Caracterización de espectros estándar de reflectancia hiperespectral para parcelas de caña de azúcar de alta y baja productividad mediante análisis de datos funcionales

Aldemar Reyes-Trujillo; Johann Alexis  Ospina-Galíndez; Jhony Armando Benavides-Bolaños

doi:10.22490/21456453.10349

Vol. 17 No. 2 (2026)

Published 2026-09-26

license

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

When RIAA receives the postulation of an original by its author, either through email or post mail, considers that it can be published in physical and/or electronic format and facilitates its inclusion in databases, newspaper archives and other systems and indexing process. RIAA authorizes the reproduction and citation of the Journal’s material, provided that explicitly indicates journal name, the authors, the article title, volume, number and pages. The ideas and concepts expressed in the articles are responsibility of the authors and in no case reflect the institutional policies of the UNAD.

Área Ambiental

Biomasa

Fertilización

Caracterización de espectros estándar de reflectancia hiperespectral para parcelas de caña de azúcar de alta y baja productividad mediante análisis de datos funcionales

DOI: https://doi.org/10.22490/21456453.10349

Aldemar Reyes-Trujillo Universidad del Valle

Johann Alexis Ospina-Galíndez Universidad Autónoma de Occidente

Jhony Armando Benavides-Bolaños Universidad del Valle

PDF (Spanish)

Abstract
References

Contextualización: La caña de azúcar es un cultivo clave para la agricultura tropical y una fuente de azúcar, etanol y bioenergía. El Valle del Cauca, en Colombia, se encuentra entre las regiones productoras más eficientes del mundo. En este contexto, la intensificación sostenible exige métodos precisos y no destructivos para monitorear el desarrollo del cultivo y predecir su rendimiento.

Vacío de conocimiento: Los índices de vegetación tradicionales, calculados a partir de bandas multiespectrales amplias, como el índice de vegetación de diferencia normalizada, se saturan en doseles densos y presentan una sensibilidad limitada a variaciones fisiológicas y estructurales sutiles, lo que restringe la predicción temprana del rendimiento. Aunque el análisis hiperespectral ofrece un mayor nivel de detalle, la mayoría de los estudios se basa en índices discretos. La aplicación de enfoques estadísticos funcionales al cultivo de caña de azúcar aún es limitada, lo que deja un vacío en la clasificación temprana de la productividad.

Propósito: Este estudio evaluó si el análisis funcional de datos de reflectancia hiperespectral puede mejorar la clasificación temprana del rendimiento de la caña de azúcar. Los objetivos fueron distinguir niveles de productividad, comparar mediciones a escala foliar y de dosel, y analizar la influencia de la etapa de crecimiento en la variabilidad espectral.

Metodología: Se recolectaron datos de reflectancia hiperespectral en seis parcelas del Valle del Cauca durante dos etapas de crecimiento, a los 2,5 y 5,5 meses, tanto a escala foliar como de dosel. Los espectros sin procesar se transformaron en curvas funcionales continuas mediante suavizado con funciones B-spline. Posteriormente, se calcularon medias funcionales y se aplicaron pruebas t basadas en permutaciones para identificar diferencias significativas entre las clases de productividad.

Resultados y conclusiones: Los espectros del dosel permitieron distinguir con claridad las parcelas de alta y baja productividad, especialmente en la región del infrarrojo cercano, donde la mayor biomasa y área foliar de las parcelas con mayor rendimiento produjeron una reflectancia más alta. Los espectros foliares mostraron una capacidad de discriminación menor, en particular durante las etapas posteriores del crecimiento. El análisis funcional preservó características espectrales que los índices tradicionales pasaban por alto, lo que permitió interpretar mejor la variabilidad del cultivo. El análisis funcional de datos hiperespectrales a escala del dosel constituye una herramienta robusta y no destructiva para la evaluación temprana del rendimiento; asimismo, respalda la toma de decisiones en agricultura de precisión relacionadas con la fertilización, el riego y el manejo del cultivo.

keywords: crop yield, precision agriculture, reflectance, spectrometry

Arruda, D. C. de, Ducati, J. R., Pithan, P. A., Thum, A. B., & Hoff, R. (2024). Hyperspectral data analysis for chlorophyll content derivation in vineyards. Ciência Rural, 54(7), e20220558. https://doi.org/10.1590/0103-8478cr20220558 DOI: https://doi.org/10.1590/0103-8478cr20220558

Benavides-Bolaños, J. A., Echeverri-Sánchez, A. F., Reyes-Trujillo, A., del Mar Carreño-Sánchez, M., Jaramillo-Llorente, M. F., & Rivera-Caicedo, J. P. (2025). In situ hyperspectral reflectance sensing for mixed water quality monitoring: Insights from the RUT agricultural irrigation district. Water, 17(9), Article 1353. https://doi.org/10.3390/w17091353 DOI: https://doi.org/10.3390/w17091353

Carbonell González, J. A., Quintero Durán, R., Torres Aguas, J. S., Osorio Murillo, C. A., Isaacs Echeverri, C. H., & Victoria Kafure, J. I. (2011). Zonificación agroecológica para el cultivo de la caña de azúcar en el valle del río Cauca (cuarta aproximación). Principios metodológicos y aplicaciones (Serie Técnica No. 38). Centro de Investigación de la Caña de Azúcar de Colombia.

Carter, G. A., & Knapp, A. K. (2001). Leaf optical properties in higher plants: Linking spectral characteristics to stress and chlorophyll concentration. American Journal of Botany, 88(4), 677–684. https://doi.org/10.2307/2657068 DOI: https://doi.org/10.2307/2657068

Chanchí-Golondrino, G. E., Ospina-Alarcón, M. A., & Saba, M. (2024). Fourier analysis for detecting vegetation in hyperspectral images. Ingeniería y Competitividad, 26(3), Article e-21013493. https://doi.org/10.25100/iyc.v26i3.13493 DOI: https://doi.org/10.25100/iyc.v26i3.13493

Coffey, N., & Hinde, J. (2011). Analyzing time-course microarray data using functional data analysis: A review. Statistical Applications in Genetics and Molecular Biology, 10(1), Article 23. https://doi.org/10.2202/1544-6115.1671 DOI: https://doi.org/10.2202/1544-6115.1671

Corrêdo, L. P., Wei, M. C. F., Ferraz, M. N., & Molin, J. P. (2021). Near-infrared spectroscopy as a tool for monitoring the spatial variability of sugarcane quality in the fields. Biosystems Engineering, 206, 150–161. https://doi.org/10.1016/j.biosystemseng.2021.04.001 DOI: https://doi.org/10.1016/j.biosystemseng.2021.04.001

de Lima, I. P., Jorge, R. G., & de Lima, J. L. M. P. (2021). Remote sensing monitoring of rice fields: Towards assessing water saving irrigation management practices. Frontiers in Remote Sensing, 2, Article 762093. https://doi.org/10.3389/frsen.2021.762093 DOI: https://doi.org/10.3389/frsen.2021.762093

El-Hendawy, S., Al-Suhaibani, N., Hassan, W., Tahir, M., & Schmidhalter, U. (2017). Hyperspectral reflectance sensing to assess the growth and photosynthetic properties of wheat cultivars exposed to different irrigation rates in an irrigated arid region. PLOS ONE, 12(8), Article e0183262. https://doi.org/10.1371/journal.pone.0183262 DOI: https://doi.org/10.1371/journal.pone.0183262

Eubank, R. L. (1999). Nonparametric regression and spline smoothing (2nd ed.). CRC Press. https://doi.org/10.1201/9781482273144 DOI: https://doi.org/10.1201/9781482273144

Gai, J., Wang, J., Xie, S., Xiang, L., & Wang, Z. (2024). Spectroscopic determination of chlorophyll content in sugarcane leaves for drought stress detection. Precision Agriculture, 25(2), 543–569. https://doi.org/10.1007/s11119-023-10082-0 DOI: https://doi.org/10.1007/s11119-023-10082-0

Gamon, J. A., Peñuelas, J., & Field, C. B. (1992). A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment, 41(1), 35–44. https://doi.org/10.1016/0034-4257(92)90059-S DOI: https://doi.org/10.1016/0034-4257(92)90059-S

Grygar, T. M., Radojičić, U., Pavlů, I., Greven, S., Nešlehová, J. G., Tůmová, Š., & Hron, K. (2024). Exploratory functional data analysis of multivariate densities for the identification of agricultural soil contamination by risk elements. Journal of Geochemical Exploration, 259, Article 107416. https://doi.org/10.1016/j.gexplo.2024.107416 DOI: https://doi.org/10.1016/j.gexplo.2024.107416

Holzman, M. E., Rivas, R. E., & Bayala, M. I. (2021). Relationship between TIR and NIR-SWIR as indicator of vegetation water availability. Remote Sensing, 13(17), Article 3371. https://doi.org/10.3390/rs13173371 DOI: https://doi.org/10.3390/rs13173371

Jin, X., Shi, C., Yu, C. Y., Yamada, T., & Sacks, E. J. (2017). Determination of leaf water content by visible and near-infrared spectrometry and multivariate calibration in Miscanthus. Frontiers in Plant Science, 8, Article 721. https://doi.org/10.3389/fpls.2017.00721 DOI: https://doi.org/10.3389/fpls.2017.00721

Katsoulas, N., Elvanidi, A., Ferentinos, K. P., Kacira, M., Bartzanas, T., & Kittas, C. (2016). Crop reflectance monitoring as a tool for water stress detection in greenhouses: A review. Biosystems Engineering, 151, 374–398. https://doi.org/10.1016/j.biosystemseng.2016.10.003 DOI: https://doi.org/10.1016/j.biosystemseng.2016.10.003

Kumar, N., Rana, L., Singh, A. K., Pramanick, B., Gaber, A., Alsuhaibani, A. M., Skalicky, M., & Hossain, A. (2023). Precise macronutrient application can improve cane yield and nutrient uptake in widely spaced plant-ratoon cycles in the Indo-Gangetic plains of India. Frontiers in Sustainable Food Systems, 7, Article 1223881. https://doi.org/10.3389/fsufs.2023.1223881 DOI: https://doi.org/10.3389/fsufs.2023.1223881

Leal Junior, G. A., Romano, T., Pereira, G. S., Lavres Junior, J., Figueira, A., & Bespalhok Filho, J. C. (2025). Nitrogen uptake and physiological use efficiency in Brazilian sugarcane (Saccharum × spp.) cultivars: A gist of current understanding. South African Journal of Botany, 178, 101–112. https://doi.org/10.1016/j.sajb.2025.01.014 DOI: https://doi.org/10.1016/j.sajb.2025.01.014

Lepine, L. C., Ollinger, S. V., Ouimette, A. P., & Martin, M. E. (2016). Examining spectral reflectance features related to foliar nitrogen in forests: Implications for broad-scale nitrogen mapping. Remote Sensing of Environment, 173, 174–186. https://doi.org/10.1016/j.rse.2015.11.028 DOI: https://doi.org/10.1016/j.rse.2015.11.028

Li, H., Di, L., Zhang, C., Lin, L., Guo, L., Zhao, H., Guo, C., & Hong, R. (2023). A review of remote sensing in sugarcane mapping. In 2023 11th International Conference on Agro-Geoinformatics (Agro-Geoinformatics) (pp. 1–5). IEEE. https://doi.org/10.1109/Agro-Geoinformatics59224.2023.10233506 DOI: https://doi.org/10.1109/Agro-Geoinformatics59224.2023.10233506

Liu, B., Fernandez, M. A., Liu, T. M., & Ding, S. (2024). Investigation of using hyperspectral vegetation indices to assess Brassica downy mildew. Sensors, 24(6), Article 1916. https://doi.org/10.3390/s24061916 DOI: https://doi.org/10.3390/s24061916

Martins, J. A., Fiorio, P. R., Silva, C. A. A. C., Demattê, J. A. M., & Barros, P. P. da S. (2024). Application of vegetative indices for leaf nitrogen estimation in sugarcane using hyperspectral data. Sugar Tech, 26(1), 160–170. https://doi.org/10.1007/s12355-023-01329-1 DOI: https://doi.org/10.1007/s12355-023-01329-1

Matsui, H., & Mochida, K. (2024). Functional data analysis-based yield modeling in year-round crop cultivation. Horticulture Research, 11(7), Article uhae144. https://doi.org/10.1093/hr/uhae144 DOI: https://doi.org/10.1093/hr/uhae144

Nakamura, Y., Tsujimoto, K., Ogawa, T., Noda, H. M., & Hikosaka, K. (2024). Correction of photochemical reflectance index (PRI) by optical indices to predict non-photochemical quenching (NPQ) across various species. Remote Sensing of Environment, 305, Article 114062. https://doi.org/10.1016/j.rse.2024.114062 DOI: https://doi.org/10.1016/j.rse.2024.114062

OECD/FAO. (2021). OECD-FAO agricultural outlook 2021–2030. OECD Publishing. https://doi.org/10.1787/19428846-en DOI: https://doi.org/10.1787/19428846-en

Oliveira, M. R., Ribeiro, S., Mas, J.-F., & Teixeira, A. (2020). Advances in hyperspectral sensing in agriculture: A review. Revista Ciência Agronômica, 51, Article e20207739. https://doi.org/10.5935/1806-6690.20200096 DOI: https://doi.org/10.5935/1806-6690.20200096

Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J., & Field, C. B. (1994). Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves. Remote Sensing of Environment, 48(2), 135–146. https://doi.org/10.1016/0034-4257(94)90136-8 DOI: https://doi.org/10.1016/0034-4257(94)90136-8

Quemada, C., Pérez-Escudero, J. M., Gonzalo, R., Ederra, I., Santesteban, L. G., Torres, N., & Iriarte, J. C. (2021). Remote sensing for plant water content monitoring: A review. Remote Sensing, 13(11), Article 2088. https://doi.org/10.3390/rs13112088 DOI: https://doi.org/10.3390/rs13112088

Rahman, M. M., & Robson, A. J. (2016). A novel approach for sugarcane yield prediction using Landsat time series imagery: A case study on Bundaberg region. Advances in Remote Sensing, 5(2), 93–102. https://doi.org/10.4236/ars.2016.52008 DOI: https://doi.org/10.4236/ars.2016.52008

Ramsay, J. O., & Dalzell, C. J. (1991). Some tools for functional data analysis. Journal of the Royal Statistical Society: Series B (Methodological), 53(3), 539–572. https://doi.org/10.1111/j.2517-6161.1991.tb01844.x DOI: https://doi.org/10.1111/j.2517-6161.1991.tb01844.x

Ramsay, J. O., & Silverman, B. W. (2005). Functional data analysis (2nd ed.). Springer. https://doi.org/10.1007/b98888 DOI: https://doi.org/10.1007/b98888

Reyes-Trujillo, A. (2020). Bioindicadores espectrales para monitoreo del cultivo de caña de azúcar en condiciones de tensión ambiental por disponibilidad de nitrógeno [Doctoral dissertation, Universidad del Valle]. Biblioteca Digital Universidad del Valle. https://hdl.handle.net/10893/28406

Reyes-Trujillo, A., Daza-Torres, M. C., Galindez-Jamioy, C. A., Rosero-García, E. E., Muñoz-Arboleda, F., & Solarte-Rodriguez, E. (2021). Estimating canopy nitrogen concentration of sugarcane crop using in situ spectroscopy. Heliyon, 7(3), Article e06566. https://doi.org/10.1016/j.heliyon.2021.e06566 DOI: https://doi.org/10.1016/j.heliyon.2021.e06566

Rincón-Fonseca, R. I., Velásquez-Hernández, C. A., & Prieto-Ortiz, F. A. (2021). Reducción de ruido espectral en imágenes hiperespectrales mediante la transformada wavelet discreta. Revista de Investigación, Desarrollo e Innovación, 11(3), 601–616. https://doi.org/10.19053/20278306.v11.n3.2021.13359 DOI: https://doi.org/10.19053/20278306.v11.n3.2021.13359

Som-ard, J., Atzberger, C., Izquierdo-Verdiguier, E., Vuolo, F., & Immitzer, M. (2021). Remote sensing applications in sugarcane cultivation: A review. Remote Sensing, 13(20), Article 4040. https://doi.org/10.3390/rs13204040 DOI: https://doi.org/10.3390/rs13204040

Tang, Z., Jin, Y., Brown, P. H., & Park, M. (2023). Estimation of tomato water status with photochemical reflectance index and machine learning: Assessment from proximal sensors and UAV imagery. Frontiers in Plant Science, 14, Article 1057733. https://doi.org/10.3389/fpls.2023.1057733 DOI: https://doi.org/10.3389/fpls.2023.1057733

Tavares, C. J., Ribeiro Junior, W. Q., Ramos, M. L. G., Pereira, L. F., Muller, O., Casari, R. A. d. C. N., de Sousa, C. A. F., & da Silva, A. R. (2023). Water stress alters physiological, spectral, and agronomic indexes of wheat genotypes. Plants, 12(20), Article 3571. https://doi.org/10.3390/plants12203571 DOI: https://doi.org/10.3390/plants12203571

Ullah, S., & Finch, C. F. (2013). Applications of functional data analysis: A systematic review. BMC Medical Research Methodology, 13, Article 43. https://doi.org/10.1186/1471-2288-13-43 DOI: https://doi.org/10.1186/1471-2288-13-43

Ungureanu, N., Vlăduț, V., & Biriș, S.-Ș. (2022). Sustainable valorization of waste and by-products from sugarcane processing. Sustainability, 14(17), Article 11089. https://doi.org/10.3390/su141711089 DOI: https://doi.org/10.3390/su141711089

Vélez, S., Rançon, F., Barajas, E., Brunel, G., Rubio, J. A., & Tisseyre, B. (2022). Potential of functional analysis applied to Sentinel-2 time-series to assess relevant agronomic parameters at the within-field level in viticulture. Computers and Electronics in Agriculture, 194, Article 106726. https://doi.org/10.1016/j.compag.2022.106726 DOI: https://doi.org/10.1016/j.compag.2022.106726

Viveros Valens, C. A. (Ed.). (2018). Características agronómicas y de productividad de la variedad Cenicaña Colombia (CC) 01-1940 (Serie Técnica No. 40). Centro de Investigación de la Caña de Azúcar de Colombia. https://www.cenicana.org/pdf_privado/serie_tecnica/st_40/st_40.pdf

Voora, V., Bermúdez, S., Le, H., Larrea, C., & Luna, E. (2023). Global market report: Sugar cane prices and sustainability. International Institute for Sustainable Development. https://www.iisd.org/publications/report/2023-global-market-report-sugar-cane

Zhang, H., Feng, S., Wu, D., Zhao, C., Liu, X., Zhou, Y., Wang, S., Deng, H., & Zheng, S. (2024). Hyperspectral image classification on large-scale agricultural crops: The Heilongjiang benchmark dataset, validation procedure, and baseline results. Remote Sensing, 16(3), Article 478. https://doi.org/10.3390/rs16030478 DOI: https://doi.org/10.3390/rs16030478

Zhang, K., Li, W., Li, H., Luo, Y., Li, Z., Wang, X., & Chen, X. (2023). A leaf-patchable reflectance meter for in situ continuous monitoring of chlorophyll content. Advanced Science, 10(35), Article 2305552. https://doi.org/10.1002/advs.202305552 DOI: https://doi.org/10.1002/advs.202305552

license

How to Cite

Reyes-Trujillo, A., Ospina-Galíndez , J. A. ., & Benavides-Bolaños, J. A. (2026). Caracterización de espectros estándar de reflectancia hiperespectral para parcelas de caña de azúcar de alta y baja productividad mediante análisis de datos funcionales. Revista De Investigación Agraria Y Ambiental, 17(2), 331-355. https://doi.org/10.22490/21456453.10349

Download Citation

Almétricas