103361 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

Determinación del índice de estrés hídrico a partir de imágenes satelitales (Ecuador) Determination of Water Index from Remote Sensing Imagery (Ecuador) Ingeniera María Gabriela Cobos Recalde 01322592 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Anton Eitzinger PhD Noviembre de 2019, Quito - Ecuador

COMPROMISO DE CIENCIA Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el 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, 19 de noviembre del 2019__________________________ Lugar y fecha

Firma

DEDICATORIA

Dedicado a Graciela, Wilson, Paúl y Francisco que nunca dejan de apoyarme y animarme a cumplir mis sueños.

AGRADECIMIENTO

A mi familia y amigos por su incondicional apoyo, a mis profesores por sus excelentes conocimientos, a la empresa ConsultGeo a través del Ingeniero Rafael Castro por proporcionarme la licencia de estudiante de ENVI, al Doctor Mauro Ezequiel Holzman por su valiosa contribución y todas y cada una de las personas que de una u otra forma contribuyeron para que realice esta investigación, mis agradecimientos profundos.

RESUMEN Los rendimientos en el cultivo de maíz duro en el Ecuador, especialmente en la provincia de Manabí, son influenciados de manera directa por la disponibilidad del recurso hídrico en todas sus etapas vegetativas, en especial en la floración. Es por esto, que es indispensable determinar metodologías de detección temprana del déficit hídrico a reducidos costos y de mayor cobertura espacial con miras a detectar cambios a nivel regional. La teledetección es una herramienta que presenta ventajas para la obtención de estas metodologías, además de poder realizar análisis en diferentes épocas. El objetivo de esta investigación fue determinar mapas de TVDI (Temperature Vegetation Dryness Index), mediante la relación entre la Temperatura superficial del terreno (Ts) y el Índice de Vegetación Mejorado (EVI), calculados a partir de imágenes MODIS. El periodo en el cual se generó los mapas de TVDI fue el comprendido entre diciembre del 2013 a mayo del 2014, época que corresponde al ciclo de siembra de invierno del cultivo de maíz duro en el litoral ecuatoriano. Los mapas obtenidos presentan el grado de humedad o sequedad, sabiendo que, en las áreas que están cubiertas por vegetación, la Ts disminuye a medida que la densidad de la cubierta vegetal aumenta, esto debido al enfriamiento provocado por la evapotranspiración. Con relación a los resultados de los mapas de estrés hídrico en Manabí, se puede decir que las zonas donde se ubica el TVDI de mayores valores están situados en el centro occidente, en los cantones de Chone, Portoviejo, Tosagua y Rocafuerte, y los valores medios se sitúan en la franja oriental y al sur. Los meses del ciclo vegetativo del cultivo de maíz duro amarillo donde se presentan los mayores valores de TVDI son febrero y marzo, corroborando de esta manera con estudios posteriores, que los rendimientos obtenidos estuvieron por debajo del promedio nacional, debido a un déficit hídrico, que se presentó en todo el ciclo vegetativo del cultivo, especialmente en época de floración.

PALABRAS CLAVES MODIS, Índice de vegetación mejorado (EVI), Temperatura superficial del terreno (Ts), Índice de estrés hídrico (TVDI), Maíz duro amarillo

ABSTRACT Yields in corn cultivation in Ecuador, especially in the province of Manabi, are directly influenced by the availability of the water resource in all its vegetative stages, especially in flowering. That is why it is essential to determine methodologies of early detection of water deficit at reduced costs and greater spatial coverage in order to detect changes at the regional level. Remote sensing is a tool that presents advantages in order to obtain these methodologies, as well as being able to perform analyzes at different times. The objective of this investigation was to determine maps of TVDI (Temperature Vegetation Dryness Index), by means of the relation between the Superficial Temperature of the land (Ts) and the Index of Improved Vegetation (EVI), calculated from images MODIS. The period in which the TVDI maps were generated was between December 2013 and May 2014, which corresponds to the winter planting cycle of the corn crop in the Ecuadorian coast. The maps obtained show the degree of humidity or dryness of the cultivated land. It is shown that, in the areas that are covered by vegetation, the Ts decreases as the density of the vegetation cover increases. This is due to the cooling caused by evapo-transpiration. It can be said that, in relation to the results of the water stress maps in ManabĂ, the areas where the TVDIs have the highest values are in the center west, in the cantons of Chone, Portoviejo, Tosagua and Rocafuerte, and the middle values are located in the eastern and southern edges. The months of the vegetative cycle of the yellow corn crop, where the TVDIs have the highest values, are February and March, corroborating in this way with later studies, that the obtained yields were below the national average, due to a water deficit, evidenced throughout the vegetative cycle of the crop, especially at flowering time.

KEYWORDS MODIS, Index of Improved Vegetation (EVI), Superficial Temperature of the land (Ts), TVDI (Temperature Vegetation Dryness Index) Yellow corn.

TABLA DE CONTENIDOS CAPÍTULO 1. INTRODUCCIÓN ............................................................................................. 15 1.1. ANTECENDENTES .......................................................................................................... 15 1.2. OBJETIVOS .................................................................................................................... 16 1.2.1. Objetivo General........................................................................................................ 16 1.2.2. Objetivos Específicos ................................................................................................. 16 1.3. PREGUNTAS DE INVESTIGACIÓN .................................................................................. 16 1.4. HIPOTESIS ..................................................................................................................... 16 1.5. JUSTIFICACIÓN .............................................................................................................. 17 1.6. ALCANCE ....................................................................................................................... 18

CAPÍTULO 2. REVISIÓN BIBLIOGRÁFICA ............................................................................. 20 2.1. ÍNDICES DE VEGETACIÓN .............................................................................................. 20 2.2. IMÁGENES MODIS ........................................................................................................ 22 2.2.1. Índices de vegetación obtenidos MODIS (NDVI y EVI) .............................................. 24 2.2.2. Temperatura superficial y emisividad obtenidos de MODIS ..................................... 25 2.3. TEMPERATURE VEGETATION DRYNESS INDEX ............................................................. 25 2.4. MAÍZ AMARILLO ........................................................................................................... 27 2.4.1. Producción en Ecuador .............................................................................................. 27 2.4.2. Afectación del déficit hídrico en el maíz duro amarillo............................................. 29 2.4.3. Estimación de superficie de maíz duro...................................................................... 30

CAPÍTULO 3. METODOLOGÍA .............................................................................................. 32 3.1. UBICACIÓN DEL ÁREA DE ESTUDIO .............................................................................. 34 3.2 CARACTERÍSTICAS DE LA PROVINCIA DE MANABÍ ......................................................... 35 3.2.1. Clima .......................................................................................................................... 35 3.2.2. Suelo .......................................................................................................................... 36

3.2.3. Zonas regables por factores climatológicos en Manabí ............................................ 38 3.2.4. Días agronómicos deficitarios en Manabí ................................................................. 39 3.2.5. Zonas regables factores físico - climáticos ................................................................ 40 3.3 USO Y COBERTURA DEL SUELO EN LA PROVINCIA DE MANABÍ .................................... 42 3.4. FLUJO Y METODOLOGÍA APLICADA .............................................................................. 43 3.4.1 Fase 1: Obtención de datos ........................................................................................ 46 3.4.1.1 Selección de información ........................................................................................ 46 3.4.2 Fase 2: Preprocesamiento de imágenes..................................................................... 47 3.4.2.1 Extracción de subproductos de EVI y T ................................................................... 47 3.4.2.2 Reproyección a UTM_WGS84_17S, generación de mosaico de EVI y de Ts mensual y aplicación de mascara de Manabí. ................................................................................... 48 3.4.3 Fase 3: Procesamiento de imágenes .......................................................................... 48 3.4.3.1 Generación de diagrama de dispersión de cada mes entre en las imágenes de EVI y Ts.......................................................................................................................................... 48 3.4.3.2 Trazado de límites húmedos y secos, generación de archivos ASCII mensual ....... 49 3.4.3.3 Determinación de ecuación de dispersión para el cálculo del límite seco y húmedo ............................................................................................................................................. 50 3.4.3.4 Cálculo de TVDI y generación de imágenes............................................................. 50 3.4.4. Fase 4: Análisis de TVDI y superficies de maíz duro amarillo en Manabí ............... 51 CAPÍTULO 4. RESULTADOS Y DISCUSIÓN ........................................................................... 52 4.1. RESULTADOS ................................................................................................................. 52 4.1.1. Índice de vegetación mejorado ................................................................................. 52 4.1.2. Limites Húmedos ....................................................................................................... 53 4.1.3. Diagramas de dispersión EVI/Ts utilizada para el cálculo del límite seco ................. 55 4.1.4. Temperature Vegetation Dryness Index ................................................................... 57 4.1.5 TVDI

cultivo

maíz

duro

amarillo

Manabí

............................................................................................................................................. 59 4.2. DISCUSIÓN .................................................................................................................... 60

CAPÍTULO 5. CONCLUSIONES ............................................................................................. 62

BIBLIOGRAFÍA...................................................................................................................... 64

GLOSARIO

AVHRR: Advanced Very High-Resolution Radiometer.

CMG: Climate Modeling Grid.

CONALI: Consejo Nacional de Límites.

CWSI: Crop Water Stress Index.

EOS: Earth Observing System.

ESPAC: Encuesta de Superficie y Producción Agropecuaria Continua.

EVI: Índice de Vegetación Mejorado.

FPAR: Porción fotosintéticamente activa de la energía absorbida

HDF: Hierarchical Data Format

IEE: Instituto Espacial Ecuatoriano.

INEC: Instituto Nacional de Estadísticas y Censos.

INIAP: Instituto Nacional de Investigaciones Agropecuarias.

m.s.n.m: Metros sobre el nivel del mar.

MAE: Ministerio del Ambiente Ecuatoriano.

MAGAP: Ministerio de Agricultura GanaderĂa Acuacultura y Pesca.

MODIS: Moderate Resolution Imaging Spectroradiometer.

NASA: National Aeronautics and Space Administration.

NDVI: Normalized Difference Vegetation Index.

NIR: Near Infrared.

NOAA: National Oceanic and Atmospheric Administration.

ORA: Oficina de Riesgos Agropecuarios.

SPOT: Satellite Pour l'Observation de la Terre.

TVDI: Temperature Vegetation Dryness Index.

Ts: Temperatura superficial del terreno.

UTM: Universal Transverse Mercator.

WDI: Water Deficit Index.

WGS 84: World Geodetic System 1984.

LISTA DE FIGURAS Figura 1. Diagrama conceptual de la definición del TVDI ................................................... 26 Figura 2. Mapa de uso y cobertura cultivo de maíz duro 2014 .......................................... 31 Figura 3. Mapa de ubicación de Manabí ............................................................................. 34 Figura 4. Mapa de microclimas de Manabí ......................................................................... 36 Figura 5. Mapa de pendientes de Manabí .......................................................................... 37 Figura 6. Mapa de zonas de riego de acuerdo con condiciones climáticas ........................ 39 Figura 7. Mapa días agronómicos deficitarios en Manabí .................................................. 40 Figura 8. Mapa de prioridades de riego en Manabí .......................................................... 441 Figura 9. Mapa de uso y cobertura provincia de Manabí escala 1:100,000 ..................... 433 Figura 10. Diagrama metodológico de la investigación .................................................... 466 Figura 11. Determinación de limites ................................................................................. 477 Figura 12. Triángulo que define los límites húmedos y secos........................................... 499 Figura 13. Determinación de pixeles de límite seco del mes de enero del 2014 ............. 499 Figura 14. EVI reportado de manera mensual en Manabí ................................................ 522 Figura 15. Diagrama para los límites húmedos del periodo diciembre 2013 mayo del 2014 ........................................................................................................................................... 544 Figura 16. Diagrama de dispersión para el límite seco en el periodo de diciembre del 2013 a mayo de 2014 ................................................................................................................. 555 Figura 17. Índice de estrés hídrico mensual...................................................................... 577

LISTA DE TABLAS

Tabla 1. Índices de vegetación ............................................................................................ 24 Tabla 2. Temperaturas superficiales de la tierra y emisividades ........................................ 25 Tabla 3. Requerimientos agroecológicos de maíz duro para el Ecuador Continental ........ 28 Tabla 4. Superficies según tipo de riego en Manabí ........................................................... 38 Tabla 5. Límites húmedos calculados del conjunto de imágenes procesadas .................. 533 Tabla 6. Límites secos del conjunto de imágenes procesadas .......................................... 566 Tabla 7. Superficie de maíz duro por rango de TVDI en el periodo de siembra de diciembre 2013- mayo 2014 ............................................................................................................... 599

CAPÍTULO 1. INTRODUCCIÓN 1.1. ANTECEDENTES Uno de los mayores problemas en la actividad agropecuaria es el uso eficiente de los recursos, especialmente del agua y la posibilidad de poseer una metodología que se aplique de manera periódica para inferir en la disponibilidad de esta (Rivas, Weinzettel y Usunoff, 2005).

Por esta razón es necesario determinar sistemas de detección temprana del déficit hídrico con reducidos costos en comparaciones a otros tipos de generación de información tales como: muestreo en campo e información meteorológica, y además que ofrezcan resultados oportunos que una mayor cobertura espacial con el objetivo de detectar cambios a nivel regional (Holzman, 2015).

En este sentido, la teledetección es una herramienta que, durante los últimos años, se ha desarrollado notablemente por su versatilidad al momento de generar información de zonas extensas, con una resolución temporal y espacial adecuada para la realización de un sin número de estudios, tales como: determinación de coberturas vegetales, generación de índices, análisis multitemporales para determinar cambio en el uso de suelo, estudios aplicados a la ecología, a gestión integral de riegos entre otros (Arredondo y Rodríguez, 2009).

La determinación de los índices que definen el estrés hídrico mediante la relación de la Temperatura superficial del terreno (Ts) y los índices NDVI (Normalized Difference Vegetation Index) o EVI (Índice de Vegetación Mejorado) han sido tratados y estudiados durante décadas y se han perfeccionado en los últimos años introduciéndose así en la agricultura de precisión (Sandholt, Rasnussen y Andersen, 2002).

Uno de los índices más utilizados en la agricultura es el Temperature Vegetation Dryness Index (TVDI), que establece el grado de humedad o sequedad del sistema suelo-planta. En las áreas cubiertas por vegetación, la Ts disminuye a medida que la densidad de vegetación aumenta (mayor NDVI o EVI), esto gracias al enfriamiento provocado en las plantas por la evapotranspiración.

1.2. OBJETIVOS 1.2.1. Objetivo General -

Determinar el índice de estrés hídrico mediante datos captados por los sensores MODIS en la provincia de Manabí (Ecuador).

1.2.2. Objetivos Específicos -

Estimar el índice de vegetación mejorado en la provincia de Manabí.

Determinar la distribución espacial y temporal del TVDI en la provincia de Manabí del periodo diciembre 2013 mayo 2014.

Determinar el índice de estrés hídrico en las superficies de cultivo de maíz en el periodo de invierno 2014 en la provincia de Manabí (Ecuador).

1.3. PREGUNTAS DE INVESTIGACIÓN -

¿Cuál es la distribución espacial del TVDI en la provincia de Manabí?

¿Cuál es la distribución temporal del TVDI en la provincia de Manabí entre diciembre del 2013 y mayo 2014?

¿Dónde se ubican las mayores superficies de maíz con altos índices de stress hídrico?

1.4. HIPOTESIS De la relación (Ts/NDVI) utilizando imágenes captadas por los sensores AVHRR (Advanced Very High-Resolution Radiometer), es posible determinar el Índice de Estrés Hídrico en la provincia de Manabí (Ecuador) en el cultivo de maíz.

1.5. JUSTIFICACIÓN Dentro de la generación de política pública en el Ecuador, se ha implementado estrategias de fomento a la producción de maíz duro, con la finalidad de disminuir las importaciones del cereal y así suplir las necesidades de compra de la industria local para la producción de balanceados. Anualmente, mediante interpretación de imágenes satelitales, se estima la superficie sembrada de maíz duro amarillo, en la época de invierno (diciembre 2013 a mayo 2014) se identificaron aproximadamente 276,385 hectáreas de las cuales el 30.0 % se localizaron en la provincia de Manabí según el Ministerio de Agricultura Ganadería Acuacultura y Pesca (MAGAP, 2014a).

La provincia de Manabí (Ecuador), se encuentra en u n a z o n a donde el periodo agronómico deficitario1 es predominante (MAGAP, 2014b), en el cual, para realizar actividad agropecuaria se debe tomar en cuenta la mediana de la precipitación, la evapotranspiración potencial, y la capacidad máxima de retención del agua en el suelo, pero la información agrometeorológica en el país es deficiente y extemporánea.

Esta zona altamente productiva se rige por ciclos de sequías e inundaciones marcadas, siendo las primeras el fenómeno que más perdidas causa en la franja centro sur de la provincia, especialmente para el cultivo de maíz amarillo duro (Cobos, 2016).

Dicho cereal, en el país, es considerado un bien de producción primaria muy importante por la extensa gama en su cadena de valor, que incluye desde alimentación humana hasta la fabricación de balanceados para consumo pecuario y piscícola (MAGAP, 2014c).

Con este antecedente es de vital importancia disponer de herramientas oportunas de bajo costo y de gran alcance territorial para la detección temprana de anomalías que reduzcan los rendimientos esperados del cereal.

Se considera periodo agronómico deficitario a la suma de días de los periodos secos y subhúmedo-seco, de esta forma se garantiza la necesidad de realizar riego en las zonas ubicadas en regiones de precipitación insuficiente (zonas de riego indispensable hasta zonas de riego facultativo), (MAGAP, 2014b)

Este insumo es muy importante para la programación de riegos en un contexto de manejo eficiente de los recursos, además el estrés hídrico desempeña un papel fundamental en el diseño de los modelos que estiman la producción primaria neta de la vegetación, ya que la insuficiencia de agua constituye el principal factor primario de control de la productividad de los cultivos. En este sentido algunos autores estiman que el 76% de la variabilidad del rendimiento de maíz se relaciona con la deficiencia de agua durante el ciclo (De la Casa, 2011). La determinación, análisis y publicación periódica de un mapa de estrés hídrico en las zonas más vulnerables constituye un insumo para la toma de decisiones y generación de política pública (ORA, 2014).

Es importante mencionar que las imágenes MODIS (Moderate Resolution Imaging Spectroradiometer) que son de libre acceso, tienen una cobertura total de la tierra en 1 o 2 días y además tienen 44 productos que pueden ser utilizados para la generación de geo información para la planificación de territorio en temáticas como como biología, agronomía, climatología, entre otros (Arredondo y Rodríguez, 2009).

1.6. ALCANCE Con esta investigación se pretende determinar un índice de estrés hídrico, en la provincia de Manabí (Ecuador), en las zonas de producción de maíz, con información obtenida de manera gratuita proveniente de sensores remotos. Cabe mencionar que, por la resolución espacial de las imágenes obtenidas, los resultados de este estudio son a nivel regional, pero se puede aplicar la metodología propuesta para trabajar a una escala local, en función de las características de los insumos disponibles tanto en su resolución espacial como temporal. Los resultados que se obtengan de este estudio permitirán visualizar el comportamiento multitemporal, de las coberturas vegetales bajo la relación del Índice de Vegetación Normalizado y la Temperatura de la Superficie.

Los datos obtenidos permitirán generar política pública, encaminada a la provisión de proyectos de riego en las zonas que presenten mayor índice de estrés hídrico, evaluar la factibilidad de reconversión de cultivos e incluir prácticas de agricultura climáticamente inteligente que tomen en cuenta adaptación y mitigación a la variabilidad y cambio climático y que generen una rentabilidad para los productores de la zona.

CAPÍTULO 2. REVISIÓN BIBLIOGRÁFICA 2.1. ÍNDICES DE VEGETACIÓN Los índices de vegetación son diferentes relaciones entre las longitudes de onda que son captadas por sensores remotos que están agrupadas en bandas, y son capaces de resaltar las propiedades de las cubiertas vegetales basado en las diferencias espectrales del follaje de las plantas (Ramírez-Madrigal, 2014). Un índice de vegetación ideal debe responder de manera eficaz a pequeñas variaciones de los estados fenológicos de la vegetación y no ser influenciado por ningún otro factor como tipo de suelo, ángulo del sensor o condiciones atmosféricas (Dorigo et al., 2007). En corroboración a esto, Abuerrea Pereda (2013) menciona que el índice ideal sería el que es sensible a la cubierta vegetal, insensible al brillo y color del suelo y poco afectado por la perturbación atmosférica. Durante la última década se ha desarrollado varios índices, derivados de información de sensores remotos. Lo que hacen estos índices es aprovechar el comportamiento radiométrico en algunas bandas espectrales de la vegetación sana, enferma o de baja densidad (Carvacho y Sanchéz, 2010), los contrastes entre las bandas son los que ayudan a identificar las anomalías. Además, los índices son sensibles a ciertas cubiertas. Existen más de 50 índices de vegetación que incorporan varias variables con la finalidad de minimizar efectos adversos que pueden modificar el valor, los índices que más se utilizan es el NDVI y EVI sobre todo para agricultura, áreas forestales, epidemiologia y monitoreo de condiciones ambientales entre otras (Carvacho y Sanchéz, 2010). Existen un sin número de índices agrupados en: índices de primera y segunda generación o índices basados en la pendiente y en la distancia. Sin embargo, el uso de estos índices depende del objetivo y de las características la de zona de investigación (Abuerrea Pereda, 2013).

“El índice más empleado es el NDVI, el cual es un cociente que representa las características funcionales de la planta activa y que contrasta la reflectancia de las bandas infrarrojo cercano NIR y rojo (Red- R)” (Rodríguez- Moreno y Bullock, 2013, p. 612). La fórmula para la aplicación del índice es:

Donde: NIR= reflectancia corregida atmosféricamente correspondiente al infrarrojo cercano R = reflectancia corregida atmosféricamente correspondiente al rojo (Gonzaga, 2014). La escala de medida posee la apreciada propiedad de oscilar de -1 a 1 con el 0 representando el valor aproximado de la falta de vegetación. Entonces, los valores negativos representan las superficies sin vegetación (Abuerrea Pereda, 2013). A diferencia del NDVI, el EVI incorpora la banda azul en adición a la banda roja e infrarroja del espectro. El EVI es una combinación de las bandas en el azul, rojo e infrarrojo cercano incluyendo un coeficiente de corrección atmosférica (Farrell y Rivas, 2011).

La expresión de la ecuación es (Holzman, 2015):

Uno de los usos más importantes del NDVI y EVI está relacionado con la estimación de rendimientos de cereales (De la Casa, 2011; Farrell y Rivas, 2011; Ruíz-Huanca et al., 2005), estos autores mencionan la alta correlación existente entre los datos de los índices de vegetación determinados a partir de sensores remotos y los rendimientos obtenidos en campo, permitiendo conocer de manera temprana los rendimientos.

2.2. IMÁGENES MODIS MODIS es un sensor a bordo de los satélites Aqua (Earth Observing System, EOS PM) y Terra (EOS AM). En diciembre de 1,999, la NASA (National Aeronautics and Space Administration) lanzó el satélite Terra y mayo del 2,002 el satélite Aqua, que tiene a bordo el sensor MODIS. La órbita de Terra pasa de norte a sur cruzando el ecuador por la tarde mientras que Aqua pasa de sur a norte cruzando por la tarde el paralelo 0 (Arredondo y Rodríguez, 2009). La cobertura total de la superficie terrestre entre los dos satélites la hacen en aproximadamente periodos de 1 a 2 días. El diseño de este sensor remoto tiene alta sensibilidad radiométrica (12BIT) en sus 36 banda espectrales y longitudes de onda que van desde 0.4 um hasta 14.4 um (NASA, 2017). MODIS tiene productos en 3 resoluciones (250m, 500m, y 1000m), esta gran gama de insumos es necesarios para realizar investigaciones y así poder entender las dinámicas que ocurren en la tierra, océano y atmosfera. El acceso a las imágenes MODIS y a sus 44 productos de manera directa y gratuita está en la página http://earthexplorer.usgs.gov/.

A partir del desarrollo de la teledetección, varios investigadores (Bocco, Ovando, Sayago, y Willintong, 2013; Chuvieco, Salas, Cocero, Aguado y Riaño, 2001; De la Casa, 2011; García- Mora y Mas, 2011; Holzman, 2015; Morán, Clarke, Inoue y Vidal, 1994; RodríguezMontellano, Libonati y Melchiori, 2015; Sandholt et al., 2002; Straschnoy, Di Bella, Jaimes, Oricchio y Rebella, 2006) han utilizado ampliamente las imágenes MODIS para investigaciones en varias temáticas ya que se puede obtener una cobertura total de la tierra y de lugares inaccesibles, con una visión panorámica y homogeneidad de los datos, además

de obtener información de zonas no visibles en el espectro y en un formato digital que permite otro tipo de análisis.

Hay que tomar en cuenta que para desarrollar cualquier estudio es necesario evaluar la resolución temporal y espacial de las imágenes, así como la cantidad de bandas espectrales (Arredondo y Rodríguez, 2009).

Entre las principales utilidades se puede citar: -

MODIS está en la capacidad de detectar el calor infrarrojo y las columnas de humo, siendo esta información de mucha utilidad para los bomberos (RodríguezMontellano et al., 2015).

Con relación a pronóstico en tormentas se espera anticipar las alertas en 3 y 12 horas, los proyectos de predicciones emplean datos de los sensores MODIS que son entre 16 y 100 veces a más detalle que de los satélites meteorológicos e información de las 36 bandas espectrales que permite a los investigadores utilizar la espectroscopia y producir mapas de amplias zonas (Miner-Vega, 2012).

La determinación del uso de la tierra y la cobertura en zonas de producción extensiva, así como los cambios de estaciones y épocas de siembras mediante análisis multitemporales (Bocco et al., 2013).

Los cálculos de Índices de Vegetación resultado del tratamiento de las imágenes MODIS son una herramienta precisa para varios análisis en el sector agropecuario y ambiental (Arredondo y Rodríguez, 2009), entre los principales parámetros se puede citar: o Cubrimiento de vegetación o Biomasa o Índice de área de la hoja o Índice para fPAR (Porción fotosintéticamente activa de la energía absorbida) o Índice NDVI y EVI

2.2.1. Índices de vegetación obtenidos MODIS (NDVI y EVI) De la reflectancia corregida atmosféricamente en las banda rojo, azul e infrarrojo se derivan el NDVI y el EVI, que minimiza las variaciones de las diferentes cubiertas del suelo y mejora la sensibilidad a condiciones de densa vegetación y utiliza la banda azul para eliminar posibles contaminaciones atmosféricas causas por nubes o polvo (NASA, 2017). Estos índices generados por MODIS, se utiliza para cálculos de vigor de los cultivos, efecto de fenómenos climáticos o afectaciones de plagas y enfermedades y la Ts de la tierra que representa la distribución de la energía disponible en la superficie, este un parámetro importante en los procesos físicos a nivel de todas las escalas (Carvacho y Sanchéz, 2010). Los índices de vegetación son calculados con un método que asegura la buena calidad del producto, eliminando los pixeles de baja calidad. De los valores restantes se selecciona el píxel de valor más alto de NDVI y que este más cercano al nadir. En la tabla 1 se muestran los productos que se obtienen del sensor MODIS que están sobre los satélites Terra y Aqua respectivamente, tienen una resolución temporal de 16 días y un mes y resoluciones espaciales de: 250 metros, 500 metros, 1 kilómetro y 5.6 kilómetros (0.05 Deg CMG - Climate Modeling Grid).

Tabla 1. Índices de vegetación (NASA, 2017)

2.2.2. Temperatura superficial y emisividad obtenidos de MODIS De manera diaria se recupera por el sensor MODIS los siguientes subproductos relacionados a la temperatura superficial: Ts en el día y la noche, evaluación de calidad, tiempos de observación, ángulos de visión y las emisividades en las bandas 31 y 32 a partir de las coberturas de la tierra. La tabla 2 indica todos los productos generados por el sensor en las plataformas: Terra y Aqua, la resolución temporal va desde diaria, cada 8 días y mensual, con una resolución espacial de 1 kilómetro, 5,6 kilómetros (0.05 Deg CMG) y 6 kilómetros. Tabla 2. Temperaturas superficiales de la tierra y emisividades (NASA, 2017)

2.3. TEMPERATURE VEGETATION DRYNESS INDEX El NDVI si bien es un índice muy utilizado es un indicador bastante conservador del déficit hídrico toda vez que la vegetación sigue verde después de un estrés hídrico, al contrario, la temperatura de la superficie aumenta rápidamente con un estrés (Sandholt et al., 2002). El TVDI, fue desarrollado para establecer el estado de la humedad (sequedad) del sistema suelo- planta. El índice toma valores entre 0 y 1, donde 0 indica máxima humedad y 1 alude a máxima sequedad (ORA, 2014).

Para determinar este índice, como se explica en la figura 1, se debe hacer un diagrama de dispersión entre la Ts y el NDVI o EVI, obtenidos del sensor MODIS y determinar así el límite seco y el límite húmedo del triángulo. El valor calculado para el TVDI es la proporción de la distancia entre A y B (Rivas et al., 2005).

Figura 1. Diagrama conceptual de la definición del TVDI (Rivas et al.,2005)

Establecidos los bordes o límites del triángulo, es posible calcular el TVDI o índice de sequedad para cada píxel: TVDI = (Ts – Tsmin) / (Tsmax – Tsmi) Donde Ts es la temperatura (en Kelvin) observada para un píxel dado obtenida del sensor MODIS (MOD11A2) ; Tsmin es la mínima temperatura de superficie en el triángulo y define el límite húmedo; Tsmax=a.NDVI+b (con un valor dado de NDVI obtenido de MOD13Q1, con a y b parámetros de superficie propios) es la máxima temperatura observada para un valor dado de índice de vegetación y a y b son parámetros de superficie propios de la imagen que definen el límite seco como una relación lineal entre los datos (Holzman, 2015). Esta proporción es un valor entre 0 y 1, donde 1 es el borde seco (limita la disponibilidad de agua) y 0 en el borde húmedo (evapotranspiración máxima).

La ecuación para el cálculo del TVDI se aplica fácilmente, utilizando imágenes satelitales que capturen datos en los espectros: visible, infrarrojo cercano y térmico, además de una adecuada resolución espacio -temporal (Rivas y Houspanossian, 2006). TVDI es detectado desde los satélites por los cambios de la Ts, toda vez que esta aumenta, por la falta de humedad producida por la evapotranspiración, la banda del infrarrojo revela estos cambios y es importante para el estudio de la humedad del suelo (Sandholt et al., 2002). Con el cálculo del TVDI se ha comprobado que el aumento de la temperatura del suelo y de la vegetación y un aumento en la sequedad (disminución de la humedad del suelo), es un buen indicador de estrés que conlleva a sequía del sistema (García et al., 2007) Es importante además mencionar que cuando se presenten valores elevados de EVI o NDVI, se pueden presentar altas temperaturas en algunos sistemas y es por la regulación estomática para la pérdida de agua por transpiración que a pesar de que las coberturas sigan siendo verdes las temperaturas de estas son altas (Wan, Wang, y Li, 2013). La metodología para el cálculo del TVDI es de fácil implementación y se puede convertir en un instrumento accesible para determinar el déficit hídrico de manera temprana y así definir estrategias para un mejor aprovechamiento de los recursos naturales (Carvacho y Sánchez, 2010).

2.4. MAÍZ AMARILLO 2.4.1. Producción en Ecuador El maíz amarillo es uno de los cultivos transitorios más importantes del Ecuador, por su importancia en el consumo humano, así como en la producción de balanceados para alimentación animal (MAGAP, 2014d). La superficie cosechada al año 2013, según datos de la Encuesta de Superficie y Producción Agropecuaria Continua - ESPAC (INEC, 2014) está distribuida por provincias de la siguiente manera: Los Ríos (41%), Guayas (15%), Manabí (21%), Loja (13%) y Santa Elena (1.1%)

(MAGAP,2014e). A partir del año 2012, se generaron políticas para la sustitución de importaciones de materias primas, es así como se implementa el programa de incentivo productico: “Plan Semillas de Alto Rendimiento”, que tiene como objetivo el aumento en el rendimiento a niveles nunca experimentados, abasteciendo la demanda nacional (industrial principalmente) sin necesidad de recurrir a las importaciones (MAGAP, 2014c). Los requerimientos agroecológicos óptimos para las variedades de maíz duro amarillo en el Ecuador continental se detallan a continuación en la tabla 3. Este cereal se desarrolla de mejor manera en suelos planos, con suelos francos, neutros y moderadamente profundos. En altitudes máximas hasta los 1,600 m.s.n.m y temperaturas entre 20 y 25 grados centígrados (INIAP, 2014): Tabla 3. Requerimientos agroecológicos de maíz duro para el Ecuador Continental- (INIAP, 2014) FACTOR

VARIABLE

VALOR ÓPTIMO

Suelo

Pendiente

0 a 2. 2 a 5. 5 a 12. 12 a 25%

Textura (s1)

Franco, Franco arcilloso, Franco arcillo arenoso, Franco arcillo limoso

Profundidad (s2)

Moderadamente profundo Profundo Poco Profundo

Pedregosidad (s3)

Sin/muy pocas/pocas

Drenaje (s4)

Bueno

Nivel freático (s5)

Sin evidencia/Profundo

pH (s6)

Neutro

/Prácticamente

Neutro/Ligeramente Acido/medianamente ácido

Clima

Toxicidad (s7)

Sin o nula/Ligera

Materia orgánica

Alto

Salinidad (s8)

No salino/Ligeramente salino

Fertilidad (s9)

Alta/ Mediana

Precipitación mm

500-2500

Temperatura °C

20-26

Altitud m.s.n.m

1-1600

Periodo de humedad (días) 120-140

2.4.2. Afectación del déficit hídrico en el maíz duro amarillo El estrés hídrico es un estado fisiológico causado por la falta de agua en las hojas que restringe la transpiración y se expresa limitando el crecimiento a través de una baja conductancia estomática (Ghulam et al., 2007). Tambussi (2005), en su recopilación de información sobre el estrés abiótico, determinó el déficit hídrico, cuando la transpiración es mayor a la absorción de agua y se puede dar por sequía, salinidad o bajas temperaturas. Este déficit es el factor abiótico que determina en la mayoría de los cultivos su distribución espacial y rendimientos (Araus et al. 2002 citado por Tambussi, 2005). Varios estudios han demostrado que los efectos de la sequía provocan que los gametofitos masculinos siendo la estructura más sensible se conviertan en estéril (O´toole y Namuco, 1983). Cuando la sequía se presenta en estados fenológicos tempranos produce una reducción del número de granos, ya que hay una absorción del ovario y esterilidad del polen (Boyer y Westgate, 2004). El déficit hídrico además provoca una disminución de los carbohidratos hacia la mazorca provocando una pérdida de los granos (Schussler y Westgate, 1991). Varios autores (Agrario y Santiago, 1996; Bergamaschi et al., 2006; Echarte, Della Maggiora, Irigoyen y Dosio, 1998; Monasterio et al., 2008), encontraron que el déficit hídrico ocurrido durante la floración tuvo un mayor impacto sobre el rendimiento, que el déficit que se presenta en otras etapas fenológicas, corroborando lo referido por (Carvalho, Soratto y Athayde, 2004) quienes mencionan que: las fases más sensibles del cultivo de maíz al déficit hídrico, en orden decreciente son: floración, llenado de grano y desarrollo vegetativo.

Por otra parte, en la determinación de los factores que influyen en el rendimiento del maíz duro seco en Ecuador se concluyó que, por cada 100 mm de agua adicional que los cultivos pudiesen recibir durante todo su ciclo productivo su rendimiento incrementaría en promedio en 0.3 t/ha (MAGAP, 2014c).

La detección del estrés hídrico en la vegetación para analizar temporal y espacialmente la condición de sequía ha sido un objetivo prioritario de la teledetección desde el primer momento de su aplicación (Jackson, 1986). “En tal sentido, ha considerado conveniente desarrollar métodos destinados a evaluar la falta de agua que estén basados en principios y parámetros fisiológicos de la vegetación, tanto por su particular capacidad explicativa como por la mayor facilidad de extrapolación a diferentes cultivos y situaciones” (Hunt y Rock, 1989 p. 43). Cabe mencionar que los rendimientos son influenciados de forma directa por la variabilidad en la disponibilidad de agua, es por eso por lo que debe disponer de metodologías para determinar las condiciones hídricas y así poder predecir la producción (Holzman, 2015).

2.4.3. Estimación de superficie de maíz duro Con la finalidad de determinar las superficies sembradas de maíz duro amarillo, el Ministerio de Agricultura Ganadería Acuacultura y Pesca, desde el 2014 viene realizando la estimación de superficies sembradas en las provincias de Los Ríos, Guayas, Manabí, Loja y El Oro en dos campañas marcadas de producción de diciembre a mayo y de junio a noviembre. Para la generación de este insumo se realizó interpretación de imágenes satelitales RapidEye 25kmx25km oro rectificadas (MAGAP, 2014a). Para la campaña invierno y verano 2014 se identificaron 276,385 ha, en las siguientes provincias: Los Ríos 35.2%, Manabí 28.9%, Guayas 17.5%, Loja 12.9%, Santa Elena 4.1%, El Oro 0.1% y Manga del Cura (Zona no delimitada) 1.4%; en tanto que en la época de verano, (junio a noviembre 2014) la superficie total sembrada fue de 45,969 ha, de las cuales el 68.9% corresponde a la provincia de Los Ríos, 16% Guayas, 10% Manabí, 3.8% Santa Elena y 1.3% Manga del Cura (MAGAP, 2014a).

En la figura 2 se muestra la ubicaciĂłn del cultivo de maiz duro en la provincia de ManabĂ, situado en su mayoria en los cantones centrales.

Figura 2. Mapa de uso y cobertura cultivo de maĂz duro 2014

CAPÍTULO 3. METODOLOGÍA Diversos autores (Chuvieco et al.,2001; Holzman, Rivas y Piccolo, 2014; Rivas y Houspanossian, 2006; Rivas et al., 2005; Carvacho y Sánchez, 2010; Sandholt et al., 2002), durante décadas han aplicado la determinación de TVDI con la finalidad de estimar el contenido de agua en las plantas, toda vez que es una de las variables más críticas en el modelo de productividad sobre todo el maíz duro amarillo.

Chuvieco et al. (2001), en sus estudios, mencionan que, si bien existen tres métodos (información de estaciones meteorológicas, mediciones en campo y teledetección) para la determinación de la humedad en los sistemas productivos, cada uno tiene sus limitantes y ventajas relacionadas al costo y al alcance de los resultados.

De la comparación del uso de distintos sensores para el cálculo de la humedad de diversas coberturas, se concluye que es bastante fuerte la relación entre esta variable y los valores de reflectividad captados (Chuvieco et al.,2001).

Aunque, varios estudios arrojan resultados de aumento o disminución entre los valores de la reflectividad medidos en una sola planta o en el dosel completo, la mayoría de los autores encuentran un aumento en este valor cuando las hojas están secan (Chuvieco et al., 2001).

Pero cuando la vegetación ha tenido un riego adecuado, aumenta la radiación incidente y también la evapotranspiración, lo que da como resultado que la temperatura del aire baje, es decir, la diferencia entre la temperatura del aire y de la superficie sería un buen indicador de estado hídrico de las plantas (Chuvieco et al.,2001).

Chuvieco et al. (2001), además correlacionaron datos de campo, con el observado producto de los sensores remotos Landsat- TM, NOAA (National Oceanic and Atmospheric Administration) -AVHRR Y SPOT (Satellite Pour l'Observation de la Terre)- Vegetation. El

resultado final refleja que la relación NDVI/Ts, demuestra muy buenas correlaciones en todos los sensores para el déficit hídrico, pero mucho más consistentes para las imágenes AVHRR. Sandholt et al. (2002) determinaron la muy buena relación entre los datos obtenidos de sensores remotos (MODIS) y los datos obtenidos en campo, evidenciando un mejor resultado que otros índices que dependen de datos medidos en campo. Sin embargo, el TVDI es sensible a la nubosidad que limita la información en la imagen.

Por su parte Rivas y Houspanossian, en 2006, utilizaron la relación para el cálculo TVDI para la “Obtención de mapas de estrés hídrico a partir de datos captados por sensores AVHRR y MODIS”, concluyendo que el índice de stress hídrico calculado a partir de las imágenes MODIS se convierte en una herramienta adecuada para la evaluar la humedad de la superficie y que tiene una alta correlación de los datos medidos in situ.

Las mismas conclusiones se derivan de la investigación realizada por Rivas et al. (2005), donde se mencionan la efectividad de la aplicación de la metodología de la relación de la Ts/EVI, datos obtenidos de imágenes MODIS, para el cálculo del estrés hídrico.

Mientras que Holzman, Rivas, y Piccolo (2014), en su estudio, concluyeron que la relación utilizada entre la Temperatura Superficial y EVI es un muy buen indicador de la humedad del suelo y para el pronóstico de rendimientos en cereales en un lapso de uno a tres meses antes de la cosecha. Sin embargo, hay que tener cuidado con lo que pueda suceder después de la fecha prevista de cosecha como afectaciones de plagas, enfermedades o sequía.

Además, se determinó una fuerte correlación entre los valores de TVDI con los valores de humedad medidos en campo. Carvacho y Sanchez el en 2010, compararon el WDI (Water Deficit Index) calculado a partir de imagen MODIS y datos meteorológicos y el TVDI obtenido a partir de la temperatura superficial y el EVI, de esta investigación se concluyó si bien los datos son similares el WDI requiere de datos confiables de estaciones meteorológicas de la selección del método de interpolación, no así el índice TVDI.

3.1. UBICACIÓN DEL ÁREA DE ESTUDIO La provincia de Manabí se encuentra localizada al noreste del Ecuador (figura 3), sus altitudes oscilan entre 0 a 350 m.s.n.m. La superficie total de la provincia es de 1,888,906 hectáreas (CONALI, 2016). Tiene como limites al norte Esmeraldas, al este Santo Domingo de los Tsáchilas y Los Ríos.Guayas colinda al este y sur y con Santa Elena al sur.

Figura 3. Mapa de ubicación de Manabí

3.2 CARACTERÍSTICAS DE LA PROVINCIA DE MANABÍ

3.2.1. Clima En la provincia de Manabí se encuentran presenta 4 tipos de microclimas siendo el Tropical megatérmico semi húmedo el que se presenta en la mayor superficie (figura 4), este clima se caracteriza por pluviometrías anuales que varían generalmente entre 1,000 y 2,000 mm con algunos v a l o r e s mayores en las bajas estribaciones de la cordillera (Pourrut, 1983). Las lluvias están concentradas en un periodo único, de diciembre a mayo, siendo seco el resto del año. Las temperaturas medias fluctúan alrededor de 25°C y la humedad varía entre 70 y 90% según la época. Este clima abarca una faja un poco inferior a 100 Km de ancho que parte de la Costa Norte para desaparecer a nivel del Golfo de Guayaquil (Pourrut, 1983).

Con relación al maíz, el 70% de las superficies sembradas se encuentran en un clima tropical megatérmico seco a semi-húmedo con una pluviometría anual comprendida entre 500 y 1.000 mm recogidos entre diciembre y mayo. La estación seca es muy marcada y las temperaturas medias son elevadas, superiores a 24°C.

Figura 4. Mapa de microclimas de Manabí

3.2.2. Suelo Aproximadamente 336,267 hectáreas de Manabí tienen pendientes entre 0 y 25% (figura 5), las zonas donde se cultiva maíz duro amarillo en su mayoría están localizadas en suelos con pendientes de más del 25% (MAGAP y IEE, 2015) en contraposición con los requerimientos agroecológicos.

Figura 5. Mapa de pendientes de Manabí

Con la relación a la textura; la mayor parte de territorio manabita tiene textura fina y son suelo en su mayoría de los órdenes: inceptisoles, mollisoles, afisoles y vertisoles (MAGAP y IEE, 2015).

3.2.3. Zonas regables por factores climatológicos en Manabí Un factor importante para alertar de manera temprana sobre el estrés hídrico en el maíz específicamente se deriva de la zona donde este cereal se cultiva. Las zonas regables calculadas a partir de la confrontación entre la pluviosidad y la evapotranspiración potencial mensual (calculado por el método de balance hídrico de Thornthwaite2), divide al Ecuador en 5 clases (figura 6), que corresponden a zonas de riego: indispensable, necesario, complementario, facultativo e innecesario (MAGAP, 2014f).

Depende la zona del Ecuador sea: costa, sierra o amazonia los valores de déficit hídrico que define las clases de necesidad de riego son (MAGAP, 2014b).

Con relación a la provincia de Manabí (tabla 4): 1,344,175.93 hectáreas se encuentran en zonas CLASE 1 (RI- riego indispensable): en la que el riego es indispensable para cualquier tipo de cultivo (zonas semi-áridas y muy secas) (MAGAP, 2014f).

El déficit anual es mayor a 1000 mm en la zona costera. Este déficit se presenta en todos los meses (11 a 12 meses) del año siendo un limitante para obtener cosechas normales

Tabla 4. Superficies según tipo de riego en Manabí

CLASE

SUPERFICIE (HA)

INDISPENSABLE

1,344,175.93

COMPLEMENTARIO

404,474.06

FACULTATIVO

140,781.99

INNECESARIO

3,864.82

El modelo de balance hidrológico propuesto por Thornthwaite y Mather (1957) a pesar de ser uno de los primeros en ser desarrollados, sigue siendo ampliamente utilizado en las zonas donde se carece de información. Este modelo considera como entrada al sistema la precipitación y como salida evapotranspiración y la escorrentía, la diferencia entre la precipitación y la evapotranspiración da como resultado la disponibilidad hídrica, este modelo también considera los cambios en la humedad del suelo a lo largo del tiempo en función de la evapotranspiración (MAGAP, 2014f).

Figura 6. Mapa de zonas de riego de acuerdo con condiciones climática

3.2.4. Días agronómicos deficitarios en Manabí La suma de los días de periodos secos y sub-húmedos secos, se denomina periodo agronómico deficitario para los cultivos, con esta información se determina cuáles son las zonas agrícolas con insuficiente precipitación y necesitan riego indispensable o facultativo. En la provincia de Manabí (figura 7), aproximadamente el 86 % de la superficie (1,630,848.84 de hectáreas) requiere de agua para realizar actividad agrícola (MAGAP, 2014b).

Figura 7. Mapa días agronómicos deficitarios en Manabí

3.2.5. Zonas regables factores físico - climáticos Una vez que se combina las zonas de riego por factores climatológicos y las zonas de riego por factores físicos (suelos- pendiente), se define en base a las realidades climáticas y físicas, un orden de prioridades de las zonas aptas para riego (figura 8), es así como en la provincia de Manabí zonas con prioridad 1 que incluyen clase climática 1 (riego

indispensable)- clase física 1 (suelo y pendientes buenos para riego) son aproximadamente 142.377,18 hectáreas en Manabí (MAGAP, 2014b).

Figura 8. Mapa de prioridades de riego en Manabí

3.3 USO Y COBERTURA DEL SUELO EN LA PROVINCIA DE MANABÍ Según la más reciente información de uso y cobertura de la tierra generado para el Ecuador continental (MAGAP y MAE, 2014), el 66.5 % de la superficie de la provincia tiene un uso agropecuario, los principales cultivos son: maíz duro, cacao, café, arroz, maní, cebolla y frutales. La producción de cultivos de ciclo corto es muy marcada en la zona, empieza con la llegada de las lluvias en el mes de diciembre (figura 9). Con relación a maíz duro aproximadamente 15,000 pequeños y medianos productores. La producción de maíz se la realiza en épocas marcas, el principal invierno (diciembre-mayo) y verano (junionoviembre), la totalidad de los productores tienen un sistema tradicional de producción caracterizado por: uso de semilla reciclada, bajos niveles de fertilizantes, labranza cero y sin sistema de riego (Cobos, 2016).

De igual manera las cosechas de frutales permanentes como: cítricos (limón, mandarina y naranja), café y cacao son estacionales. Manabí tiene el número mayor de cabezas de ganado del país, pero la producción de leche y carne es baja por la calidad de los pastos derivado de las marcadas épocas de sequía que atraviesa la zona (INEC, 2014).

Figura 9. Mapa de uso y cobertura provincia de Manabí escala 1:100,000

3.4. FLUJO Y METODOLOGÍA APLICADA Varios estudios realizados durante las últimas década a nivel mundial Sandholt et al. (2002), Anane y Casterad (2003), Rivas et al. (2005), Rivas y Houspanossian (2006), Straschnoy et al.(2006), Bergamaschi et al.(2006), Pertovt, Schirmbeck, Rivas y Wöhl Coelho (2007), Flores, Pérez y Lillo (2007), Carvacho y Sanchéz (2010), Lingkui et al.

(2010), Vazquez (2013), Holzman y Rivas (2014), Holzman et al. (2014), Holzman (2015), confirman la validez de la aplicación de la metodología de estimación del índice de estrés hídrico mediante interpretación de imágenes satelitales, en su mayoría estos estudios pretenden determinan la fiabilidad de emplear imágenes de distintos sensores para la determinación del contenido de humedad en varias coberturas vegetales.

Han sido innumerables los modelos que se han probado, así como los insumos de teledetección que se han utilizado para el cálculo de índices que determinen la cantidad de agua en el suelo (Carvacho y Sánchez, 2010).

Igualmente se han hecho comparaciones entre varios índices de estrés hídrico tales como el CWSI (Crop Water Stress Index) y WDI, que combinan información de satélite con datos de estaciones meteorológicas y TVDI que utiliza solamente información de satélite (Vásquez, 2013).

CWSI: El índice propuesto por Jackson, Idso, Reginato y Pinter (1981), se calcula a partir de la temperatura superficial, así como del déficit de presión de vapor y la temperatura del aire es tomada de estaciones.

WDI: Es un índice que actúa igual que el CWSI solo cuando hay cobertura total del suelo, las variables que utiliza son el NDVI y la Ts que proviene de sensores remotos y la temperatura del aire de datos meteorológicos (Luquet et al., 2004).

TVDI: Mientras que Sandholt et al. (2002) proponen la generación de límites secos y húmedos en un triángulo, donde el TVDI se calcula con la función lineal entre el Ts y el NDVI.

Como resultado de la comparación de los índices generados mediante datos de sensores remotos y de estaciones meteorológica y de información recaba en situ se determinó que el TVDI, presenta mayor sensibilidad a cambio en la disponibilidad de agua alta capacidad de detección de humedad en el suelo, además de ser de fácil calculo en relación con los otros dos y a un menor costo (Vázquez, 2013).

Utilizando la ecuación propuesta por Sandholt et al. (2002), con una variable en la utilización de EVI en reemplazo de NVDI por presentar mejores ventajas (Holzman, 2015), se aplica una metodología que combina los datos captados desde satélite en las bandas del visible, infrarrojo cercano e infrarrojo térmico del espectro para brindar información de la disponibilidad de agua del suelo y sobre la cobertura de maíz en la provincia de Manabí.

En la figura 10, se muestra el flujo del metodológico aplicado en esta investigación. Este proceso se divide en 4 pasos principales. 1. El primer paso trata de la obtención de las imágenes de índice de vegetación MOD13Q1 y de Temperatura Superficial MOD11A2 del sensor MODIS, insumos principales para esta operación. 2. El segundo paso consiste en un preprocesamiento de estas, proyección al sistema de referencia del Ecuador, ajuste a los límites de la provincia área de estudio de la investigación. 3. El tercer paso es la determinación de TVDI. 4. Finalmente, el cuarto paso consiste en el posterior análisis del TVDI con la cobertura de maíz duro para ciclo de invierno del 2014.

El procesamiento de las imágenes MODIS se llevó a cabo en el programa ENVI Classic 5.2 con las herramientas de MODIS Conversion Toolkit para seleccionar lo componentes necesarios de cada producto de MODIS y ENVI 5.2, el manejo de los datos raster y vector en ArcGis 10.0 y Excel para la generación de los diagramas de dispersión.

Figura 10. Diagrama metodológico de la investigación

3.4.1 Fase 1: Obtención de datos 3.4.1.1 Selección de información La cartografía base de los límites administrativos, tanto como: provincial y cantonal, información de barimetría y cuerpos de agua fueron proporcionados por el Consejo Nacional de Límites (CONALI) en el 2016. Las imágenes satelitales seleccionadas para esta investigación son: MOD13Q1 de índice de vegetación y MOD11A2 de temperatura superficial del terreno con los límites del Ecuador continental (figura11). Varios portales web ofrecen acceso gratuito para la descarga de imágenes y subproductos MODIS.

Figura 11. Determinación de limites

Es importante seleccionar productos del sensor remoto MODIS con una resolución espacial y temporal que se ajuste a los objetivos planteados. Las fechas de referencia para la descarga fueron del 1 diciembre del 2013 al 31 mayo del 2014, que corresponden a la época de campaña de invierno de cultivos de ciclo corto en el litoral ecuatoriano. Cabe mencionar que como los productos de Ts son cada 8 días y los de EVI son cada 16 días, se promedió dos imágenes de temperatura por cada una de EVI siguiendo la metodología propuesta por Sandholt et al. (2002).

3.4.2 Fase 2: Preprocesamiento de imágenes 3.4.2.1 Extracción de subproductos de EVI y T Para el reprocesamiento es necesario disponer del software ENVI Classic, que ofrece las herramientas requeridas para convertir del formato. HDF (Hierarchical Data Format), formato original de las imágenes MODIS, que se caracteriza por almacenar gran cantidad de datos y de diferente tipo, relacionarlos y estandarizarlos (Arroyo, 2010) al formato .dat, que reconoce el software ENVI, adicionalmente las herramientas MODIS Conversion Toolkit deben estar instaladas. De las imágenes obtenidas para MOD13Q1 se seleccionó el subproducto [2] (2D) 250m 16 days EVI, y de MOD11A2: [1](2D) LST_Day_1km.

3.4.2.2 Reproyección a UTM_WGS84_17S, generación de mosaico de EVI y de Ts mensual y aplicación de mascara de Manabí. Las imágenes MODIS que originalmente están en proyección sinusoidal, fueron reproyectadas en ENVI (herramienta Reproject Raster) por método de muestreo del vecino más cercano a UTM_WGS84_17S, proyección con la que se trabaja en Ecuador. Se obtuvieron 96 imágenes en el periodo de estudio, tanto de EVI como para Ts, para el análisis a nivel de la provincia es necesario realizar un mosaico mensual con todas las imágenes existentes, con la herramienta Seamless Mosaic de ENVI se realiza el mosaico y se aplica la máscara de la provincia de Manabí (herramientas Build Mask y Apply Mask).

3.4.3 Fase 3: Procesamiento de imágenes

3.4.3.1 Generación de diagrama de dispersión de cada mes entre en las imágenes de EVI y Ts Siguiendo la metodología de Sandholt et al. (2002), se realiza el diagrama de dispersión entre las imágenes de EVI y de Ts para cada mes, y así definir los pixeles que se encuentran conformando los límites secos y húmedos (Figura 12), partiendo de que el valor de TVDI queda definido por un triángulo que se obtiene de relacionar la cobertura vegetal (EVI) con la Ts, en el que los límites están determinados por: máxima transpiración (Max T) (máxima cobertura vegetal y mínima Ts), máxima evaporación (Max Ev) (suelo desnudo húmedo con mínima Ts) y nula evaporación (N0 Ev) (suelo desnudo con alta Ts) (Rivas et al., 2005). Con la herramienta Layer Stacking se juntan las dos imágenes y con 2D Scatter Plot se genera el diagrama mensual entre EVI y Ts (figura 13).

Figura 12. Triángulo que define los límites húmedos y secos

Figura 13. Determinación de pixeles de límite seco del mes de enero del 2014

3.4.3.2 Trazado de límites húmedos y secos, generación de archivos ASCII mensual Sobre el diagrama de dispersión se traza los límites secos y húmedos, generando un archivo de texto (ROI o ASCII) con el cual se calculará en Excel “a” y “b”, que son parámetros propios del area de estudio obtenidos a partir de una imagen satelital a partir de la relación existente entre EVI y Ts (Rivas y Houspanossian, 2006).

TVDI = (Ts – Tsmin) / (Tsmax – Tsmin) Tsmax = a.EVI+b El conjunto de pixeles que se encuentran en la línea que une la Transpiración Máxima con valores Nulos de Evapotranspiración forman el límite seco, y el límite húmedo se define en la línea que une los valores Máximos de Transpiración con los valores Máximos de Evapotranspiración, figura 13 (Holzman, 2015).

3.4.3.3 Determinación de ecuación de dispersión para el cálculo del límite seco y húmedo Los archivos ASCII (formato texto) generados del conjunto de pixeles de los límites secos y húmedos para cada mes se procesan en Excel generando un diagrama de dispersión, donde se determina la relación entre los valores de Ts y EVI. Los valores de r2 más cercanos a 1, significa que la variación total de la variable Y, se explica por el modelo de regresión, de lo contrario si el valor es cercano a 0 el modelo no explicaría en nada la variación de Y.

Los parámetros para el cálculo de los límites húmedos, tal como lo mencionan autores como Holzman ( 2015), Rivas y Houspanossian ( 2006) y Sandholt et al. (2002), se determinaron a partir de los pixeles con valores mínimos de Ts para cada valor de EVI, obtenidos del triángulo del diagrama de dispersión. Para corroborar esos valores de Tmin se determinó en cuerpos de agua la misma zona, donde la Ts en todos los casos fue menor que los limites húmedos establecidos. Hay que tomar en cuenta que, como en los cuerpos de agua el EVI no presenta limitación, la Ts tiende a tener un valor mínimo, es por eso por lo que es un buen método corroborar los límites húmedos con cuerpos de agua.

3.4.3.4 Cálculo de TVDI y generación de imágenes Una vez que se calcularon los límites húmedos y secos se procedió por medio de la herramienta Band Math (Algebra de raster) de ENVI a calcular los TVDI mensuales, aplicando la fórmula ya mencionada en el capítulo 2:

TVDI = (Ts – Tsmin) / (Tsmax – Tsmin) Dónde: Ts es la temperatura (en Kelvin) observada para cada píxel de cada imagen. Tsmin es la mínima temperatura de superficie en el triángulo y define el límite húmedo.

Tsmax=a.EVI+b (con un valor dado de EVI, propio de cada imagen, con a y b parámetros definidos de la relación lineal entre EVI y Ts calculados en Excel) (Holzman, 2015). Con la aplicación de la formula en ENVI se generan los mapas de TVDI, donde los valores van de 0 a 1, tomando en cuenta que los valores de los pixeles cercanos a 0 indican mucha humedad y los cercanos 1 sequia.

3.4.4. Fase 4: Análisis de TVDI y superficies de maíz duro amarillo en Manabí Una vez que se dispone de la información del índice de TVDI, por mes en la provincia de Manabí, para el periodo diciembre 2013- mayo 2014, se convierten en vectores los raster de TVDI generados en ENVI y posteriormente se realiza un análisis con el shapefile de la superficie de maíz duro amarillo, para lo cual se utiliza la herramienta Intendity en ArcGis para migrar los datos de TVDI en las superficies de maíz.

CAPÍTULO 4. RESULTADOS Y DISCUSIÓN

4.1. RESULTADOS 4.1.1. Índice de vegetación mejorado Diciembre 2013

Marzo 2014

Enero 2014

Febrero 2014

Abril 2014

Mayo 2014

Figura 14. EVI reportado de manera mensual en Manabí

En la figura 14, se presentan los valores del EVI de manera mensual. Para el mes de diciembre, los datos más bajo del índice se localizan en los cantones del sur y del oeste y valores intermedios, entre de 0.4 y 0.6, al largo de todos los cantones de la provincia de manera dispersa. La distribución del EVI para el mes de enero es uniforme casi en toda la provincia en rangos de 0.2 y 0.5. Evidenciándose los lugares con EVI más bajos en zonas de los cantones del noreste por segundo mes consecutivo. Los valores de EVI en toda la provincia tienden a incrementar llegando a zonas hasta los rangos de 0.8 a 1, en el mes de febrero. Para el mes de marzo, el EVI se estabiliza en los rangos medio en la mayor parte de la provincia a excepción de los cantones costeros del este. Para los meses de abril y mayo el EVI, se comporta de igual manera, zonas dispersas con todos los valores, sin embargo, los cantones costaneros del este presentan los valores más bajos del índice.

4.1.2. Limites Húmedos Se obtuvieron en el periodo de investigación limites húmedos que van desde los 288.33K hasta los 291.40K, siendo abril el mes de menos temperatura y febrero el de mayor. En la tabla 5 se presentan los valores las temperaturas mínimas de cada mes.

Tabla 5. Límites húmedos calculados del conjunto de imágenes procesadas

Mes

Límite húmedo (temperatura K)

Diciembre 2013

291.32

Enero 2014

285.92

Febrero 2014

291.00

Marzo 2014

288.95

Abril 2014

288.33

Mayo 2014

291.73

Figura 15. Diagrama para los límites húmedos del periodo diciembre 2013 mayo del 2014

En la figura 15, se puede observar la distribución de los valores de la Ts con relación al EVI. Para el mes de diciembre, los valores de EVI oscilan entre 0 y 0.67 y la temperatura entre 291.32 hasta 299.27K. En enero los valores de EVI están entre 0 y 0.72 con temperaturas de entre 285.92 y 294,17K; en este mes se presenta el límite húmedo más bajo. Para el mes de febrero, los valores de EVI fluctúan entre 0.05 y 0.94 con límites húmedos entre 291.00 y 298.32K, siendo el único mes donde existen valores sobre 0 para el índice de vegetación. En los meses de marzo y abril, los valores de EVI se encuentran entre 0 y 0.65 y temperaturas entre 288 y 296 K. Para el mes de mayo los valores de EVI bordean los 0.74 y las temperaturas entre 291.73 y 294.31.

4.1.3. Diagramas de dispersión EVI/Ts utilizada para el cálculo del límite seco

Figura 16. Diagrama de dispersión para el límite seco en el periodo de diciembre del 2013 a mayo de 2014

Posterior a la definición de los límites húmedos, se calculó los límites secos para cada uno de los meses. En la Figura 16, se observa los limites mensuales del grupo de imágenes analizadas. En general, en el periodo de investigación se reporta valores de temperaturas más altos en los meses de diciembre, febrero y marzo y los menores en abril, mes donde los valores de EVI son los más altos junto con mayo, esto responde a que los cultivos transitorios y permanentes presentan mayor cobertura foliar, al contrario del mes diciembre donde los valores EVI son los más bajos, resultado de la escasa cobertura foliar originada por el retraso de las siembras en ese año.

Tabla 6. Límites secos del conjunto de imágenes procesadas Mes

Fórmula de límites seco

Fórmula para el cálculo de TVDI

Parámetros “a” y “b”

Diciembre

Tmax=-26.862Evi +

r2= 0.9951

(float(b1-291.32) /((319.23-(26.862*b2))-291.32))

r2= 0.9881

(float(b1-285.92) /((320.47-(25.509*b2))-285.92))

r2= 0.9945

(float(b1-291.00) /((324.19-(23.329*b2))-291.00))

r2= 0.9291

(float(b1-288.95) /((322.02-(21.45*b2))-288.95))

r2= 0.9962

(float(b1-288.33) /((316.37-(19.643*b2))-288.33))

r2= 0.9464

(float(b1-291.73) /((320.88-(20.998*b2))-291.73))

319.23 Enero

Tmax=-27.727Evi + 321.21

Febrero

Tmax=-23.329Evi + 324.19

Marzo

Tmax= -21.45Evi + 322.02

Abri l Mayo

Tmax= -19.643Evi + 316.37 Tmax= -20.988Evi + 320.88

La tabla 6 presenta los parámetros a y b y los coeficientes de determinación de los limites secos presentados en la figura 16. Se encontraron además fuertes relaciones lineales negativas entre Ts y EVI, con coeficiente de determinación entre 0.92 y 0.99, lo que representa que la relación lineal de aEVI+b si es conveniente para calcular los limites secos (Holzman, 2015).

Sandhot et al. (2002) y Rivas y Houspanossian (2006), en sus estudios encontraron relaciones lineales de r2 mayores a 0.8 concordando con los estos resultados obtenidos.

4.1.4. Temperature Vegetation Dryness Index Diciembre 2013

Marzo 2014

Enero 2014

Febrero 2014

Abril 2014

Mayo 2014

Muy húmedo

Húmedo

Normal

Seco

Muy Seco

0-0.2

0.2-0.4

0.4-0.6

0.6-0.8

0.8-1

Figura 17. Índice de estrés hídrico mensual

Una vez calculados los limites húmedos y secos, se calculó el TVDI, en la figura 17 se presentan los resultados; con relación a los valores de TVDI se presentaron valores más bajos en los cantones con influencia de corrientes marinas y las zonas cercanas a la provincia de Santo Domingo de los Tschilas. Los valores más altos de TVDI se presentan en las zonas centrales de la provincia, siendo más evidentes en los meses de diciembre, febrero y marzo.

Para diciembre del 2013 se observa un bajo nivel de humedad sobre todo en los cantones centrales de la provincia, para ese mes se presentó en toda la región litoral valores de precipitación bajo la media mensual y valores de temperatura superiores.

Las zonas con bajos valores de TVDI son en su mayoría zonas costeras con influencia de la humedad oceánica.

Los valores intermedios de TVDI en su mayoría se encuentran en los cantones orientales tales como El Carmen y Flavio Alfaro, cabe mencionar que para el mes de diciembre no se reportaron todavía las siembras de cereales.

Para el mes de enero del 2014, los TVDI más altos se mantienen ubicados en la zona central de la provincia. Para este mes las precipitaciones en toda la zona litoral se incrementaron, y se evidencio un descenso de las temperaturas favoreciendo el inicio de época de siembra de cereales.

Con relación a febrero y marzo del mismo año los valores de TVDI altos se generalizan en la mayor parte de los cantones centrales de la provincia, siendo los límites costeros y los límites con las provincias de Santo Domingo que presentan mayor cantidad de humedad. En el mes de abril la cantidad de humedad en general es mayor, la vegetación arbustiva que fue podada está brotando.

En mayo del 2014 se presentan TVDI alto en la zona central occidental de la provincia, este mes se reportó la más alta temperatura en el cantón Portoviejo, en las demás regiones de la provincia el índice es mediano, evidenciando un incremento en la humedad. En general los TVDI altos es decir las zonas con bajos contenidos de humedad se mantienen en el centro sur de la provincia y los valores medios en el oriente.

Se presentaron en todos los meses del análisis, zonas sin valores para TVDI, esto debido a que no existieron datos para la Ts, relacionado a factores climáticos.

4.1.5 TVDI en el cultivo de maíz duro amarillo en Manabí En la tabla 7 se presentan los datos de TVDI en las zonas sembradas de maíz. En el mes de diciembre se presenta el mayor porcentaje de superficie sin datos ocasionado por la nubosidad del inicio del periodo de invierno así mismo la mayor cantidad de hectáreas con valores de TVDI entre 0.8 y 1. Para el mes de enero la tendencia se mantiene, pero con relación a TVDI la mayor superficie de maíz se localiza en el rango seco de 0.6 a 0.8. En febrero y marzo si bien aumenta la superficie con valores de TVDI, la mayor cantidad de superficie presenta estrés hídrico. Para los meses de abril y mayo la mayor superficie se encuentra en rangos de seco, sin embrago un alto porcentaje se encuentra en rangos normales.

Tabla 7. Superficie de maíz duro por rango de TVDI en el periodo de siembra de diciembre 2013- mayo 2014 Superficie de maíz duro por rango de TVDI (ha)

Muy húmedo Húmedo Normal Mes

Sin datos

0-0.2

Diciembre

18,764

198

Enero

17,145

Febrero

0.2-0.4 904

Seco

0.4-0.6 0.6-0.8

Muy Seco 0.8-1

6,613 21,126

35,510

1,303 12,279 35,615

16,745

8,895

500

3,141 17,733 24,319

28,527

Marzo

8,834

277

1,457

9,561 24,399

38,586

Abril

1,011

193

1,871 23,980 40,975

15,084

Mayo

4,273

755 28,819 34,697

14,550

4.2. DISCUSIÓN Mediante la interpretación de imágenes MODIS se determinó el EVI, en la provincia de Manabí en el periodo de diciembre del 2013 a mayo del 2014. Los valores más bajos de EVI presentes en la provincia responden al retraso de las siembras de cereales por la escasez de lluvias, además en los últimos y primeros meses del año se realizan podas sanitarias y de mantenimiento en las especies de café y cacao en la provincia de Manabí. Cabe recalcar que la mayor superficie de cobertura agropecuaria en la zona de investigación está destinada al cultivo de pastos, en el tercer trimestre del 2013 e inicios del 2014 se reporta el menor desarrollo vegetativo de los mismo, razón por la cual el EVI fue inferior. En los meses siguientes del 2014, por el aumento de las precipitaciones empezó la temporada de siembra, además de presentarse los brotes de los cultivos podados y las canopias de los pastos rebrotan, razón por la cual se reportan índices de vegetación cercanos a 0,6. Aplicando la fórmula propuesta por Sandholt et al. (2002), mediante la relación entre el EVI y la Ts se determinó el TVDI en la provincia de Manabí. La distribución temporal del TVDI demuestra que la mayor superficie con valores altos se presenta en los meses de diciembre por encontrarse el suelo descubierto por el retraso de la siembras y podas en frutales. En los meses de enero, febrero y marzo, si bien los valores de TVDI tienden a bajar, siguen ubicándose en su mayoría en valores de seco y muy seco. En los meses de abril y mayo debido al aumento de la cobertura foliar el TVDI disminuye. Con relación a la distribución espacial del TVDI en todo el periodo, lo menores valores de TVDI se encuentran en los cantones que lindan por las provincias de Santo Domingo de los Tsáchilas y con Esmeraldas (El Carmen y Pedernales). Valores medios de TVDI se presentan en todos los cantones de forma dispersa en todos los meses. Los valores más altos del índice de estrés hídrico se encuentran en toda la investigación en los cantones costaneros y los cantones Chone, Tosagua, Rocafuerte y parte de Portoviejo y los meses más secos en los cantones que lindan con las provincias de Guayas y Los Ríos.

Con los datos de TVDI de la provincia, se pudo calcular los valores en la cobertura de maíz duro, determinando que en los cantones que concentran el 80% de superficie de maíz sembrado: Tosagua, Sucre, Jipijapa, Rocafuerte, Portoviejo, Pichincha, Pajan, Santa Ana y Chone, los valores del TVDI de destruyen temporalmente de la siguiente manera: -

Diciembre: el 67% de la superficie sembrada de maíz se encuentran entre los rangos de seco y muy seco y un 25% no tiene información. El 8% no presentaba ningún tipo de estrés hídrico.

Enero: en este mes la tendencia es muy similar al mes anterior, con el 23% de la superficie sin valores y un 63% de la superficie con valores entre seco y muy seco. El 14% se encontró en valores normales.

Febrero: baja a la mitad la superficie sin valores (12%), aumentado la superficie sin estrés hídrico a un 24%, sin embargo, las superficies secas y muy seca siguen bordeando el 64%.

Marzo: fue el mes más crítico dentro de la investigación, se reportan un 12% de la superficie sin valores, solo un 11% en rangos normales, y más del 77% de la superficie presenta estrés hídrico con valores de seco y muy seco.

Abril: fue el mes donde menos superficie sin datos se presentó (2%), la superficie sin stress hídrico bordeo el 31%, la superficie seca con un 50% y la muy seca con 17%.

Mayo: en el mes de mayo al igual que el abril es bajo el porcentaje de superficie sin valores, la superficie en rangos normales es del 34%, un 40% está dentro del rango de seco y un 19% en muy seco.

Cabe mencionar que, durante el todo el periodo de investigación los valores entre seco y muy seco fueron predominantes, ocasionando una disminución en los rendimientos de ese ciclo del cereal.

CAPÍTULO 5. CONCLUSIONES De la relación (Ts/NDVI) utilizando imágenes captadas por los sensores AVHRR, si es posible determinar el TVDI y la provincia de Manabí y en la cobertura de maíz duro de la época de diciembre del 2013 a mayo del 2014, aprobando así la hipótesis de la investigación. Se incluyó la utilización del índice de vegetación EVI en vez de NDVI por todas limitaciones que presenta este índice, mencionadas por Holzman (2015). Es importante tener en cuenta la disponibilidad de valores de Ts influenciado por la nubosidad con la finalidad de realizar un adecuado análisis que abarque toda la zona de investigación. Cabe mencionar que es de vital importancia incluir a este tipo de investigaciones las de estimación de la disponibilidad de agua en el suelo para comparar así los resultados y señalar la directa relación que tienen estos y la aplicación del TVDI en estudios globales del sistema suelo-agua-planta (Sandholt et al., 2002), y además de una escala regional, siendo este índice útil para aplicarlo en ramas como la hidrología. Es importante señalar que a pesar de la metodología sencilla que se aplica para el cálculo del TVDI es imprescindible un adecuado procesamiento de las imágenes seleccionadas y la apropiada selección de los límites húmedos y secos, siendo un método amigable puede ser utilizada para la generación de política pública abordando temáticas de interés nacional.

Con relación al cultivo de maíz la mayor superficie sembrada en el año de investigación estuvo en las áreas donde el TVDI fue alto a excepción del mes de abril por las precipitaciones presentadas. El déficit hídrico es el factor abiótico que más influye en los rendimientos de este cultivo, y tal como se dio en esta campaña, la sequía que se presenta en estados de floración tiene un mayor impacto sobre el rendimiento corroborando lo referido por (Carvalho et al.,

2004), luego en el llenado del grano y posterior en el desarrollo vegetativo. El rendimiento más bajo en el cultivo de maíz se presentó en la zona de Manabí (3.59 tm/ha) (MAGAP, 2014e), debido al déficit hídrico que se presentó en todo el ciclo vegetativo del cultivo especialmente en época de floración. En el presente trabajo se determinó el TVDI mediante la relación de EVI/Ts, en la provincia de Manabí en la campaña de siembra del maíz duro amarillo de invierno del 2014 que va de diciembre del 2013 a mayo del 2014 calculado mediante información captada del sensor MODIS. La metodología que se aplicó en esta investigación, los resultados y el potencial uso de estos, no se han desarrollado en el territorio ecuatoriano, por tal razón se sugiere incluir en los índices que soportan la toma de decisiones ya que las mayores fluctuaciones en los volúmenes de producción del cereal se deben a la condición hídrica planta-suelo- agua.

CAPÍTULO 6. BIBLIOGRAFÍA Abuerrea Pereda, M. (2013). Comparación de índices de vegetación en zona semiárida de Navarra. Accedido el 30 de julio de 2019, en https://academicae.unavarra.es/bitstream/handle/2454/7790/578142.pdf?sequence=1&isAllowed=y

Anane, M., y Casterad, M. (2003). Un método para determinar con teledetección la localización preferente del maíz en un regadío. Teledetección y desarrollo regional. Accedido el 30 de julio de 2019, en http://www.aet.org.es/congresos/x/cac9.pdf.

Arredondo, H., y Rodríguez, O. (2009). Manual para el manejo y procesamiento de imágenes satelitales obtenidas del sensor remoto MODIS de la NASA, aplicado a estudios de Ingenieria Civil. Accedido el 30 de julio de 2019 en, https://repository.javeriana.edu.co/bitstream/handle/10554/7050/tesis123.pdf?sequenc e=1.

Arroyo, M. (2010). El formato HDF: Un modelo de datos para el almacenamiento y gestión de información espacial de carácter ambiental. X Congreso Nacional del Medio Ambiente. Accedido el 30 de julio de 2019 en, http://www.conama10.vsf.es/conama10/download/files/CT%202010/40852.pdf.

Agrario, D., y Santiago, C. V. (1996). La Sequía y sus Consecuencias para el Maíz en las Islas de Cabo Verde. Drought-and Low N-Tolerant Maize, 72. Accedido el 30 de julio de 2019 en< https://repository.cimmyt.org/bitstream/handle/10883/747/64620.pdf?sequence=1#pag e=83 Bergamaschi, H., Dalmago, G., Bergonci, J., Müller, A., França, S., Santos, A., . . . Pereira, P. (2006). Deficit hídrico e produtividade na cultura do milho. Pesquisa Agropecuária Brasileira, 243249. Accedido el 30 de julio de 2019 en, http://www.scielo.br/pdf/pab/v41n2/a08v41n2.

Bocco, M., Ovando, G., Sayago, S., y Willintong, E. (2013). Modelos simples para estimar cobertura de suelo agrícola a partir de imágenes MODIS: aplicación a la zona central de Córdoba (Argentina). Congreso Argentino de AgroInformatica, CAI, 61-69. Accesido el 30 de julio de 2019 en, http://42jaiio.sadio.org.ar/proceedings/simposios/Trabajos/CAI/05.pdf .

Boyer, J., y Westgate, M. (2004). Grain yields with limited water. Journal of experimental Botany, 2385-2394. Accedido el 30 de julio de 2019 en, https://academic.oup.com/jxb/article/55/407/2385/496047.

Carvacho, L., y Sanchéz, M. (2010). Comparación de índices de vegetación a partir de imágenes modis en la región del Libertador Bernardo Ohiggins, Chile, en el período 2001-2005.

Congreso Nacional de Tecnologías de la Información Geográfica, 728-737. Accedido el 30 de julio del 2019 en https://idus.us.es/xmlui/handle/11441/66614.

Carvalho, M., Soratto, R., y Athayde, M. (2004). Produtividade do milho em sucessão a adubos verdes no sistema de plantio direto e convencional. Pesquisa Agropecuária Brasileira, 4753. Accedido el 30 de julio de 2019 en http://www.scielo.br/pdf/%0D/pab/v39n1/19583.pdf

Chuvieco, E., Salas, F., Cocero, D., Aguado, I., y Riaño, D. (2001). Estimación del estado hídrico de la vegetación a partir de sensores de alta y baja resolución. GeoFocus, 1-16. Accedido el 30 de julio del 2019 en, http://geofocus.rediris.es/docPDF/Articulo1_2001.PDF

Cobos, M. (2016). Integración de la adaptación al cambio climático en el plan de desarrollo de las fincas maiceras de la provincia de Manabí.

CONALI. Consejo Nacional de Límites. (2016). Mapa provincial del Ecuador.

De la Casa, A. (2011). Monitoreo de cultivos de maíz y estimación de rendimiento a nivel de lote con datos de Aqua-modis en Córdoba, Argentina. Accedido el 30 de julio de 2019 en, http://rdu.unc.edu.ar/handle/11086/1627

Dorigo, W., Zurita-Milla, R., De Witt, A., Brazile, J., Singh, R., y Schaepman, M. (2007). A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling. International Journal of Applied Earth Observation and Geoinformation, 165193. Accedido el 30 de julio de 2019 en, https://www.sciencedirect.com/science/article/pii/S0303243406000201

Echarte, L., Della Maggiora, A., Irigoyen, A., y Dosio, G. (1998). Disminución del rendimiento en el cultivo de maíz debida a los deficit hídricos ocurridos en la localidad de Balcarse. Actas X Congreso Brasilero de Meteorología y VIII Congreso de la Federacisn Latinoamericana e Ibirica de Sociedades de Meteorologma. Accedido el 30 de julio de 2019 en, https://www.researchgate.net/profile/Laura_Echarte2/publication/266243193_DISMINU CION_DEL_RENDIMIENTO_EN_EL_CULTIVO_DE_MAIZ_DEBIDA_A_LOS_DEFICIT_HIDRICOS _OCURRIDOS_EN_LA_LOCALIDAD_DE_BALCARCE/links/54aebff00cf2b48e8ed4601b.pdf

Farrell, M., y Rivas, R. (2011). Utilización del EVI e Índice de Área Foliar en el análisis de tendencias de rendimiento en girasol. Teledetección: Recientes aplicaciones en la región pampeana,103-113. Accedido el 30 de julio de 2019 en, https://www.researchgate.net/profile/Raul_Rivas3/publication/268297788_Utilizacion_d el_EVI_e_Indice_de_Area_Foliar_en_el_analisis_de_tendencias_de_rendimiento_en_gira sol/links/55fc5d2508aec948c4b429cf.pdf

Flores, F., Pérez, R., y Lillo, M. (2007). Comparación de Tres Modelos de Estimación de Evapotranspiración Mediante Imágenes MODIS. Teledetección-Hacia Un Mejor Entendimiento de La Dinámica Global y Regional. Buenos Aires: Ed. Martin, 291-298. Accedido el 30 de julio de 2019 en, http://dns2.aet.org.es/congresos/xii/arg39.pdf.

García, S., Baille, A., González, M. M., Martínez, V., Urrea, M., Hernández, Z., … Tanguy, M. (2007). Desarrollo y aplicación de indicadores de alerta temprana frente a sequías a escala regional desde MODIS. Teledetección-Hacia Un Mejor Entendimiento de La Dinámica Global y Regional. Buenos Aires: Ed. Martin, 223–229. Accedido el 30 de julio de 2019 en, https://www.researchgate.net/profile/Sandra_GarciaGaliano/publication/228374650_Desarrollo_y_aplicacion_de_indicadores_de_alerta_tem prana_frente_a_sequias_a_escala_regional_desde_MODIS/links/00463529731911e65300 0000/Desarrollo-y-aplicacion-de-indicadores-de-alerta-temprana-frente-a-sequias-aescala-regional-desde-MODIS.pdf.

García-Mora, T., y Mas, J.-F. (2011). Evaluación de imágenes del sensor MODIS para la cartografía de la cobertura del suelo en una región altamente diversa de México. Boletín de la Sociedad Geológica Mexicana, 83-94. Accedido el 30 de julio de 2019 en, http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-33222011000100008.

Ghulam, A., Li, Z.-L., Qin, Q., Tong, Q., Wang, J., Kasimu, A., y Zhu, L. (2007). A method for canopy water content estimation for highly vegetated surfaces-shortwave infrared perpendicular water stress index. Science in China Series D: Earth Sciences, 1359-1368. Accedido el 30 de julio de 2019 en, https://link.springer.com/article/10.1007/s11430-007-0086-9.

Gonzaga, C. (2014). Aplicación de índices de vegetación derivados de imágenes satelitales Landsat 7 ETM+ y ASTER para la caracterización de la cobertura vegetal en la zona centro de la provincia de Loja, Ecuador. Accedido el 30 de julio de 2019 en, http://sedici.unlp.edu.ar/handle/10915/34487.

Holzman, M. (2015). Estimación del Estrés Hídrico en Cultivos y su relación con rendimientos en la región pampeana mediante imágenes de temperatura de superficie e índice de vegetación. Accedido en 30 de julio de 2019 en, http://cursosihlla.bdh.org.ar/Tesis_Holzman/Tesisversion%20Final_imagenes%20livianas.pdf

Holzman, M., y Rivas, R. (2014). Subsurface Soil Moisture Estimation by VI– LST Method. IEEE Geoscience and Remote Sensing Letters, 1951-1955. Accedido el 30 de julio de 2019 en, https://ieeexplore.ieee.org/abstract/document/6803861.

Holzman, M., Rivas, R., y Piccolo, M. (2014). Estimating soil moisture and the relationship with crop yield using surface temperature and vegetation index. International Journal of Applied Earth Observation and Geoinformation, 181-192. Accedido el 30 de julio de 2019 en, https://www.sciencedirect.com/science/article/pii/S0303243413001748.

Hunt, R., y Rock, B. (1989). Detection of changes in leaf water content using near-and middleinfrared reflectances. Remote sensing of environment. Remote Sensing of Environment, 4354. Accedido en 30 de julio de 2019 en, https://www.sciencedirect.com/science/article/abs/pii/0034425789900461. INEC. Instituto Nacional de Estadísticas y Censos (2014). Encuesta Continua de Superficie, Producción y Rendimientos Agropecuario. Accedido el 30 de julio de 2019 en, https://www.ecuadorencifras.gob.ec/estadisticas-agropecuarias-2/

INIAP. Instituto Nacional de Investigaciones Agropecuarias. (2014). Requerimientos Agroecológicos del maíz duro amarillo en el Ecuador continental.

Jackson, R. (1986). Remote sensing of biotic and abiotic plant stress. Annual review of Phytopathology, 265-287. Accedido el 30 de julio de 2019 en, https://www.annualreviews.org/doi/abs/10.1146/annurev.py.24.090186.001405?journal Code=phyto.

Jackson, R., Idso, S., Reginato, R., y Pinter, P. (1981). Canopy temperature as a crop water stress indicator. Water resources research. Water resources research, 1133-1138. Accedido el 30 de julio de 2019 en, https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/WR017i004p01133.

Lingkui , M., Jiyuan , L., Zidan , C., Wenjun, X., Deging, C., y Hongwein, D. (2010). The calculation of TVDI based on the composite time pixel drought analysis. 519-524. Accedido el 30 de julio de 2019 en, https://www.researchgate.net/publication/288169390_The_calculation_of_tvdi_based_o n_the_composite_time_of_pixel_and_drought_analysis.

Luquet, D., Vidal, A., Dauzat, J., Béqué, A., Olioso, A., y Clouvel, P. (2004). Using directional TIR measurements and 3D simulations to assess the limitations and opportunities of water stress indices. Remote Sensing of Environment, 53-62. Accedido el 30 de julio del 2019 en, https://www.sciencedirect.com/science/article/abs/pii/S0034425703003584.

MAGAP. Ministerio de Agricultura Ganadería Acuacultura y Pesca (2014a). Estimación de superficie sembrada de arroz y maíz amarrillo duro en las épocas de invierno, en las provincias de Manabí, Los Ríos, Guayas, Santa Elena, Loja y El Oro. Accedido el 30 de julio del 2019 en, http://sipa.agricultura.gob.ec/index.php/estimacion-de-superficie-decultivo/estimaciones-de-arroz-y-maiz-2014

MAGAP. Ministerio de Agricultura Ganadería Acuacultura y Pesca (2014b). Zonas prioritarias del aprovechamiento del recurso hídrico para pequeña y mediana agricultura. Accedido el 30 de julio de 2019 en, http://sipa.agricultura.gob.ec/index.php/otros-estudios/zonasprioritarias-para-riego,

MAGAP, Ministerio de Agricultura Ganadería Acuacultura y Pesca. (2014c). Determinantes del rendimiento del cultivo de maíz duro seco. Accedido en noviembre del 2015, http://sinagap.agricultura.gob.ec/pdf/estudios_agroeconomicos/determinantes_rendimie nto.pdf

MAGAP. Ministerio de Agricultura Ganadería Acuacultura y Pesca (2014d). Producción histórica de maíz duro seco. Accedido en noviembre de 2015 http://sinagap.agricultura.gob.ec/pdf/estudios_agroeconomicos/produccion_historica.pd f

MAGAP. Ministerio de Agricultura Ganadería Acuacultura y Pesca (2014e). Rendimientos de maíz duro en el Ecuador en el Invierno 2014. Accedido el 30 de julio de 2019 en, http://sipa.agricultura.gob.ec/index.php/informe-de-rendimientosobjetivos/rendimiento-de-maiz

MAGAP. Ministerio de Agricultura Ganadería Acuacultura y Pesca (2014f). Mapa de zonas de riego de acuerdo a condiciones climáticas.

MAGAP y IEE. Ministerio de Agricultura Ganadería Acuacultura y Pesca e Instituto Espacial Ecuatoriano. (2015). Mapas de geoinformación para la gestión del territorio a nivel nacional.

MAGAP y MAE. Ministerio de Agricultura Ganadería Acuacultura y Pesca y Ministerio del Ambiente Ecuatoriano. (2014). Mapa de cobertura y uso de la tierra del Ecuador continental.

Miner-Vega, A. (2012). Análisis de la cuenca del río Mendoza (Mendoza, Argentina): cuantificación del régimen pluvio-nival y propuesta de modelo para mejorar la gestión integral de sus recursos. Accedido el 30 de julio de 2019 en, https://riunet.upv.es/handle/10251/15933

Monasterio, P., García, P., Alejos, G., Pérez, A., Talante, J., Maturet, W., y Rodríguez, L. (2008). Influencia de la precipitación sobre el rendimiento del maíz: caso híbridos blancos. Agronomía Tropical, 69–72. Accedido el 30 de julio de 2019 en, http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0002-192X2008000100015

Morán, M., Clarke, T., Inoue, Y., y Vidal, A. (1994). Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index. Remote sensing of environment, 246-263. Accedido el 30 de julio de 2019 en, https://www.sciencedirect.com/science/article/abs/pii/0034425794900205

NASA. National Aeronautics and Space Administration. (2017). About MODIS. Accedido el 30 de julio de 2019 en, https://modis.gsfc.nasa.gov/about/

O´toole, J., y Namuco, O. (1983). Role of panicle exsertion in water stress induced sterility. Crop Science, 1093-1097. Accedido el 30 de julio de 2019 en, https://dl.sciencesocieties.org/publications/cs/abstracts/23/6/CS0230061093

ORA. Oficina de Riesgos Agropecuarios. (2014). Cálculo para el índice satelital de déficit hídrico. Accedido el 30 de julio de 2019 en, http://www.ora.gob.ar/TVDI/tvdi_metodologia.pdf

Pertovt, E., Schirmbeck, J., Rivas, R., y Wöhl Coelho, O. (2007). Determinación de stress hídrico de vegetación mediante imágenes de satélite AVHRR. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto. 2999-3001. Accedido el 30 de julio de 2019 en, http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.16.02.02/doc/2999-3001.pdf

Pourrut, P. (1983). Los climas del Ecuador-fundamentos explicativos. CEDIG Documentos de Investigación, 8-40. Accedido el 30 de julio de 2019 en, https://core.ac.uk/download/pdf/39874448.pdf.

Ramírez-Madrigal, A. (2014). Evolución del crecimiento de pastos usando índices de vegetación calculados a partir de información satelital. Accedido el 30 de julio de 2019 en, http://bdigital.unal.edu.co/39917/1/98711273.2014.pdf

Rivas, R., y Houspanossian, J. (2006). Obtención de mapas de estrés hídrico a partir de datos captados por los sensores AVHRR y MODIS. Actas VIII Congreso de Asociación Latinoamericana de Hidrología Subterránea para el Desarrollo, Asunción del Paraguay. Accedido el 30 de julio de 2019 en, https://www.researchgate.net/profile/Raul_Rivas3/publication/228838641_Obtencion_d e_mapas_de_estres_hidrico_a_partir_de_datos_captados_por_los_sensores_AVHRR_y_ MODIS/links/0deec5379f5eb101d1000000/Obtencion-de-mapas-de-estres-hidrico-apartir-de-datos-captados-por-los-sensores-AVHRR-y-MODIS.pdf

Rivas, R., Weinzettel, P., y Usunoff, E. (2005). Resultados preliminares de la estimación del estrés hídrico a partir de temperatura de superficie y NDVI. Actas VIII Congreso de Asociación Latinoamericana de Hidrología Subterránea para el Desarrollo, Asunción del Paraguay. Accedido el 30 de julio de 2019, en http://www.azul.bdh.org.ar/bdh3/archivos/publications/587168/Resultados_preliminares _de_la_estimacion_del_estres_hidrico_a_partir_de_temperatura_de_superficie_y_NDVI. pdf

Rodríguez- Moreno, V., y Bullock, S. (2013). Comparación espacial y temporal de índices de la vegetación para verdor y humedad y aplicación para estimar LAI en el Desierto Sonorense. Revista mexicana de ciencias agrícolas, 611-623. Accedido el 30 de julio de 2019 en, http://www.scielo.org.mx/pdf/remexca/v4n4/v4n4a10.pdf

Rodríguez-Montellano, A., Libonati, R., y Melchiori, E. (2015). Sensibilidad en la detección de áreas quemadas en tres ecosistemas vegetales de Bolivia, utilizando tres productos regionales. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto, 1663-1670. Accedido el 30 de julio de 2019 en , http://www.dsr.inpe.br/sbsr2015/files/p0310.pdf

Ruíz-Huanca, P., Palacios, E., Mejia, E., Exebio, A., Oropeza, J., y Bolaños, M. (2005). Estimación temprana del rendimiento de la cebada mediante el uso de sensores remotos. Terra Latinoamericana 167-174. Accedido el 30 de julio de 2019 en, https://www.redalyc.org/pdf/573/57323203.pdf.

Sandholt, I., Rasnussen, K., y Andersen, J. (2002). A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sensing of environment, 213-224. Accedido el 30 de julio de 2019 en, https://www.sciencedirect.com/science/article/abs/pii/S0034425701002747.

Schussler, J., y Westgate, M. (1991). Maize kernel set at low water potential: II. Sensitivity to reduced assimilates at pollination. Crop Science, 1196-1203. Accedido el 30 de julio de 2019 en, https://dl.sciencesocieties.org/publications/cs/abstracts/31/5/CS0310051189.

Straschnoy, J., Di Bella, C., Jaimes, F., Oricchio, P. y Rebella, C. (2006). Caracterización espacial del estrés hídrico y de las heladas en la región pampeana a partir de información satelital y complementaria. Revista de Investigaciones Agropecuarias, 117-141. Accedido el 30 de julio de 2019 en, https://www.redalyc.org/pdf/864/86435208.pdf

Tambussi, E. (2005). Fotosíntesis, fotoprotección, productividad y estrés abiótico: algunos casos de estudio.Accedido el 30 de julio de 2019 en, http://diposit.ub.edu/dspace/handle/2445/36093

Vazquez, P. (2013). Comparación de índices de estrés hídrico, a partir de información captada por el sensor MODIS, en la región pampeana argentina. Red de Revistas Científicas de América Latina, el Caribe, España y Portugal, 46-68. Accedido el 30 de julio de 2019 en, https://www.redalyc.org/pdf/171/17128112003.pdf.

Wan, Z., Wang, P., y Li, X. (2013). Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains. International Journal of Remote Sensing, 61-72. Accedido el 30 de julio de 2019 en, https://www.tandfonline.com/doi/abs/10.1080/0143116031000115328.