https://doi.org/10.29059/cienciauat.v19i2.1925
Asociación de índices de
vegetación RGB con rendimiento y dosis de nitrógeno en trigo harinero
Association
of RGB vegetation indices with yield and
nitrogen dose in bread wheat
Índices de vegetación RGB en trigo
Andrés
Mandujano-Bueno1, Juan Francisco Buenrostro-Rodríguez2,
Víctor Montero-Tavera1*
*Correspondencia:
montero.victor@inifap.gob.mx/Fecha de recepción: 23 de agosto de 2024/Fecha de
aceptación: 28 de octubre de 2024/Fecha de publicación: 15 de noviembre de
2024.
1Instituto
Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Campo Experimental
Bajío, km 6.5, carretera Celaya-San Miguel de Allende s/n, Celaya, Guanajuato,
México, C. P. 38110. 2Centro Internacional para el mejoramiento de
Maíz Trigo, El Batán Texcoco, Estado de México, México, C. P. 56237.
RESUMEN
El trigo (Triticum aestivum) es un cultivo industrial de primera
importancia para México, autosuficiente en la producción de trigo cristalino,
pero con déficit de 5 200 000 T anuales de trigo harinero. Esta problemática es
multifactorial, algunos de los componentes más importantes son el diferencial entre el rendimiento actual y potencial, así como el manejo deficiente
de la fertilización nitrogenada. El objetivo de esta investigación fue
determinar si existe correlación significativa entre el Índice de Vegetación
estimado a partir de ortofotos en luz visible
con el rendimiento y las necesidades de nitrógeno del trigo harinero,
para complementar o reemplazar el índice NDVI obtenido con el sensor infrarrojo
Greenseeker™, y contribuir con ello a la nutrición racional de las plantas. Se cultivó la
variedad Alondra F2014 en Celaya, Guanajuato,
México, y se aplicaron 6 tratamientos
de fertilización nitrogenada (0 kg/ha a 300 kg/ha de nitrógeno, en incrementos de 60 kg) bajo un diseño de bloques completos al azar con tres
repeticiones, durante los ciclos de cultivo OI 2021-2022 y OI 2022-2023. Las
variables estimadas fueron rendimiento de grano, los índices de vegetación GLI, TGI, VARI, GRVI y RGBVI,
calculados sobre ortofotos construidas a partir de imágenes obtenidas por un vehículo aéreo no tripulado, y el índice NDVI como testigo, medido con el sensor GreenSeeker™;
todos ellos estimados semanalmente a partir de 20 d después de la
siembra y hasta el inicio de la madurez fisiológica. Los resultados demuestran
altos coeficientes de correlación ≥ 0.90 entre todas las variables; y altos
coeficientes de determinación, promedio en la etapa de encañe inicial de 0.80 a
0.91 entre los índices RGB y NDVI, y (R2) ≥ 0.86 entre índices VIV
con el rendimiento. Los índices VIV, especialmente VARI, pueden emplearse en
lugar del NDVI como herramienta para identificar eficientemente las necesidades
del cultivo.
PALABRAS CLAVE: trigo
harinero, rendimiento, nitrógeno fertilizado, índices de vegetación, ortofotos.
ABSTRACT
Wheat
(Triticum aestivum) is an industrial crop of primary importance for
Mexico, selfsufficient in the production of durum
wheat, but with a deficit of 5 200 000 T of bread wheat per year. This problem
is multifactorial, some of the most important
components are the difference between current and potential yield, as
well as poormanagement of nitrogen fertilization. The objective of
this research was to determine if there is a
significant correlation between Vegetation Indices estimated from visible light orthophotos with the yield and
nitrogen needs of bread wheat to
complement or replace the NDVI indices obtained with the Greenseeker™ infrared sensor, and thus contribute to the rational nutrition of plants. For this purpose,
the Alondra F2014 variety was grown in
Celaya, Guanajuato, Mexico and six nitrogen fertilization treatments
were applied (0 kg/ha to 300 kg/ha of nitrogen, in increments of 60 kg) under a randomized complete block design
with three repetitions, during the FW 2021-2022 and FW 2022-2023 crop cycles.
The estimated variables were grain yield, the
GLI, TGI, VARI, GRVI and RGBVI vegetation indices, calculated on
orthophotos constructed from images obtained by an Unmanned Aerial
Vehicle, and the NDVI indices as a control, measured with the GreenSeeker™ sensor; all of
them were estimated weekly from 20 d after sowing and until physiological maturity. The results show
high correlation coefficients, ≥ 0.90 between all variables, and high
coefficients of determination average at the tillage stage from 0.80 to 0.91
between RGB and NDVI indices and (R2) ≥ 0.86 between VIV indices and yield. Therefore, VIV indices, especially
VARI, can be used instead of NDVI as a tool to efficiently identify crop needs.
KEYWORDS: bread wheat,
yield, nitrogen fertilization, vegetation indices, orthophotos.
INTRODUCCIÓN
El trigo en México es
un cultivo muy importante tanto para la industria alimentaria como para la
economía en general. Los principales tipos de trigo son el cristalino, que se
usa en la elaboración de pastas; y el harinero, insumo primordial en la industria galletera y la panificación
(de-Sousa y col., 2021). Aunque el país es
autosuficiente en trigo cristalino, existe un grave déficit en la
producción de harinero. En los últimos 5 años se cosecharon en promedio 1 732 969 T de trigo cristalino y solo 1 587 278
T de harinero, de acuerdo
al Servicio de Información
Agroalimentaria y Pesquera (SIAP,
2023). Para cubrir el requerimiento nacional se necesita importar 5 200 millones de toneladas al año, lo cual
representa un gasto anual de 2 066 millones de dólares (SIAP, 2024). En 2022
los principales estados productores fueron Sonora (con el 58 % del total de
producción), Guanajuato (11.4 %) y Sinaloa (8.2 %) (SIAP, 2023).
El déficit en la
producción de trigo harinero es muy complejo, pues su origen es multifactorial,
ya que inciden elementos agronómicos, económicos, políticos y sociales. Entre
los problemas agronómicos más importantes se encuentran los bajos rendimientos actuales
(6.1 T/ha) comparados con los potenciales,
que llegan hasta 10 T/ha (Solís-Moya y col., 2013), e incluso hasta 12 T/ha con las 7 mejores variedades para el valle
del Yaqui en Sonora, México (Fischer y col., 2022). Entre los elementos
que más contribuyen a incrementar la brecha
entre rendimiento actual y potencial se encuentra la falta de variedades
adaptadas a las diferentes regiones agroclimáticas y el manejo deficiente de la
fertilización nitrogenada (van-Ittersum y col.,
2013).
Con el fin de
racionalizar la gestión del fertilizante nitrogenado, Raun
y col. (2005) desarrollaron el Algoritmo de Optimización de Fertilizante Nitrogenado (NFOA, por sus siglas
en inglés: Nitrogen Fertilization
Optimization Algorithm), el
cual predice las dosis de nitrógeno
complementarias a la fertilización inicial aplicada en la siembra. El algoritmo
requiere el uso de una franja rica en nitrógeno (300 kg/ha) que se
establece en el centro de la parcela y debe tener un ancho mínimo de 10 m por
el largo de la misma, así como la estimación del
Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés:
Normalized Difference Vegetation Indices),
que se basa en la reflectancia de la longitud de onda del
infrarrojo cercano. El NFOA debe adecuarse para cada región agroclimática; por tal motivo Paredes-Melesio y col. (2014)
lo adaptaron para la región del Bajío en
México. Sin embargo, en esta región el empleo de una franja rica en
nitrógeno es complicado, debido a la tenencia fraccionada y desagregada de la
tierra, que es en promedio de 7 ha; por lo tanto, Mandujano-Bueno y col. (2023) propusieron una modificación al NFOA,
que permite eliminar la franja rica con buenos resultados en cuanto a la predicción de
requerimientos de nitrógeno.
Recientemente, el
manejo de los cultivos empieza a incorporar una serie de herramientas que
permiten gestionar puntualmente información de las plantas, principalmente
mediante el uso de sensores remotos y el manejo de la información con la
llamada Ciencia de los Datos (random forest, machine learning, redes
neuronales, entre otros). A esta forma sistematizada de la adquisición de la
información agrícola se le denomina “agricultura de precisión”. En términos
prácticos, la agricultura de precisión permite gestionar de manera oportuna la
información necesaria para que el agricultor aplique acciones correctivas o de
seguimiento sobre la totalidad de la superficie cultivada o sobre subdivisiones
de la misma, llegando incluso a nivel de una planta (Buters y col., 2019). De esta manera, es posible optimizar los insumos (suelo, fertilizante,
agua, agroquímicos, entre otros) y maximizar los productos (grano, forraje,
frutos, entre otros) (Singh, 2024).
Una de las
herramientas que más desarrollo ha tenido en los últimos años, en el marco de la agricultura de precisión, es el uso de
Vehículos Aéreos no Tripulados (VANT), popularmente conocidos como drones. Los VANT
comerciales están equipados con una cámara RGB (Red Green Blue) con resolución
de 4K que permite tomar fotografías de buena
calidad y precisión, para usarlas como insumo en la construcción de ortofotos (imágenes áreas
procesadas). Las orotofotos son útiles para
estudios de fotogrametría y cálculo de índices de vegetación basados en luz visible (VVI, por sus siglas en
inglés: Visible Vegetation
Indices), los cuales están diseñados para detectar el verdor y el área del follaje
de las plantas. A la fecha, se han
desarrollado alrededor de 150 VIV,
entre los más usados destacan, el Índice de Hoja Verde (GLI, por sus siglas en inglés: Green Leaf Indices) (Louhaichi y col., 2001), Índice Visible de Resistencia Atmosférica (VARI, por sus siglas en inglés: Visible Atmospherically
Resistant indices) (Gitelson y col., 2002), Índice de Verdor Triangular (TGI, por sus siglas en inglés:
Triangular Greenness Indices)
(de-Ocampo y col., 2019) e Índice de Vegetación Azul Verde Rojo (RGBVI, por sus siglas en inglés: Red Green Blue Vegetation Indices) (Bendig y col., 2013).
Con los VANT y VIVs se ha estudiado el desarrollo de enfermedades (Gongora-Canull y col.,
2019), estimación de producción de forraje (Lussem
y col., 2018), estatus hídrico de plantas (Walsh y col., 2020), nitrógeno en
plantas (Gordillo-Salinas y col., 2021) y respuesta de la producción a
diferentes tipos de labranza (Balážová y col., 2021), entre otros aspectos.
El objetivo de esta
investigación fue determinar si existe correlación significativa entre Índices
de Vegetación estimados a partir de ortofotos
de luz visible con el rendimiento de trigo harinero, con el fin de
contribuir a una nutrición vegetal racional, además de complementar o sustituir el índice NDVI obtenido con
el sensor Greenseeker™.
MATERIALES Y MÉTODOS
Material genético y
área de estudio
Se
seleccionó la variedad de trigo harinero Triticum aestivum de gluten fuerte Alondra F2014, liberada
en 2016 por el Instituto Nacional de
Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP). Alondra es
un genotipo de alto rendimiento, y elevado
nivel de resistencia a roya lineal amarilla, roya de la hoja y de alta
calidad industrial (Solís-Moya y col., 2016).
En cada ciclo agrícola
otoño-invierno de los años 2022 y 2023 se estableció un lote experimental de
trigo harinero en el Campo Experimental Bajío del INIFAP ubicado en Roque,
municipio de Celaya, Guanajuato, México. Las
parcelas se establecieron en suelo tipo vertisol, representativo del Bajío (que
abarca los estados de Guanajuato, Quéretaro,
Aguascalientes y San Luis Potosí), con coordenadas
20°34’59’’ N y 100°49’30’’ W y altitud de 1 767 msnm. En esta localidad
el clima es cálido y templado, con temperatura
promedio de 18.3 °C. En comparación con el invierno, los veranos tienen
mucha más lluvia, con precipitaciones de 689 mm. La clasificación climática de
Köppen-Geiger modificado por García (2004) identifica este patrón de clima como
perteneciente a la categoría Cwa.
Diseño experimental
Durante
dos años consecutivos se evaluaron 6 tratamientos de fertilización: 0
kg/ha, 60 kg/ha, 120 kg/ha, 180 kg/ha, 240 kg/ha y 300 kg/ha de N, aplicados al
momento de la siembra, bajo un diseño experimental de bloques completos al azar con tres repeticiones.
Estas dosis son iguales a las empleadas por
Paredes-Melesio y col. (2014) en sus trabajos de calibración del sensor infrarrojo GreenSeeker™
(USA) e incluyen las cantidades típicas aplicadas por el productor. Cada unidad
experimental fue de 3 camas de 1.5 m de ancho y 5 m de largo, sembradas con 4
hilos de cultivo.
Manejo agronómico
El manejo agronómico
fue el óptimo recomendado para el Bajío (Solís-Moya y col., 2013), excepto por
las dosis variables de nitrógeno. Con el fin de reducir la interferencia por
deficiencia de nutrientes diferentes al nitrógeno en todas las unidades
experimentales se aplicaron los siguientes
nutrientes: P (60 kg/ha), K (30 kg/ha), Zn (1.50 kg/ha), Fe (0.50 kg/ha), Mn
(0.10 kg/ha), Cu (0.10 kg/ha), B (0.15 kg/ha) y Mo (0.02 kg/ha). Las fuentes de fertilización fueron fosfato diamónico, cloruro de potasio, sulfato de zinc, sulfato de
fierro y Micromix concentrado®. Los experimentos se
establecieron el 23 de diciembre de 2021 y 10 de enero de 2023,
correspondientes a los ciclos agrícolas (OI 2021-2022 y OI 2022-2023. La
cantidad de semilla sembrada fue de 120 kg/ha. Los riegos se
suministraron a través del sistema de compuertas a los 0 d, 45 d, 75 d y 100 d
después de la siembra (dds).
Captura de imágenes y
estimación de Índices de Vegetación
Cada 7 d, durante 13
semanas en cada ciclo e iniciando a los 20 dds y
hasta el inicio de la etapa de madurez
fisiológica, se capturaron fotografías de luz visible con un VANT de la marca
DJI® modelo Phantom 3 PRO® (Shenzhen, China),
equipado con una cámara RGB 4K de 1/2.3”
CMOS, con resolución de 12.4 megapixeles.
Para determinar el
efecto de la altura a la cual se toman las fotografías sobre la estimación de
los VIV se consideraron dos altitudes de vuelo: 15 m y 50 m sobre el nivel del
suelo, lo que produjo una Distancia de Muestreo del Suelo (GSD, por sus siglas
en inglés: Ground Sample Distance) de 0.65 cm y 2.15 cm.
Las misiones de vuelo
se programaron mediante la aplicación para Android DJI Pilot©
2020, versión 1.8.1. con los siguientes parámetros: velocidad de despegue 5
m/s, velocidad de vuelo 1 m/s (para vuelos a 15 m) y 3 m/s (para vuelos a 50 m)
e intervalo entre fotografías de 2 s. De esta manera, se obtuvieron en promedio
120 fotografías en los vuelos a 15 m, y 50
en los vuelos a 50 m. Todos los vuelos se hicieron a las 12:00 horas para evitar
el exceso de sombras.
Con
el total de fotografías obtenidas en cada vuelo se procedió a la
construcción de ortofotos mediante el
programa WebODM©, versión 2.5.5,
las cuales se utilizaron posteriormente para
calcular los VIV en cada unidad experimental, con base en los valores de
reflectancia de los colores rojo, verde y azul. Las ortofotos se
prepararon en el programa fotográfico de
código abierto Programa de Manipulación
de Imágenes GNU© (GIMP, por sus siglas en inglés: Image Manipulation Program), versión 2.10.38
y las reflectancias se calcularon a
través del script RGB measure del programa
de edición de imágenes científicas ImageJ©,
versión 1.54 (Schneider y col., 2012).
Los VIV estimados
fueron: GLI (Louhaichi y col., 2001), TGI (de-Ocampo
y col., 2019), VARI (Gitelson y col., 2002), RGBVI (Bendig y col., 2013) e
Índice de Vegetación Verde Rojo (GRVI, por sus siglas en inglés: Green
Red Vegetation Indices)
(Tucker, 1979). Para validar la efectividad
de los VIV se registraron los valores NDVI (Rouse
y col., 1973) del dosel vegetal de cada unidad experimental con un sensor
óptico (GreenSeeker™ Handheld Crop Sensor, modelo
HCS-100 Trimble Navigation Limited, Sunnyvale, California, USA), en las mismas fechas
y en los mismos horarios en que se tomaron las imágenes de la cámara RGB del
VANT. El NDVI se midió entre 60 cm y 90 cm sobre el dosel vegetal del trigo con
un diámetro mayor de lectura de 50 cm, lo que define un ángulo de medición de
45°. En el caso de las ortofotos, se consideró como parcela útil la totalidad
de la superficie de la unidad experimental, mientras que para la toma de los
datos NDVI se consideraron los 4 m centrales de las 3 camas, donde cada cama
fue una repetición.
Análisis estadístico
Con los valores
calculados para cada VIV se construyeron gráficas para observar su
comportamiento a lo largo del ciclo del cultivo y compararlos con el del NDVI,
así se identificó la mejor etapa del cultivo para determinar la dosis de fertilización nitrogenada, de acuerdo con los criterios establecidos por Mandujano-Bueno y col. (2023). Para identificar el
VIV que mejor se correlacionó con el rendimiento
se tomaron como base sus valores promedio en cada tratamiento para aplicar
análisis de correlación de Pearson, además se determinaron coeficientes de determinación (R2) a
través de análisis de regresión empleando el valor promedio de cada VIV como
variable independiente y rendimiento de grano como variable dependiente.
Adicionalmente, se
realizaron análisis de correlación de Pearson, así como regresión lineal
simple, empleando el NDVI como variable independiente y cada uno de los VIV
como variable dependiente para evaluar el nivel de ajuste entre dichos índices
y determinar si alguno de ellos podría
reemplazar al NDVI en la predicción de
dosis de fertilización nitrogenada.
Al finalizar el ciclo
de cultivo se cosechó cada unidad experimental, el grano se pesó y se determinó
el porcentaje de humedad para ajustarlo al 13 %; con estos datos se calculó el
rendimiento de grano en kg/ha. Para estudiar el rendimiento total en los diferentes
tratamientos y años se realizó un análisis de varianza combinado y comparación
de medias de Tukey empleando el software estadístico Sistema de Análisis Estadísticos versión 9.3 (SAS, por sus siglas
en inglés: Statistical Analysis System).
RESULTADOS Y DISCUSIÓN
Rendimiento de grano
en función de la cantidad de nitrógeno aplicado
El análisis de
varianza del rendimiento de grano presentó diferencias altamente
significativas, tanto para años como para tratamientos (Tabla 1). Aunque las diferencias entre años (ciclos OI 2021-2022
y OI 2022-2023) fueron grandes (9.3 T/ha vs 4.8 T/ha), la tendencia de la
respuesta entre tratamientos fue similar. En ambos años hubo una tendencia a
incrementar pronunciadamente el rendimiento en
los tratamientos de 0 kg/ha hasta 120 kg/ha de N y a partir de 180 kg/ha
el incremento fue marginal (Tabla 2).
La comparación de
medias entre años indicó que 2022 fue el año más productivo, con una diferencia cercana al 100 % (Tabla 2). La
diferencia entre años se atribuye a la variación en condiciones ambientales,
principalmente del suelo y fecha de siembra.
El
suelo donde se sembró en 2022 fue de tipo vertisol de textura
arcillosa, pH de 7.4 y 2.1 de materia
orgánica, mientas que el de 2023 fue franco arcilloso del tipo vertisol,
pH ligeramente alcalino de 7.8, con 1.41 % de materia orgánica. El contenido de
nutrientes minerales se muestra en la Tabla 3.
En términos generales,
el suelo en 2022 fue más fértil y con más materia orgánica que en 2023, lo que
podría explicar en parte las diferencias en rendimiento observadas entre los 2
años. Por otra parte, las fechas de siembra fueron diferentes por 18 d, la del
ciclo OI 2022-2023 fue la más tardía, lo que pudo implicar que el cultivo de
este ciclo se viera expuesto a temperaturas más altas durante las etapas de espigamiento y llenado de grano con respecto al ciclo OI
2021-2022, induciendo a un menor rendimiento en este ciclo.
En la expresión del
rendimiento, inducida por la cantidad de nitrógeno, la prueba de comparación de
medias (P ≤ 0.05, Tabla 2) demostró que los mayores rendimientos se encontraron
a partir de 120 kg/ha, sin embargo, dosis
superiores no resultaron en rendimientos estadísticamente más altos.
Dichos resultados son similares a los
reportados por Walsh y col. (2020), quienes demostraron que conforme se
incrementa la disponibilidad de agua y de nitrógeno, el rendimiento de trigo se incrementa. En su estudio, encontraron
que 150 kg/ha de N (incluyendo el nitrógeno residual en suelo más el
fertilizante agregado) fue suficiente para optimizar el rendimiento y el
contenido de proteína del grano. Los resultados evidencian la importancia de
evitar aplicaciones en exceso de N; el aplicar la dosis adecuada maximiza el
rendimiento y además ayuda a reducir la contaminación ambiental y mejorar la
rentabilidad del cultivo. Aunque la relación dosis de nitrógeno-rendimiento en
trigo se ha estudiado desde al menos 7 décadas bajo la consideración de la ley
de rendimientos decrecientes (donde se analizan dosis de fertilización óptima
sin variar otros factores), es importante determinar estas dosis con cada nueva
variedad, dependiendo del tipo de suelo o la región agroclimática donde se
cultiva (Burton y col., 2024; Hnizil y col., 2024);
por lo que esta debe ser una acción rutinaria de los programas de mejoramiento
de trigo con el fin de generar paquetes tecnológicos adecuados.
Correlación de VIV,
NDVI y rendimiento de grano
En la Tabla 4 se
muestran los valores promedio de los
coeficientes de correlación de Pearson
entre todas las variables para los dos ciclos, es decir, la asociación
existente entre los VIV, el NDVI y el rendimiento de grano por cada ciclo de
cultivo.
La correlación del
NDVI con el rendimiento fue alta (0.924). Actualmente, este indicador es
considerado como valor de referencia para estimar rendimientos de cosecha. Los
resultados obtenidos concuerdan con Walsh y col.
(2022) para betabel, Kaya y col. (2023) para trigo y Tamás y col. (2023) en maíz, entre otros.
A su vez, es posible apreciar que los
diferentes índices de VIV tuvieron un valor de correlación ³ 0.943 con el indicador NDVI y un valor ³ 0.905 con
el rendimiento, lo que indica que, los VIV
determinados a través de imágenes aéreas
pueden usarse como alternativa o
complemento al NDVI estimado a nivel
de suelo con el Greenseeker™.
Predicción de
rendimiento y dosis de fertilizante nitrogenado
Los valores de VIV
obtenidos con vuelos del VANT a 50 m de altura se correlacionaron mejor con el
NDVI que los obtenidos a 15 m, debido probablemente a la diferencia de
luminosidad captada a diferentes alturas, como el ejemplo de la Figura 1, que
es una ortofoto representativa de cada altura de vuelo, con diseños de parcelas
similares en los 2 ciclos (OI 2021-2022 y OI 2022-2023). Los valores globales
de VIV reportados a 50 m de altura permitieron que el coeficiente de
determinación que ajusta su modelo fuera mayor; por ejemplo, entre NDVI y TGI a
50 m fue de 0.860, mientras que a 15 m fue de 0.798 (datos no mostrados). Por
esta razón, todos los análisis y
comparaciones, que se muestran a continuación, se realizaron considerando
los VIV obtenidos con vuelos a 50 m, donde los valores de los coeficientes de
determinación con el rendimiento fueron superiores a 0.86.
Los valores más altos
en los VIV (Figura 2) se registraron en la
etapa de encañe inicial, que corresponde
a la etapa 6 de Feekes (Large
y col., 1954) y a la etapa 3.1 de Zadoks y col. (1974), mientras que los menores fueron en la etapa de madurez fisiológica
(Feekes 11, Zadoks 9). Esta
tendencia es similar a la que registraron los valores NDVI (Figura 2F), lo que
demuestra la posibilidad de utilizar los VIV generados con el VANT de la forma
en que se ha utilizado el NDVI para estimar
el rendimiento de grano y para calcular dosis de fertilización nitrogenada en la etapa de encañe inicial, tal como lo proponen Mandujano-Bueno y col. (2023).
Aula y col. (2020), en
una amplia revisión de 26 artículos que incluían el uso de sensores remotos y
su relación con dosis de nitrógeno y rendimiento de grano, concluyeron que, en
condiciones de rendimiento similar, el empleo de índices de vegetación permitió
el ahorro de hasta 69 kg/ha de N comparado con los métodos convencionales.
Walsh y col. (2020) encontraron que el NDVI explicó el 84 % de la variación en
el rendimiento de trigo. Aula y col. (2021) reportaron un coeficiente de
determinación (R2) de 0.79; por lo tanto, es posible el empleo
indistinto del NDVI o los VIV, principalmente VARI.
En experimentos
previos, los autores de este trabajo demostraron que el GLI se correlaciona en
más de 80 % con el rendimiento de 13
variedades de trigo (Montero y col., 2021). Por otra parte, el análisis de correlación complementado con el
de regresión entre el NDVI y los VIV dio como resultado un coeficiente de
determinación R2 de 0.89 entre NDVI y los VIV, GLI, RGVBI y GRVI, es decir, que 89 % de la variación observada
en el NDVI puede explicarse por los resultados obtenidos con estos VIV. Los
coeficientes de correlación de todos los índices entre sí y con el rendimiento
tienen valores altos ³ 0.90 (Tabla 4). Esto significa que los VIV pueden
emplearse indistintamente entre sí y en lugar del NDVI. Al respecto, los coeficientes de determinación promedio, obtenidos de los
dos ciclos en la etapa de encañe inicial, entre NDVI y los diferentes VIV, presentaron los
siguientes valores: 0.898 con GLI, 0.882 con
RGBVI, 0.809 5 con GRVI, 0.914 5 con VARI y 0.856 con TGI. Esto significa que los VIV explicaron desde 80 % (GRVI)
hasta 91 % (VARI) de la varianza observada en el NDVI en esta etapa fenológica. También los coeficientes
de determinación (R2) para los modelos que relacionaron los índices
GLI (0.887 6), GRVI (0.888 8) y VARI (0.930 9) con el rendimiento, calculados en la etapa de encañe inicial,
fueron altos y cercanos al coeficiente de
determinación entre NDVI y rendimiento global reportado (0.965 6)
(Figura 3). Los coeficientes de determinación
calculados empleando los promedios de
todo el ciclo de cultivo, resultaron no menores a 0.94 en todos los casos.
Esto confirma la utilidad de estos VIV para estimar el rendimiento de grano y eventualmente sustituir el uso
actual del NDVI.
CONCLUSIONES
Los Índices de
Vegetación de luz visible (VIV), particularmente VARI, estimados en vuelos a 50
m de altura se correlacionaron con el rendimiento, requerimientos de
fertilizante nitrogenado y el índice NDVI estimado con el sensor GreenSeeker™, particularmente en la etapa de encañe
inicial, por lo que pueden emplearse de manera complementaria o sustituyendo
con alto grado de confianza al NDVI; aunque es importante probar estos índices
con más variedades de trigo y en más ambientes. La aplicación de los VIV permite predecir adecuadamente el rendimiento
de grano y las dosis de nitrógeno que se deben aplicar en el reabono en la
etapa fenológica de encañe inicial.
AGRADECIMIENTOS
Los autores agradecen
al Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
(INIFAP) y al Centro Internacional de Mejoramiento de Maíz y Trigo (CIMMYT) por
el financiamiento al proyecto “Respaldo científico a la plataforma de investigación
Acámbaro durante 2022” con número SAS-2022-336 y número SIGI 12142936174.
DECLARACIÓN DE INTERESES
Los
autores declararon no tener conflicto de interés alguno.
Referencias
Aula, L.,
Omara, P., Nambi, E., Oyebiyi,
F. B., & Raun, W. R. (2020). Review of active optical sensors for improving winter wheat nitrogen use
efficiency. Agronomy, 10, 1157. https://doi.org/10.3390/agronomy10081157
Aula, L., Omara, P., Nambi, E., Oyebiyi, F. B., Dhillon, J., Eickhoff, E., Carpenter, J., & Raun, W. R.
(2021). Active optical sensor measurements
and weather variables for predicting winter wheat yield. Agronomy Journal,
113, 2742-2751. https://doi.org/10.1002/agj2.20620
Balážová, K., Chyba, J., Kumhálová,
J., Mašek, J., & Petrásek, S. (2021). Monitoring
of Khorasan (Triticum turgidum ssp. turanicum)
and modern Kabot spring wheat (Triticum aestivum)
varieties by UAV and sensor technologies under different soil tillage. Agronomy, 11, 1348. https://doi.org/10.3390/agronomy11071348
Bendig, J., Bolten, A., & Bareth, G.
(2013). UAV-based imaging for multitemporal, very high
resolution crop surface models to monitor crop growth variability. PFG Photogrammetrie,
Fernerkundung, Geoinformation, 6,
551-562.
Burton, A., Häner, L. L., Schaad, N., Strebel,
S., Vuille-dit-Bille,
N., de-Figueiredo, B. P., Holzkämper, A., Pellet, D.,
& Herrera, J. M. (2024). Evaluating nitrogen fertilization strategies to
optimize yield and grain nitrogen content in top winter wheat varieties across
Switzerland. Field Crops Research, 307, 109251.
Buters, T. M., Belton, D., & Cross, A. T. (2019). Multi-sensor UAV tracking of individual seedlings and seedling communities at
millimeter accuracy. Drones, 3, 81.
De-Ocampo,
A. L. P., Bandala, A. A., & Dadios, E. P. (2019).
Estimation of triangular greenness index for unknown
peak wavelength sensitivity of CMOS-acquired crop images. In 2019 IEEE 11th International
Conference on Humanoid, Nanotechnology, Information Technology, Communication
and Control, Environment, and Management (HNICEM) (pp. 1-5). IEEE.
De-Sousa,
T., Ribeiro, M., Sabença, C., & Igrejas, G.
(2021). The 10,000-year success story of
wheat! Foods, 10, 2124. https://doi.org/10.3390/foods10092124
Fischer, T., Ammar, K., Monasterio, I. O., Monjardino,
M., Singh, R., & Verhulst, N. (2022). Sixty years of irrigated wheat yield increase in the Yaqui Valley of Mexico:
past drivers, prospects and sustainability. Field Crops Research, 283,
108528. https://doi.org/10.1016/j.fcr.2022.108528
García, de M. E. (2004). Modificaciones al sistema de clasificación climática de
Köppen. Instituto de Geografía Serie Libros Núm. 6. Universidad Nacional
Autónoma de México.
Gitelson, A. A., Stark, R., Grits, U., Rundquist, D., Kaufman, Y., &
Derry, D. (2002). Vegetation and soil lines invisible spectral space: a concept
and technique for remote estimation of vegetation fraction. International
Journal of Remote Sensing, 23, 2537-2562. https://doi.org/10.1080/01431160110107806
Gongora-Canul, C., Salgado, J. D., Singh, D., Cruz, A. P., Cotrozzi, L., Couture, J., Rivadeneira, M. G., Cruppe, G., Valent, B., Todd, T., Poland, J., & Cruz,
C. D. (2019). Temporal dynamics of wheat blast epidemics and agreement between
remotely sensed data measurements and visual
estimations of wheat spike blast (WSB) under field conditions. Phytopathology. 110,
393-405.
Gordillo-Salinas,
V. M., Flores-Magdaleno, H., Ortiz-Solorio,
C. A., & Arteaga-Ramírez, R. (2021). Evaluation
of nitrogen status in a wheat crop using unmanned aerial vehicle images. Chilean
Journal of Agricultural Research, 81, 408-419. http://dx.doi.org/10.4067/S0718-58392021000300408
Hnizil,
O., Baidani, A., Khlila,
I., Nsarellah, N., & Amamou,
A. (2024). Assessing the impact of nitrogen fertilization, variety selection,
year and their interaction on wheat yield and yield components. Nitrogen,
5, 266-287.
Kaya, Y. & Polat, N. (2023). A linear
approach for wheat yield prediction by using different spectral vegetation
indices. International Journal of Engineering and Geosciences, 8, 52-62.
https://doi.org/10.26833/ijeg.1035037
Large, E. C. (1954). Growth stages in cereals. Illustration of the Feekes scale. Plant Pathology, 3, 128-129.
Louhaichi, M., Borman, M. M., & Johnson, D. E. (2001). Spatially located
platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, 16, 65-70. https://doi.org/10.1080/10106040108542184
Lussem,
U., Bolten, A., Gnyp, M. L., Jasper, J., & Bareth,
G. (2018). Evaluation of RGB-based vegetation indices from UAV imagery to
estimate forage yield in Grassland. The International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, 42, 1215-1219. https://doi.org/10.5194/isprs-archives-XLII-3-1215-2018
Mandujano-Bueno,
A., Paredes-Melesio, R., Buen-rostro-Rodríguez, J.
F., de-la-O-Olán, M., Ortiz-Monasterio, I.,
Gámez-Vázquez, A. J., Inurreta-Aguirre, H. D. y Montero-Tavera, V. (2023).
Algoritmo simplificado para aplicación racional de nitrógeno en trigos
harineros en el Bajío mexicano. Revista Fitotecnia Mexicana, 46,
255-255. https://doi.org/10.35196/rfm.2023.3.255
Montero,
T. V., Ledesma, R. L., Rodríguez, V. A. P., Bravo, G. F. de J. y Solís, M. E.
(2021). Evaluación de Índices de Vegetación de luz visible y su correlación con
cobertura y rendimiento de trigo, en XI
Reunión Nacional de Investigación Agrícola. Memoria. [En
línea]. Disponible en:
http://reunionescientificas2021.inifap.gob.mx/_media/CONVOCATORIAS/MEMORIA_AGR%C3%8DCOLA.pdf.
Fecha de consulta: 21 de octubre de 2024.
Paredes-Melesio,
R., Mandujano-Bueno, A., Buenrostro-Rodríguez, J. F., Jaralillo-López, G. y
Alamilla, G. M. P. (2014). Estimación de la dosis óptima de fertilización
nitrogenada mediante el uso del sensor portátil GreenSeeker™
en Guanajuato. En A. Mandujano, R. Paredes, P. Alamilla y J. F. Buenrostro
(Eds.), Guía para la producción de maíz, frijol, trigo y sorgo en Guanajuato
(pp. 92-101). Libro Técnico No. 4. Instituto Nacional de Investigaciones
Forestales, Agrícolas y Pecuarias, Celaya, Guanajuato. México.
Raun, W. R., Solie, J. B., Stone, M. L., Martin, K. L., Freeman, K. W.,
Mullen, R. W., Zhang, H., Schepers, J. S., & Johnson, G. V. (2005). Optical
sensor-based algorithm for crop nitrogen fertilization. Communications in
Soil Science and Plant Analysis, 36, 2759-2781. https://doi. org/10.1080/00103620500303988
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973).
Monitoring vegetation systems in the great plains with ERTS. Third ERTS
Symposium. NASA Special Publications, 351(1), 309. https://doi.org/19740022614
Schneider, C. A., Rasband, W. S., & Eliceiri,
K. W. (2012). NIH Image to ImageJ: 25 years of image analysis. Nature
Methods, 9, 671-675. https://doi.org/10.1038/nmeth.2089
SIAP,
Servicio de Información Agroalimentaria y Pesquera (2023). Panorama
Agroalimentario 2023. Agricultura Ed. SIAP. Ciudad de México. 215 Pp.
SIAP,
Servicio de Información Agroalimentaria y Pesquera (2024). Avance agrícola. [En
línea]. Disponible en: https://www.gob.mx/siap/acciones-y-programas/produccion-agricola-33119. Fecha de consulta:
10 de febrero de 2024.
Singh, V.
(2024). Advances in Precision Agriculture
Technologies for Sustainable Crop Production. Journal of Scientific Research
and Reports, 30, 1-71.
Solís-Moya,
E., Huerta-Espino, J., Pérez-Herrera, P., Villaseñor-Mir, H. E.,
Ramírez-Ramírez, A. y de-la-Cruz-González, M. de L.
(2016). Alondra F2014, nueva variedad de trigo harinero para el Bajío, México. Revista
Mexicana de Ciencias Agrícolas, 7, 1225-1229.
Solís-Moya,
E., Ramírez-Ramírez, A., Ledesma-Ramírez, L. y de-la-Cruz-González,
M. L. (2013). Guía para la producción de maíz, frijol, trigo y sorgo en
Guanajuato. Instituto Nacional de Investigaciones Forestales, Agrícolas y
Pecuarias. Libro Técnico, (4), 113-119.
Tamás,
A., Kovács, E., Horváth, É., Juhász,
C., Radócz, L., Rátonyi,
T., & Ragán, P. (2023). Assessment
of NDVI dynamics of maize (Zea mays L.)
and its relation to grain yield in a polyfactorial experiment based on remote
sensing. Agriculture, 13, 689. https://doi.org/10.3390/
agriculture13030689
Tucker, C. J. (1979). Red and photographic infrared linear combinations
for monitoring vegetation. Remote Sensing of Environment, 8, 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
Van-Ittersum, M. K., Cassman, K. G., Grassini,
P., Wolf, J., Tittonell, P., & Hochman, Z.
(2013). Yield gap analysis with local to global relevance—A review. Field
Crops Research, 143, 4-17.
Walsh, O. S., Nambi, E., Shafian, S.,
Jayawardena, D. M., Ansah, E. O., Lamichhane, R., & McClintick-Chess, J. R.
(2023). UAV-based NDVI estimation of sugarbeet yield
and quality under varied nitrogen and water
rates. Agrosystems, Geosciences &
Environment, 6(1), e20337. https://doi.org/10.1002/agg2.20337
Walsh, O. S., Torrion, J. A., Liang, X., Shafian,
S., Yang, R., Belmont, K. M., & McClintick-Chess, J. R. (2020). Grain
yield, quality, and spectral characteristics of wheat grown under varied
nitrogen and irrigation. Agrosystems,
Geosciences & Environment, 3(1), e20104. https://doi.org/10.1002/agg2.20104
Zadoks,
J. C., Chang, T. T., & Konzak, C. F. (1974). A
decimal code for the growth stages of cereals. Weed Research, 14, 415-421.