Estimación de rendimiento del maíz mediante tratamientos de imágenes obtenidas por Sentinel 2: caso de Las Arenas, Acambay
DOI:
https://doi.org/10.29312/remexca.v16i3.3636Palabras clave:
indicadores biofísicos, índices de vegetación, producción de maízResumen
El maíz (Zea mays L.) es la base de la alimentación y cultura en el Estado de México, por lo que estimar su producción para sostener a una población creciente es una necesidad actual. Por ello, se usaron imágenes obtenidas por Sentinel 2 de ESA Copérnico para estimar el rendimiento de maíz en parcelas de la localidad Las Arenas, Acambay, Estado de México. Se probó la eficiencia de diversos índices e indicadores biofísicos calculados con información de estas imágenes, para establecer su correlación contra la cosecha medida en campo. Los índices calculados en Sentinel 2 fueron: el NDVI y el EVI, así como los indicadores LAI y FAPAR. En esta región y bajo condiciones de sequía intensa, el NDVI calculado en Sentinel 2 tuvo la mejor capacidad predictiva del rendimiento de maíz (ajuste del modelo r2= 0.79). Con base en la correlación se estimó la producción de 10 parcelas seleccionadas aleatoriamente, demostrando que en el rango de valores entre 0.4 y 0.5 el NDVI es un excelente predictor de la cosecha de maíz en condiciones de sequía, mientras que valores superiores de NDVI tienden a sobreestimar el rendimiento hasta por 1 t ha-1. Esta información es de utilidad para la estimación de la cosecha y de seguros de la producción agrícola.
Descargas
Citas
Asrar, G.; Fuchs, M.; Kanemasu, E. T. y Hatfield, J. L. 1984. Estimación de la radicación fotosintéticamente absorbida y el índice de área foliar a partir de la reflectancia espectral del trigo. Agronomy Journal. 76(2):300-306. https://acsess.onlinelibrary.wiley.com/doi/10.2134/agronj1984.00021962007600020029x.
Bolton, D. K. and Friedl, M. A. 2013. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology. 173:74-84. Doi.org/10.1016/j. agrformet.2013.01.007.
Chen, J. M. and Black, T. A. 1992. Defining leaf area index for non-flat leaves. Plant, Cell & Environment. 15(4):421-429.
CONAGUA, 2022. Comisión Nacional del Agua. Estaciones meteorológicas automáticas (EMAS). https://smn.conagua.gob.mx/es/observandoeltiempo/estacionesmeteorologicasautomaticasemas.
Champo-Jiménez, O.; España-Boquera, M. L.; Sánchez-Vargas, N.; Cruz-de-León, J.; Lobit, P. y López-Pérez, L. 2014. Construcción de mapas de LAI y fAPAR de la Reserva de la Biósfera Mariposa Monarca y su comparación con mapas globales. CienciaUAT. 8(2):22-31. https://www.redalyc.org/articulo.oa?id=441942931003.
Chi, X.; Yangling, D. and Dai, Z. 2022. Estimation of maize biomass components from Sentinel-1 SAR data using multi-target regressors. IEEE International Geoscience and Remote Sensing Symposium. 1392-1395 pp. Doi:10.1109/IGARSS46834.2022.9884054.
Chuvieco-Salinero, E. 2002. Teledetección ambiental. La observación de la tierra desde el espacio. 1a. Ed. Editorial Ariel. Barcelona, España. 586 p.
CIMMYT. 2012. Centro Internacional de Mejoramiento de Maíz y Trigo. Manual de estimación de rendimiento de maíz. Mexico. El Batán, Estado de México. 16-27 pp.
Cruz-Durán, J. P.; Sánchez-García, A.; Galvis-Spínola, P. y Carrillo-Salazar, J. A. 2011. Índices espectrales en pimiento para el diagnóstico nutrimental de nitrógeno. Terra Latinoamericana. 29(3):259-265.
Doraiswamy, P. C.; Moulin, S.; Cook, W. P. and Stern, A. 2003. Crop yield assessment from remote sensing. Photogramm. Eng. Remote Sens. 69(6):665-674.
Hernández, N.; Soto, F. y Caballero, A. 2009. Modelos de simulación de cultivos: Características y usos. Cultivos Tropicales. 30(1):73-82. http://scielo.sld.cu/scielo.php?script=sci-arttext&pid=S025859362009000100014&lng=es&tlng=es.
Hu, R.; Yan, G.; Mu, X. and Luo, J. 2014. Indirect measurement of leaf area index on the basis of path length distribution. Remote Sensing of Environment. 155:239-247. Doi: 10.1016/j.rse.2014.08.032.
Huang, J.; Wang, H.; Dai, Q. y Han, D. 2014. Analysis of NDVI data for crop identification and yield estimation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7(11):4374-4384.
Kolotii, A.; Kussul, N.; Shelestov, A.; Skakun, S.; Yailymov, B.; Basarab, R. y Ostapenko, V. 2015. comparación de predictores biofísicos y satélites para predicciones de rendimiento de trigo en Ucrania. Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial. 39-44 pp.
Lewis, J. E.; Rowland, J. y Nadeau, A. 1998. Estimating maize production in Kenya using NDVI: some statistical considerations. International Journal of Remote Sensing, 19(13):2609-2617.
Manzo-Delgado, L. y Meave, J. A. 2003. La vegetación vista desde el espacio. La fenología foliar a través de la percepción remota. Ciencia. 54(3):18-28. https://www.amc.edu.mx/revistaciencia/images/revista/54-3/vegetacion-vista-espacio.pdf.
Ovando, G.; de la Casa, A.; Díaz, G.; Díaz, P.; Bressanini, L. y Miranda, C. 2021. Desempeño de diferentes índices de vegetación de Sentinel-2A para estimar el rendimiento de soja en agricultura de precisión. Agriscientia. 38(2):1-12.
Prasad, A. K.; Chai, L.; Sigh, R. P. and Kafatos, M. 2006. Crop yield estimation model for Iowa using remote sensing surface parameters. International Journal of Applied Earth Observation and Geoinformation. 8(1):26-33.
QGIS 2024. Geographic Information System. Open-Source Geospatial Foundation Project. https://qgis.org.
Qin, H.; Wang, C.; Zhao, K. and Xi, X. 2018. Estimación de la fracción de radiación fotosintéticamente activa absorbida (fPAR) en los canopies de maíz utilizando datos LiDAR e imágenes hiperespectrales. Plos one. 13(5):e0197510. Doi.org/10.1371/journal.pone.0197510.
Soria-Ruiz, J.; Fernández-Ordóñez, Y. y Granados-Ramirez, R. 2004. Metodología para la predicción del rendimiento del maíz utilizando datos satelitales de teledetección en el Centro de México. Investigaciones Geográficas. 55:61-78.
Vega-Araya, M. y Alvarado-Barrantes, R. 2019. Análisis de las series de tiempo de variables biofísicas para cuatro ecorregiones de Guanacaste, Costa Rica. Revista de Ciencias Ambientales. 53(2):60-96. Doi: https://doi.org/10.15359/rca.53-2.
Weiss, M.; Troufleau, D.; Baret, F.; Chauki, H.; Prévot, L.; Olioso, A.; Bruguier, N. y Brisson, N. 2001. Coupling canopy functioning and radiative transfer models for remote sensing data assimilation. Agric. For. Meteorol. 108(2):113-128.
Xiuliang, J.; Zhenhai, L.; Haikuan, F.; Zhibin, R. y Shaokun, L. 2019. Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index. KeAi Chinese Roots Global Impact. 8(1):87-97.
Xu, C.; Ding, Y.; Zheng, X.; Wang, Y.; Zhang, R.; Zhang, H.; Dai, Z. and Xie, Q. A. 2022. Comprehensive comparison of machine learning and feature selection methods for maize biomass estimation using Sentinel-1 SAR, Sentinel-2 Vegetation Indices, and Biophysical Variables. Remote Sensing. 14:4083. Doi.org/10.3390/rs14164083.

Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista Mexicana de Ciencias Agrícolas

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores(as) que publiquen en Revista Mexicana de Ciencias Agrícolas aceptan las siguientes condiciones:
De acuerdo con la legislación de derechos de autor, Revista Mexicana de Ciencias Agrícolas reconoce y respeta el derecho moral de los autores(as), así como la titularidad del derecho patrimonial, el cual será cedido a la revista para su difusión en acceso abierto.
Los autores(as) deben de pagar una cuota por recepción de artículos antes de pasar por dictamen editorial. En caso de que la colaboración sea aceptada, el autor debe de parar la traducción de su texto al inglés.
Todos los textos publicados por Revista Mexicana de Ciencias Agrícolas -sin excepción- se distribuyen amparados bajo la licencia Creative Commons 4.0 atribución-no comercial (CC BY-NC 4.0 internacional), que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en Revista Mexicana de Ciencias Agrícolas (por ejemplo incluirlo en un repositorio institucional o darlo a conocer en otros medios en papel o electrónicos) siempre que indique clara y explícitamente que el trabajo se publicó por primera vez en Revista Mexicana de Ciencias Agrícolas.
Para todo lo anterior, los autores(as) deben remitir el formato de carta-cesión de la propiedad de los derechos de la primera publicación debidamente requisitado y firmado por los autores(as). Este formato debe ser remitido en archivo PDF al correo: revista_atm@yahoo.com.mx; revistaagricola@inifap.gob.mx.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-No Comercial 4.0 Internacional.