Estimación de la biomasa en una pradera de kikuyo mediante el uso de sensores remotos

Alvaro A. Bernal; Amanda Acero Camelo; Alex Fernando Gutiérrez

doi:10.22490/21456453.6657

Vol. 15 Núm. 1 (2024)

Publicado 19-12-2023

Licencia

Derechos de autor 2023 Revista de Investigación Agraria y Ambiental

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cuando RIAA recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. RIAA autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Área Agrícola

Biomasa

Estimación de la biomasa en una pradera de kikuyo mediante el uso de sensores remotos

DOI: https://doi.org/10.22490/21456453.6657

Alvaro A. Bernal Universidad de Cundinamarca

Amanda Acero Camelo Universidad Nacional de Colombia

Alex Fernando Gutiérrez Cooperativa Colanta

PDF

Visor

Movil

HTML

Epub

Resumen
Referencias

Contextualización: La medición directa de la biomasa en las pasturas es el método más confiable, sin embargo, es un método destructivo y dispendioso.

Vacío de conocimiento: Recientemente se han investigado técnicas con el uso de sensores remotos para estimar características fisiológicas y morfológicas en cultivos a partir de sus propiedades ópticas y llegar a estimaciones de biomasa, resulta valioso evaluar estas técnicas en forrajes perennes como el kikuyo (Cenchrus clandestinus).

Propósito: El objetivo de este trabajo fue desarrollar una metodología para estimar biomasa en praderas a partir de sus características espectrales y morfológicas, utilizando diferentes fuentes de información remota.

Metodología: Se tomó una franja de pastoreo de 1870 m², subdividida en 27 subparcelas, en donde se realizaron mediciones directas de biomasa y altura sin disturbar (ASD). Se tomaron fotografías aéreas con un UAS y se seleccionó una imagen del satélite Sentinel 2B que capturó la escena del lugar de estudio coincidente con la fecha de vuelo del UAS y las medidas de campo. Usando técnicas de fotogrametría aérea se calculó un modelo digital de elevación (DEM por su sigla en inglés) que se utilizó para estimar la altura de la pastura. A partir de la ortofotografía se calculó el Índice de Vegetación Rojo Verde Azul (RGBVI) y con la imagen del satélite se determinó el Índice de Diferencia de Vegetación Normalizado (NDVI). Se correlacionó la altura medida en campo con la altura estimada mediante el DEM usando el coeficiente de Pearson, y se correlacionó la biomasa medida en campo con los índices NDVI, RGBVI y la altura estimada mediante modelos de regresión lineal.

Resultados y conclusiones: Se encontró una correlación fuerte (0,64) entre la altura medida directamente y la altura calculada mediante el DEM. La correlación entre NDVI y la biomasa fue baja (R2= 0,13) y no se encontró relación con el índice RGBVI (R2= 0,02). Entre la altura estimada mediante el DEM y la biomasa se encontró una relación media (R2=0,42), la cual indica que esta es una metodología promisoria para sustituir los métodos destructivos y para brindar información más precisa en tiempo y espacio.

Palabras clave: Cenchrus clandestinus;, drone, manejo de praderas, pastoreo de precisión

Acero C., R.A. (2019). Aspectos ambientales y de manejo que determinan el crecimiento del kikuyo (Cenchrus clandestinus Hochst. exChiov. Morrone) en la Provincia de Ubaté. [Tesis de Doctorado. Universidad Nacional de Colombia] https://repositorio.unal.edu.co/handle/unal/75536

Association of Official Analytical Chemists. [AOAC]. (2006). Official Methods of Analysis of AOAC International. [18 ed. Chapter 4: Animal Feed]. WENDT THIEX NJ.

Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M.L. and Bareth, G. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int. J. Appl. Earth Obs. Geoinf, 39, 79-87. https://doi.org/10.1016/j.jag.2015.02.012

Canseco, C., Demanet, R., Balocchi, O., Parga, J., Anwandter, V., Abarzúa, A., Teuber, N., y Lopetegui, J. (2007). Determinación de la disponibilidad de materia seca de praderas en pastoreo. En: Manejo del pastoreo. Proyecto FIA. Osorno.

Carulla, J.E. y Ortega, E. (2015). Sistemas de producción lechera en Colombia: retos y oportunidades. Archivos Latinoamericanos de Producción Animal, 24(2), 83 -87.

Corti, M., Cavalli, D., Cabassi, G., Bechini, L., Pricca, N., Paolo, D., Marinoni, L., Vigoni, A., Degano, L., and, Gallina, P. (2022). Improved estimation of herbaceous crop aboveground biomass using UAV-derived crop height combined with vegetation indices. Precision Agriculture, 24, 587–606. https://doi.org/10.1007/s11119-022-09960-w

de Alckmin, G.T., Kooistra, L., Rawnsley, R., and Lucieer, A. (2021). Comparing methods to estimate perennial ryegrass biomass: Canopy height and spectral vegetation indices. Precision Agriculture, 22(1), 205-225. https://doi.org/10.1007/s11119-020-09737-z

Departamento Administrativo Nacional de Estadística. [DANE]. (2020). Boletín técnico. Encuesta Nacional Agropecuaria 2019. Autor. https://www.dane.gov.co/files/investigaciones/agropecuario/enda/ena/2019/boletin_ena_2019.pdf.

Dusseux, P., Corpetti, T., Hubert-Moy, L. and Corgne, S. (2014). Combined use of multi-temporal optical and radar satellite images for grassland monitoring. Remote Sensing, 6(7), 6163-6182.

Easdale, M.H., Umaña, F., Raffo, F., Fariña, C., y Bruzzone, O. (2019). Evaluación de pastizales patagónicos con imágenes de satélites y de vehículos aéreos no tripulados. Ecología Austral, 29(3), 306-314. https://doi.org/10.25260/EA.19.29.3.0.791.

Federación Colombiana de Ganaderos. [Fedegan]. (2021). Producción de leche y sacrificio bovino en Colombia. Autor. https://www.fedegan.org.co/estadisticas/general

González, P.L. (2019). Plant height and biomass estimations on wheat using high-resolution aerial imagery in an experimental fild in Sonora, Mexico. [Tesis de maestría]. UniGIS-Universidad de Salzburg https://issuu.com/unigis_latina/docs/104798

Instituto de Hidrología, Meteorología y Estudios Ambientales. [IDEAM]. (2015). Atlas Climático de Colombia-Interactivo [Volumen 1]. Ministerio de Medio Ambiente. http://atlas.ideam.gov.co/visorAtlasClimatologico.html

Lantinga, E.A., Neuteboom, E.A., Meijs, J.A.C. (2004). Sward Methods in: Herbage intake handbook. British Grassland Society (BGS). 23-52p.

López-Guerrero, I., Fontenot, J.P. y García-Peniche, TB. (2011). Comparaciones entre cuatro métodos de estimación de biomasa en praderas de festuca alta. Revista mexicana de ciencias pecuarias, 2(2), 209-220.

Lussem, U., Bolten, A., Gnyp, M. L., Jasper, J. and Bareth, G. (2018). Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci, 42(3), 1215-1219. https://doi.org/10.5194/isprs-archives-XLII-3-1215-2018

Maimaitijiang, M., Sagan, V., Sidike, P., Maimaitiyiming, M., Hartling, S., Peterson, K.T., Maw, M.J., Shakoor, N., Mockler, T. y Fritschi, F.B. (2019). Vegetation index weighted canopy volume model (CVMVI) for soybean biomass estimation from unmanned aerial system-based RGB imagery. ISPRS J. Photogramm. Remote Sens, 151, 27-41. https://doi.org/10.1016/j.isprsjprs.2019.03.003

Michez, A., Lejeune, P., Knoden, D., Cremer, S., Decamps, C. y Bindelle, J. (2020). Can Low-Cost Unmanned Aerial Systems Describe the Forage Quality Heterogeneity? Insight from a Timothy Pasture Case Study in Southern Belgium. Remote Sens.,12, 1650. https://doi.org/10.3390/rs12101650

Murphy, W. M., Silman J. P. y Mena-Barreto A. D. (1995). A comparison of quadrat, capacitance meter, HFRO sward stick, and rising plate for estimating herbage mass in a smooth-stalked, meadow grass-dominant white clover sward. Grass Forage Science, 50, 452-455. https://doi.org/10.1111/j.1365-2494.1995.tb02340.x

Opendronemap.org. (2021). Open Drone Map. https://www.opendronemap.org/

Posada-Asprilla W., Medina-Sierra M. y Cerón-Muñoz M. (2019). Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales. Revista U.D.C.A Actualidad & Divulgación Científica, 22(1), e1195. https://dx.doi.org/10.31910/rudca.v22.n1.2019.1195

Possoch M., Bieker S., Hoffmeister D., Bolten A, Schellberg J. and Bareth G. (2016). Multi-temporal crop surface models combined with the RGB vegetation index from UAV-based images for forage monitoring in grassland. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B1, 2016 XXIII ISPRS Congress, 12-19 July 2016, Prague, Czech Republic.

QGIS.org. (2021). QGIS Geographic Information System. QGIS Association. http://www.qgis.org

Rueda C., F., Peñaranda M., L.A., Velásquez V., W.L., y Diaz B., S.A. (2015). Aplicación de una metodología de análisis de datos obtenidos por percepción remota orientados a la estimación de la productividad de caña para panela al cuantificar el NDVI (índice de vegetación de diferencia normalizada). Revista Corpoica. Ciencia y Tecnología Agropecuaria, 16(1), 25-40.

Licencia

Cómo citar

Bernal, A. A., Acero Camelo, A., & Gutiérrez, A. F. (2023). Estimación de la biomasa en una pradera de kikuyo mediante el uso de sensores remotos. Revista De Investigación Agraria Y Ambiental, 15(1), 175-190. https://doi.org/10.22490/21456453.6657

Descargar cita

Almétricas

Métricas

Cargando métricas ...