LOS ÍNDICES DE VEGETACIÓN Y EL USO DE DATOS DE REANÁLISIS METEOROLÓGICO APLICADOS A LA AGRICULTURA
📄 Resumen
En este trabajo se analiza el papel de los índices de vegetación y de los datos de reanálisis en diferentes aplicaciones agrícolas. En el caso de los índices de vegetación, permiten analizar variables agrícolas de manera espacial y se han empleado para estimar el desarrollo fenológico de los cultivos, coeficientes de cultivo, rendimiento, índices de área foliar, entre otros. Mientras que, los datos de reanálisis permiten obtener información climática consistente y homogénea, que son útiles en regiones donde no existen una red robusta de estaciones meteorológicas como suele suceder en los países subdesarrollados. En conjunto, estas dos herramientas, permiten automatizar procesos para calendarizar el riego, monitoreo espacial de variables agrícolas, estimación de la evapotranspiración de los cultivos, entre otros.
Introducción
En la agricultura de precisión se emplean nuevas tecnologías como los sensores remotos, diferentes dispositivos, entre otros, con el fin de mejorar la productividad de los cultivos y hacer un uso eficiente de los recursos naturales.
En este sentido, los sensores remotos y datos de reanálisis están produciendo un cambio en la forma en que se hace actualmente el monitoreo de los cultivos, con modelos calibrados se puede llegar a uso eficiente de los recursos.
El objetivo principal de este documento es hacer una pequeña revisión de los índices de vegetación y conjunto de datos de reanálisis empleados en la agricultura para diferentes aplicaciones. Se indican los diferentes índices de vegetación por aplicación agrícola, así como las variables que podemos extraer de los conjuntos de datos de reanálisis.
Índices de vegetación en la agricultura
Las imágenes multiespectrales derivadas de sensores remotos se pueden utilizar para realizar operaciones entre bandas y crear una sola imagen que se puede emplear en una interpretación o para analizar cierta variable de interés; estas combinaciones entre bandas se denominan Índices de vegetación (IVs) y son operaciones simples y efectivas para evaluaciones cuantitativas y cualitativas de diversas aplicaciones agrícolas, como puede ser, estimar la fracción de cobertura vegetal, el índice de área foliar, el coeficiente de cultivo, la evapotranspiración, el vigor o la dinámica de crecimiento de cultivos agrícolas, entre otras.
Los IVs se pueden derivar de imágenes satelitales o de cámaras montadas en vehículos aéreos no tripulados (VANTs) u otros sensores. La ventaja de usar imágenes satelitales frente a los VANT, es que se puede extraer una serie de IVs históricas que son consistentes y comparables, como puede ser usando datos LandSat o MODIS. Las desventajas pueden ser la resolución espacial y el hecho de que son sensores pasivos; por tanto, no es posible capturar datos utilizables en días nublados.
Uno de los índices más utilizados e implementados, calculado a partir de información multiespectral como relación normalizada entre las bandas roja e infrarroja cercana, es el Índice de Vegetación de Diferencia Normalizada (NDVI) (Xue & Su, 2017); sin embargo, los principales problemas en el NDVI incluyen su efecto atmosférico, su facilidad para la saturación y la calidad del sensor (Huang et al., 2021). A lo largo de las últimas décadas, se han desarrollado diversos IVs, con el fin de mejorar la respuesta de la vegetación y minimizar los efectos producidos ya sea por el suelo, brillo, sombra, color del suelo, etc.; algunos de estos IVs se pueden observar en el Cuadro 1, donde se muestran las principales aplicaciones agrícolas.
| Aplicación | Índice de Vegetación (IV) | Trabajos / revisiones |
|---|---|---|
| Rendimiento |
DVI (Richardson & Wiegand, 1977) EVI2* (Jiang et al., 2008) GNDVI (Gitelson et al., 1996) WDRVI (Gitelson, 2004) |
(Bolton & Friedl, 2013) |
| Cobertura vegetal |
GNDVI NDVI (Rouse et al., 1973) VARI (Gitelson et al., 2002) TSAVI |
(Jiapaer et al., 2011; Yang et al., 2017) |
| Índice de área foliar |
ARVI (Kaufman & Tanré, 1992) EVI (A. Huete et al., 2002) MSAVI2 (Qi et al., 1994) MTVI (Haboudane et al., 2004) OSAVI (Rondeaux et al., 1996) |
(Baret et al., 1989; Gitelson et al., 2007) |
| Biomasa |
RDVI (Roujean & Breon, 1995) SAVI (A. R. Huete, 1988) |
(Gitelson et al., 2003; Kross et al., 2015) |
| Fenología |
NDVI EVI |
(Guzinski, 2010; Sifuentes-Ibarra et al., 2020; Viña et al., 2004) |
| Evapotranspiración |
NDVI EVI |
(Glenn et al., 2010) |
| Coeficiente de cultivo |
NDVI SAVI WDRVI |
(Pôças et al., 2020; Rafn et al., 2008; Singh & Irmak, 2009; Zhang et al., 2019) |
Existen diferentes herramientas para extraer IVs de diferentes superficies, entre ellos está la herramienta VICAL (Jiménez-Jiménez et al., 2022), que permite estimar 24 IVs derivados de imágenes LandSat y Sentinel-2 o bien usar directamente plataformas como Google Earth Engine.
Datos de reanálisis en la agricultura
En diversas aplicaciones agrícolas, como en la programación de riego, cálculo de grados-día de desarrollo, estimación de huella hídrica, modelación biofísica de los cultivos o estimación de rendimientos, se demandan diversas variables meteorológicas de entrada, que usualmente no están disponibles en la frecuencia y calidad requeridas. Esto sucede con frecuencia en países en desarrollo, donde no se cuenta con una buena densidad de estaciones meteorológicas que permitan medir las variables de interés.
En México, por ejemplo, la información climática se puede obtener principalmente de fuentes como el Servicio Meteorológico Nacional (SMN) y de la Red Nacional de Estaciones Agrometeorológicas Automatizadas del INIFAP, sin embargo, sucede que no se miden todas las variables para una cierta aplicación, como por ejemplo, la radiación solar no se mide en ciertas estaciones del SMN, esta variable es útil para calcular la Evapotranspiración de referencia (ET₀), o bien, los datos no estén disponibles en línea como pasa con las estaciones del INIFAP. Aunado a ello, existen huecos en la información donde no se tiene registro y es necesario recurrir a interpolaciones estadísticas para solventar esta deficiencia.
💡 Los datos de reanálisis (RD) son una alternativa emergente que permite eliminar la necesidad de contar con una red robusta de estaciones meteorológicas, y se pueden uutilizar para hacer frente a observaciones insuficientes ,ya sea para rellenar u obtener datos continuos. Surgen a partir de la asimilación de largas series temporales de observaciones con un sistema de asimilación invariable.
A diferencia de los datos cuadriculados derivados de la interpolación espacial geoestadística, las estructuras espaciales de las variables meteorológicas (como la temperatura, la presión superficial y el vapor de agua) de los RD son el resultado de la integración de las leyes físicas integradas en el modelo numérico (Pelosi et al., 2020).
Existen diversos conjuntos de RD históricos disponibles que proporcionan datos diarios u horarios; la mayoría de estos conjuntos, comúnmente, están disponibles gratuitamente en plataformas web, publicados en formatos de cuadrículas o mallas regulares, con un retraso de meses o días a partir del presente y se pueden descargar automáticamente de fuentes mediante scripts de estilo Python, incorporarse a estructuras de procesamiento geoespacial como ArcMAP o scripts Python-GDA (Allen et al., 2021). Algunas de las cuadrículas, incluidas en el Cuadro 2, están disponibles casi en tiempo real en Google Earth Engine.
| No. | Conjunto de datos / reference | Resolución espacial (km) | Resolución espacial (°) | Resolución temporal (hr) | Periodo | Cobertura | Variables* |
|---|---|---|---|---|---|---|---|
| 1 | CFSv2 | ∼22 latitud | ∼0.2 | 6 | 1979 - presente | Global | Temperatura Máxima, mínima y media, humedad específica, radiación solar, velocidad del viento, precipitación, humedad del suelo a diferentes profundidades. |
| 2 | GLDAS 2.1 | ∼28 | 1/4 | 3 | 2000 - presente | Global | Temperatura Máxima, mínima y media, humedad específica, radiación solar, velocidad del viento, ET, transpiración, precipitación, escurrimiento superficial, humedad del suelo a diferentes profundidades. |
| 3 | NLDAS-2 | ∼14 | 1/8 | 1 | 1979 - presente | Contiguo a Estados Unidos | Temperatura, humedad específica, radiación solar, velocidad del viento, precipitación. |
| 4 | RTMA | 2.5 | 1/24 | 1 | 2011 - presente | Contiguo a Estados Unidos | Temperatura, temperatura del punto de rocío, nubosidad total, velocidad del viento, precipitación. |
| 5 | NP | 55 | 1/2 | 24 | 1989 - presente | Global | Temperatura Máxima, mínima y media, humedad relativa, temperatura del punto de rocío, humedad específica, radiación solar, radiación solar extraterrestre, velocidad del viento, precipitación, humedad del suelo a diferentes profundidades. |
| 6 | ERA5-LAND | ∼11 | 0.1 | 1 | 1981 - presente | Global | Temperatura Máxima, mínima y media, humedad específica, temperatura del punto de rocío, radiación solar, velocidad del viento, precipitación, escurrimiento superficial, evaporación total. |
| 7 | MERRA2 | 55 | 1/2 | 1 | 1980 - presente | Global | Temperatura, humedad específica, temperatura de la superficie. |
| 8 | CFSR | 55 | 1/2 | 6 | 1979 - presente | Global | Temperatura Máxima, mínima y media, temperatura del suelo, humedad específica, radiación solar, velocidad del viento, precipitación, escurrimiento superficial, humedad del suelo a diferentes profundidades. |
Los datos de reanálisis se han evaluado y empleado en diferentes aplicaciones, y para mejorar su precisión, pueden requerir correcciones utilizando conjuntos de datos basados en observaciones para corregir las anomalías que surgen del modelado de la superficie terrestre o bien tomando en cuenta características como la topografía (Negm et al., 2018). Aunque también se han recurrido a usar modelos de ajuste.
En los últimos años, en los diferentes trabajos se muestra la capacidad de los datos de reanálisis para sustituir con éxito la falta de disponibilidad de datos meteorológicos observados, además, se ha observado que los sistemas de asimilación modernos aplicados a las observaciones históricas mejoran los pronósticos y, con ello, la precisión de los RD. Por ejemplo, se han incorporado observaciones satelitales. Finalmente, se ha observado una tendencia a reducir la escala espacial de los RD. Esto es importante, aunque no se debe cometer el error de pensar que una alta resolución espacial y temporal brindan altas precisiones en los datos (Blankenau et al., 2020), ya que se ha observado que hay datos de reanálisis que brindan mayores precisiones para ciertas aplicaciones debido a su capacidad de estimar con mayor precisión una variable; por tanto, es necesario realizar una evaluación de diferentes datos de reanálisis en una aplicación específica siempre que exista la posibilidad. Los reanálisis ayudan a centrar la atención en aquellas observaciones necesarias para abordar las incertidumbres clave en la agricultura, brindando orientación para futuros sistemas de observación (Rood & Bosilovich, 2010).
Aplicaciones de datos de reanálisis y sensores remotos
Existen diferentes aplicaciones donde se combinan los datos de reanálisis e índices de vegetación para automatizar procesos y generar aplicaciones útiles en la agricultura; en el Cuadro 3 se muestran tres que se han encontrado en la literatura.
🌐 agSAT
https://www.agsat.app/Calcular la evapotranspiración de cultivos en tiempo real usando datos de reanálisis y Sentinel-2.
🌐 GEESEBAL
https://etbrasil.org/geesebalEvaluación a largo plazo de la ET de áreas con escasez de datos.
🌐 OPEN ET
https://openetdata.org/Estimaciones satelitales de evapotranspiración (ET) usando datos de reanálisis y modelos de balance de energía.
Conclusiones
En este trabajo se muestran las aplicaciones de los índices de vegetación y datos de reanálisis en la agricultura y las posibles aplicaciones donde se pueden emplear, sobre todo en los países subdesarrollados
Referencias Bibliográficas
Allen, R. G., Dhungel, R.,
Dhungana, B., Huntington, J., Kilic, A., & Morton, C. (2021). Conditioning
point and gridded weather data under aridity conditions for calculation of
reference evapotranspiration. Agricultural Water Management, 245,
106531. https://doi.org/10.1016/J.AGWAT.2020.106531
Baret, F., Guyot, G., & Major,
D. J. (1989). TSAVI: A vegetation index which minimizes soil brightness
effects on LAI and APAR estimation. Proceedings of the 12th Canadian
Symposium on Remote Sensing Geoscience and Remote Sensing Symposium, 3,
1355–1358. https://doi.org/10.1109/IGARSS.1989.576128
Blankenau, P. A., Kilic, A., &
Allen, R. (2020). An evaluation of gridded weather data sets for the purpose
of estimating reference evapotranspiration in the United States. Agricultural
Water Management, 242(2020), 109376.
https://doi.org/10.1016/j.agwat.2020.106376
Bolton, D. K., & Friedl, M. A.
(2013). Forecasting crop yield using remotely sensed vegetation indices and
crop phenology metrics. Agricultural and Forest Meteorology.
https://doi.org/10.1016/j.agrformet.2013.01.007
Dari, J., Modanesi, S., Massari,
C., Koch, J., Girotto, M., Jaafar, H., Mourad, R., & Sujud, L. (2022).
AgSAT: A Smart Irrigation Application for Field-Scale Daily Crop ET and Water
Requirements Using Satellite Imagery. Remote Sensing 2022, Vol. 14, Page
5090, 14(20), 5090. https://doi.org/10.3390/RS14205090
Gitelson, A. A. (2004). Wide
Dynamic Range Vegetation Index for Remote Quantification of Biophysical
Characteristics of Vegetation. Journal of Plant Physiology, 161(2),
165–173. https://doi.org/10.1078/0176-1617-01176
Gitelson, A. A., Kaufman, Y. J.,
& Merzlyak, M. N. (1996). Use of a green channel in remote sensing of
global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3),
289–298. https://doi.org/10.1016/S0034-4257(96)00072-7
Gitelson, A. A., Kaufman, Y. J.,
Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation
of vegetation fraction. Remote Sensing of Environment, 80(1),
76–87. https://doi.org/10.1016/S0034-4257(01)00289-9
Gitelson, A. A., Viña, A.,
Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003).
Remote estimation of leaf area index and green leaf biomass in maize canopies.
Geophysical Research Letters, 30(5), 1248.
https://doi.org/10.1029/2002GL016450
Gitelson, A. A., Wardlow, B. D.,
Keydan, G. P., & Leavitt, B. (2007). An evaluation of MODIS 250-m data for
green LAI estimation in crops. Geophysical Research Letters, 34,
L20403. https://doi.org/10.1029/2007GL031620
Glenn, E. P., Nagler, P. L., &
Huete, A. R. (2010). Vegetation Index Methods for Estimating
Evapotranspiration by Remote Sensing. Surveys in Geophysics, 31(6),
531–555. https://doi.org/10.1007/S10712-010-9102-2/FIGURES/5
Guzinski, R. (2010). Comparison
of vegetation indices to determine their accuracy in predicting spring
phenology of Swedish ecosystems.
Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., &
Strachan, I. B. (2004). Hyperspectral
vegetation indices and novel algorithms for predicting green LAI of crop
canopies: Modeling and validation in the context of precision agriculture. Remote
Sensing of Environment, 90(3), 337–352.
https://doi.org/10.1016/j.rse.2003.12.013
Huang, S., Tang, L., Hupy, J. P.,
Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized
difference vegetation index (NDVI) in the era of popular remote sensing. Journal
of Forestry Research, 32(1), 1–6.
https://doi.org/10.1007/S11676-020-01155-1/FIGURES/2
Huete, A., Didan, K., Miura, T.,
Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the
radiometric and biophysical performance of the MODIS vegetation indices. Remote
Sensing of Environment, 83(1–2), 195–213.
https://doi.org/10.1016/S0034-4257(02)00096-2
Huete, A. R. (1988). A
soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3),
295–309. https://doi.org/10.1016/0034-4257(88)90106-X
Jiang, Z., Huete, A. R., Didan, K., & Miura, T. (2008). Development of a two-band enhanced
vegetation index without a blue band. Remote Sensing of Environment, 112(10),
3833–3845. https://doi.org/10.1016/J.RSE.2008.06.006
Jiapaer, G., Chen, X., & Bao,
A. (2011). A comparison of methods for estimating fractional vegetation cover
in arid regions. Agricultural and Forest Meteorology, 151(12), 1698–1710.
https://doi.org/10.1016/j.agrformet.2011.07.004
Jiménez-Jiménez, S. I., Marcial-Pablo, M. de J., Ojeda-Bustamante, W.,
Sifuentes-Ibarra, E., Inzunza-Ibarra, M. A., & Sánchez-Cohen, I. (2022). VICAL: Global Calculator to
Estimate Vegetation Indices for Agricultural Areas with Landsat and Sentinel-2
Data. Agronomy 2022, Vol. 12, Page 1518, 12(7), 1518.
https://doi.org/10.3390/AGRONOMY12071518
Kaufman, Y. J., & Tanré, D.
(1992). Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE
Transactions on Geoscience and Remote Sensing, 30(2), 261–270.
https://doi.org/10.1109/36.134076
Kross, A., McNairn, H., Lapen, D.,
Sunohara, M., & Champagne, C. (2015). Assessment of RapidEye vegetation
indices for estimation of leaf area index and biomass in corn and soybean
crops. International Journal of Applied Earth Observation and
Geoinformation, 34, 235–248.
https://doi.org/10.1016/j.jag.2014.08.002
Laipelt, L., Henrique Bloedow
Kayser, R., Santos Fleischmann, A., Ruhoff, A., Bastiaanssen, W., Erickson, T.
A., & Melton, F. (2021). Long-term monitoring of evapotranspiration using
the SEBAL algorithm and Google Earth Engine cloud computing. ISPRS Journal
of Photogrammetry and Remote Sensing, 178, 81–96.
https://doi.org/10.1016/J.ISPRSJPRS.2021.05.018
Negm, A., Minacapilli, M., & Provenzano, G. (2018). Downscaling of American National
Aeronautics and Space Administration (NASA) daily air temperature in Sicily,
Italy, and effects on crop reference evapotranspiration. Agricultural Water
Management. https://doi.org/10.1016/j.agwat.2018.07.016
Pelosi, A., Terribile, F., D’Urso,
G., & Battista, G. (2020). Comparison of ERA5-Land and UERRA MESCAN-SURFEX
reanalysis data with spatially interpolated weather observations for the
regional assessment of reference evapotranspiration. Water (Switzerland),
12(6), 1669. https://doi.org/10.3390/W12061669
Pôças, I., Calera, A., Campos, I.,
& Cunha, M. (2020). Remote sensing for estimating and mapping single and
basal crop coefficientes: A review on spectral vegetation indices approaches. Agricultural
Water Management, 233, 106081.
https://doi.org/10.1016/J.AGWAT.2020.106081
Qi, J., Chehbouni, A., Huete, A.
R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted
vegetation index. Remote Sensing of Environment, 48(2), 119–126.
https://doi.org/10.1016/0034-4257(94)90134-1
Rafn, E. B., Contor, B., &
Ames, D. P. (2008). Evaluation of a Method for Estimating Irrigated
Crop-Evapotranspiration Coefficients from Remotely Sensed Data in Idaho. Journal
of Irrigation and Drainage Engineering, 34, 722–729.
https://doi.org/10.1061/(asce)0733-9437(2008)134:6(722)
Richardson, A. J., & Wiegand,
C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric
Engineering & Remote Sensing, 43(12), 1541–155.
Rondeaux, G., Steven, M., &
Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote
Sensing of Environment, 55(2), 95–107.
https://doi.org/10.1016/0034-4257(95)00186-7
Rood, R. B., & Bosilovich, M.
G. (2010). Reanalysis: Data assimilation for scientific investigation of
climate. Data Assimilation: Making Sense of Observations, 623–646.
https://doi.org/10.1007/978-3-540-74703-1_23/FIGURES/8
Roujean, J. L., & Breon, F. M.
(1995). Estimating PAR absorbed by vegetation from bidirectional reflectance
measurements. Remote Sensing of Environment, 51(3), 375–384.
https://doi.org/10.1016/0034-4257(94)00114-3
Rouse, J. W., Haas, R. H., Schell,
J. A., & Deering, D. W. (1973). Monitoring Vegetation Systems in the Great
Plains with ERTS. In S. Freden, E. Mercanti, & M. Becker (Eds.), Proceedings
of Third ERTS Symposium (pp. 309–317).
Sifuentes-Ibarra, E., Ojeda-Bustamante, W., Ontiveros-Capurata, R. E.,
& Sánchez-Cohen, I. (2020). Improving the monitoring of corn phenology in large agricultural areas
using remote sensing data series. Spanish Journal of Agricultural Research,
18(3), e1204–e1204. https://doi.org/10.5424/SJAR/2020183-16269
Singh, R. K., & Irmak, A.
(2009). Estimation of Crop Coefficients Using Satellite Remote Sensing. Journal
of Irrigation and Drainage Engineering, 135(5), 597–608.
https://doi.org/10.1061/(ASCE)IR.1943-4774.0000052
Viña, A., Gitelson, A. A.,
Rundquist, D. C., Keydan, G., Leavitt, B., & Schepers, J. (2004).
Monitoring maize (Zea mays L.) phenology with remote sensing. Agronomy
Journal, 96(4), 1139–1147. https://doi.org/10.2134/agronj2004.1139
Xue, J., & Su, B. (2017).
Significant remote sensing vegetation indices: A review of developments and
applications. Journal of Sensors, 2017.
https://doi.org/10.1155/2017/1353691
Yang, L., Jia, K., Liang, S., Wei,
X., Yao, Y., & Zhang, X. (2017). A robust algorithm for estimating surface
fractional vegetation cover from landsat data. Remote Sensing, 9(8).
https://doi.org/10.3390/rs9080857
Zhang, Y., Han, W., Niu, X., &
Li, G. (2019). Maize Crop Coefficient Estimated from UAV-Measured
Multispectral Vegetation Indices. Sensors, 19(23), 5250. https://doi.org/10.3390/s19235250
Comentarios
Publicar un comentario
déjanos tus comentario