SciELO - Scientific Electronic Library Online

 
vol.37 issue3Quality evaluation of the measurement of total carbon in soil by an inter-comparison assayEvaluation of surface runoff from the numerical curve and Green-Ampt models in the Chapingo River Basin, Mexico author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Terra Latinoamericana

On-line version ISSN 2395-8030Print version ISSN 0187-5779

Terra Latinoam vol.37 n.3 Chapingo Jul./Sep. 2019

http://dx.doi.org/10.28940/terra.v37i3.485 

Artículo científico

Estimación de la evapotranspiración de maíz forrajero apoyada con sensores remotos y mediciones in situ

Estimation of evapotranspiration of forage corn supported with remote sensing and in situ measurements

Arturo Reyes González1   

David G. Reta Sánchez1 

Juan I. Sánchez Duarte1 

Esmeralda Ochoa Martínez1 

Karla Rodríguez Hernández1 

Pablo Preciado Rangel2 

1 Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Blvd. José Santos Valdez No. 1200 pte. Col. Centro. 27440 Matamoros, Coah., México.

2 Instituto Tecnológico de Torreón. Carretera Torreón-San Pedro km 7.5, Ejido Anna. 27170 Torreón, Coahuila, México.

Resumen:

La agricultura bajo riego requiere de mejores estimaciones de la demanda hídrica de los cultivos. El objetivo del presente estudio fue estimar la evapotranspiración real (ETc) en maíz (Zea mays L.) forrajero mediante índices de vegetación obtenidos in situ y estimados con sensores remotos en la Comarca Lagunera, México. La investigación se realizó en 2011 y 2012 en cuatro parcelas de 900 m2 irrigadas con el sistema de riego por goteo subsuperficial. Se determinó el índice de vegetación de diferencia normalizada (NDVI) y el coeficiente de cultivo (Kc) ajustado durante el desarrollo del cultivo. Los valores iniciales, máximos y finales de NDVI fueron 0.13, 0.79 y 0.63 con ambos métodos y en ambos ciclos. Los valores máximos ajustados de Kc se obtuvieron a los 54 y 48 días después de la siembra (DDS) in situ con el GreenSeeker, y a los 61 y 59 DDS con las imágenes satelitales en 2011 y 2012, respectivamente. Los resultados mostraron buena relación entre la ETc estimada in situ y estimada con sensores remotos (r2 = 0.98) para ambos años. Aunque la variación de ETc con ambos métodos fue de 1.2 mm día-1 al inicio del ciclo y 7.4 mm día-1 al inicio de floración-grano lechoso. Con el uso de sensores remotos se estimaron las necesidades hídricas del maíz forrajero con precisión similar a la obtenida con mediciones in situ; por lo que ambos métodos pueden utilizarse para mejorar la programación del riego y preservar el recurso hídrico en la agricultura.

Palabras clave: coeficiente de cultivo; GreenSeeker; imágenes satelitales; índice de vegetación

Summary:

Irrigated agriculture requires better estimates of crop water demand. The aim of this study was to estimate the evapotranspiration (ETc) in forage corn through vegetation indices obtained in situ and estimated with remote sensing in the Comarca Lagunera, Mexico. The research was carried out in 2011 and 2012 in four 900 m2 plots irrigated with a subsurface drip irrigation system. Normalized Difference Vegetation Index (NDVI) and crop coefficient (Kc) during crop development were determined. The initial, maximum and final NDVI values were 0.13, 0.79 and 0.63 for both methods and in both cycles. The maximum Kc values were obtained 54 and 48 days after sowing (DDS) with GreenSeeker, and at 61 and 59 DDS with satellite images in 2011 and 2012, respectively. The results showed a good relationship between ETc estimated in situ and ETc estimated with remote sensing (r = 0.98) for both years. Although the variation of ETc using both methods was 1.2 mm day‑1, early in the cycle and 7.4 mm day-1 to flowering start-milky grains. Water needs of forage corn were estimated with similar precision using remote sensing and in situ measurements. Therefore, both methods can be used to improve irrigation scheduling and preserve water resources in agriculture.

Index words: crop coefficient; GreenSeeker; satellite images; vegetation index

Introducción

La agricultura es el mayor usuario de agua en el mundo (Gontia y Tiwari, 2010). De hecho, el suministro inadecuado y la mala programación del riego en la producción de los cultivos hacen al recurso hídrico cada vez más escaso. Por lo que, una mejor estimación de las necesidades hídricas de los cultivos permitirá la gestión adecuada del riego y la conservación del agua para la agricultura. Un método común para estimar los requerimientos hídricos de los cultivos es mediante la evapotranspiración de referencia (ETo) y el coeficiente de cultivo (Kc) (Allen et al., 1998, 2005).

La evapotranspiración (ET), que incluye la transpiración de las plantas y la evaporación de agua de la superficie del suelo o del agua libre interceptada por el follaje, es una determinación que continúa siendo la de mayor importancia en la agricultura con riego (Allen et al., 1998). La ET es afectada por diversos factores atmosféricos tales como: temperatura del aire, radiación solar, velocidad del viento y humedad relativa. Además, la ET varía regional y estacionalmente de acuerdo con las condiciones de clima, suelo, y vegetación (Jensen y Allen, 2016). Al estimar las variaciones de ET, los técnicos pueden planear y manejar eficientemente el uso de los recursos hídricos en zonas de agricultura, especialmente en regiones áridas y semiáridas del país donde el agua es la principal limitante para la producción agrícola.

En los últimos años, el uso de sensores remotos (instrumentos capaces de obtener información de un objeto sin estar en contacto físico con el objeto) o imágenes satelitales con resolución moderada (LandSat, SPOT, AVHRR) se han convertido en una herramienta básica para estimar el uso del agua por los cultivos en la agricultura. Con esta tecnología, la ET de los cultivos es calculada con base en la ecuación de balance de energía, donde se resta el flujo de calor latente (G) y el flujo del calor sensible (H) de la radiación neta (Rn) (Allen et al., 2007). También con la ayuda de imágenes multiespectrales obtenidas de sensores remotos montados en satélites se pueden estimar índices de vegetación. Los índices de vegetación tal como el índice de vegetación de diferencia normalizada (NDVI), han sido utilizados para estimar el Kc, monitorear la vegetación, predecir los rendimientos y estimar el consumo de agua en los cultivos (Sellers, 1985; Garatuza-Payan y Watts, 2005; Glenn et al., 2011; El-Shirbeny et al., 2014; Reyes-González et al., 2018). El NDVI capta el contraste de la reflectancia de la luz a partir de las hojas verdes entre las longitudes de onda del rojo (R) y el infrarrojo cercano (IRC). La luz roja está fuertemente absorbida por la clorofila de las hojas de las capas superiores del follaje, mientras que el infrarrojo cercano es transmitido, reflejado y dispersado por la estructura del mesófilo de la hoja, penetrando hasta el fondo del follaje e interactuando con múltiples capas de las hojas (Glenn et al., 2011; Balbontín et al., 2016).

Estudios han mostrado altas correlaciones entre NDVI y características biofísicas de la planta. Heilman et al. (1982), indicaron la posibilidad de usar la reflectancia derivada del Índice de Vegetación Perpendicular (IVP) para describir el crecimiento del cultivo de alfalfa (Medicago sativa L.). Neale et al. (1989) demostraron la relación entre el Kc del cultivo de maíz y la diferencia normalizada (ND) obtenido de un radiómetro de tres bandas. Por su parte Husanker et al. (2003) indicaron una relación lineal entre NDVI y Kc para el cultivo de algodón (Gossypium hirsutum L.). Estas relaciones han sido estudiadas para diferentes cultivos en todo el mundo, incluyendo maíz (Bausch, 1995), trigo (Triticum aestivum L.) (Garatuza-Payan et al., 2003), alfalfa (Wright, 1982), sorgo (Sorghum bicolor L. Moench) (Singh e Irmak, 2009), caña de azúcar (Saccharum off icinarum L.) (González-Dugo y Mateos, 2008), uva (Vitis vinifera L.) (Campos et al., 2010), frijol (Phaseolus vulgaris L., SP., PL.) (Laike et al., 2006), nogal (Carya illinoinensis Wangenh., K. Koch) (Samani et al., 2009) y cebolla (Allium cepa L.) (Trout et al., 2008). Sin embargo, la relación entre NDVI proveniente de sensores remotos y de GreenSeeker (equipo para medir el NDVI de los cultivos in situ) con el Kc, tomado de FAO-56, para estimar la ETc en maíz forrajero en la Comarca Lagunera no se han discutido.

Debido a lo anterior, el objetivo de esta investigación fue estimar la evapotranspiración real en maíz forrajero, mediante índices de vegetación obtenidos con sensores remotos y mediciones in situ con el equipo GreenSeeker, para las condiciones de la Comarca Lagunera. La hipótesis planteada fue que los índices de vegetación provenientes de mediciones in situ y sensores remotos permiten estimar con precisión similar la evapotranspiración real en maíz forrajero con riego presurizado.

Materiales y Métodos

El presente estudio se realizó en el Campo Experimental La Laguna del Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias (INIFAP) de Matamoros Coahuila, México (25? 32’ N, 103? 14’ O, altitud de 1100 m y clima muy seco semicálido (Bwh), con humedad atmosférica escasa, temperatura media anual de 22.6 °C, precipitación promedio de 215.5 mm y evaporación media de anual de 2000 mm (Figura 1) (Villa et al., 2005).

Figura 1: Ubicación del área de estudio (A); imagen satelital Landsat 8 infrarrojo (5,4,3) (path 30, row 42) (B); mediciones in situ de NDVI con el equipo GreenSeeker (C). 

La investigación se realizó durante los ciclos de crecimiento 2011 y 2012. Se establecieron cuatro parcelas de 30 m de largo por 30 m de ancho, con 40 surcos en cada una de ellas. Los surcos se orientaron de norte a sur, con distancia entre ellos de 0.76 m y seis plantas por metro lineal (80 000 plantas ha-1). La siembra se realizó en seco el 21 de abril de 2011 (ciclo primavera) y el 13 de julio de 2012 (ciclo verano), con la variedad de maíz Arrayan (ABT) de ciclo intermedio (~105 días) y tolerante a altas temperaturas. La dosis de fertilización fue dosificada a través del riego de acuerdo al crecimiento fenológico del cultivo aplicando una dosis total de 200-100-00 (N, P2O5, K2O).

El sistema de riego utilizado fue por goteo subsuperficial (RGS). La cintilla utilizada fue la RO DRIP 8 mil (Rivulis Irrigation Inc., San Diego, CA, EUA) con espesor de pared de 0.200 mm y diámetro interior de 16 mm, con emisores a 0.2 m y un caudal de 0.5 L h-1 por emisor. La cintilla fue enterrada a 0.3 m de profundidad, con distancia entre ellas de 0.76 m. El riego se aplicó cada tercer día, aplicando 100% de ETo, multiplicado por un Kc correspondiente a cada etapa fenológica (inicio, desarrollo, madurez y senescencia). La ETo se tomó de la estación agroclimatológica del Campo Experimental la Laguna, la cual se encuentra ubicada a 10 m del cultivo en estudio. La ecuación que utiliza esta estación para calcular ETo es la propuesta por Penman-Monteith (Allen et al., 1998) (1):

λETo=ΔRn-G+PaCpes-eara+γI+rsrar()1

donde:

λ = calor latente de evaporización (MJ kg-1),

ETo = evapotranspiración de referencia (pasto)(mm día‑1),

Δ = representa la pendiente de la curva de presión de vapor de saturación (kPa °C-1),

R n = radiación neta (MJ m-2 día-1),

G = flujo del calor en el suelo (MJ m-2 día-1),

P a = densidad media del aire a presión constante (kg m‑3),

C p = calor específico del aire (MJ kg-1 °C-1),

(e s -e a ) = déficit de presión del vapor (kPa),

γ = constante psicométrica (kPa °C-1),

r s y r a = resistencia superficial y aerodinámica (s m-1).

El NDVI in situ se empezó a medir a los 12 y 14 días después de la siembra (DDS) en 2011 y 2012 respectivamente, con intervalo de siete días, a una altura de 0.8 m sobre el dosel (Figura 1C). Se realizaron cuatro mediciones por día por parcela a lo largo de los surcos elegidos durante el ciclo del cultivo. Las mediciones se realizaron por la mañana (10:00 a.m.). El promedio de las cuatro parcelas se comparó con el NDVI obtenido de los sensores remotos. Las mediciones se realizaron con el equipo GreenSeeker, el cual fue diseñado por la Universidad Estatal de Oklahoma y comercializado por la compañía NTech Industries (Ukiah, CA, EUA). El GreenSeeker funciona dirigiendo un haz de luz roja (660 nm), así como uno de infrarrojo cercano (780 nm) al dosel del cultivo. El campo de visión es un ovalo que va de 25 a 50 cm dependiendo de la altura a la que se encuentre el GreenSeeker respecto al dosel del cultivo. El NDVI es calculado utilizando la reflectancia espectral de la banda visible e infrarrojo cercano usando la siguiente Ecuación (2) (Rouse et al., 1974).

NVDI=IRC-RIRC+R()2

donde: IRC y R son reflectancias en la longitud de onda del infrarrojo cercano y rojo, respectivamente.

Referente a los sensores remotos, las imágenes de satélite utilizadas se capturaron durante el crecimiento del cultivo del 25 de abril al 14 de julio en 2011 y del 24 de julio al 12 de octubre en 2012, con los satélites Landsat 5 y Landsat 7 TM (Thematic Mapper) (path = 30, row = 42). En 2011 se utilizaron ocho imágenes y en 2012 se utilizaron cinco. Las imágenes se examinaron visualmente, asignando a cada imagen un índice de claridad entre 0 y 1, donde 0 es una imagen llena de nubes e inutilizable y 1 es una imagen libre de nubes. Los índices de claridad para cada imagen se muestran en el Cuadro 1. Para el estudio se usaron imágenes con índice de claridad mayor o igual a 0.8.

Cuadro 1: Índices de claridad para las diferentes imágenes de satélite utilizadas en el estudio. 

Fecha imagen DDS # Landsat Índice de claridad
2011
25/4 5 5 1
19/5 29 7 1
27/5 37 5 1
4/6 45 7 1
20/6 61 7 1
28/6 69 5 0.95
6/7 77 7 0.9
14/7 85 5 0.85
2012
24/7 12 7 0.85
9/8 28 7 0.8
25/8 44 7 0.9
10/9 60 7 0.9
12/10 92 7 0.8

DDS = días después de la siembra.

Las imágenes satelitales se procesaron con el programa ERDAS IMAGINE (Hexagon Geospatial Co., Madison, AL, EUA) versión 9.0, donde se calibraron los números digitales, primero a radiancia y luego a reflectancia con las siguientes Ecuaciones (3) y (4):

Radiancia:

Lγ=LMAXλ-LMINλQcalmax-QcalminQcal-Qcalmin+LMINλ()3

donde:

L λ = radiación espectral de la banda de interés,

LMAX λ : máxima radiación de la banda,

LMIN λ : mínima radiación de la banda,

Q calmax : nivel digital máximo calibrado (255),

Q calmin : nivel digital mínimo calibrado (1),

Q cal : número digital para cada pixel.

Reflectancia:

ρλ=π x Lλ x d2ESUNλ x  cosθs ()4

donde:

ρ λ : reflectancia de la banda de interés,

π: 3.1416,

L λ : radiación espectral de la banda de interés,

d 2 : distancia entre la tierra y el sol,

ESUN λ : irradiación solar en la banda de interés,

COSθ S : coseno del ángulo de incidencia solar (de nadir) (ángulo cenital = 90 - ángulo de elevación).

El NDVI se calculó con la reflectancia de las bandas 3 y 4 (rojo e infrarrojo cercano) para cada una de las imágenes. Para evitar problemas de mezcla de pixeles, se utilizó el pixel ubicado en el centro del experimento.

Finalmente, se estableció una regresión lineal entre el NDVI derivado de las imágenes de satélite y el NDVI del GreenSeeker con el Kc tomado del manual FAO-56 para un sistema de riego presurizado y basado en la referencia de un pasto (Allen et al., 1998). La ecuación lineal obtenida se usó para estimar el Kc como una función del NDVI para ambos años en estudio. Los valores de Kc se multiplicaron por ETo y se generó ETc.

Resultados y Discusión

Medición in situ de NDVI con el GreenSeeker

La curva de NDVI muestra la misma tendencia a través de la estación de crecimiento para ambos años (Figura 2). Se observó un incremento de NDVI desde la etapa inicial (V3) a la etapa de madurez (inicio floración-grano lechoso (VT-R3)) empezando a los 12 y 14 DDS y terminando a 54 y 48 DDS en 2011 y 2012, respectivamente. En el periodo de inicio de desarrollo hasta madurez se presentaron las mayores desviaciones estándar (±0.05) en 2011 y (±0.048) en 2012. En esta etapa la biomasa se incrementó rápidamente resultando en un aumento de NDVI y una mayor cobertura vegetal. Los valores máximos de NDVI (0.79 y 0.80) fueron a 54 y 48 DDS en 2011 y 2012, respectivamente. La diferencia entre valores máximos de NDVI se debió a las temperaturas medias alcanzadas durante la etapa de desarrollo, registrándose 25.84 y 27.24 °C en abril y mayo de 2011; y 27.79 y 28.78 °C en julio y agosto de 2012 y a la acumulación de unidades calor (UC) 878 en 2011 y 909 en 2012. Debido a las altas temperaturas medias durante el segundo ciclo de crecimiento (Figura 3) y a la acumulación de calor; el ciclo fue menor. Una vez alcanzado el valor máximo de NDVI, los valores empezaron a descender ligeramente, indicando la senescencia del cultivo.

Figura 2: Progresión de NDVI medido in situ con GreenSeeker en maíz forrajero en 2011 y 2012 en la Comarca Lagunera, México. 

Figura 3: Temperatura media durante las primeras etapas de desarrollo del cultivo (0-55 DDS) en los ciclos 2011 y 2012. 

Los resultados de esta investigación fueron similares a los obtenidos en maíz en varios estudios con variaciones de la edad del cultivo cuando alcanzaron los máximos valores de NDVI, debido a diferencias en condiciones de clima y métodos de riego respecto a las ocurridas en la Comarca Lagunera. Hong et al. (2007) observaron valores máximos de NDVI de 0.79 y 0.81 con el GreenSeeker en el cultivo de maíz durante dos años. Thomason et al. (2007) reportaron valores máximos de NDVI de 0.80 en la etapa vegetativa (V15), la cual fue alcanzada a 56 DDS, mientras que Romano et al. (2011) obtuvieron los mayores valores de NDVI en la etapa de pre-antesis (0.79), la cual empezó a 69 y término a 79 DDS. Por lo tanto, los valores de NDVI obtenidos en esta investigación fueron un buen indicador del estado actual de la planta, lo que representa una predicción confiable del coeficiente de cultivo basado en índice de vegetación para maíz forrajero en la Comarca Lagunera.

Estimación de NDVI con sensores remotos

Las curvas de NDVI obtenidas de sensores remotos se caracterizaron por presentar tres etapas de desarrollo (inicio-desarrollo, madurez y senescencia). Las curvas de NDVI generadas con los sensores remotos mostraron la misma tendencia para ambos años en estudio (Figura 4). Progresiones similares de NDVI fueron reportadas por Reyes-González et al. (2018) en maíz forrajero durante cuatro estaciones de crecimiento al norte de México.

Figura 4: Progresión de NDVI estimado mediante imágenes de satélite en maíz forrajero en 2011 y 2012 en la Comarca Lagunera, México. 

El valor inicial de NDVI fue 0.13 para ambos años. Los valores máximos alcanzados en la etapa de madurez (VT) en 2011 fue 0.73 (61 DDS) y en 2012 fue 0.76 (59 DDS). La etapa de madurez presentó la máxima cobertura vegetal por el cultivo; sin embargo, los valores máximos de NDVI estimados con el satélite fueron menores a los medidos in situ, esto debido a que las mediciones in situ fueron realizadas semanalmente, mientras que con el satélite Landsat la frecuencia fue quincenal (16 días), por lo que en in situ se capturaron los valores de NDVI con mayor exactitud de acuerdo a la etapa fenológica en la que se encontraba el cultivo. Otra razón puede ser que las mediciones in situ son directamente al dosel del cultivo y con el satélite los valores de NDVI son de un área (pixel) de 30 × 30 m, midiendo cultivo y suelo desnudo (Reyes-González, 2017 1). En la última etapa de desarrollo fenológico del maíz, cuando en el cultivo empieza la senescencia los valores de NDVI decrecen ligeramente hasta el final de la estación de crecimiento o época de cosecha (grano a ⅓ de línea de leche (R3)), registrando valores de 0.60 en 2011 y 0.62 en 2012. Los resultados de este estudio son similares a las curvas de NDVI reportadas en otras investigaciones realizadas en el cultivo de maíz (Neale et al., 1989; Bausch, 1993; Jackson et al., 2004; Bushong et al., 2014), las cuales mostraron diferentes etapas fenológicas del cultivo (desarrollo, madurez y senescencia). Las curvas de los índices de vegetación como el NDVI pueden variar de acuerdo con la cantidad de nitrógeno aplicado, cantidad de agua suministrada, prácticas de manejo y sobre todo a las condiciones climáticas de cada región (Allen et al., 1998). Por ello es importante realizar estudios en diferentes regiones, para ajustar la información a las condiciones locales.

Curvas de Kc generadas de los índices de vegetación medidas in situ y estimados con sensores remotos

Los modelos de regresión lineal fueron utilizados para estimar el Kc como función del NDVI para ambos métodos (Figura 5). Las curvas de Kc ajustado obtenidas in situ y estimados con los sensores remotos mostraron una misma tendencia, iniciando con un valor de ~0.2, valor máximo de ~1.0, y al final se reduce a un valor promedio de ~0.78 (Figura 6).

Figura 5: Regresión lineal entre NDVI obtenido in situ (arriba) e imágenes de satélite (abajo) y Kc obtenido del manual de la FAO-56 en maíz forrajero para 2011 y 2012. 

Figura 6: Curvas de coeficiente de cultivo (Kc) ajustado como una función de NDVI obtenido in situ (arriba) y de las imágenes de satélite (abajo) para ambos años en estudio. 

Por otro lado, y de acuerdo con los resultados de Kc ajustado obtenido in situ, el valor máximo de Kc se alcanzó a 54 DDS en 2011 y 48 DDS en 2012, mientras que para las imágenes de satélite fue a 61 DDS en 2011 y 59 DDS en 2012. La diferencia entre el máximo Kc alcanzado en ambos años se debió a las mayores temperaturas medias diarias y a las unidades calor acumuladas (Ojeda-Bustamante et al., 2006) durante el segundo ciclo de crecimiento, el cual fue más cálido (Figura 3). Estas curvas de Kc fueron semejantes a las reportadas por Reyes-González et al. (2015), quienes generaron curvas de Kc para maíz utilizando el cultivo de alfalfa como referencia en la Región Lagunera. No obstante, estas curvas fueron diferentes a las reportados por Allen et al. (1998), quienes reportaron etapas fenológicas más prolongadas en Utah, EUA, en comparación con las encontradas en este estudio debido principalmente a la acumulación de calor. Por consiguiente, y de acuerdo con los resultados obtenidos en esta investigación, en la agricultura con riego es de vital importancia generar curvas de Kc en condiciones locales como lo recomiendan Doorenbos y Pruitt (1977) y Allen et al. (1998).

Estimación de ETc con valores de índice de vegetación obtenidos in situ e imágenes de satélite

En 2011, los valores de ETc diarios estimados con los índices de vegetación obtenidos in situ fluctuaron de 1.05 a 7.31 mm día-1, registrándose el primero el 25 de abril (5 DDS) y el segundo el 28 de junio (69 DDS). Los valores de ETc estimados con el satélite oscilaron entre 1.11 mm día-1 y 7.40 mm día-1 para las mismas fechas reportadas in situ (Cuadro 2).

Cuadro 2: ETc diaria, diferencia promedio y raíz del error cuadrático medio (RMSE) para maíz forrajero estimados in situ y con el satélite en 2011 y 2012 en la Comarca Lagunera, México. 

DDS Kc ETo In situ (I) Satélite (S) Diferencia(I contra S)
2011
- - - - - - - - - - - - - - mm día -1 - - - - - - - - - - - - - -
5 0.15 7.20 1.05 1.11 -0.06
29 0.67 6.00 3.53 3.42 0.11
37 0.76 6.40 5.73 5.24 0.49
45 0.94 6.90 6.58 6.69 -0.11
61 0.97 6.50 6.16 6.28 -0.12
69 0.93 8.00 7.31 7.40 -0.09
77 0.90 7.30 6.54 6.27 0.27
85 0.79 5.30 4.51 4.29 0.22
RMSE 0.23
2012
12 0.22 5.80 1.20 1.27 -0.07
28 0.45 7.10 3.89 3.33 0.56
44 0.89 6.40 6.17 5.88 0.29
60 0.98 5.70 5.60 5.70 -0.10
92 0.83 4.80 3.83 3.96 -0.13
RMSE 0.29

DDS = días después de la siembra; Kc = coeficiente de cultivo; ETo = evapotranspiración de referencia; RMSE = raíz del error cuadrático medio.

En 2012, los valores de ETc diarios estimados in situ fueron de 1.20 a 6.17 mm día-1, observados el 24 de julio (12 DDS) y el 25 de agosto (44 DDS), respectivamente; mientras que los estimados con el satélite fueron 1.27 y 5.88 mm día-1 para las mismas fechas (Cuadro 2). En general, los valores bajos de ETc se encontraron al inicio, mientras que los valores altos se encontraron en la etapa de madurez. Estas dos etapas de desarrollo se caracterizan porque en la primera, el cultivo requiere mínima cantidad de agua, ya que tiene menos follaje y por lo tanto demanda menos agua para cubrir la demanda atmosférica a través de la evapotranspiración; mientras que en la segunda etapa el cultivo tiene mayor follaje y por consecuencia demanda más cantidad de agua (mayor evapotranspiración) (Reyes-González et al., 2018). La diferencia de evapotranspiración del cultivo entre lo estimado in situ y el satélite vario de -0.12 a 0.49 mm día-1 en 2011 y de -0.13 a 0.56 mm día-1 en 2012.

Si se considera una lámina total de riego de 70 cm (700 mm) y un ciclo intermedio de 105 días para maíz forrajero en la Comarca Lagunera (Faz et al., 2000), la ETc total durante el ciclo se estaría subestimando con el satélite en 3.6% en 2011 y en 4.6% en 2012 con respecto a lo obtenido in situ, tomando en cuenta la raíz del error cuadrático medio (RMSE) para ambos años y una ETc diaria promedio de 6.36 mm dia-1. Los porcentajes de error obtenidos en este estudio fueron menores a los reportados por Gowda et al. (2008), Chávez et al. (2008), Lei y Yang (2012) y Reyes-González et al. (20171), quienes encontraron valores entre 10 y 20% de error en la estimación de ET total. Aunque también se han encontrado porcentaje de errores similares (González-Dugo et al., 2009; Irmak et al., 2011) quienes reportaron porcentajes de 4.6 y 9 en la estimación de ET utilizando imágenes de satélite.

Relación de ETc diaria entre los valores estimados in situ y los estimados con las imágenes de satélite

Los coeficientes de determinación (r2) para la ETc estimada fueron 0.98 en 2011 y 0.97 en 2012, mostrando buena relación en la estimación diaria de ETc (Figura 7). Las correlaciones de ETc presentaron interceptos de 0.0762 y 0.0346 y pendientes de 0.9973 y 0.9655 en 2011 y 2012, respectivamente, mostrando alta relación entre los valores medidos y observados con 98% y 97% de confiabilidad. Los resultados fueron semejantes a los reportados en otros estudios (González-Dugo et al., 2009; Lei y Yang, 2012), quienes encontraron fuertes relaciones de ET basados en NDVI estimados mediante sensores remotos y mediciones in situ en el cultivo de maíz. Sin embargo, en otras investigaciones, también se encontraron bajas correlaciones (r2 = 0.70), tal es el caso de los reportados por Singh e Irmark, (2011), quienes compararon estimaciones de ET diarias con energía de balance de la Relación de Bowen (BR) in situ, y estimadas mediante imágenes de satélite procesadas con el modelo METRIC (Mapeo de la Evapotranspiración en alta Resolución y con Calibración Internalizada). Por lo tanto, los resultados obtenidos en esta investigación indican que la ETc puede ser estimada eficientemente usando índices de vegetación obtenidos in situ y de imágenes satelitales.

Figura 7: Relación de ETc diaria entre los valores estimados in situ y los estimados con el satélite durante la estación de crecimiento de maíz forrajero en 2011 y 2012. 

Conclusiones

Las curvas del coeficiente de cultivo (Kc) ajustado como una función del índice de vegetación de diferencia normalizada (NDVI) obtenidos in situ y estimados con sensores remotos mostraron una misma tendencia con valores de 0.2 a 1.0. Los valores máximos de Kc se obtuvieron a 54 y 48 días después de la siembra (DDS) in situ y a 61 y 59 DDS con los sensores remotos para el 2011 y 2012, respectivamente, siendo el segundo año el más cálido. Adicionalmente, los valores más bajos de ETc (±1.2 mm día-1) se presentaron al inicio del ciclo (V3), mientras que los valores más altos (±7.4 mm día-1) se presentaron en la etapa de madurez (VT-R3). Estos valores fueron estimados con alto grado de precisión (r2 = 0.98 y 0.97) entre lo medido y lo estimado utilizando ambos métodos durante los dos años de estudio. Por lo tanto, las mediciones in situ y los sensores remotos pueden ser herramientas útiles para estimar con precisión la evapotranspiración real del maíz forrajero bajo riego, permitiendo incrementar la eficiencia en el uso y manejo del agua en este cultivo.

Literatura Citada

Allen, R. G., L. S. Pereira, D. Raes, and M. Smith. 1998. Crop evapotranspiration. FAO Irrigation and Drainage Paper 56. Food and Agriculture Organization of the United Nations. Rome, 300 p. ISBN 92-5-104219-5. [ Links ]

Allen, R. G. , I. A. Walter, R. Elliott, T. A. Howell, D. Itenfisu, and M. E. Jensen. 2005. The ASCE standardized reference evapotranspiration equation. Task Committee on Standardization of Reference Evapotranspiration. Reston, VA, USA. hdl:10013/epic.49050.d001. [ Links ]

Allen, R. G. , M. Tasumi, and R. Trezza. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-model. J. Irrig. Drain. Eng. 133: 380-394. [ Links ]

Balbontín, C., M. Odi, R. Poblete, J. Garrido, I. Campos y A. Calera. 2016. Uso de herramientas de teledetección y SIG para el manejo del riego en los cultivos. Boletín INIA Nº 335. Instituto de Investigaciones Agropecuarias, Centro Regional Intihuasi, La Serena, Chile. ISSN 0717-4829. [ Links ]

Bausch, W. C. 1993. Soil background effects in reflectance-based crop coefficient for corn. Remote Sens. Environ. 46: 213-222. doi: 10.1016/0034-4257(93)90096-G. [ Links ]

Bausch, W. C. 1995. Remote sensing of crop coefficients for improving the irrigation scheduling of corn. Agric. Water Manage. 27: 55-68. doi: 10.1016/0378-3774(95)01125-3. [ Links ]

Bushong, J. T., E. C. Miller, J. L. Mullock, D. B, Arnal, and W. R. Raun. 2014. Effect of irrigation and preplant nitrogen fertilizer source on maize in the Southern Great Plains. Int. J. Agron. ID247835. doi: 10.1155/2014/247835. [ Links ]

Campos, I., C. M. U. Neale, A. Calera, C. Balbontín, and J. González-Piqueras. 2010. Assessing satellite-based basal crop coefficient for irrigated grapes (Vitis vinífera L.). Agric. Water Manage. 98: 45-54. doi: https://doi.org/10.1016/j.agwat.2010.07.011. [ Links ]

Chávez, J. L., C. M. U. Neale, J. H. Prueger, and W. P. Kustas. 2008. Daily evapotranspiration estimates from extrapolating instantaneous airborne remote sensing ET values. Irrig. Sci. 27: 67-81. doi: https://doi.org/10.1007/s00271-008-0122-3. [ Links ]

Doorenbos, J. and W. O. Pruitt. 1977. Guidelines for predicting crop water requirements. FAO Irrigation and Drainage Paper No 24. Rome, Italy. [ Links ]

El-Shirbeny, M. A., A. M. Ali, M. A. Badr, and E. M. Bauomy. 2014. Assessment of wheat crop coefficient using remote sensing techniques. World Res. J. Agric. Sci. 1: 012-016. [ Links ]

Faz C., R., G. Núñez H. y A. Zavala G. 2000. Evaluación de híbridos precoces e intermedios de origen templado o tropical en condiciones restringidas de humedad en la Comarca Lagunera 2000. Informe de investigación del Ciclo Primavera 2000 CELALA-INIFAP-SAGAR. Celaya, Gto., México. [ Links ]

Garatuza-Payan, J. and C. Watts. 2005. The use of remote sensing for estimating ET of irrigated wheat and cotton in Northwest Mexico. Irrig. Drain. Sys. 19: 301-320. doi: 10.1007/s10795-005-5192-2. [ Links ]

Garatuza-Payan, J., A. Tamayo, C. Watts, and J. C. Rodríguez. 2003. Estimation large area wheat evapotranspiration from remote sensing data. IEEE International Geoscience and Remote Sensing Symposium I: pp. 380-382. doi: 10.1109/IGARSS.2003.1293782. [ Links ]

Glenn, E. P., C. M. U. Neale, D. J. Husanker, and P. L. Nagler. 2011. Vegetation index-based crop coeff icients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystem. Hidrol. Process. 25: 4050-4062. doi: https://doi.org/10.1002/hyp.8392. [ Links ]

Gontia, N. K. and K. N. Tiwari.2010 Estimation of crop coefficient and evapotranspiration of wheat (Triticum aestivum) in an irrigation command using remote sensing and GIS. Water Res. Manage. 24: 1399-1414. doi: https://doi.org/10.1007/s11269-009-9505-3. [ Links ]

González-Dugo, M. P. and L. Mateos. 2008. Spectral vegetation indices for benchmarking water productivity of irrigation cotton and sugar beet crops. Agric. Water Manage. 95: 48-58. doi: https://doi.org/10.1016/j.agwat.2007.09.001. [ Links ]

González-Dugo M. P., C. M. U. Neale, L. Mateos, W. P. Kustas, J. H. Prueger, M. C. Anderson, and F. Li. 2009. A comparison of operational remote sensing-based model for estimating crop evapotranspiration. Agric. For. Meteorol. 149:1843-1853. doi: https://doi.org/10.1016/j.agrformet.2009.06.012. [ Links ]

Gowda, H. P., J. L. Chávez, T. A. Howell, T. H. Marek, and L. L. New. 2008. Surface energy balance based evapotranspiration mapping the Texas High Plains. Sensors (Basel) 8: 5186-5201. doi: 10.3390/s8085186. [ Links ]

Heilman, J. L., W. E. Heilman, and D. G. Moore. 1982. Evaluating the crop coefficient using spectral reflectance. Agron. J. 6: 967-971. doi: https://doi.org/10.2134/agronj1982.00021962007400060010x. [ Links ]

Hong, S., J. S. Schepers, D. D. Francis, and M. R. Schlemmer. 2007. Comparison of ground-based remote sensors for evaluation of corn biomass affected by nitrogen stress. Soil Sci. Plant Anal. 38: 2209-2226. doi: 10.1080/00103620701549157. [ Links ]

Husanker, D. J., P. J. Pinter, E. M. Barnes, and B. A. Kimball. 2003. Estimating cotton evapotranspiration crop coefficient with a multispectral vegetation index. Irrig. Sci. 22: 95-104. doi: doi.org/10.1007/s00271-003-0074-6. [ Links ]

Irmak, A., I. Ratcliffe, P. Ranade, K. G. Hubbard, R. K. Singh, B. Kamble, and J. Kjaersgaard. 2011. Estimation of land surface evapotranspiration with a satellite remote sensing procedure. Great Plains Res. 21: 73-88. [ Links ]

Jackson, T. J., D. Cheb, M. Cosh, F. Li, M. Anderson, C. Walthall, P. Doiaswamy, and E. R. Hunt. 2004. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sens. Environ. 92: 475-482. doi: https://doi.org/10.1016/j.rse.2003.10.021. [ Links ]

Jensen, M. E. and R. G. Allen. 2016. Evaporation, evapotranspiration, and irrigation water requirements. ASCE Manuals and Reports on Engineering Practice No. 70. American Society of Civil Engineers. New York, NY, USA. ISBN (PDF): 9780784479209. [ Links ]

Laike, S., K. Tilahum, and T. Hordofa. 2006. Crop coefficient of Haricot Bean at Melkassa, Central Rift Valley of Ethiopia. J. Agric. Rural Dev. Trop. Subtrop. 107: 33-40. [ Links ]

Lei, H. and D. Yang. 2012. Combining the crop coefficient of winter wheat and summer maize with remotely sensed vegetation index for estimating evapotranspiration in the North China Plain. J. Hydrol. Eng. 19: 243-251. doi:10.1061/(ASCE)HE.1943-5584.0000765. [ Links ]

Neale, C. M. U., W. C. Bausch, and D. F. Heerman. 1989. Development of reflectance-based crop coefficient for corn. Transactions of the ASAE 32: 1891-1899. [ Links ]

Ojeda-Bustamante, W., E. Sifuentes-Ibarra y H. Unland-Weiss. 2006. Programación integral del riego en maíz en el norte de Sinaloa, México. Agrociencia 40: 13-25. [ Links ]

Reyes-González, A., C. Hay, J. Kjaersgaard, and C. M. U. Neale. 2015. Use of remote sensing to generate crop coefficient and estimate actual crop evapotranspiration. 2015 ASABE Annual International Meeting. New Orleans, LA, USA. doi: 10.13031/aim.20152190105. [ Links ]

Reyes-González. A., J. Kjaersgaard, T. Trooien, C. Hay, and L. Ahiablame. 2017. Comparative analysis of METRIC model and atmometer methods for estimating actual evapotranspiration. Int. J. Agron. 2017: 1-16. doi: https://doi.org/10.1155/2017/3632501. [ Links ]

Reyes-González. A. , J. Kjaersgaard, T. Trooien, C. Hay, and L. Ahiablame. 2018. Estimation of crop evapotranspiration using satellite remote sensing-based vegetation index. Adv. Meteorol. 2018: 1-12. doi: https://doi.org/10.1155/2018/4525021. [ Links ]

Romano, G., S. Zia-Khan, W. Spreer, C. Sanchez, J. Cairns, J. L. Araus, and J. Müller. 2011. Use of thermography for high throughput phenotyping of tropical maize adaptation in water stress. Comp. Electron. Agric. 79: 67-74. doi: 10.1016/j.compag.2011.08.011. [ Links ]

Rouse, J. W., R. H. Haas, J. A. Schell, and D. W. Deering. 1974. Monitoring vegetation systems in the Great Plains with ERTS. pp: 309-317. In: S. C. Freden, E. P. Mercanti, and M. A. Becker (eds). Third Earth Resources Technology Satellite-1 Symposium- Volume I: Technical Presentations. NASA SP-351. NASA. Washington, DC, USA. [ Links ]

Samani, Z., A. S. Bawazir, M. Bleiweiss, R. Skaggs, J. Longworth, V. D. Tran, and A. Pinon. 2009. Using remote sensing to evaluate the spatial variability of evapotranspiration and crop coefficient in the lower Rio Grande Valley, New Mexico. Irrig. Sci. 28: 93-100. doi: 10.1007/s00271-009-0178-8. [ Links ]

Sellers, P. J. 1985. Canopy reflectance, photosynthesis and transpiration. Int. J. Remote Sens. 6: 1335-1372. doi: https://doi.org/10.1080/01431168508948283. [ Links ]

Singh, R. K. and A. Irmak. 2009. Estimation of crop coefficient using satellite remote sensing. J. Irrig. Drain. Eng. 135: 597-608. doi: 10.1061/(ASCE)IR.1943-4774.0000052. [ Links ]

Singh, R. K. and A. Irmak. 2011. Treatment of anchor pixels in the METRIC model for improved estimation of sensible and latent heat fluxes. Hydrol. Sci. J. 56: 895-906. doi: https://doi.org/10.1080/02626667.2011.587424. [ Links ]

Thomason, W. E., S. B. Phillips, and F. D. Raymond. 2007. Defining useful limits for spectral reflectance measures in corn. J. Plant Nutr. 30: 1263-1277. doi: https://doi.org/10.1080/01904160701555176. [ Links ]

Trout, T. J., L. F. Johnson, and J. Gartung. 2008. Remote sensing of canopy cover in horticultural crops. HortScience 43: 333-337. doi: 10.21273/HORTSCI.43.2.333. [ Links ]

Villa Castorena, M. M., E. A. Catalán V. y M. A. Inzunza Ibarra. 2005. Análisis de la información climática para usos agrícolas. Agrofaz 5: 717-724. [ Links ]

Wright, J. L. 1982. New evapotranspiration crop coefficients. J. Irrig. Drain. Div. 108: 57-74. [ Links ]

1Reyes-González, A. 2017. Using remote sensing to estimate crop water use to improve irrigation water management. Electronic Theses and Dissertations. 1708. South Dakota State University. https://openprairie.sdstate.edu/etd/1708.

Cita recomendada:

Reyes González, A., D. G. Reta Sánchez, J. I. Sánchez Duarte, E. OchoaMartínez, K. Rodríguez Hernández y P. Preciado Rangel. 2019. Estimaciónde la evapotranspiración de maíz forrajero apoyada con sensores remotos ymediciones in situ. Terra Latinoamericana 37: 279-290. DOI: https://doi.org/10.28940/terra.v37i3.485

Received: January 18, 2018; Accepted: April 02, 2018

Autor para correspondencia (reyes.arturo@inifap.gob.mx)

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons