RESPUESTA ESPECTRAL DEL CULTIVO=
DEL
MAÍZ APLICANDO DOSIS DIFERENCIADAS DE FERTILIZACIÓN
Roger
Adrián Delgado Alcívar1
https://orcid.org/0000-0001-5152-9973
Henry
Antonio Pacheco Gil2
henry.pacheco@utm.edu.ec
https://orcid.org/0000-0002-9997-9591
Ezequiel
Zamora-Ledezma3
ezequiel.zamora@utm.edu.ec
https://or=
cid.org/0000-0002-5315-2708
1Estudiante de la Maestría en Ingeniería Agrícola con mención en Agroecología y Camb=
io
Climático. Facultad de Posgrado Universidad Técnica de Manabí. Avenida José María Urbina, Portoviejo EC130105, provi=
ncia
Manabí, Ecuador.
2Grupo de Investigación, Uso Eficiente del Agua y Suelo e=
n la
Agricultura. Facultad de Ingeniería Agrícola. Universidad Técnica de Manabí.
Avenida José María Urbina, Portoviejo,
Ecuador. Código Postal 130105.
3 Grupo de Investigación, Funcionamiento de Agroecosistem=
as y
cambio Climático. Facultad de Ingeniería Agrícola. Universidad Técnica de
Manabí. Avenida José María Urbina, Porto=
viejo,
Ecuador. Código Post=
al
130105.
Recibido:
23/01/2024 Aceptado: 28/03/2024 Publicado:
15/04/2024
RES=
UMEN
La investi=
gación
llevada a cabo en Santa Ana, Ecuador, busca correlacionar el Índice de
Vegetación de Diferencia Normalizada (NDVI) con el Índice de Clorofila Verde
(GCI) en diferentes estados fenológicos del maíz, aprovechando la teledetec=
ción
a través de vuelos fotogramétricos utilizando el dron =
eBee.
Los resultados exhiben una relación positiva entre el GCI y el NDVI en todas
las fases evaluadas del crecimiento del cultivo, con coeficientes de
determinación (R˛) destacados: 0,9138 en estado V5, 0,8912 en estado V11, y
0,8461 en estado VT (floración). Estos valores respaldan la eficacia del GCI
como indicador confiable de la salud y el contenido de clorofila en el maíz=
, a
pesar de ligeras variaciones según la etapa de desarrollo. Estos hallazgos
enriquecen el conocimiento científico y proporcionan perspectivas valiosas =
para
implementar la teledetección en la gestión agrícola sostenible y en la toma=
de
decisiones informadas en la producción agrícola.
Palabras clave: teledetección, Índice de
Vegetación de Diferencia Normalizada, Índice de Clorofila Verde.
=
SPECTRAL RESPONSE OF THE MAIZE CROP APPLYING DIFFERENTIATED DOSES OF
FERTILIZATION
ABS=
TRACT
The research carried out in Santa Ana, Ecuador, se=
eks
to correlate the Normalized Difference Vegetation Index (NDVI) with the Gre=
en
Chlorophyll Index (GCI) in different phenological stages of corn, taking
advantage of remote sensing through photogrammetric flights using the eBee drone. The results show a positive relationship
between GCI and NDVI in all evaluated phases of crop growth, with outstandi=
ng
coefficients of determination (R˛): 0,9138 in the V5 state, 0,8912 in the V=
11
state, and 0,8461 in the VT stage (flowering). These values support the
efficacy of the GCI as a reliable indicator of health and chlorophyll conte=
nt
in maize, despite slight variations by stage of development. These findings
enrich scientific knowledge and provide valuable insights for implementing
remote sensing in sustainable agricultural management and informed
decision-making in agricultural production.
Key=
words: <=
span
lang=3DEN-US style=3D'font-size:12.0pt;line-height:107%;font-family:"Trebuc=
het MS",sans-serif;
mso-bidi-font-family:Arial;mso-ansi-language:EN-US'>remote sensing, =
remote sensing, Normalized Difference Vegetation
Index, Green Chlorophyll Index.
INT=
RODUCCIÓN
En Ecuador, el cultivo de maíz duro juega un pa=
pel
crucial en la seguridad alimentaria, la alimentación animal y las actividad=
es
agroindustriales, siendo de gran relevancia económica. (Instituto Nac=
ional
de Investigaciones Agropecuarias-INIAP, 2016)
La estimación de la Organización de las Naciones Unidas para la
Alimentación y la Agricultura-FAO (2021) seńaló que en Ecuador se cultivaron aproximadamente 366 138 hectáre=
as
de maíz, con un rendimiento medio de 4.64 toneladas por hectárea
El
cultivo de maíz en Ecuador, enfrenta desafíos como la variabilidad climátic=
a y
la presión de plagas y enfermedades (Montoya, 2019). Las
investigaciones para solucionar esos problemas se centran en el mejoramiento
genético, la nutrición vegetal, la fitopatología y la entomología, con avan=
ces
genéticos que han mejorado la productividad en las regiones clave, como en =
la
Costa y Sierra (Caviedes, Carvajal y Zambrano, 2022), haciendo
notable la falta de atención en el uso de la teledetección en estas
investigaciones.
La
percepción remota o teledetección, desempeńa un papel esencial en la
agricultura y la agronomía, al proporcionar información clave sobre tierras
agrícolas en términos espaciales y temporales, siendo crucial para la gesti=
ón
eficaz y sostenible de cultivos.
Su
rápida cobertura geográfica brinda panorámicas precisas que fortalecen la t=
oma
de decisiones y contribuyen al aumento de la productividad en este sector
económico fundamental (Asadi y Shamsoddini, 2024), pues permi=
ten
el monitoreo efectivo y el análisis exitoso de diversas etapas de crecimien=
to
de los cultivos, ya sea con el objetivo de estimar rendimientos, clasificar
cultivos, mapear cobertura o detectar estrés por sequías e inundaciones. (Karmakaret al., 2024)
El
nitrógeno se configura como un nutriente fundamental para el desarrollo de =
las
plantas, desempeńando un función especial en la estructura y funcionalidad =
de
proteínas y cloroplastos (Lazaratou, Triantaphyllidou,
Spyridonos,Pantelidis, Kakogiannis, Vayenas & Papoulis, 2021),
haciendo de este elemento uno esencial para varios aspectos vitales en el c=
iclo
de vida de las plantas.
En
las últimas décadas, los fertilizantes de nitrogenenad=
os
(N), especialmente la urea, han logrado incrementar significativamente el
rendimiento de los cultivos (Ma et al., 2023)
con el fin de responder al rápido aumento de la población (Cui et al., 2020).
Sin embargo, nivel global, surge una inquietud en relación con el conflicto
entre la creciente demanda de ellos para la producción de alimentos =
(Luo et al., 2023).
Por ello, para lograr una transformación sostenible en la producción de pla=
ntas
agrícolas, es esencial reducir u optimizar la aplicación de fertilizantes
nitrogenados en la agricultura. (Lewin et al., 2024)
En ese sentid=
o,
se sabe que la agricultura participa con cerca del 30% de la emisión de gas=
es
de efecto invernadero (GEI) (Saynes et al., 2016), de los cuales la fuente predomin=
ante
es el uso de fertilizantes nitrogenados, siendo responsable del 60 % de las
emisiones antropogénicas de óxido nitroso (N2O) y del 50 % de las
emisiones de metano (CH4) (Fan et al., 2021) debido a su uso inadecuado y a su
baja eficiencia (Alfaro y Muńoz, 2012).
El N2O
posee un potencial de calentamiento global superior al del dióxido de carbo=
no
(CO2), su contribución significativa al calentamiento global se =
debe
a su prolongada vida media (116 ą 9 ańos) y a un alto potencial de
calentamiento global (298 veces mayor que el del CO2 en una esca=
la
de tiempo anual para un período de 100 ańos) (Ning et al., 2024). La aplicación de altas cantidade=
s de
fertilizantes está causando la contaminación de nuestros valiosos recursos
naturales, especialmente de las fuentes hídricas y de suelos. (Fraceto et al.,
2016)
Según
estimaciones de la Organización de las Naciones Unidas para la
Alimentación y la Agricultura-FAO (2019) para el 2050 la población mundial=
se
encuentre en 9700 M de personas. Por consiguiente, para poder alimentar a t=
oda
la población, se debe incrementar la producción de alimento para satisfacer=
la
demanda alimenticia, de manera sostenible priorizando prácticas agrícolas q=
ue
incrementen la productividad sin comprometer el medio ambiente ni recurrir a
prácticas contaminantes.
Las tecnologí=
as
actuales de producción demuestran un estancamiento en el desarrollo de los
cultivos, representada por la baja eficiencia en el uso de los fertilizante=
s,
la degradación de los suelos, el cambio climático, la disminución de la
superficie agrícola. (Dubey y Mailapalli, 2016)
Uno de los re=
tos
que afronta la producción agraria se fundamenta en incrementar la absorción=
de
nutrientes durante la fertilización, que por lo general es baja, buscando
minimizar las pérdidas al ambiente y asegurar las concentraciones necesarias
por la planta de elementos poco biodisponibles como el fosforo y el magnesi=
o (Botero et al., 2019).
Actualmente
debemos reconocer la importancia de la convergencia entre las tecnologías q=
ue
se tienen a disposición, lo cual, implica que se produzcan cambios en la ma=
nera
que haremos agricultura y el importante impacto en la producción la producc=
ión
agrícola, de la mano con la agricultura de precisión (Rodríguez et al., 2015). En este contexto evolutivo, nues=
tro
enfoque se orienta hacia la correlación del Índice de Vegetación de Diferen=
cia
Normalizada (NDVI) con el Índice de Clorofila Verde (GCI) en distintos esta=
dos
fenológicos del maíz. Es decir, este estudio busca comprender la interrelac=
ión
entre estos indicadores clave mediante el uso de tecnologías avanzadas, con=
el
objetivo de mejorar la eficacia y sostenibilidad en la gestión de cultivos.=
METODOLOGÍA
Ubicación del área de estudio
El
estudio se llevó a cabo en el cantón Santa Ana (parroquia Lodana),
en la provincia de Manabí, específicamente en el campus Lodana
donde se encuentra la Facultad de Ingeniería Agrícola (FIA) de la Universid=
ad
Técnica de Manabí (UTM) (figura 1), entre las coordenadas proyectadas UTM, =
zona
17 sur, X:568414 Y: 9870120, Datum WGS 1984.
La parroquia =
Lodana tiene una precipitación promedio anual de 550 =
mm y
se encuentra a una altitud de 44 metros sobre el nivel del mar, cuenta con =
una
temperatura media de 24,6 °C, con suelos clasificados como vertic
ustropets, una humedad relativa promedio del 82=
% (Ostaiza et al., 2020), y de acuerdo a la clasificación =
de
Holdridge, el área se identifica como una formación ecológica caracterizada=
por
ser un bosque tropical seco. (García et al., 2020)
=
Figura 1.
Ubicación de la zona de estudio en los predios del
campus Lodana de la UTM.
Para
llevar a cabo este estudio se establecieron parcelas experimentales, las
cuales, fueron asignadas aleatoriamente a diferentes tratamientos de aplica=
ción
de fertilización nitrogenada, asegurando la diversidad de condiciones y
factores ambientales.
El
cultivo fue de maíz (Zea mays), con dife=
rentes
tratamientos de fertilización nitrogenada en 4 bloques completos al azar (B=
CA),
cada uno con 8 unidades experimentales con un total de 32 parcelas. El dise=
ńo
factorial fue de 4*4*2, es decir, cuatro tratamientos con igual número de r=
epeticiones
y dos variedades de siembra. Las dimensiones de cada parcela fue de 8 x 12 =
m,
teniendo como superficie 96 m˛, posterior al mecanizado del suelo fueron
sembradas con aproximadamente 900 plantas cada una.
Los
tratamientos fueron los siguientes: T1 con 0g de fertilización nitrogenada =
por
planta (testigo), T2 con 5g, T3 con 7g, y T4 con 9g por unidad experimental=
por
corte.
Las
variedades seleccionadas fueron ADVANTA y EMBLEMA, sembradas dos días despu=
és
de que se produjo una precipitación suficiente para hidratar el suelo en la
época lluviosa. Las semillas germinaron después de cuatro (4) días de haber
sido sembradas.
Variables monitoreadas
Con
vuelos fotogramétricos se capturaron imágenes en RGB o color natural y algu=
nas
bandas multiespectrales que permitieron, posteriormente calcular los índice=
s multiespectrales.
Para ello, se utilizó el dron eBee SQ (figura 2=
), que
es una avanzada herramienta tecnológica con buenas características (tabla 1)
diseńada para aplicaciones en agricultura de precisión. Con un peso ligero =
(0,7
kg) y una estructura compacta, ofrece una gran versatilidad y facilidad de =
uso.
Los datos recolectados por el dron pueden ser procesados y analizados para
tomar decisiones informadas sobre la gestión del cultivo, optimizando el us=
o de
recursos y mejorando la productividad agrícola.
Tabla SEQ Tab=
la \*
ARABIC 1<=
/span>.
Propiedades del sensor con el que está equipado el dron eBee
SQ.
<=
v:shape
id=3D"Imagen_x0020_1" o:spid=3D"_x0000_i1028" type=3D"#_x0000_t75" style=
=3D'width:205.5pt;
height:81.5pt;visibility:visible;mso-wrap-style:square'>
Fig=
ura 2.
Fuente:=
Zhang et al. (2023).
Los
vuelos se realizaron una vez que las plantas alcanzaron un estado fenológico
maduro, lo que supone una altura y densidad de follaje suficiente para ser
detectados por la cámara aérea. Por ello, la planificación de los vuelos
fotogramétricos se efectuó en las en etapas de crecimiento vegetativo V5 y =
V11
(cuando la planta tiene 5 hojas y 11, respectivamente) y en la de floración
(VT).
Cálculos de índices espectrales:
Los índices espectrales representan medidas
cuantitativas derivadas de operaciones algebraicas aplicadas a los datos
numéricos de los píxeles. (Muńoz, 2013)<=
/span>
Estas medidas suelen resultar de combinaciones
algebraicas de las bandas espectrales, ya sea mediante sumas, divisiones o
multiplicaciones (Díaz, 2015). En el presente estudio, se implementaron dos
índices espectrales:
Primero el Índice Diferencial Normalizado de
Vegetación (NDVI), desarrollado por Rouse, Hass, S=
chell
& Deering (1973), se calculó mediante la fórmula:
Donde:
BNIR:
Reflectancia de la banda infrarrojo cercano
BRED:
Reflectancia
de la banda roja
Segundo el Índice de Clorofila Verde (GCI) (Sergieieva, 2=
022), a través de la siguiente ecuación:
RESU=
LTADOS
La
relación entre el Índice de Clorofila Verde (GCI) y el Índice de Vegetación=
de
Diferencia Normalizada (NDVI) en el estado V5 de la planta de maíz (figura =
3),
con 5 hojas desarrolladas, está representada por la ecuación de regresión
lineal y =3D 0,2322x + 0,0755. Este modelo exhibe una fuerte correlación, y=
a que
el coeficiente de determinación (R˛) es 0,9138. En este estado temprano de
crecimiento, la relación positiva entre el GCI y el NDVI sugiere que el GCI
puede ser un indicador valioso de la salud y el contenido de clorofila en l=
as
plantas de maíz.
Figura <=
!--[if supportFields]> SEQ Fig=
ura \*
ARABIC 3<=
/span>.
Correlación robusta GCI-NDVI en maíz (V5 - 5 hojas). R˛ =3D 0,9138, indican=
do
fuerte relación positiva en etapa temprana.
En
el estado V11 de la planta de maíz, con 11 hojas desarrolladas (figura 4), =
la
relación entre el GCI y el NDVI está representada por la ecuación de regres=
ión
y =3D 0,0801x + 0,4192. Aunque el coeficiente de determinación (R˛) sigue s=
iendo
alto, con un valor de 0,8912, la relación entre el GCI y el NDVI es ligeram=
ente
menos pronunciada en comparación con el resultado anterior. Esto sugiere qu=
e,
aunque el GCI sigue siendo un indicador útil, la relación puede variar segú=
n la
etapa específica de crecimiento de las plantas.
Figura <=
!--[if supportFields]> SEQ Fig=
ura \*
ARABIC 4<=
/span>.
Correlación GCI-NDVI en maíz (V11 - 11 hojas). R˛ =3D 0,8912, relación posi=
tiva
con pendiente menos pronunciada.
En
el estado VT, en la etapa de floración de maíz (figura 5), la relación entr=
e el
GCI y el NDVI está expresada por la ecuación de regresión y =3D 0,0309x + 0=
,6319,
y el coeficiente de determinación (R˛) es 0,8461.
Este
resultado indica una relación positiva, pero menos marcada, entre ambos índ=
ices
en esta etapa particular de desarrollo. Puede sugerir que, en este punto
específico del crecimiento, otros factores podrían influir en la relación entre el GC=
I y el
NDVI.
Figura <=
!--[if supportFields]> SEQ Fig=
ura \*
ARABIC 5<=
/span>.
Correlación GCI-NDVI en maíz (V11 - 11 hojas). R˛ =3D 0,8461, relación posi=
tiva
con pendiente suave en esta etapa específica.
En
general, los tres resultados indican que hay una relación positiva entre el=
GCI
y el NDVI en todos los estados evaluados de las plantas de maíz. Sin embarg=
o,
la fuerza de esta relación puede variar ligeramente según la cantidad
específica de hojas en el momento de la medición.
La
consistencia en la correlación sugiere que el GCI puede ser un indicador
confiable de la salud y el contenido de clorofila en las plantas de maíz en
diferentes etapas de su desarrollo, aunque la precisión puede variar.
Es
importante tener en cuenta estos resultados al utilizar el GCI como herrami=
enta
de evaluación en estudios agrícolas y de monitoreo del crecimiento vegetal.=
CON=
CLUSIONES
En este estudio, se ha logrado establecer una
sólida correlación entre el Índice de Vegetación de Diferencia Normalizada
(NDVI) y el Índice de Clorofila Verde (GCI) en diferentes estados fenológic=
os
del cultivo de maíz en Santa Ana, Ecuador.
Los resultados obtenidos revelan una relación
positiva consistente entre ambos índices, demostrando la eficacia del GCI c=
omo
indicador confiable de la salud y el contenido de clorofila en las plantas =
de
maíz.
La aplicación de la teledetección con drones,
especialmente el dron eBee SQ, ha demostrado se=
r una
herramienta valiosa para la captura de datos precisos y la generación de
índices espectrales. Este enfoque tecnológico no solo proporciona informaci=
ón
detallada sobre el estado de los cultivos, sino que también facilita la tom=
a de
decisiones informadas en la gestión agrícola.
En el contexto de la agricultura de precisión, =
la
exitosa correlación entre el NDVI y el GCI resalta la importancia de estas
tecnologías avanzadas para optimizar el uso de recursos, mejorar la
productividad agrícola y avanzar hacia prácticas más sostenibles.
Este estudio no solo contribuye al conocimiento
científico, sino que también subraya el papel crucial de la teledetección e=
n la
mitigación del cambio climático al proporcionar herramientas efectivas para
monitorear y gestionar los recursos agrícolas de manera más eficiente y
sostenible, especialmente en la optimización de la fertilización nitrogenad=
a.
Estas prácticas no solo pueden aumentar la
productividad, sino que también abordan los desafíos ambientales actuales,
promoviendo una agricultura más sustentable y resistente al cambio climátic=
o.
AGRADECIMIENTOS
Se
agradece a FONTAGRO por el financiamiento otorgado a esta investigación en =
el
marco de la cooperación técnica No. ATN/RF-18959-RG: Proyecto "Nanofertilizantes en el suelo y emisiones de óxido ni=
troso,
ejecutado en colaboración entre la Universidad Técnica de Manabí (U.T.M.),
Ecuador y la Universidad Industrial de Santander, Colombia.
REFERENCIAS BIBLIOGRÁFICAS<=
/span>
Alfa=
ro,
M., y Muńoz, C. (2012). Ganadería y gases de efecto invernadero. Informa=
tivo
Instituto de Investigaciones Agropecuarias, 90, 4. https://www.c=
onsorciolechero.cl/chile/documentos/fichas-tecnicas/24junio/ganaderia-y-gas=
es-de-efecto-invernadero.pdf
Bote=
ro,
J., Gómez, A., y Botero, M. (2019). Rendimiento, parámetros
agro=
nómicos
y calidad nutricional de la Tithonia diversifolia con base en diferentes
niveles de fertilización. Revista Mexicana de Ciencias Pecuarias,
Garc=
ía,
L., Vera, L., Zambrano, F., Zamora, A., & Cedeńo, J. (2020).
Mont=
oya,
A. (2019). Estudio del impacto de la variabilidad climática sobre el
rendimiento del cultivo de maíz en Ecuador [Escuela Politécnica Naciona=
l].
https://bibdigital.epn.edu.ec/bitstream/15000/20731/1/CD 10249.pdf
Orga=
nización
de las Naciones Unidas para la Alimentación y la Agricultura-FAO.
Zhang, J., Pan, Y., Tao, X., Wang, B., Cao, Q., Tia=
n,
Y., Zhu, Y., Cao, W., & Liu, X. (2023). In-season mapping of rice yield
potential at jointing stage using Sentinel-2 images integrated with
high-precision UAS data. European Journal of Agronomy, 146(De=
cember
2022), 114. https://doi.o
2