejor la cosecha (Díaz, 2015). 2.1.7. Vegetación y Radiación Electromagnética El proceso de interacción entre radiación electromagnética y vegetación está fundamentado en el hecho que las plantas realizan un proceso específico de absorción de radiación electromagnética, que es la fotosíntesis. La absorción de radiación se da a nivel de pigmentos como la clorofila, xantofila y carotenos y ocurre sobre la región visible del espectro, y a través de las hojas de la planta, que son las que interactúan con la radiación (Ponzoni, 2012). Respecto a la morfología de la hoja, se debe entender que el haz de la hoja, es la parte que mayor cantidad de radiación recibe, dentro de ésta, la primera capa que se encuentra es la cutícula, que puede estar compuesta por cera y tricomas; y que ejerce diferentes funciones de protección. Bajo esa estructura se encuentra la epidermis, que está compuesta por células alargadas y otras especializadas como los estomas. A continuación de las estructuras mencionadas anteriormente, se encuentra el parénquima empalizada, mismo que contiene una gran cantidad de cloroplastos, en donde se encuentran los pigmentos responsables de la fotosíntesis. A 32

continuación, tenemos el parénquima lagunar o esponjoso, el cual tiene células menos compactas que la capa anterior, en donde se forman lagunas o espacios que se llenarán de gases en los procesos de respiración y transpiración. (Ponzoni, 2012). Finalmente tenemos el envés, el cual tiene una mayor cantidad de estomas en relación al haz, y una nueva capa de cutícula.

Ilustración 11. Morfología de las hojas Fuente: (Payeras, 2021)

Si bien es cierto, la estructura de la hoja puede variar entre especies, este ejemplo puede ayudar a entender de mejor manera el proceso de absorción de la radiación. Así como en cualquier objeto, sobre el cual incide la radiación electromagnética, tres fenómenos suceden, los cuales son: Reflexión, transmisión y absorción. Estos procesos, se verán afectados por las características físico químicas del objeto. Así pues, la radiación que actúa sobre la hoja, puede verse inmediatamente reflejada, al contacto con la cutícula (Ponzoni, 2012).

La energía que logra penetrar, incide sobre las células que se encuentran en el mesófilo, que, dependiendo de las características estructurales de esta capa, como es el arreglo de las células, disposición de espacios intercelulares y composición química pueden o no atravesar completamente la hoja (Transmisión). El proceso de absorción se realiza en los pigmentos fotosintéticos, los cuales toman la radiación del espectro visible. Adicionalmente cabe resaltar que las hojas contienen gran cantidad de agua en su interior, la cual también es responsable del proceso de absorción de la radiación, actuado de manera similar a los pigmentos fotosintetizantes, en tal razón se puede decir que mientras mayor cantidad de agua dentro del interior de la estructura foliar, menor será la cantidad de radiación reflejada (Ponzoni, 2012).

Ilustración 12. Incidencia de la radiación sobre la vegetación Fuente: (IHCM, 2021)

Por tales razones, el proceso de interacción de radiación electromagnética y las hojas, depende de factores químicos (pigmentos y agua) y la estructura (organización de células en la hoja), y donde los procesos de reflexión, transmisión y absorción se denomina comportamiento espectral de la vegetación (Ponzoni, 2012). 2.1.8. Agricultura de Precisión La agricultura de precisión consiste en aplicar la gran cantidad de herramientas tecnológicas para gestionar de forma más eficiente cada cultivo. (Geoinnova, 2020) 34

La tecnología y principios aplicadas al manejo de la variabilidad espacial y temporal asociada a todos los aspectos de la producción agrícola ayudan a mejorar la productividad del cultivo y la calidad ambiental. Las principales herramientas tecnológicas usadas son: GPS, Sensores plantaclima-suelo e imágenes multiespectrales provenientes tanto de satélites como de UAV. A partir de este manejo diferenciado del cultivo, se busca detectar la variabilidad que tiene una determinada explotación agrícola, así como realizar una gestión integral de dicha explotación identificando de manera rápida y oportuna posibles problemas referente al estado hídrico de las plantas, estrés nutricional, detección temprana de plagas y enfermedades, monitorización del cultivo en fase a su estado fenológico, entre otros. (García, 2019). La agricultura de precisión persigue utilizar herbicidas, fertilizantes, riego, entre otros; en el sitio y momento adecuados. Pudiendo establecerse cuatro fases (Díaz, 2015): •

Monitorización: detección y mapeo de las variables que interesan en cada momento (Infestaciones de las malas hierbas o presencia de zonas infectadas por hongos).

•

Toma de decisiones y elaboración del mapa de tratamientos en función del mapa obtenido de la variable de interés (fase denominada también planificación de la actuación: que aplicar, como, cuando y donde).

•

Ejecución del manejo localizado que se ha decidido.

•

Evaluación de la rentabilidad (económica y ambiental) de las operaciones realizadas en el cultivo.

2.1.9. Índices Al hablar de índices nos referimos a un conjunto de operaciones algebraicas efectuadas sobre los valores numéricos (ND) de los pixeles, usando dos o más bandas pertenecientes a la misma escena. Un Índice de Vegetación, puede ser definido como un parámetro calculado a partir de los valores de la reflectancia a distintas longitudes de onda, y que es particularmente sensible a la cubierta vegetal (NASA, 2020). A través de la utilización de cámaras que miden las diferentes bandas del espectro electromagnético, se pueden confeccionar una variedad de índices que nos dicen mucho acerca de la situación del cultivo. Existen algunos tipos de índices que nos permiten discriminar elementos o características de la cobertura, entre los cuales tenemos: •

Índices de Vegetación

•

Índices Nutricionales

Índices de Vegetación Es un parámetro calculado a partir de los valores de la reflectividad a distintas longitudes de onda y pretende extraer del mismo la información relacionada con la vegetación minimizando la influencia de perturbaciones como las debidas al suelo y a las condiciones atmosféricas. Éstos índices se espera que sean particularmente sensibles a la cubierta vegetal, insensibles al brillo y color del suelo y poco afectado por la perturbación atmosférica, los factores medioambientales y las geométricas de la iluminación y de la observación. (Jackson, 1983). Esto está determinado fundamentalmente por las condiciones climáticas. La interpretación del índice debe asimismo considerar los ciclos fenológicos y de 36

desarrollo anuales para distinguir oscilaciones naturales de la vegetación de los cambios en la distribución temporal y espacial causados por otros factores. El índice más común es el NDVI, aunque existen otros, así: (Muñoz, 2020). •

NDVI (Índice Verde)

•

MTVI1 y MTVI2

•

SAVI

•

OSAVI

•

WDVI

Índices Nutricionales Éstos índices se basan en la detección del contenido de clorofila en la hoja y otros componentes bioquímicos foliares como materia seca y contenido en agua, mismos que pueden utilizarse como indicadores del estrés de la planta y de deficiencias nutricionales debidas a elementos como nitrógeno y fósforo entre otros (Muñoz, 2013). •

TCARI

•

MCARI

•

TVI

•

TCARI/OSAVI

Clorofila

Área Foliar

Ilustración 13. Correlación entre índices de Vegetación y nutricionales. Fuente: (PCI Geomatics, 2020)

2.1.10.

Análisis de índices

Índice NDVI El índice diferencial de vegetación normalizado (NDVI) es un índice que permite generar un raster que muestra el verdor (la biomasa relativa). Éste índice aprovecha el contraste de las características de las absorciones de pigmento de clorofila en la banda roja y la alta reflectividad del material celular de las plantas en la banda NIR. El NDVI forma parte de los índices de vegetación los cuales son calculados por medio de la combinación matemática de bandas para reflejar las condiciones fisiológicas y biométricas de las plantas. (Jensen, 1983). El NDVI es muy utilizado en el seguimiento de la vegetación global porque ayuda a compensar los cambios en las condiciones de iluminación, la pendiente de la superficie, la orientación y otros factores extraños (ESRI, Enviromental Systems Research Institute, 2020)

Ilustración 14. Ejemplo de NDVI en predio de banano. Fuente: Autor

Índice MTVI Este índice se calcula considerando tres aspectos, (1) la reflectancia máxima verde, (2) la absorción mínima de clorofila y (3) la reflectividad en NIR.

Éste índice es considerado un índice de área foliar (LAI). El índice de área foliar (LAI) es un parámetro clave en el monitoreo del crecimiento de las plantas. (Xing, 2020) Cuando la absorción de clorofila provoca una disminución de la reflectancia roja y la abundancia de tejido foliar provoca un aumento de la reflectancia NIR, el área total del triángulo aumenta. Es bueno para estimar el LAI verde, pero su sensibilidad a la clorofila aumenta con el aumento de la densidad del dosel. Este índice es similar al MTVI pero se considera un mejor predictor del LAI verde. Representa la firma de fondo de los suelos al tiempo que conserva la sensibilidad al LAI y la resistencia a la influencia de la clorofila. (L3Harris, 2020) Éste índice a diferencia del NDVI es un índice sensible a la densidad de vegetación e insensible a la absorción de clorofila. (PCI Geomatics, 2020)

Ilustración 15. Ejemplo de MTVI-1 en predio de banano. Fuente: Autor

2.2.

Marco Histórico

Generalidades de la aplicación de Índices de Vegetación Como menciona EOS, (EOS, 2021) con el aumento de la disponibilidad de imágenes de teledetección procedentes de satélites y de vehículos aéreos no tripulados, cada vez más personas han adoptado el NDVI en sus actividades más allá del ámbito de la ciencia.

A pesar de que existen al menos otros 100 índices espectrales, el NDVI es el índice que se utiliza más ampliamente para analizar la vegetación. También, el departamento de Estado de los Estados Unidos menciona que, (US Department of State, 2021) la exploración del espacio exterior comenzó con el lanzamiento del Sputnik 1 por la Unión Soviética el 4 de octubre de 1957. Este fue el primer satélite artificial que orbita la Tierra. Los lanzamientos exitosos posteriores, tanto en la Unión Soviética (por ejemplo, los programas Sputnik y Cosmos), como en los Estados Unidos (por ejemplo, el programa Explorer), ayudaron al diseño y operación de satélites meteorológicos con instrumentos para observar la atmósfera y superficie de la tierra, para poder mejorar los análisis meteorológicos. Seguido a esto, en la década de los 60, los satélites TIROS usaron cámaras de televisión y radiómetros, luego se lanzaron los satélites Nimbus y la familia de instrumentos radiocrómetros avanzados de muy alta resolución a bordo de las plataformas de la Administración Nacional Oceánica y Atmosférica (NOAA), el cual usa información de bandas rojas y cercanas al infrarrojo, así como en el infrarrojo térmico. De igual manera, la NASA (NASA, 2021) desarrolló el primer satélite de observación terrestre civil, o también denominado ERTS, este programa llegó a completar resultados con Landsat-1 en el año de 1972. Luego del lanzamiento de este satélite, la NASA financió una serie de investigaciones para determinar sus capacidades para la teledetección de la Tierra, entre los cuales destacaba el análisis de del verde de la vegetación de primavera y el posterior verano y otoño seco (el llamado "avance vernal y retrogradación") en toda la extensión norte-sur de la región de las Grandes Llanuras del centro de los Estados Unidos.

Con este estudio se pudo determinar la capacidad para correlacionar, o cuantificar, las características biofísicas de la vegetación de las tierras de cultivo de esta región a partir de señales espectrales satelitales. Posteriormente se desarrolló una relación de la diferencia de los resplandores rojos e infrarrojos sobre su suma como medio para ajustar o "normalizar" los efectos que se producían por el ángulo del cenit solar. Ésta relación se llamó Índice de Vegetación, que luego a través de una relación diferencia/suma como el índice de vegetación de diferencia normalizada. La Nasa reporta el uso de NDVI, como uno de los pioneros, en el estudio de Monitoreo de Sistemas de Vegetación en Great Plains, en el año de 1973 por el Dr. John Rouse. (National Aeronautics and Space Administration, 1973) Uso de Índices de Vegetación a nivel local Como se observa en lo expuesto anteriormente, el NDVI fue uno de los intentos más exitosos de identificar de forma sencilla y rápida las áreas vegetadas y su condición, y sigue siendo el índice más conocido y utilizado para detectar las plantas verdes vivas en datos multiespectrales de teledetección. En el país, se han realizado varios estudios para determinar el uso de éste índice, y también existen reportes del uso del mismo a nivel de empresas privadas, especialmente por el auge de los drones. Por ejemplo, se ha usado el NDVI para análisis multitemporales en la Reserva Ecológica Cotacachi – Cayapas, (Aldás, 2019), con el fin de aproximar la evolución temporal de la cobertura vegetal y determinar uso de suelo. Otro ejemplo es el uso del índice para analizar contaminantes en el Distrito Metropolitano de Quito, (Tobar, 2018), y relacionarlos con parámetros meteorológicos y parámetros referentes a contaminantes atmosféricos.

En la parte agrícola, se ha usado este índice en análisis espectrales de plantaciones asociado a la presencia de plagas y enfermedades en Banano (Tipantuña, 2017) con el fin de presentar medidas de control y mejoramiento del cultivo. Muchas de estas aplicaciones están basadas en descripciones y estudios similares a los expuestos en este documento y también en recomendaciones dadas por fabricantes de cámaras y drones, con el fin de cuantificar la capacidad fotosintética de las plantas y determinar estados de salud. Sin embargo, este análisis puede volverse complejo ya que al ser temas tratados de forma muy general no se tienen lecturas apropiadas de este índice. Adicionalmente, la interpretación de los datos por parte de los productores, puede volverse confusa ya que no están familiarizados con el tipo de valores que arrojan los índices, y se vuelve compleja su asociación a un nivel de salud de la planta. Por tal motivo se busca establecer una primera línea base que facilite la interpretación de datos y se pueda aplicar a un análisis económico rápido, para la toma oportuna de decisiones.

2.3.

Marco Metodológico

La presente sección muestra los pasos metodológicos y fórmulas a usarse dentro de la propuesta aquí expuesta. Para la generación de índices de vegetación, se puede usar cualquier calculadora raster del software: PCI Geomatics, ArcGis, QGis, Global Mapper o similares. También es factible al trabajar con imágenes drone, utilizar las herramientas provistas dentro del software, como es el caso de Pix4D, Metashape, entre otros. 2.3.1. Cálculo de MTVI - 1 El Índice de Vegetación Triangular Modificada-1 (MTVI-1) como se mencionó anteriormente, es un índice sensible a la densidad de la vegetación e insensible a 42

la absorción de clorofila, el cual considera la siguiente fórmula (Index DataBase, 2020) para su cálculo:

De donde:

𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴 = 1.2(1.2(𝑁𝑁𝑁𝑁𝑁𝑁 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) − 2.5(𝑅𝑅𝑅𝑅𝑅𝑅 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺))

NIR, es la banda Infrarroja a 800nm, Green es la banda verde a 550nm y Red es la banda roja a 670 nm. 2.3.2. Cálculo de NDVI El Índice de Vegetación Diferencial Normalizado, genera valores entre -1.0 y 1.0, a través de procesamientos matemáticos o algebra de mapas. Esta división varía entre fuentes de información, ya que por ejemplo para el caso del Instituto Geográfico y Geológico de Cataluña, (Institut Cartogràfic i Geològic de Catalunya, 2021), considera que: •

Los valores negativos corresponden principalmente a nubes, agua y nieve.

•

Los valores comprendidos entre 0 y <0,02, corresponde a suelo desnudo, rocas o arena.

•

Los valores de 0,2 a <0,4 corresponden a vegetación baja o dispersa, o también poco vigorosa.

•

Los valores de 0,4 a <0,6 corresponden a vegetación media o más abundante y vigorosa.

•

Los valores altos >0,6, indican vegetación alta y densa, como por ejemplo bosques, plantaciones forestales, o cultivos que poseen gran altura.

Por tal motivo, se puede considerar que el cultivo de banano, debería tener valores cercanos al 0.6 en respuestas bajas hasta 1 como valor máximo.

Para el cálculo del índice se utilizará la ecuación documentada y predeterminada (Index DataBase, 2020), misma que es la siguiente:

𝑵𝑵𝑵𝑵𝑵𝑵𝑵𝑵 = De donde:

(𝑁𝑁𝑁𝑁𝑁𝑁 − 𝑅𝑅𝑅𝑅𝑅𝑅) (𝑁𝑁𝑁𝑁𝑁𝑁 + 𝑅𝑅𝑅𝑅𝑅𝑅)

NIR, es la banda infrarroja, en 800nm Y Red, es la banda roja comprendida entre 620 a 700nm 2.3.3. NDVI Modificado Una de las principales debilidades del NDVI es la saturación de la cobertura vegetal, ya que el incremento del NDVI ante la cobertura es exponencial observándose una saturación ante incrementos de la cobertura. Para reducir este efecto y conociendo que el NDVI es sensible a la presencia de clorofila, se lo puede relacionar con un índice sensible al incremento de la cobertura vegetal, como son los índices de área foliar (LAI) ya que se observa una relación directa entre ellos. (Pérez, 2020). 2.3.1. Lotización Dentro de la propiedad, debe existir un mapa o plano de distribución de lotes, lo cual facilitará el análisis propuesto. Para lo cual es necesario realizar la digitalización tanto del predio como de los lotes dentro de un software apto para realizar análisis vectorial como puede ser: QGis, ArcGis, o similares. En base a la lotización se puede tener la certeza de en cuál de ellos es necesaria una intervención en mayor o menor nivel.

Ilustración 16. Ejemplo de Predio lotizado. Fuente: Autor

2.3.2. Validación de Datos Con el fin de poder ajustar los modelos de índices y para verificar su patrón de comportamiento, se puede realizar toma de muestras en campo a través del uso de sensores de mano, como por ejemplo GreenSeeker. Este paso, es opcional, ya que dependerá del acceso al equipo, además de las condiciones Sanitarias que rijan en base a las restricciones dadas por los Comités de Operaciones de Emergencia – COE debido a la emergencia por COVID-19, establecidas para los años 2020 y 2021. Al tomar estos datos, se puede ubicar espacialmente las muestras tomadas y correlacionar con las interpretaciones que se están realizando en gabinete sobre las imágenes, y al ser contrastados, se podría obtener un modelo de ajuste a la realidad local donde se apliquen las técnicas de índices de vegetación.

Este sensor, según manifiesta la casa fabricante, (Trimble, 2021), permite tomar medidas instantáneas de salud de un cultivo. Ya que, al presionar el gatillo, el sensor se enciende, y emite breves ráfagas de luz roja e infrarroja, midiendo la cantidad reflejada al sensor. El sensor muestra en la pantalla el valor medido en términos de una lectura NDVI (Índice de Vegetación Diferencial Normalizado) entre 0,00 y 0,99. Mientras más alto el valor, más vigorosa será la planta.

Ilustración 17. Ejemplo de toma de datos con sensor. Fuente: Autor

Para precisar las lecturas se debe mantener el sensor entre 60 -120 cm sobre le cultivo mientras el gatillo esté encendido.

Ilustración 18. Distancia efectiva para toma de datos NDVI Fuente: (Trimble, 2021)

El campo de visión del sensor es oval; con la altura sobre el cultivo se ensancha el campo de visión.

Ilustración 19. Campo de acción de sensor. Fuente: (Trimble, 2021)

2.3.3. Cálculo de Variables Económicas Para la generación de estadísticas se tendrán en cuenta las siguientes consideraciones: •

Se usarán solamente los datos correspondientes a lotes, excluyendo los valores de infraestructura, caminos, ríos y otros.

•

El número de cajas por planta al año es de 1.4, dato que puede variar a la fecha de ejecución del modelo

•

El precio oficial de las cajas es de 6.22 dólares americanos, dato que puede variar a la fecha de ejecución del modelo.

•

La población total promedio por hectárea es de 1450 plantas, dato que varía según el tipo de manejo de la finca, o variedad del cultivo.

Los cálculos mostrados a continuación fueron planteados inicialmente por el grupo Bayer S.A. dentro del marco de proyecto denominado SmartAgro (Grupo Bayer, 2020), los cuales fueron adaptados y modificados por otra empresa privada encargada de actualizar los procesos y brindar soporte en el desarrollo del proyecto antes mencionado. (AGP Geospatial Company, 2021). Todos los cálculos están basados en experiencias de campo y desarrollos internos de cada empresa. En base a estas consideraciones, las fórmulas usadas son las siguientes: 47

Para el cálculo de población promedio:

𝑃𝑃𝑝𝑝 = De donde:

�(𝑃𝑃𝑃𝑃𝑃𝑃 × 𝐴𝐴𝑡𝑡 ) − (𝑃𝑃𝑃𝑃𝑃𝑃 × 𝐴𝐴𝑟𝑟 )� 𝐴𝐴𝑡𝑡

Pp, es la población Promedio, calculada PTP, es la Población Total Promedio, reportada por los productores At, es el área total de estudio, que pueden ser lotes o total del predio, Av, es el área de riesgo alto, en donde las plantas presentan mayor riesgo de volcamiento. Para el cálculo para el déficit de plantas: 𝐷𝐷𝑎𝑎 = 𝑃𝑃𝑃𝑃𝑃𝑃 − 𝑃𝑃𝑝𝑝 De donde: Da, es el déficit de plantas calculado, PTP, es la Población Total Promedio, reportada por los productores Pp, es la población Promedio calculada. Para el cálculo para Deficiencia de producción: 𝐷𝐷𝑏𝑏 = 𝐷𝐷𝑎𝑎 × 𝐶𝐶𝑝𝑝 De donde: Db, es el déficit de producción calculado, Da, es el déficit de plantas calculado, Cp, es el promedio de cajas de banano por planta.

Para el cálculo de pérdida económica:

De donde:

𝑃𝑃𝑒𝑒 = 𝐷𝐷𝑏𝑏 × 𝑃𝑃

Pe, es la pérdida potencial económica, Db, es el déficit de producción calculado, Y P, es el precio oficial de la caja de banano, reportada a la fecha. Para la determinación de áreas de monitoreo y control del cultivo:

𝐴𝐴𝑚𝑚𝑚𝑚 = � 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 De donde: Amc, es el área de monitoreo y control Y ∑niveles, es la suma de los niveles Aceptable, Riesgo moderado y Riesgo Alto.

3. Metodología 3.1.

Área de Estudio

El presente estudio se lo realizó, analizando un total de 30 predios con cultivo de Banano, los cuales se encuentran ubicados en las provincias de Los Ríos, Guayas y El Oro, como se observa a continuación:

Ilustración 20. Área de Estudio Fuente: Autor

3.2.

Flujograma

La presente propuesta metodológica, contempla tres etapas en su ejecución, las cuales son:

Propuesta Metodológica

Fase I. Campo Satélite

Adquisición de Imágenes

Drone

Fase II. Análisis GIS

Corrección atmosférica Corrección radiométrica Corrección geométrica

Tratamiento Digital de Imágenes

Linderación Predio, Lotes Generación de índices de Vegetación

Generación de Mosaicos

Estructuración de Base de datos

NDVI MTVI - 1

Reclasificación Raster

Conversión a Vector

Fase III. Resultados y Análisis

Cálculo de Estadísticas

Generación de Reporte

Ilustración 21. Flujograma de procesos Fuente: Autor

3.3.

Desarrollo Metodológico

3.3.1. Fase 1: Campo Esta fase contempla tanto la adquisición de imágenes de satélite sea de sensores gratuitos como pagados o la ejecución de vuelos. Imágenes de Satélite Para la adquisición de imágenes de satélite, se puede acceder a plataformas de la NASA o Agencia Espacial Europea, y adquirir imágenes gratuitas a 30 o 10 metros de resolución espacial respectivamente. Para el caso de la Nasa, que provee especialmente información de los sensores Landsat, se puede acceder a la siguiente dirección: https://earthexplorer.usgs.gov

Ilustración 22. Plataforma earthexplorer para descarga de imágenes Fuente: (USGS, 2021)

Por otro lado, en el caso de la ESA, se puede acceder al siguiente vínculo: https://scihub.copernicus.eu/dhus/#/home

Ilustración 23. Plataforma ESA, copernicus, para descarga de imágenes Fuente: (ESA, 2021)

Ejecución de vuelos Para la ejecución de vuelos, se deberá disponer de drones y cámaras multiespectrales, que se ajusten al modelo del equipo. En la planificación de los vuelos, se deberá tener las siguientes consideraciones: •

Estimar una distancia de 9 kilómetros fuera de aeródromos o bases militares

•

Realizar los vuelos a una altura promedio de 122 metros o mayor, la cual dependerá de las condiciones climáticas existentes.

•

Tener solapes longitudinales de alrededor del 60% y solapes transversales del 30%, con el fin de mantener una buena visión y distribución de centros de imágenes.

Ilustración 24. Drone para ejecución de vuelos Fuente: Autor

Una vez realizados los vuelos, se deberá revisar que todas las líneas de vuelo estén completas y que no se tengan pérdidas de imágenes, que a su vez se traduce en fallas en la generación de los modelos. Los productos potenciales a ser generados serán los siguientes:

•

Imágenes crudas cámara RGB, en formato *.tif y *.raw.

•

Imágenes crudas cámara multiespectral, en formato *.tif y *.raw.

•

Mosaico de imágenes en color real y/multiespectral, en formato *.tif

•

Modelo NDVI preliminar, en formato *.tif

•

Proyectos generados en Software Especializado

•

Archivos de Orientación Externa

3.3.2. Fase 2: Análisis GIS Tratamiento Digital de Imágenes

•

Imágenes de Satélite

Para homogenizar la información a generarse, es necesario realizar un pre procesamiento de imágenes, debido a que todos los datos de sensores satelitales pueden tener errores o distorsiones asociadas a la geometría o radiometría, ya que se ven afectados por condiciones atmosféricas, ángulo de captura de datos entre otros. Esta posible distorsión debe corregirse previa a la utilización de los datos en los procesos de clasificación de uso de suelo y generación de índices de vegetación. El pre procesamiento de imágenes consta de dos etapas: •

Corrección radiométrica

Consiste en tratar de restaurar los pixeles de la imagen lo más cerca posible a la imagen original. Para lo cual se realiza: o Corrección de neblina o Corrección de errores de líneas o Eliminación de nubes •

Corrección Geométrica

Busca rectificar errores geométricos producidos al momento de la adquisición de la imagen, debidos al movimiento de plataformas terrestres y curvatura de la tierra. Estos procesos se los lleva a cabo en plataformas especializadas en el manejo de imágenes, entre las cuales podemos nombrar: 55

• • • • • •

Catalyst (PCI Geomatics) Erdas Envi ArcGis QGis Entre otros.

Ilustración 25. Plataforma Catalyst (PCI Geomatics) para ajuste radiométrico de imágenes Fuente: Autor

•

Imágenes Drone

En el caso de drone, los programas que realizan este tipo de procesos, requieren información que se obtiene directamente de los equipos de vuelo, como son las líneas de vuelo, archivos de orientación de imágenes y ajustes de corrección radiométrica específicas de la cámara.

Ilustración 26. Ejemplo de levantamiento de información con Drone. Fuente: Autor

Con todos estos datos preliminares, se puede procesar la información, siguiendo los siguientes pasos, que en general son similares en todos los programas especializados de procesamiento:

Añadir fotos

Calibración de cámara

Orientación de fotos

Generación de Nube de puntos

Generación de Malla

Colocación de Puntos de control

Generación de Ortofoto

Generación de DEM

Ilustración 27. Flujo de trabajo con software especializado en manejo de imágenes de Drone. Fuente: Autor

Los programas más usados en el procesamiento de imágenes drone son: • • • • • •

Pix4D Metashape (Agisoft) Drone Deploy Open Drone Esri Drone2Map Catalyst (PCI Geomatics)

Ilustración 28. Plataforma Pix4D para procesamiento de imágenes drone. Fuente: Autor

Linderación El punto de partida para la digitalización de lotes y predios, es la información entregada por parte de los productores o administradores, la cual pude ser de dos tipos: •

Digital: archivos en formato *.shp, *.kml, *.dgn, *.dwg, *.job

•

Análoga: planos escaneados en formato *.pdf, *.jpg

Para el uso de ésta información se recomienda que: • • •

Esta información debe estar correctamente georreferenciada, escalada y definido el sistema de coordenadas. Los archivos análogos, deben tener coordenadas definidas y una buena resolución para poder espacializarlos. En los dos casos, debe estar bien definidos los límites de predio y lotes, además de los nombres y nomenclatura.

En el caso de que no existan archivos vectoriales, se deberá a digitalizar sobre la imagen que se encuentre mejor ajustada su georreferencia.

Ilustración 29. Ejemplo de Predio lotizado. Fuente: Autor

Se deberá crear dos archivos vectoriales en formato *.shp, el primero contendrá la información del límite predial y el segundo los lotes. En la digitalización se deberá diferenciar adecuadamente los siguientes elementos: • • • • • • •

Lotes de la plantación Caminos Drenajes Primarios Ríos o Esteros Construcciones Jardines Otros (A definir según sea el caso)

Todos estos elementos deberán estar bien definidos y estructurados dentro de la base de datos.

Ilustración 1. Modelo para creación y llenado de campos a nivel de predio. Fuente: Autor

Generación de Índices •

Aplicación de Índice MTVI-1

Este índice, como se describió anteriormente es utilizado para la determinación de concentración de biomasa, en tal virtud, podrá ayudar a discriminar las zonas en las que ha existido pérdidas de plantas por diversos factores, sean estos, plagas, enfermedades, deficiencias nutricionales o riego.

Ilustración 30. Zonas sin cultivo marcadas con negro. Fuente: Autor

El productor puede identificar a través de los datos generados, y cruzando con la información de lotes, todas las zonas en donde hay pérdida de plantas, ya que esto se traduce a pérdidas económicas por la no producción de banano. Para definir las zonas en las cuales no existe cultivo, se debe hacer una reclasificación visual, generando un histograma de dos clases, y de ser necesario ajustándolo hasta q cubra todas las zonas sin cultivo.

Ilustración 31. Ejemplo de ajuste de histograma para generación de MTVI-1 Fuente: Autor

Este índice requiere una reclasificación de los valores generados en dos rangos, los cuales varían dependiendo del tipo de sensor utilizado. La reclasificación final será de 0 y 1, que corresponden a zonas sin y con cultivo respectivamente. Posteriormente, los datos obtenidos, deberán ser convertidos de ráster a vector, e intersecados con la información preliminar de lotes, para así tener una referencia más real de las áreas identificadas como sin cultivo.

Ilustración 32. Ejemplo de índice MTVI-1 vectorizado e intersecado con capa de Lotes Fuente: Autor

•

Aplicación de Índice NDVI

Como se mencionó antes, este índice es sensible al contenido de clorofila en las hojas, por lo cual, se puede deducir que una falta de concentración de clorofila, se traduce a problemas sean estos fitosanitarios o físicos. Una vez obtenido el mosaico del área de estudio y clasificado el uso de suelo para aislar la superficie de palma, se procede a realizar el cálculo del NDVI de cada píxel del mapa utilizando los valores numéricos de la respuesta espectral de las bandas rojas e infrarrojas reportadas por la imagen satelital o imagen de drone.

Para realizar dicho cálculo se utiliza la calculadora ráster que en forma automática reporta los resultados de la fórmula descrita en el apartado 2.3. para el cálculo del NDVI.

Ilustración 33. Banda única (pancromática) del cálculo NDVI sobre la imagen satelital Fuente: Autor

Una vez generado el índice y con el fin de clasificarlo en rangos que permitan el análisis comparativo con los estados de salud de las plantaciones en campo, se realizó el proceso de clasificación automático mediante el método geoestadístico denominado “Cortes Naturales (Jenks)” en la plataforma ArcGIS. Los cortes de clase o rangos se determinan estadísticamente al buscar pares de entidades adyacentes, entre los que existe una diferencia relativamente grande en el valor de los datos, analizando la base existente que contiene el valor del NDVI para cada uno de los píxeles. A diferencia de otros métodos de estimación disponibles en ArcGIS (método manual, intervalo definido, intervalo de igualdad, intervalo geométrico, cuantiles, etc.), el método de estimación de Cortes Naturales busca reducir la varianza dentro de las clases y maximizar la varianza entre las clases. Cuando el método es aplicado para clasificar los resultados del NDVI en cinco clases desde muy bajo a alto, esto nos ayuda a identificar de mejor manera patrones de respuesta espectral a los estados de salud de las plantaciones. (Saylor Academy, 2020). 63

Como se mencionó en el apartado 2.3., el cálculo del NDVI genera valores entre 1.0 y 1.0. Sin embargo, los valores negativos corresponden principalmente a nubes, agua y nieve y no representan estados de salud reales de las plantas. Con el fin de obtener una aproximación más precisa de los rangos, como siguiente paso se procedió a excluir todos los valores menores a 0. Con estos valores, se procedió a aplicar el método de clasificación, en donde se determinaron los quiebres naturales de los datos como primera aproximación del modelo, como se observa a continuación:

Ilustración 34. Histograma con la clasificación de pixeles NDVI por el método de cortes naturales, excluyendo valores menores a 0. Fuente: Autor

Con estos valores obtenidos, se procedió a ajustar los rangos del histograma mediante el método manual para determinar estados de salud preliminares de los cultivos. Para lo cual y considerando las definiciones anteriormente expuestas, se identificó el valor más cercano al rango de NDVI para vegetación alta (0.6 a 1), valor que se encontraba cercano a 0.4 y 0.5, para el ejemplo expuesto en la ilustración anterior, se encontraba en 0.47.

Una vez identificado este valor, se excluyeron los valores menores a este límite, se pudieron obtener nuevos rangos más cercanos al de la literatura, sobre los cuales se mantuvo el mismo método de segmentación de datos, como se observa a continuación.

Ilustración 35. Histograma con la clasificación de pixeles NDVI por el método de cortes naturales, excluyendo valores menores y cercanos al límite inferior de la literatura (0.47). Fuente: Autor

Este procedimiento se aplicó a cada uno de los predios analizados, y con los datos obtenidos, se procedió a generar una matriz con los posibles rangos aplicados a cada nivel de NDVI propuesto, a partir de los cuales se obtuvo la sumatoria y posteriormente la media de cada nivel. 𝑛𝑛

1 𝑥𝑥 = � 𝑥𝑥𝑖𝑖 𝑛𝑛 𝑖𝑖=1

Finalizados estos cálculos se ajustaron los rangos del histograma mediante el método manual para determinar estados de salud preliminares, como se observa en la siguiente ilustración. 65

Ilustración 36. Histograma con la clasificación de pixeles NDVI por el método manual, ajustado a rangos propuestos. Fuente: Autor

A partir de la imagen georreferenciada de NDVI se generó un ráster o mapa temático, agrupando valores estimados en cinco categorías (Óptimo, aceptable, riesgo moderado, riesgo alto y sin cultivo) y asignando colores a cada categoría para poder visualizar su variación como primera aproximación. Adicionalmente, estos rangos, se los vincularon a las correspondientes definiciones de nivel de vigorosidad como primera aproximación previa a la validación de campo, la cual se muestra a continuación: Nivel Óptimo: Presenta los más altos niveles de concentración de clorofila lo cual permite reconocer condiciones adecuadas de cultivo y analizar su potencial de producción.

Ilustración 37. Interpretación de nivel óptimo de NDVI Fuente: Autor

Nivel Aceptable: El nivel de concentración de clorofila es medio, lo cual determina condiciones de susceptibilidad al ataque de Sigatoka, mismas que pueden impactar en la productividad.

Ilustración 38. Interpretación de nivel aceptable de NDVI Fuente: Autor

Riesgo Moderado: La concentración de clorofila es baja, por lo tanto, el vigor de la planta es afectado, quedando expuesta al ataque de plagas y enfermedades, especialmente Sigatoka negra.

Ilustración 39. Interpretación de nivel Riesgo Moderado de NDVI Fuente: Autor

Riesgo Alto: Los niveles de clorofila son muy bajos, y la planta está afectada directa, progresiva y drásticamente en su vigor, presentando altos niveles de estrés en la planta pudiendo producirse desprendimiento de la raíz del suelo.

Ilustración 40. Interpretación de nivel Riesgo Alto de NDVI Fuente: Autor

Sin Cultivo: Corresponde a suelo descubierto, potencialmente de uso de cultivo. Incorpora también zonas correspondientes a canales secundarios y terciarios. (Excluye áreas de infraestructura, caminos y cuerpos de agua, externos a los lotes donde se encuentra el cultivo).

Ilustración 41. Interpretación de nivel Sin Cultivo de NDVI Fuente: Autor

•

NDVI Modificado

Esta capa, debe ser trabajada con ayuda de la calculadora raster, generando una nueva capa, producto de multiplicar la capa NDVI con los rangos ajustados y la Capa MTVI-1 con los valores reclasificados en 0 y 1. Este proceso se lo realiza con el fin de obtener los valores de zonas sin cultivo más precisas, para tener así, los mismos valores en cada caso. Este nuevo raster calculado, servirá para realizar los posteriores procesos y al igual que el índice anterior, con el ajuste de histogramas, se debe realizar un proceso de conversión a vector y posteriormente una intersección con la capa de lotes. 3.3.3. Fase 3: Resultados y Análisis Cálculo de Estadísticas •

Población Promedio y Déficit de Plantas

Con la capa MTVI-1, es necesario calcular el área correspondiente a zonas con cultivo y sin cultivo, a nivel de lotes, posteriormente, con estos datos y aplicando

las fórmulas del apartado 2.3.3., se puede calcular la Población Promedio (Pp) y el déficit de plantas (Da). Para el caso del predio, se puede aplicar la misma fórmula, solamente sumando los valores de áreas con y sin cultivo.

Ilustración 42. Análisis de población y déficit de plantas Fuente: Autor

•

Nivel de salud de la plantación

Con los datos del NDVI modificado, se realiza el cálculo de áreas para cada nivel y para cada lote de la plantación, lo cual se puede traducir a tablas y gráficos y poder interpretar así los datos NDVI.

Ilustración 43. Ejemplo de Predio lotizado cruzado con NDVI Fuente: Autor

En los datos de ejemplo, para este caso, existe un 20,68% del total del lote, el cual se encuentra en un nivel de riesgo moderado y un 3,88% en riesgo alto, es decir

que su nivel de vigor es bajo, que es directamente proporcional al contenido de clorofila en las hojas.

Ilustración 44. Porcentajes de vigorosidad dentro de lote de cultivo de banano. Fuente: Autor

Este bajo vigor, puede favorecer al desarrollo e infestación de patógenos en la planta, produciéndose enfermedades como es el caso de Sigatoka. Dependiendo de la época, si se está en fechas con pocas precipitaciones, este indicador puede ayudar a tomar la decisión de intervenir con riegos localizados, en los lotes que tengan altos valores de riesgo, con lo cual se puede asegurar una rápida recuperación del cultivo y reducir la posible presencia de plagas. •

Déficit de Producción

Con las fórmulas expuestas en la sección 2.3.3., y con los valores de población y déficit de plantas obtenidos a partir de la capa MTVI-1, es posible calcular el déficit de producción expresado en cajas al año.

Ilustración 45. Ejemplo de déficit de producción de cajas al año dentro del área de estudio. Fuente: Autor

•

Cálculo de Pérdida económica

El valor de déficit de producción calculado anteriormente, multiplicado por el precio oficial de la caja de banano, permite obtener el valor aproximado de pérdida económica (Pe) si no se toman acciones sobre el manejo del cultivo. •

Área de Monitoreo y Control

Corresponde a las zonas en las cuales es necesario aplicar correctivos para elevar el estado de salud de las plantas y reducir efectos provocados por sequias o deficiencias nutricionales, y evitar el aparecimiento o posible afectación por plagas.

Ilustración 46. Ejemplo de área de monitoreo y control. Fuente: Autor

3.4.

Justificación de la Metodología

La metodología propuesta en este documento, busca responder los objetivos planteados y a la vez establecer un modelo de interpretación de resultados y análisis rápido que ayude a los productores de banano, en la toma de decisiones oportunas en el manejo del cultivo. La necesidad de los productores de tener herramientas que permitan minimizar costos, recursos y tiempo, ha generado que busquen alternativas tecnológicas que los ayuden. Uno de ellos es el uso de índices de vegetación, pero que, al no tener un lenguaje comprensible, puede provocar complicaciones al momento de ponerlo en práctica. Los índices de vegetación, al ser una herramienta muy difundida está al alcance de todos, pero que, con el planteamiento de la presente metodología, se busca que esta herramienta sea entendida de mejor manera, y se la pueda aprovechar al máximo. Al combinar el uso de índices como son NDVI con MTVI-1, se trata de ampliar el uso de la herramienta, con los mismos insumos, y generar indicadores que potencialicen el análisis de los datos y no se quede solamente en una recomendación incompleta. Por tal motivo, se han generado fórmulas y cálculos relacionados a los datos que arrojan los índices, y con esto se ha dado un valor agregado al dato común de NDVI para que pueda ser aplicado en beneficio de los procesos productivos de los productores.

4. Resultados y Análisis Como resultado del análisis de imágenes para la generación de índices de vegetación, se pudo responder a las preguntas de investigación planteadas al inicio, y sustentar el proceso metodológico aplicado. 73

4.1.

Resultados

4.1.1. Área de Estudio Se pudo recopilar información de un total de 30 predios, distribuidos 14 en la provincia de Los Ríos, siete en la provincia del Guayas y nueve en la provincia de El Oro, abarcando un área total de 4,469.48 hectáreas, sobre los cuales se realizaron vuelos drone, utilizando una cámara multiespectral para generar los índices de vegetación. Tabla 5. Predios analizados en el área de estudio.

PROVINCIA

LOS RÍOS

GUAYAS

EL ORO

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

NOMBRE PREDIO HACIENDA COELLO 1 HACIENDA ECUAVITRO HACIENDA LA JULIA 1 HACIENDA LA JULIA 2 HACIENDA LA JULIA 3 HACIENDA LA JULIA 4 HACIENDA LA JULIA 5 HACIENDA MARTINICA 1 HACIENDA MARTINICA 2 HACIENDA MARTINICA 3 HACIENDA MARTINICA 4 HACIENDA PALO SANTO HACIENDA PATRICIO JOSE HACIENDA SAN EDUARDO 3 HACIENDA ISABELA HACIENDA PECUARIA DEL PACIFICO 1 HACIENDA PECUARIA DEL PACIFICO 2 HACIENDA PECUARIA DEL PACIFICO 3 HACIENDA PECUARIA DEL PACIFICO 4 HACIENDA SAN JUAN HACIENDA SAN MIGUEL HACIENDA AGRICOLA DON EUCLIDES 2 HACIENDA EL MORENO HACIENDA EL TOMATAL HACIENDA LA INES HACIENDA MARIA PAULA 1 HACIENDA MARIA PAULA 2 HACIENDA PRINCESA

AREA (ha) 112.08 152.39 232.07 293.02 318.68 230.64 201.49 295.77 181.63 175.76 129.36 224.49 193.16 134.11 408.21 136.34 85.68 81.93 77.15 189.40 150.25 88.92 12.06 153.05 21.53 35.81 28.70 59.56

% 2.51% 3.41% 5.19% 6.56% 7.13% 5.16% 4.51% 6.62% 4.06% 3.93% 2.89% 5.02% 4.32% 3.00% 9.13% 3.05% 1.92% 1.83% 1.73% 4.24% 3.36% 1.99% 0.27% 3.42% 0.48% 0.80% 0.64% 1.33%

PROVINCIA

NOMBRE PREDIO 29 HACIENDA SANDRA LUCIA 30 HACIENDA SOFIA BELEN TOTAL

Fuente: Autor

AREA (ha) % 44.26 0.99% 21.98 0.49% 4,469.48 100.00%

4.1.2. Generación NDVI En base a la información NDVI generada, se aplicó el método de Natural Breaks con cinco clases, para cada uno de los ráster generados, de los cuales se excluyeron todos los valores menores a 0, y seguido a esto, se eliminaron las colas de pixeles con valores menores al límite inferior más cercano al expresado en la literatura que era de 0.6; obteniendo distintos valores NDVI, como se muestran a continuación: Tabla 6. Valores NDVI obtenidos a partir de Natural Breaks.

Nivel NDVI Sin Cultivo Riesgo Alto Riesgo Moderado Aceptable Óptimo

1 0.571 0.729 0.808 0.846 0.925

11 0.529 0.645 0.741 0.817 0.943

21 0.485 0.632 0.749 0.830 0.937

2 0.585 0.693 0.775 0.835 0.943

12 0.578 0.738 0.810 0.849 0.917

22 0.592 0.722 0.802 0.853 0.972

3 0.515 0.652 0.752 0.824 0.933

13 0.507 0.660 0.771 0.831 0.913

23 0.623 0.786 0.861 0.901 0.980

4 0.528 0.656 0.751 0.822 0.950

FINCAS 5 6 0.525 0.542 0.657 0.661 0.746 0.750 0.814 0.820 0.961 0.944

7 0.542 0.670 0.757 0.824 0.943

8 0.529 0.645 0.741 0.817 0.943

9 0.529 0.645 0.741 0.817 0.943

10 0.529 0.645 0.741 0.817 0.943

14 0.577 0.688 0.776 0.838 0.948

FINCAS 15 16 0.503 0.511 0.648 0.661 0.754 0.773 0.831 0.843 0.937 0.941

17 0.511 0.661 0.773 0.843 0.941

18 0.511 0.661 0.773 0.843 0.941

19 0.511 0.661 0.773 0.843 0.941

20 0.511 0.686 0.812 0.887 0.992

24 0.509 0.667 0.788 0.872 0.989

FINCAS 25 26 0.501 0.601 0.655 0.775 0.778 0.857 0.861 0.900 0.960 0.974

27 0.625 0.788 0.867 0.904 0.967

28 0.549 0.706 0.807 0.863 0.975

29 0.575 0.751 0.839 0.881 0.946

30 0.595 0.775 0.858 0.895 0.948

Fuente: Autor

Se observa en la tabla anterior los distintos valores generados a partir de los histogramas de cada una de las escenas levantadas para los predios analizados. En base a la metodología anteriormente expuesta, se definieron los valores más cercanos a lo establecido en la literatura, para poder agruparlos en 5 categorías. Cada uno de los números corresponde al número asociado al nombre de la finca expuesto en la tabla 5. 4.1.3. Clasificación de Rangos NDVI Con los valores NDVI obtenidos, cercanos al límite inferior del rango establecido por la literatura para la vegetación alta, se realizó el cálculo de la sumatoria de valores para cada nivel de NDVI propuesto y seguido a esto el cálculo de la media aritmética. Con este resultado se pudo obtener un valor ajustado a cada rango de NDVI propuesto, como se observa en la siguiente tabla: Tabla 7. Valores NDVI ajustados.

Nivel NDVI Sin Cultivo Riesgo Alto Riesgo Moderado Aceptable Óptimo

∑ 16.299 20.619 23.524 25.421 28.490

Rangos  >0.54 0.54 0.69 0.54 - 0.69 0.78 > 0.69 - 0.78 0.85 > 0.78 - 0.85 > 0.85 0.95

Fuente: Autor

En la tabla anterior, se puede observar los rangos obtenidos, con lo cual se puede realizar una mejor interpretación de los valores NDVI, con conceptos más sencillos de comprender por parte de los productores. Con estos datos, se pudo elaborar una matriz de clasificación NDVI con la correspondiente definición de cada rango, así:

Tabla 8. Clasificación NDVI.

Nivel NDVI Sin Cultivo

Riesgo Alto Riesgo Moderado Aceptable Óptimo

Descripción Rangos Corresponde a suelo descubierto, potencialmente de uso de cultivo. Incorpora también zonas correspondientes a canales secundarios y >0.54 terciarios. (Excluye áreas de infraestructura, caminos y cuerpos de agua, externos a los lotes donde se encuentra el cultivo). Los niveles de clorofila son muy bajos, y la planta está afectada directa, progresiva y drásticamente en su vigor, presentando altos 0.54 - 0.69 niveles de estrés en la planta pudiendo producirse desprendimiento de la raíz del suelo. La concentración de clorofila es baja, por lo tanto, el vigor de la > 0.69 planta es afectado, quedando expuesta al ataque de plagas y 0.78 enfermedades, especialmente Sigatoka negra. El nivel de concentración de clorofila es medio, lo cual determina > 0.78 condiciones de susceptibilidad al ataque de Sigatoka, mismas que 0.85 pueden impactar en la productividad. Presenta los más altos niveles de concentración de clorofila lo cual permite reconocer condiciones adecuadas de cultivo y analizar su > 0.85 potencial de producción. Fuente: Autor

4.1.4. Relación entre NDVI y MTVI-1 En base a la metodología descrita y la información secundaria recopilada, se pudo establecer que se pueden relacionar índices sensibles a la presencia de clorofila con un índice sensible al incremento de la cobertura vegetal, siendo éstos en NDVI y el MTVI-1, respectivamente. El MTVI-1, ayudó a determinar el área efectiva del cultivo, con lo cual, al relacionarlo con el NDVI, se pudo excluir todas las áreas que no presentaban cobertura de banano, y trabajar directamente sobre las plantas y sus niveles de vigorosidad. A continuación, se observa en la ilustración, que una vez calculados los valores de MTVI-1 y ajustados manualmente los datos, considerando dos clases, se puede identificar de manera precisa las zonas en las que el cultivo está ausente, así:

Ilustración 47. Imagen multiespectral de zona de estudio (izq). Imagen multiespectral con MTVI-1 superpuesto identificando zonas sin cultivo (der). Fuente: Autor

En la ilustración mostrada, se observa a la derecha todas las áreas de color negro que representan zonas en las cuales no existen plantas de banano y para poder compatibilizar con el índice NDVI, se realizó una reclasificación de pixeles, tanto en NDVI como en MTVI-1, obteniendo: Tabla 9. Reclasificación de pixeles para NDVI.

Nivel NDVI Sin Cultivo Riesgo Alto Riesgo Moderado Aceptable Óptimo

Nivel Rangos >0.54 1 0.54 - 0.69 2 > 0.69 - 0.78 3 > 0.78 - 0.85 4 > 0.85 5

Fuente: Autor

Para el caso de MTVI-1 se obtuvieron los siguientes valores reclasificados: Tabla 10. Reclasificación de pixeles para MTVI-1.

Nivel MTVI-1 Sin Cultivo Con Cultivo

Nivel 0 1

Fuente: Autor

Para relacionar estos dos índices se realizó una operación aritmética de producto entre los valores de ambos índices obteniendo así todas las zonas que efectivamente no tenían cultivo, de donde cualquier valor igual a cero “0” y uno “1”, corresponden a este nivel. Se generó un nuevo ráster, y con el fin de cuantificar las unidades de NDVI, fue susceptible de ser vectorizado, siendo transformado a una capa vectorial tipo polígono, sobre la cual se pudo tener los rangos definitivos de NDVI y sus respectivas áreas, creando un script en VisualBasic, dentro de la calculadora de campos del programa ArcGis, de la siguiente manera: Dim INTERPRETACION If [gridcode] = 0 Then INTERPRETACION = "SIN CULTIVO" elseif [gridcode] =1 Then INTERPRETACION = "SIN CULTIVO" elseif [gridcode] =2 Then INTERPRETACION = "RIESGO ALTO" elseif [gridcode] = 3 Then INTERPRETACION = "RIESGO MODERADO" elseif [gridcode] = 4 Then INTERPRETACION = "ACEPTABLE" elseif [gridcode] = 5 Then INTERPRETACION = "OPTIMO" else INTERPRETACION = "" End If

Sobre estos niveles de NDVI, se pudo también establecer los rangos asignados a cada nivel, usando el mismo procedimiento, así: Dim RANGO If [NIVEL] = "SIN CULTIVO" Then RANGO = "<0.54" elseif [NIVEL] = "RIESGO ALTO" Then RANGO = "0.54 - 0.69" elseif [NIVEL] = "RIESGO MODERADO" Then RANGO = "0.69 - 0.78" elseif [NIVEL] = "ACEPTABLE" Then RANGO = "0.78 - 0.85" elseif [NIVEL] = "OPTIMO" Then RANGO = ">0.85" else RANGO = "" End If

Todo este proceso pudo ser compilado en una herramienta generada en Model Builder de ArcGis, para optimizar tiempos de procesamiento en cada uno de los predios analizados, así:

Ilustración 48. Ejemplo de herramienta generada en Model Builder para integración y cálculos de índices. Fuente: Autor

4.1.5. Generación de Análisis Económico. Considerando los datos de rendimientos promedios expresados en cajas por planta, precio oficial de la caja de banano, y la población total reportada por los productores, se pudo relacionar estas variables con los datos obtenidos de NDVI, con el fin de realizar el reporte económico rápido. Tabla 11. Variables para aplicación de cálculos.

Cajas Planta 1.4 Precio Caja* 6.22 Población total reportada 1: 1450 plantas/ha Superficie de estudio: 3.89 ha Fuentes: Autor; *MAG

Con las fórmulas definidas en la sección 2.3.3., se pudo calcular el número de plantas a nivel de lote y a nivel de predio ya que el índice MTVI-1, ayudó a determinar las áreas en que efectivamente se había perdido plantas, debido a erradicación de plantas, acame denominado también vuelco de plantas, muerte de plantas debido a la presencia de plagas, entre otras.

La población total reportada varía en base a la densidad de siembra aplicada por cada productor, y también se ajusta en base a la variedad del cultivo. 1

En el siguiente ejemplo se observa que, del total de plantas reportado, 1450 plantas por hectárea, se han perdido 149 plantas por hectárea, quedando solamente 1301 plantas, es decir que hay una pérdida de plantas de aproximadamente el 10.3% en cada hectárea analizada. Tabla 12. Ejemplo de cálculo de población promedio y déficit de plantas.

Análisis por Lote Análisis por Hectárea Población Promedio 244,950 Plantas 1,301 Plantas/ha Población Déficit de Plantas 13,454 Plantas 149 Plantas/ha Fuente: Autor

El dato obtenido de población promedio y déficit de plantas fue relacionado con la variable rendimiento expresado en cajas por planta al año y precio de la caja de banano, con lo cual se pudo determinar un valor aproximado de pérdidas de cajas y pérdida económica dentro del predio o lote analizado. Se observa en el siguiente ejemplo que las 149 plantas perdidas al año, representan un total de 209 cajas por hectárea al año y a su vez, si este valor se multiplica por el precio de la caja, de 6.22 dólares, en el mercado internacional, se obtiene que hay una pérdida por hectárea al año de 1,297.49 dólares americanos. Tabla 13. Ejemplo de cálculo de deficiencia de producción y pérdida económica.

Potencial de Producción

Deficiencia de Producción

18,836

Pérdida Económica

$ 117,157.43

Fuente: Autor

Cajas/a ño USD/añ o

209 $ 1,297.49

Cajas/ha/a ño USD/ha/a ño

Todos estos valores obtenidos, al ser multiplicados por el total del área de cada nivel de NDVI relacionado al cálculo, da como resultado la pérdida económica total a nivel de lote o predio. Finalmente, existen zonas en las cuales debe existir aplicaciones de pesticidas para el control de plagas o la ejecución de labores agrícolas como son el riego, fertilización o erradicación de malezas, que pueden influir en el nivel de vigorosidad de las plantas. Estas zonas se denominan de “Monitoreo y Control”, las cuales 81

agrupan a los niveles NDVI Aceptable, Riesgo Moderado y Riesgo Alto, como se observa a continuación: Tabla 14. Ejemplo de área de monitoreo y control.

Monitoreo y Control (Aceptable, Riesgos Moderado y Alto) 145.36 ha Fuente: Autor

4.2.

Análisis

La definición de rangos fue factible al poder comparar los resultados de NDVI individuales y comparar también cada uno de sus histogramas, y al eliminar valores inferiores a cero (0), se pudo obtener un histograma correspondiente a áreas con vegetación. Los rangos se ajustaron en primer término tomando en cuenta los quiebres generados por el modelo de Natural Breaks, seguido a esto, y basándose en las definiciones expuestas en el punto 2.3.2., en el cual se describe que los valores de NDVI para vegetación alta y densa se encuentran a partir del nivel 0.6 hacia 1, por lo cual se pudo ubicar al cultivo en ésta zona.

Ilustración 49. Ejemplo de histograma NDVI ajustado. Fuente: Autor

De igual manera, al generar el índice NDVI, y cruzarlo con los límites de lotes, se puede determinar con exactitud, el área en la cual se pueden presentar problemas de vigor de las plantas.

Ilustración 50. Ejemplo de Predio lotizado cruzado con NDVI Fuente: Autor

Respecto al uso del índice MTVI-1, al ser un índice insensible a la presencia de clorofila, permite determinar exactamente hasta donde llega la biomasa, y definir las áreas correspondientes a zonas efectivas de cultivo, con lo cual se asegura que al cruzarlo con NDVI, se podrá generar un análisis más preciso, y una mejor recomendación sobre el cultivo.

Ilustración 51. En morado, la zonificación de área de cultivo efectiva generada por MTVI-1 Fuente: Autor

En base a lo mencionado por EOS, (EOS, 2021), respecto a la gran disponibilidad de imágenes satelitales y aerotransportadas, y gracias a sus características de contener datos espectrales amplios, abarcado información del espectro de luz correspondiente a las zonas tanto visible como infrarroja, existe una alta relación entre estos insumos y los índices de vegetación, ya que, los primeros permiten la generación y análisis de los segundos. Por si solos y dependiendo de cuál se use, los índices pueden dar una guía respecto a requerimientos de cultivos, ya sea en la parte nutricional o fitosanitaria y las posibles acciones a tomar para solventar estas deficiencias o afectaciones de manera puntual y precisa, optimizando recursos como son tiempo y dinero, teniendo insumos de fácil acceso como son las imágenes satelitales o aerotransportadas. Al ser en NDVI un índice de fácil manejo y de mayor utilización a nivel mundial, presentan una buena respuesta al análisis de sanidad vegetal, pero con el desarrollo de la temática expuesta en este documento, se pudo observar que, al combinarlo con otros índices, la respuesta del índice puede ser más precisa, y se puede ampliar la gama de análisis que se pueden aplicar a un cultivo. Con los procesos mencionados anteriormente, se pudo generar varios pasos metodológicos para la generación y aplicación de índices de vegetación, los cuales pueden ser aplicados al manejo de cultivo de banano. También, se pudo establecer que sí es posible establecer una relación directa entre los dos índices analizados, obteniendo un índice mejorado para la determinación de áreas sin cultivo para su posterior análisis. Las fórmulas para el cálculo económico, fueron trabajadas directamente con personal de BAYER S.A. y se pudo socializar con los propietarios de las plantaciones analizadas, y que ayudó a generar resultados acordes a las necesidades de los productores de banano y que los mismos representen su realidad. 84

Otra de las aplicaciones de estos análisis, es el aspecto económico, ya que se evidenció que es factible aproximar y cuantificar posibles pérdidas asociadas a la producción de cajas de banano, debido a la no presencia de plantas en el predio por efecto de plagas o mal manejo agronómico, y relacionar estos datos con valores expresados en dólares, y verificar el impacto económico potencial en los productores. Todos estos procedimientos, mencionados en el presente documento, permitieron establecer un flujo de procesos y adaptarlos en una propuesta de análisis económico rápido para la toma de decisiones, aplicadas al cultivo de banano.

5. Conclusiones y Recomendaciones 5.1.

Conclusiones

La presente investigación abordó el tema del establecimiento de una metodología rápida basada en la

utilización

imágenes

satelitales y/o

sensores

aerotransportados, y la generación de índices de vegetación para generar reportes rápidos asociados a recomendaciones de manejo del cultivo de banano, de lo cual se puede concluir que: Se generó una metodología base para aplicación de índices de vegetación, con información relevante para el manejo del cultivo de banano. Se pudo establecer relaciones entre Índices de Vegetación, tanto NDVI como MTVI1, para realizar recomendaciones económicas y fitosanitarias sobre el cultivo de banano. Se estableció la factibilidad del uso de imágenes aerotransportadas y/o satelitales como insumo para ayudar a obtener reportes rápidos auyos resultados están asociados a los requerimientos de intervención fitosanitaria en el cultivo de banano. 85

Se determinó que, de los varios índices relacionados a la agricultura, es factible trabajar con los índices NDVI y MTVI-1, en asociación, para dar una mejor respuesta sobre los efectos de la sanidad vegetal del cultivo de banano. En base a los índices de vegetación usados, se pudo demostrar que su uso puede ayudar a determinar los niveles de intervención fitosanitaria en el cultivo de banano. Se generó una propuesta de análisis económico rápido para la toma de decisiones, basados en parámetros conocidos por los productores, con los cuales se pudo determinar a más de zonas con problemas, la posible pérdida económica que representaría el no tomar acciones sobre el manejo del cultivo. Finalmente se concluye que los índices de vegetación generados de imágenes satelitales y drones a través del uso de Sistemas de Información Geográfica, especializados en el manejo de rasters, si permiten determinar la sanidad de un cultivo y a través de estos resultados, se puede obtener respuestas rápidas para el control fitosanitario y agronómico y reducir pérdidas en el cultivo, asociadas al factor económico, con la correspondiente optimización de recursos.

5.2.

Recomendaciones

Respecto a la parte metodológica, se recomienda establecer modelos adicionales que permitan mejorar la presente propuesta, usando otros índices, similares como es el caso de GNDVI, SAVI, entre otros. Adicionalmente se cree conveniente, el analizar la interacción de índices de vegetación con índices nutricionales, que permitan ampliar el espectro de recomendaciones a los agricultores. En el análisis espacial de imágenes, es recomendable promover el uso de imágenes de satélite o de sensores aerotransportados para evaluaciones del cultivo, ya que son insumos que pueden dar una respuesta rápida a las

necesidades de los agricultores, de las condiciones en que sus cultivos se encuentran en ese momento. Si bien es cierto, que existe un cierto nivel de aplicación de índices de vegetación en el manejo de cultivos, se recomienda ampliar los análisis, como es el caso del establecimiento de rangos de manejo de NDVI, para que la información pueda ser mejor aprovechada por los productores y que pueda ser aplicada de mejor manera en el manejo cultural y fitosanitario de los cultivos. El uso de índices de vegetación está bastante divulgado a nivel mundial, pero se sugiere el desarrollo y la aplicación de metodologías similares sobre otros cultivos de interés, que puedan ayudar en la toma de decisiones por parte de los agricultores, y mejorar así el manejo de las plantaciones.

6. Referencias Bibliográficas AEBE. (29 de 11 de 2020). Reporte del Primer Semestre 2020. Obtenido de https://fb329f0a8a6c-4216-9e2fdcf8067bce4d.filesusr.com/ugd/f4cd67_ccf3430fafa44f6596a03f2f7250fbfc.pdf?in dex=true AEBE, A. d. (2018). Crecimiento débil de las exportaciones del banano ecuatoriano. Bananotas, 17, 33. AGP Geospatial Company. (01 de 2021). AGP Geospatial Company. Obtenido de https://agpgeospatial.com/index.php Aldás, A. (2019). Análisis de la Dinámica Temporal del Índice de Vegetación de Diferencia Normalizada (NDVI) para los años 1986, 2001 y 2017 en la Reserva Ecológica Cotacachi Cayapas, Imbabura, mediante el uso de GE Engine. Quito: PUCE. Chomalí, V. (01 de 2021). Un mundo intelectual. Obtenido https://unmundointelectualblog.wordpress.com/2017/03/08/espectroelectromagnetico/

Chuvieco, E. (2000). Fundamentos de Teledectección Espacial. España : RIALP. Díaz, J. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. Madrid: Universidad Complutense de Madrid. EOS. (01 de 2021). NDVI. Obtenido de https://eos.com/es/ndvi/ ESA. (01 de 2021). Copernicus. Obtenido de https://scihub.copernicus.eu/dhus/#/home ESPAC, INEC. (13 de 04 de 2020). Ecuador en cifras. Obtenido de https://www.ecuadorencifras.gob.ec/documentos/webinec/Estadisticas_agropecuarias/espac/espac2019/Presentacion%20de%20los%20principales%20resultados%20ESPAC%20201 9.pdf ESRI, Enviromental Systems Research Institute. (18 de 04 de 2020). Función NDVI. Obtenido de https://desktop.arcgis.com/es/arcmap/10.3/manage-data/raster-andimages/ndvi-function.htm FAO. (13 de 04 de 2020). La telepercepción como fuente de datos. Obtenido de http://www.fao.org/3/t0446s/T0446S04.htm Fernández-Quintanilla, C., & Barroso, J. (2020). Agricultura de Precisión. Ciencia y Medio Ambiente. CCMMA-CSIC. García, E. e. (2019). Agricultura de precisión. Tecnología Agropecuaria. 88

Geoinnova. (18 de 04 de 2020). Drones. Obtenido de https://geoinnova.org/serviciosconsultoria-drones/ Geoinnova. (01 de 2021). Los drones y sus infinitas aplicaciones. Obtenido de https://geoinnova.org/blog-territorio/los-drones-y-sus-infinitas-aplicaciones/ Geosoluciones. (18 de 04 de 2020). Imágenes Satelitales Áster. Obtenido de https://www.geosoluciones.cl/aster/ Grupo Bayer. (11 de 2020). SmartAgro. Obtenido de https://www.smartagro.bayer.ec/ HispaDrones. (01 de 2021). Obtenido de Drones: https://www.hispadrones.com/principiantes/aprendizaje-consejos/tipos-de-drones/ IGAC, Instituto Geográfico Agustin Codazzi. (2007). Fundamentos Físicos de Teledetección. Bogotá: IGAC. IHCM.

(01 de 2021). La nutrición de las plantas. Obtenido de https://cmapspublic2.ihmc.us/rid=1MLSH649C-6B7ZXD1S3F/LA%20NUTRICI%C3%93N%20DE%20LAS%20PLANTAS%20%28FOT OS%C3%8DNTESIS%29.cmap

IICA. (2014). Manual de Agricultura de Precisión. Montevideo: IICA - PROCISUR. Index DataBase. (12 de 2020). Index: Modified Triangular Vegetation Index 1. Obtenido de https://www.indexdatabase.de/db/i-single.php?id=46 Index DataBase. (12 de 2020). Index: Normalized Difference NIR/Red Normalized Difference Vegetation Index, Calibrated NDVI - CDVI. Obtenido de https://www.indexdatabase.de/db/i-single.php?id=58 INIAP. (2019). Enfoques Banano, Plátano y Otras Musáceas. INIAP. Institut Cartogràfic i Geològic de Catalunya. (02 de 2021). Normalized Difference Vegetation Index. Obtenido de https://www.icgc.cat/es/Administracion-yempresa/Descargas/Fotografias-aereas-y-ortofotos/NDVI IPNI, International Plant Nutrition Institute. (1995). Cultivo de plátano en altas densidades una nueva opción. Revista INPOFOS N° 20. Jackson, R. e. (1983). Discrimination of growth and water stress in wheat by various vegetation indices through clear and turbid atmospheres. Remote sensing of environment., 187-208. Jensen, R. (1983). Biophysical Remote Sensing. Annals of the Associations Of American Geographers, 111-132. L3Harris. (30 de 11 de 2020). Narrowband Greeenness. Obtenido de https://www.l3harrisgeospatial.com/docs/NarrowbandGreenness.html#Modified8 89

Mandal, U., Victor, U., Srivastava, N., Sharma, K., & Ramesh, V. (2007). Estimating yield of sorghum using root zone water balance model and spectral characteristics of crop in a dryland Alfisol. Agricultural water management, 87, 315 - 327. Méndez, M. (01 de 2021). Procesamiento de Imágenes del Satélite ASTER para la Actualización de la Red Vial a escala 1:100 000 con fines de Control de Flota. Obtenido de http://www.bvs.hn/cu-2007/ponencias/GEO/GEO-083.pdf Mica Sense. (01 de 2021). Red Edge MX. Obtenido de https://micasense.com/es/rededgemx/ Miranda, I. (01 de 2021). La revolución de la comunicación. Obtenido de https://revolucioncomunicacion.weebly.com/teledeteccioacuten.html Mirik, M., Michels Jr., G., S, K.-M., & Elliot, N. (2007). Reflectance characteristics of Russian whet aphid (Hemiptera: Aphididae) stress and abundance in winter wheat. Computers and Electronics in Agriculture, 57, 123 - 134. Mundo

Geo. (11 de 2020). Sensores Aerotransportados. https://mundogeo.com/2000/01/01/sensores-aerotransportados-2/

Obtenido

Muñoz, P. (2020). Índices de Vegetación. Santiago de Chile. NASA. (19 de 04 de 2020). Normalized Difference Vegetation Index (NDVI). Obtenido de https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetat ion_2.php NASA. (01 de 2021). Earth Data. Obtenido de https://earthdata.nasa.gov/ NASA. (01 de 2021). Landsat: A Global Land Imaging Program. Obtenido de https://pubs.usgs.gov/fs/2012/3057/fs2012-3057_508.pdf National Aeronautics and Space Administration. (1973). Monitoring Vegetation Systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite-1 Symposium, 309 - 3017. Patel, P. (2016). Agriculture drones are finally cleared for takeoff. IEEE Spectrum, 13, 14. Payeras, A. (01 de 2021). Bonsai Menorca. http://www.bonsaimenorca.com/articulos/articulostecnicos/el_camino_del_agua/hoja/

Obtenido

PCI Geomatics. (10 de 2020). Using Remotely-Sensed Data for Efficient Crop Monitoring. Obtenido de https://support.pcigeomatics.com/hc/en-us/articles/204252905-UsingRemotely-Sensed-Data-for-Efficient-Crop-Monitoring Pérez, L. (18 de 04 de 2020). Superando las limitaciones del NDVI. Obtenido de https://acolita.com/superando-las-limitaciones-del-ndvi/ 90

Ponzoni, F. (2012). Sensoramiento remoto da Vegetaçao. Sao Paulo: Oficina de Textos. Saylor Academy. (Diciembre de 2020). Essentials of Geographic Information Systems. Obtenido de https://saylordotorg.github.io/text_essentials-of-geographicinformation-systems/s10-03-data-classification.html Tipantuña, L. (2017). Propuesta metodológica para el análisis de la respuesta espectral en plantaciones de banano a la presencia de plagas y enfermedades, caso de estudio: cantón San Jacinto de Yaguachi, Sector Tres Postes, Provincia del Guayas. Quito: PUCE. Tobar, L. (2018). Análisis Espacio Temporal de los contaminantes atmosféricos en la zona urbana del Distrito Metropolitano de Quito, mediante el uso de tecnologías Geoespaciales para los años 2013, 2014 y 2015. Quito: PUCE. Trimble. (01 de 2021). Sensor de cultivos GreenSeeker. Obtenido de https://agriculture.trimble.com/product/sensor-de-cultivos-greenseeker/?lang=es Universidad Internacional de Valencia. (11 de 2020). ¿Qué es un dron y cómo funciona? Obtenido de https://www.universidadviu.com/que-es-un-dron-y-como-funciona/ US Department of State. (01 de 2021). The Launch of Sputnik, 1957. Obtenido de https://2001-2009.state.gov/r/pa/ho/time/lw/103729.htm USGS. (19 de 04 de 2020). What are the band designations for the Landsat satellites? Obtenido de https://www.usgs.gov/faqs/what-are-band-designations-landsatsatellites?qt-news_science_products=0#qt-news_science_products USGS. (01 de 2021). Earth Explorer. Obtenido de https://earthexplorer.usgs.gov/ USGS. (01 de 2021). What are the band designations for the Landsat satellites? Obtenido de https://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites?qtnews_science_products=0#qt-news_science_products Wikipedia. (18 de 04 de 2020). Sentinel Satélite. https://es.wikipedia.org/wiki/Sentinel_(sat%C3%A9lite)

Obtenido

Wikipedia. (01 de 2021). Landsat 7. Obtenido de https://en.wikipedia.org/wiki/Landsat_7 Xing, N. (11 de 2020). A Transformed Triangular Vegetation Index for Estimating Winter Wheat Leaf Area Index. Obtenido de https://www.mdpi.com/2072-4292/12/1/16/htm

105516

Articles inside

6. REFERENCIAS BIBLIOGRÁFICAS

Ilustración 44. Porcentajes de vigorosidad dentro de lote de cultivo de banano

Ilustración 36. Histograma con la clasificación de pixeles NDVI por el método manual, ajustado a rangos propuestos

5.2. Recomendaciones

naturales, excluyendo valores menores a 0

Ilustración 33. Banda única (pancromática) del cálculo NDVI sobre la imagen satelital Ilustración 34. Histograma con la clasificación de pixeles NDVI por el método de cortes

Ilustración 31. Ejemplo de ajuste de histograma para generación de MTVI-1

Ilustración 29. Ejemplo de Predio lotizado

2.3.2. Cálculo de NDVI

Ilustración 32. Ejemplo de índice MTVI-1 vectorizado e intersecado con capa de Lotes

Ilustración 24. Drone para ejecución de vuelos Ilustración 25. Plataforma Catalyst (PCI Geomatics) para ajuste radiométrico de imágenes ........................................................................................................................................56

Uso de Índices de Vegetación a nivel local

Ilustración 11. Morfología de las hojas

Ilustración 7. Ejemplo de cámaras multiespectrales para uso en Drone

2.1.7. Vegetación y Radiación Electromagnética

1.7. Alcance

2.1.3. Características de los Sensores

Ilustración 1. Esquema operativo de satélite de observación

Tabla 3. Detalle de bandas multiespectrales del sensor Landsat 7

Ilustración 8. Ejemplos de Drones utilizados en la agricultura

Landsat