Comparación de índices climáticos y espectrales en la estimación de rendimiento de maíz y soja a nivel departamental en Entre Ríos

Las estimaciones de rendimientos agrícolas son de gran importancia debidoa que la producción de alimentos juega un papel fundamental en la seguridadalimentaria y en la economía de los países. En el pasado, las estimaciones derendimiento se debían realizar a campo, con operaciones trabajosas y lentas...

Descripción completa

Detalles Bibliográficos
Autor: Vaiman, Nicolás
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2018
País:Argentina
Institución:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Repositorio:Biblioteca Digital (UBA-FCEN)
Idioma:español
OAI Identifier:tesis:tesis_n6399_Vaiman
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n6399_Vaiman
Access Level:acceso abierto
Palabra clave:ESTIMACION DE RENDIMIENTO
SOJA
MAIZ
PRECIPITACIONES
SENSORES REMOTOS
YIELD ESTIMATE
SOYBEAN
MAIZE
PRECIPITATIONS
REMOTE SENSING
Descripción
Sumario:Las estimaciones de rendimientos agrícolas son de gran importancia debidoa que la producción de alimentos juega un papel fundamental en la seguridadalimentaria y en la economía de los países. En el pasado, las estimaciones derendimiento se debían realizar a campo, con operaciones trabajosas y lentas, y seobtenían resultados poco precisos. Por este motivo, cada vez más trabajosapuntan a estimar el rendimiento mediante técnicas geo-informáticas. Considerando la disponibilidad de datos de libre acceso existen dos posibilidadespara estimar los rendimientos: por un lado, se pueden utilizar datos deprecipitaciones, y, por otro lado, se pueden utilizar datos provenientes desensores remotos. El objetivo del trabajo fue determinar y comparar la capacidadde distintos índices (climáticos y espectrales) de estimar los rendimientosagrícolas a escala departamental en la provincia de Entre Ríos. En primerainstancia se determinó la capacidad de las precipitaciones y el SPI (Standardized Precipitation Index) de 3 meses, ambos en distintos períodos de acumulación enel semestre cálido (octubre a marzo). Los modelos que mejor explicaron elrendimiento en maíz fueron los que incluyeron información de diciembre (tanto conprecipitaciones como con SPI), con un menor error de predicción y un mayorcoeficiente de determinación. En cambio, en soja, fueron aquellos que se basaronen la precipitación previa al período crítico y el SPI centrado en dicho período. Luego, en segunda instancia, se evaluó la capacidad de TRMM (Tropical Rainfall Measurement Mission) para estimar la precipitación en Entre Ríos. En un primeranálisis a escala mensual, se comparó la estimación derivada de TRMM y de dosmétodos de interpolación a partir de los datos de nueve estacionesmeteorológicas convencionales (EMC) (cinco dentro y cuatro fuera de laprovincia). En un segundo análisis para distintos períodos de acumulacióninferiores al mes se utilizaron tres EMC dentro de la provincia. A escala mensual,la capacidad de estimar las precipitaciones resultó mejor con TRMM que concualquiera de los dos métodos de interpolación. La estimación de precipitaciones mensuales mediante la ecuación con todos los datos agrupados de TRMM noresultó diferente de la estimación particular de cada EMC, lo que permite utilizar laecuación de forma generalizada para toda la provincia. A escala menor a lamensual se observó que el ajuste aumenta con los días acumulados. Seestableció al período de acumulación de 15 días como el mínimo que nodisminuye la precisión con respecto a períodos más largos. Por esto, los datos de TRMM acumulados cada 16 días (frecuencia de los productos MODIS) fueronutilizados en conjunto con otros índices espectrales en la instancia siguiente. Enésta tercera instancia, se determinó la capacidad de un conjunto de índicesespectrales para estimar los rendimientos. Para esto, se utilizaron valores dereflectancia de distintas bandas del producto MOD09A1 y la temperatura desuperficie del producto MOD11A2, ambos provenientes de MODIS. Los índicesobtenidos (básicos y escalados cada 8 días, y combinados cada 16 días), fueronpromediados en 8 períodos de tiempo ubicados en distintos estadíos fenológicosdel ciclo de los cultivos. Los modelos más exactos para estimar rendimientos ensoja y en maíz fueron aquellos cuyos índices habían sido escalados. En maíz, losmejores índices se obtuvieron al considerar sólo el período crítico. En cambio,para soja, los mejores modelos incluyeron al período crítico del cultivo y al ciclocompleto. En general, los mejores resultados se obtuvieron al utilizar el NDWI y NDDI (derivado del NDWI). En última instancia, se compararon los índicesclimáticos y los derivados de sensores remotos en la estimación de rendimientos. En maíz, la mejor estimación con índices climáticos se obtuvo con el SPI de eneroy febrero en el departamento Federal, con un RMSE de 820 kg.ha-1(error relativo del 22%). En cambio, la mejor estimación con índices espectrales se produjo conel Sc_NDWI_7 en el período crítico en el departamento Villaguay, con un RMSEde 363 kg.ha-1(error relativo del 8%). En soja, la mejor estimación con índicesclimáticos se obtuvo con el SPI de enero a marzo en Federación, con un RMSEde 245 kg.ha-1(error relativo del 8%). En cambio, la mejor estimación con índicesespectrales se produjo con el Sc_NDWI_7 en el período comprendido entre el 17de enero y el 18 de febrero en Nogoyá, con un RMSE de 132 kg.ha-1(error relativo del 5%). Los resultados del trabajo indican que las precipitaciones estimadas con TRMM podrían utilizarse para la mayoría de los posibles usos agronómicos. Además, se lograron estimaciones de rendimientos departamentales muy buenas mediante modelos provenientes de regresiones lineales simples. Tanto en maízcomo en soja, las mejores estimaciones de rendimiento se lograron dos mesesprevios a la cosecha. Los modelos lineales obtenidos en este trabajo podríanampliarse con más datos en años futuros o implementarse operativamente en suforma original. Estos modelos aportarían: 1) objetividad en las estimaciones, 2)adecuada anticipación en la estimación y 3) datos a nivel departamental.

Similares en LA Referencia