Estimación de rendimiento del maíz mediante tratamientos de imágenes obtenidas por Sentinel 2: caso de Las Arenas, Acambay

Autores/as

  • Mónica Ivonne García-Martínez Facultad de Geografía-Universidad Autónoma del Estado de México. Ciudad Universitaria s/n. Toluca, Estado de México. CP. 50110
  • Xanat Antonio-Némiga Facultad de Geografía-Universidad Autónoma del Estado de México. Ciudad Universitaria s/n. Toluca, Estado de México. CP. 50110
  • José Francisco Ramírez-Dávila Facultad de Agronomía-Universidad Autónoma del Estado de México. Carretera Toluca-Ixtlahuaca km 15.5, El Cerrillo Piedras Blancas, Toluca, México. CP. 50200. https://orcid.org/0000-0002-8625-4655
  • Adán Salazar-Garibay Agencia Espacial Mexicana. Insurgentes sur 1685, Álvaro Obregón, Ciudad de México, México. CP. 01020 https://orcid.org/0000-0002-3764-6273

DOI:

https://doi.org/10.29312/remexca.v16i3.3636

Palabras clave:

indicadores biofísicos, índices de vegetación, producción de maíz

Resumen

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

Los datos de descargas todavía no están disponibles.

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.

Publicado

2025-05-12

Cómo citar

García-Martínez, Mónica Ivonne, Xanat Antonio-Némiga, José Francisco Ramírez-Dávila, y Adán Salazar-Garibay. 2025. «Estimación De Rendimiento Del maíz Mediante Tratamientos De imágenes Obtenidas Por Sentinel 2: Caso De Las Arenas, Acambay». Revista Mexicana De Ciencias Agrícolas 16 (3). México, ME:e3636. https://doi.org/10.29312/remexca.v16i3.3636.

Número

Sección

Artículos

Artículos más leídos del mismo autor/a