Artículos

 

Discriminación y estimación del área con labranza de conservación empleando imágenes SPOT 4*

 

Distinction and estimation of the area with conservation agriculture using SPOT 4 images

 

Noé Saldaña Robles^1§, José Álvaro Flores García¹, Salvador García Barrón¹, Agustín Zavala Segociano¹ y Rey Kristian Navarro Gaytán¹

 

¹ Universidad de Guanajuato. División de Ciencias de la Vida. Carretera Irapuato-Silao km 9, Ex hacienda "El Copal". (alvaflo@ugto.mx), (salvagb@ugto.mx), (agustinsegoviano@gmail.com), (k_navarrrog@hotmail.com). ^§Autor para correspondencia: saldanar@dulcinea.ugto.mx.

 

* Recibido: septiembre de 2011
Aceptado: mayo de 2012

 

Resumen

 

El estado de Guanajuato presenta serios problemas de erosión de suelos agrícolas como resultado de las prácticas de preparación tradicionales, por lo que actualmente, en el estado de Guanajuato existen instituciones que impulsan la adopción de la labranza de conservación como alternativa para remediar la severa erosión. Sin embargo, las estadísticas actuales sobre la adopción de labranza de conservación en México, no son confiables y al generar esta información las instituciones que impulsan esta práctica podrán monitorear y planear sus actividades. En este trabajo se presentan los resultados de una clasificación supervisada de imágenes de satélite SPOT 4, para discriminar y estimar la superficie bajo labranza de conservación en una región agrícola del estado de Guanajuato. La metodología se basó en un análisis de clasificación supervisada empleando el método de Mahalanobis y paralelepípedos. En el análisis se emplearon imágenes XS-SPOT4 y HRG2 SPOT5. Se llevó a cabo un muestreo de campo estratificado-sistemático. La clasificación se evaluó mediante la matriz de confusión y el índice Kappa. El 92.7% de parcelas verificadas en campo bajo labranza de conservación fueron identificadas correctamente y 93.7% para labranza convencional. El índice kappa calculado para labranza de conservación fue 0.9208 y 0.9396 para labranza convencional. La discriminación y estimación de labranza de conservación se hizo para el ciclo primavera-verano 2010 y se estimó 16.1% de labranza de conservación de 262 104 ha clasificadas. El índice kappa y la matriz de confusión mostraron que la clasificación supervisada permitió muy buena separabilidad entre prácticas de conservación y convencionales.

Palabras clave: clasificación supervisada, erosión del suelo, labranza convencional, percepción remota, residuo agrícola quemado.

 

Abstract

The state of Guanajuato presents serious problems regarding the erosion of farming soils as a result of traditional preparation practices, and therefore, in the state of Guanajuato there are currently institutions that promote the adoption of conservation agriculture as an alternative to revert severe erosion. However, current statistics on the adoption of conservation agriculture in Mexico are not reliable, and when generating this information, the institutions that promote this practice could monitor and plan their activities. This investigation presents the results of a supervised classification of SPOT 4 satellite images, to distinguish and estimate the surface under conservation agriculture in an agricultural area of the state of Guanajuato. The methodology is based on a supervised classification analysis using the method of Mahalanobis and parallelepipeds. The analysis required the use of XS-SPOT4 and HRG2 SPOT5 images. A stratified-systematic field sampling was performed. The classification was evaluated using the matrix of confusion and the Kappa index. Of the plots verified on the field under conservation agriculture, 92.7% were identified correctly, along with 93.7% for conventional agriculture. The Kappa index calculated for Conservation Agriculture was 0.9208, and 0.9396 for conventional agriculture. The distinction and estimation of conservation agriculture were carried out for the spring-summer cycle 2010, and 16.1% was estimated for conservation agriculture, out of 262 104 ha that were classified. The Kappa index and the matrix of confusion showed that the classification supervised allowed a good separability between conservation and conventional practices.

Key words: supervised classification, soil erosion, traditional tillage, remote perception, burned agricultural residue.

 

Introducción

Claveran et al. (2001) mencionó que 80% de la superficie en México tiene problemas serios de erosión; ya que, anualmente se pierden 535 millones de toneladas de suelo, de los cuales 69% va a dar al mar, y 31% queda en ríos, lagos, lagunas y presas. El problema de erosión del suelo es el resultado de algunas actividades agrícolas muy extendidas. La labranza de conservación (LC) ha mostrado reducir la tasa de erosión del suelo hasta 95% en algunos casos (Martínez et al., 2001), además se le atribuyen otros beneficios como reducción del volumen de agua empleado en riego (Medina et al., 2008) y captura de CO₂ (Lal y Kimble, 1997; Bruce et al., 1999). La LC consiste en sembrar en suelo sin remover y dejar una cubierta de residuo del cultivo anterior, en consecuencia las operaciones agrícolas subsiguientes requieren cambios que dan lugar a un sistema de producción agrícola nuevo, que cuida mejor los recursos naturales que él derivado de barbechar y rastrear el suelo (Gregorich y Carter, 1997).

En el estado de Guanajuato existen instituciones que han trabajado por más de diez años en promover la adopción de la LC y desarrollo tecnológico para la misma y no cuentan con una forma de medir el impacto de su labor. Por otro lado, de acuerdo con FAO (2006) se estimó en 100 millones de hectáreas la superficie con LC, alrededor del mundo y México no figura en estas estadísticas. Las estadísticas actuales del área bajo LC en México están estimadas a partir del número de sembradoras de labranza de conservación entregadas a través de programas de apoyo al campo en aproximadamente 650 000 hectáreas; sin embargo, una práctica común es el uso de dichas sembradoras en labranza tradicional o convencional (LT).

Durante la última década se han realizado investigaciones para desarrollar metodologías e índices que permitan discriminar los suelos agrícolas bajo prácticas agrícolas específicas. Uno de los índices más ampliamente empleados para estudiar la vegetación en diferentes condiciones es el índice de vegetación de diferencia normalizada (NDVI por sus siglas en inglés), desarrollado por Tucker (1979), el cual es calculado a partir de la reflectancia en el infrarrojo cercano (IRC) y el rojo (R) según la ecuación 1.

El índice de diferencia normalizada basado en principios similares al NDVI (por sus siglas en inglés, NDI, McNairn and Protz, 1993) emplea las bandas 5 y 7 de imágenes de los satélites LandSat 5TM y LandSat 7ETM+ y fue desarrollado para discriminar suelos desnudos (Bannari et al., 2000). Biard y Baret (1997) propuso el índice de suelo ajustado con residuo de cultivo (SACRI) por sus siglas en inglés, el cual integra el concepto de línea de suelo, lo cual en algunos casos resulta impráctico debido a la información de campo requerida para su aplicación. El índice de absorción por celulosa (por sus siglas en inglés, CAI) permite diferenciar el tipo de labranza y fue desarrollado empleando una cámara hiperespectral (Daughtry et al., 1995), requiere de bandas espectrales que no están presentes en la información registrada por los satélites disponibles actualmente, excepto Hyperion cuyas imágenes no son de acceso público.

Serbin et al. (2009) plantea el índice de infrarrojo cercano por diferencia normalizada para residuo como un discriminador del tipo de labranza basado en imágenes ASTER presentando resultados favorables, por sus siglas en inglés, SINDRI. Otra forma de discriminar los suelos con residuos vegetales, son las metodologías basadas en el análisis multitemporal de imágenes. Deventer et al. (1997) desarrolló un modelo empírico para identificar el tipo de labranza (convencional o conservación) con base en las propiedades del suelo, para ello empleó imágenes LandSat 5TM y conocimientos específicos de la agricultura en la región estudiada. Otro trabajo en donde se probó la regresión logística como método para discriminar las prácticas de preparación del suelo agrícola fue el de Bricklemyer et al. (2002). Bannari et al. (2006) investigaron en la identificación de residuos de diferentes cultivos empleando información hiperespectral e imágenes IKONOS mediante el concepto de mezcla espectral lineal con resultados satisfactorios. Narayanan et al. (1992) estudiaron imágenes de radar para cuantificar el porcentaje de cobertura superficial con residuo, mostrando el potencial de la información.

En el presente trabajo se estableció una metodología de análisis de información, empleando la clasificación supervisada con el método de Mahalanobis para delimitar las clases, a partir de imágenes de satélite SPOT 4 e información de campo, para discriminar y estimar la superficie que se cultiva bajo esquemas de LC en el ciclo primavera-verano de 2010 en una región agrícola del estado de Guanajuato comprendida por 12 municipios y áreas parciales de otros 8 que están entre los principales productores agrícolas del estado de Guanajuato y que han sido las principales zonas de acción de las instituciones impulsoras de la LC.

 

Materiales y métodos

La región bajo estudio comprendió el área de tres imágenes SPOT 4 que contienen el total o más de 80% del área de los siguientes municipios del estado de Guanajuato: Salamanca, Irapuato, Valle de Santiago, Pueblo Nuevo, Abasolo, Huanimaro, Pénjamo, Manuel Doblado, Juventino Rosas, Villagrán, Cueramaro, Apaseo el Alto, Apaseo el Grande, Celaya, Comonfort Cortazar y Jaral del Progreso; y contienen un área menor a 70% de: Jerecuaro, Salvatierra y Tarimoro. Esta región agrícola se encuentra a 1 700 msnm promedio, con precipitación pluvial anual promedio de 700 mm. Las temperaturas oscilan entre los 3 y los 30 °C con un promedio anual de 20 °C. El tipo de suelo que predomina es el Vertisol Pélico con textura fina, que fue un criterio para definir la zona de estudio, junto con el hecho de que engloba los municipios con mayor superficie dedicada a la agricultura en el estado y también es la zona en que se han concentrado las actividades de impulso para la adopción de labranza de conservación.

En el estado de Guanajuato se establecen cultivos en dos ciclos básicamente (SDA Guanajuato, 2010): otoño-invierno (OI) con siembras entre octubre y febrero, con la mayoría sembrando en diciembre. Se establecen principalmente trigo (Triticum aestivum L.), cebada (Hordeum vulgare) y la mayor parte de hortalizas; y primavera-verano (PV), las siembras se realizan entre marzo y septiembre, con la mayoría sembrando en mayo. La mayor superficie la ocupan los cultivos de maíz (Zea mays L.) y sorgo (Sorgohum vulgare Pers.).

Adicionalmente, la superficie agrícola del estado tiene cultivos perennes como alfalfa, agave, fresa, sandia, calabacita, ajo, cebolla y algunas hortalizas con un promedio de 60 mil hectáreas, siendo alfalfa la de mayor superficie con 90% (Flores-López y Scott, 2000). Los cultivos se establecen bajo riego o temporal. Los cultivos de riego usan agua proveniente de las presas de la región y agua de pozo. La agricultura de temporal se sustenta únicamente en la humedad proveniente de las lluvias. De acuerdo con García y Martínez (2007) la superficie agrícola de temporal en el estado es de 671 588 ha mientras que 502 973 ha son de riego.

En el estudio se utilizaron tres imágenes del satélite SPOT 4, con las coordenadas de la órbita del satélite, fecha y hora (GTM) siguientes (Figura 1):

 

Imagen 1 582 309 con fecha del 26 de mayo de 2010, tomada a las 17:32:08.

Imagen 2 584 309 con fecha del 26 de mayo de 2010, tomada a las 17:16:28.

Imagen 3 583 309 con fecha del 06 de junio de 2010, tomada a las 17:16:29.

Las características de las imágenes se resumen en: (1) resolución radiométrica de 8 bits (2) resolución espacial de 20 m X 20 m /pixel; y (3) resolución espectral de cuatro bandas, banda 1 - infrarrojo cercano (0.69 - 0.89 μm), banda 2 - rojo (0.61 - 0.68 μm), banda 3 - verde (0.50 - 0.59 μm) y banda 4 - infrarrojo medio (1.58 -1.75 μm). Además se utilizaron tres imágenes pancromáticas SPOT 5, para la corrección geométrica de las imágenes SPOT 4. Las fechas para las tomas de imágenes de satélite se escogieron con base al ciclo primavera- verano de la región bajo estudio. Debido a las condiciones bajo las cuales se toman las imágenes, no es posible definir una fecha y se sugiere a los responsables un rango de una semana para realizar cada toma.

 

Preparación de las imágenes de satélite

La preparación consistió en la corrección geométrica de las imágenes empleadas mediante el método de rectificación por polinomio de segundo grado, empleando imágenes cuya resolución son de 2.5 m x 2.5 m. Se emplearon 90 puntos de control terrestre (GCP, Ground Control Point) por imagen para la corrección geométrica y se seleccionaron estratificada y aleatoriamente poniendo especial énfasis en la zona agrícola. El resultado final de la corrección se evaluó en términos del error medio cuadrático. (RMSe, Root Mean Square error) que fue igual o menor a medio pixel de la imagen SPOT 4 (menor o igual a 10 m). También, se realizó la corrección radiométrica de las imágenes mediante el método del cuerpo negro, para lo cual se consideraron las presas y cuerpos de agua de la región. Por último, se aplicó el método de ecualización de histograma. En las tres imágenes corregidas se trabajó para separar la superficie agrícola.

La identificación de dicha área se realizó en dos etapas: (1) manualmente empleando el método de árbol de decisiones (foto interpretación) sobre la imagen original (en combinación falsa infrarrojo cercano-rojo-verde), empleando como características: geometría, color, tamaño y textura se separaron las zonas urbanas, cuerpos de agua, montañas y nubes de mayor tamaño; (2) Se realizó una clasificación no supervisada "Iterative Self-Organization Data Analysis" empleando las cuatro bandas originales SPOT 4, el NDVI y un modelo de elevación digital (MED) de la zona con resolución espacial de 15 m x 15 m, de acuerdo al método propuesto por (Mehdi et al., 2010). La imagen resultante de la clasificación no supervisada, se procesó empleando el método de mediana con matriz de 3 x 3, y después el método de Sieve para eliminar grupos de pixeles menores a 13 pixeles para eliminar caminos de terracería, jardines y baldíos. La imagen resultante del proceso se empleó como mascara sobre la imagen original separando la zona agrícola.

 

Reconocimiento del área bajo estudio

Ya que el principal factor que distingue a la LT de aquella de conservación es el residuo dejado en las parcelas, se procedió a realizar un reconocimiento previo a la siembra en la segunda semana de abril para identificar la variabilidad que ofrece la superficie dedicada a la agricultura, enfocado a los suelos preparados para la siembra del ciclo primavera-verano 2010, y definir las características número de clases de las prácticas de preparación del suelo, información complementada por productores.

 

Muestreo de campo

De acuerdo al objetivo del presente trabajo, la preparación de parcelas para ser cultivadas se dividió en LC y LT. Además, empleando la información de los hallazgos en el reconocimiento del área, para el estudio se consideró importante dividir la preparación de los terrenos en las siguientes cinco clases:

Siembra directa (SD1). El residuo de trigo o cebada se empaca parcialmente, y se deja una cubierta de residuo sobre la parcela, y sin remover el suelo se siembra maíz o sorgo.

Labranza mínima (SD2). Igual a SD1, además se lleva a cabo un mínimo laboreo del suelo, remarcando los surcos para favorecer el riego por gravedad.

Labranza tradicional sin residuo (C1). El residuo se empaca al mayor porcentaje posible, se quema o se abandona a la orilla y de forma común se pueden llevar a cabo las siguientes operaciones en el suelo: cincelado (opcional), barbecho, rastreo (una o dos veces hasta pulverizar el suelo) y nivelación. El residuo dejado en campo se integra de tal forma que desaparece por completo de la superficie.

Labranza tradicional con residuo (C2). El residuo del cultivo anterior se integra al suelo y se llevan a cabo las siguientes operaciones en el suelo: cincelado (opcional), barbecho, rastreo (una o dos veces) y nivelación, por la abundancia del residuo, éste se mantiene presente en la superficie entre los pequeños terrones de suelo.

Siembra directa sobre residuo quemado (SD3). El residuo del cultivo anterior es quemado en diferentes proporciones y con el suelo sin alterar se siembra el siguiente cultivo.

Otras coberturas en parcelas agrícolas (B). Alfalfa, brócoli, calabacita, agave, cebolla, ajo, sandia, etc., suelos no preparados para siembra y residuos de vegetación ajenos a las prácticas de LC.

Las clases SD1 y SD2 se consideraron como prácticas de LC y las otras se consideraron prácticas de LT. El muestreo en campo para obtener la información consistió en levantar los siguientes datos: localización geográfica de la parcela con un GPS, Garmin 60 csx (sistema de posicionamiento global, por sus siglas en inglés, Garmin International Inc., Olathe, KS, USA) y una computadora portátil con el programa ARCGIS® 9.3 (ESRI Inc., Redlands, CA, USA); tipo de residuo (trigo o cebada) o última operación de preparación del suelo; fecha de siembra aproximada; cultivo sembrado y tipo de siembra (hileras por surco).

El muestreo se realizó bajo un esquema estratificado-sistemático, en donde el porcentaje de parcelas visitadas por municipio se aproximó al porcentaje de área agrícola de dicho municipio con respecto al área total estudiada. Las parcelas observadas fueron aquellas que no estuvieron a más de 1 000 m de carreteras primarias y secundarias del estado. El muestreo se llevó a cabo del 24 al 28 de mayo y se consideró que las parcelas que se registraron dentro de algún tipo de labranza estuviesen ya sembradas. De los registros, 681 parcelas correspondieron a LT y 393 a LC.

Además se levantó la posición de 10 parcelas con pastizales, 5 con maleza seca por agroquímico, 5 con alfalfa seca por corte reciente, 12 parcelas con agave, 2 parcelas con fresa sobre acolchado, 4 parcelas con esparrago, 2 parcelas con brócoli cosechado, 3 parcelas con jitomate, esto para evaluar la separación de otras coberturas agrícolas de LC (patas de cebada y trigo) y suelos labrados. La distribución del muestreo según las cinco clases definidas quedó como sigue: 500 parcelas en C1, 55 en C2, 126 en SD3, 242 en SD1, 151 en SD2 y 43 parcelas de otras coberturas, por último, de los datos anteriores durante el análisis se eliminaron 73 parcelas por contener información errónea u omitir datos. El número de parcelas visitadas en campo para cada una de estas cinco clases fue aleatorio, en donde cabe aclarar que en algunos municipios no se encontraron prácticas de LC.

 

Identificación del tipo de labranza

Una vez aislada el área agrícola se realizó un análisis de componentes principales, para resaltar posibles diferencias entre las clases SD1 y SD2, así como C1 y SD3 que presentaban similitud espectral al revisar los perfiles espectrales, seguido de una clasificación supervisada empleando el método de Mahalanobis por paralelepípedos para lo cual se empleó el programa ERDAS® IMAGINE® 9.1 (ERDAS Inc., Norcross, GA, USA), los pixeles que no cayeron en los paralelepípedos establecidos se dejaron sin clasificar. El entrenamiento del algoritmo de la clasificación supervisada se hizo con 12 parcelas para cada uno de los 5 tipos de labranza.

A la imagen resultante de la clasificación se aplicó un filtro de "mayoritariedad", limpiando pixeles aislados o altamente descartables. La clasificación supervisada (de las tres imágenes) se evaluó a través de la matriz de confusión y el índice kappa (Maclure and Willet, 1987). La matriz de confusión y el índice kappa se calcularon a partir de los datos restantes del muestreo que no se utilizaron en el entrenamiento (puntos de verificación).

 

Resultados y discusiones

Reconocimiento del área bajo estudio

Las coberturas encontradas en el área de estudio para abril de 2010 se presentan en el Cuadro 1, agrupadas en tres categorías: (1) vegetación seca, en donde se clasificaron parcelas ocupadas por residuos de cultivos y vegetación en senescencia; (2) suelos, en donde cayeron parcelas libres de vegetación verde en donde cayeron parcelas con coberturas de cultivos y plantas.

Los suelos barbechados presentaron terrones de diferentes tamaños y los suelos rastreados presentaron apariencia visual más uniforme. Los suelos desnudos sin residuo y sin alteración fueron encontrados en parcelas de temporal y el contenido de humedad percibido visualmente en la superficie era bajo. Las parcelas que presentaron maleza y pastizales secos, ofrecieron visualmente tonos cafés más intensos que los residuos recién cosechados con tonos de amarillo claro más brillantes.

 

Separación de la zona agrícola

Al aplicar la clasificación no supervisada se generó una imagen temática con 45 clases, en las cuales con base en decisiones simples de geometría y color se aislaron las clases que representaron la zona agrícola (Figura 2a). La imagen resultante presentó pixeles de vegetación en ciudad por ejemplo jardines y parques, caminos de terracería, baldíos con vegetación seca, suelos y vegetación de montañas que quedaron clasificadas en los mismos grupos que algunos pixeles de zona agrícola. Además en la zona agrícola se observó que algunas parcelas fueron clasificadas en dos o tres clases, predominando ampliamente una clase. Por lo que, un filtro de mediana sustituyó grupos de 4 pixeles o menos por la clase mayoritaria, mientras que para eliminar grupos con menos de 13 pixeles, se aplicó el método de Sieve. El área inicialmente aislada con la clasificación no supervisada se redujo 15.3% debido a la eliminación caminos, parques, jardines y otras zonas no agrícolas (Figura 2b).

Identificación del tipo de labranza

La evaluación de la clasificación supervisada se llevó a cabo mediante la elaboración de la matriz de confusión y el cálculo del índice Kappa. En el Cuadro 2 se muestra la matriz de confusión de la clasificación y se puede observar que de las 43 parcelas de referencia que no cayeron en las definiciones de labranza (B) se clasificaron correctamente 39 (90.7%), esto indica muy buena separabilidad de las clases de los tipos de labranza propuestos en el presente trabajo de otras coberturas agrícolas. Por otro lado; 48.7% de las parcelas clasificadas en B pertenecían a algún tipo de labranza. El 6.98% de referencias de C2, y 5.80% de SD2 fueron parcelas clasificadas en B y fueron los porcentajes más altos de confusión, también fueron las clases con menor número de referencias localizadas junto con B. Esto puede sugerir que la variabilidad encontrada en el muestreo de campo para las parcelas en C2 y SD2 debe incrementarse localizando un mayor número de parcelas en estas dos clases.

Es importante resaltar que las referencias en algún tipo de labranza que cayeron en B representaron 3.7% del total de puntos. Por otro lado, se observó que 37 parcelas de referencia en C1 (7.77%) fueron clasificadas en SD3 y 7 parcelas de referencia en SD3 (6.14%) fueron clasificadas en C1, que en porcentaje de error fue similar y fue el más alto para las clases de LT en contraste con 77 referencias en SD1 que fueron clasificadas en SD2 (33.48%) y 26 referencias en SD2 fueron clasificadas en SD1 (18.84%), lo que muestra porcentajes de error mayores en LC que en LT.

En el Cuadro 3 se presenta un resumen de los porcentajes de coincidencias, con respecto a las parcelas de referencia en campo y las parcelas clasificadas. Destaca que B presenta el mayor porcentaje 90.77%; C1, C2 y SD3 presenta 83%, 76.7% y 75.4% respectivamente que son superiores a los aciertos obtenidos para SD1 y SD2 de 71% y 60.9% respectivamente. Es importante mencionar que la mayor confusión entre parcelas clasificadas incorrectamente se dio entre las mismas prácticas de LC (SD1 y SD2) o convencional (C1, C2 y SD3).

Mediante el índice Kappa mostrado en el Cuadro 4 se observó que la clase C1 presentó un valor de 0.9243, lo que indica una separabilidad muy buena de esta clase, seguido de SD1 con 0.7151 y SD3 con 0.6377, lo que representa una separabilidad buena para ambas clases. Finalmente, se observó una separabilidad moderada para las clases B, SD2 y C2.

Para evaluar la clasificación de manera objetiva se juntaron las clases SD1 y SD2 en LC, y C1, C2 y SD3 en LT, tanto para los resultados de la clasificación como para los registros del muestreo de campo y se elaboró la matriz de confusión mostrada en el Cuadro 5. Además también el índice Kappa mostró aumento en el acuerdo entre las referencias de campo y los resultados de clasificación, siendo de 0.9396 para LT y 0.9208 para LC, lo que indicó un muy buen acuerdo en ambos casos. Se clasificaron correctamente 93.7% de referencias de LT, y 92.7% de LC. Con respecto al número total de aciertos que tuvo la clasificación en términos de LT y LC se obtuvieron 973 parcelas clasificadas correctamente de las 1 044 verificadas, lo que representa 93.2%.

El porcentaje de precisión para discriminar la LC obtenido en el presente estudio estuvo por debajo de 95% obtenido por Bricklemyer et al. (2002) quien además sugirió incluir en la clasificación otras coberturas agrícolas. En el presente trabajo, se incluyeron otras coberturas lo que permitió observar deficiencia en el muestreo de algunas clases de labranza propuestas, que de realizarse la clasificación inmediata puede corregirse con nuevas visitas a campo.

Con respecto a Deventer et al. (1997) que logró 89% de precisión, el presente estudio obtuvo mayor porcentaje de aciertos. Bannari et al. (2006) discriminó superficies con cultivo, superficies con suelos desnudos y superficies con residuo de cultivo empleando imágenes IKONOS e información hiperespectral presentando en resultados un índice Kappa de 0.92 muy similar al encontrado en el presente estudio.

Considerando lo anterior, la alta precisión lograda en el presente estudio pudiera deberse a la predominancia de un tipo de suelo en la zona de estudio, que además ofrece diferencia espectral con los residuos agrícolas por sus propiedades, mientras que la variación en la precisión de discriminación para estudios anteriores pudiera ser el resultado de las características y la variación de los tipos de suelo incluidos en las zonas de estudio.

 

Cuantificación del área bajo labranza de conservación

El resultado de la clasificación realizada se presenta en el mapa de la Figura 3, en donde se puede observar que las prácticas de labranza están regionalizadas, por ejemplo se pueden observar zonas agrícolas en Pénjamo (izquierda y abajo) en donde predomina SD3. Otro ejemplo son las zonas donde predomina SD1 y SD2 en Valle de Santiago. Jaral del Progreso presenta en su mayoría parcelas bajo prácticas de LT.

En el Cuadro 6 se presenta el área estimada por municipios para la superficie analizada que fue de 262 104 ha, de las cuales 83.9% se encuentran bajo LT; y 16.1% restante en LC. Con respecto a los datos presentados por municipio para los tipos de labranza los valores presentados indican tendencias. Los municipios con mayor porcentaje de prácticas de LC son Valle de Santiago, Manuel Doblado y Cueramaro con 33.2%, 32.4% y 29.9% de la superficie analizada en cada municipio. Los municipios con mayor superficie bajo prácticas de LC fueron Valle de Santiago (7 523.1 ha), Pénjamo (6 631.8 ha, 14.4% del área analizada para el municipio) y Salamanca (5 630.9 ha, 20.9% del área analizada para el municipio). Los municipios con mayor área quemado fueron Pénjamo (10 262.8 ha), Apaseo el Grande (6 088.2 ha) y Juventino Rosas (5 259.8 ha) y con respecto a los porcentajes más altos por municipio están Juventino Rosas, Comonfort y Apaseo el Grande. Los municipios con muy pocas prácticas de LC son Comonfort (5.03%), Jerecúaro (2.03%) y Apaseo el Alto (0.76%).

 

Conclusiones

A través de la clasificación supervisada se logró identificar correctamente 93.7% de parcelas bajo LT y 92.7% parcelas bajo labranza de conservación, lo que indica un resultado bueno para estimar la superficie bajo labranza de conservación empleando el método de clasificación supervisada y un muestreo de campo rápido. Esto es reafirmado con el índice Kappa que fue 0.9396 para LT y 0.9208 para labranza de conservación. La separación de las prácticas de labranza de conservación, es decir siembra directa de conservación y labranza mínima, presenta mayores dificultades, lo mismo en LT, los suelos preparados (con arado o rastra) y siembra directa con residuo quemado presentan separabilidad moderada. De los resultados, se observó que las prácticas de conservación se presentaron concentradas en regiones y la diferencia en la adopción de las prácticas entre municipios fue considerable ya que algunos presentaron arriba de 33.2% del área analizada bajo labranza de conservación, mientras que otros estuvieron abajo de 6%. En futuros trabajos el aumento en resolución espacial podría permitir mejorar la discriminación de las prácticas de labranza, como es el caso de labranza mínima y siembra directa de conservación.

 

Agradecimientos

A la Universidad de Guanajuato por el apoyo financiero para realizar el proyecto. A la Asociación para la Siembra Directa, A. C. y al distrito de riego DR011 del estado de Guanajuato, por la información aportada y trabajo de campo realizado. A la Secretaría de Marina y armada de México por la donación de las imágenes SPOT 4.

 

Literatura citada

Bannari, A.; Habaudane, D. and Bonn, F. 2000. Intérêt du moyen infrarouge pour la cartographie des résidus de cultures. Canadian J. Remote Sensing. 26(5):384-393.         [ Links ]

Bannari, A.; Pacheco, A.; Staenz, K.; McNairn, H. and Omari, K. 2006. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and IKONOS data. Remote Sensing of Enviroment. 104(4): 447-459.         [ Links ]

Biard, F. and Baret, F. 1997. Crop residue estimation using multiband reflectance. Remote Sensing Environ. 59(3):530-536.         [ Links ]

Brickemyer, R. S.; Lawrence, R. L. and Miller, P. R. 2002. Documenting no-till and conventional till practices using Landsat ETM+ imagery and logistic regression. J. Soil and Water Conservation. 57(5):267-271.         [ Links ]

Bruce, J.; M. Frome, E. H.; Janzen, H. and Lal, R. 1999. Carbon sequestration in soils. J. Soil Water Conserv. 54(1):382-389.         [ Links ]

Claveran, A. R.; Fregoso, L. E. y Sánchez C., B. 2001. La labranza conservacionista en México. I World Congress on Conservation Agriculture. Madrid, España. 1-5.         [ Links ]

Daughtry, C. S. T.; McMurtrey III, J. E.; Nagler, P. L.; Kim, M. S. and Chappelle, E. W. 1995. Spectral reflectance of soils and crop residues. In: Davis, A. M. C. and Williams, P. (Eds.). Near infrared spectroscopy: the future waves. NIR Publicantions. The Proceedings of the 7th International Conference on Near Infrared Spectroscopy. Montreal, Canada. 505-510.         [ Links ]

Deventer, A. P.; Ward, A. D.; Gowda, P. H. and Lyon, J. G. 1997. Using thematic mapper data to identify contrasting soil plains and tillage practices. Photogrammetric Engineering and Remote Sensing. 63(1):87-93.         [ Links ]

Flores-López, F. J. y Scott, C. A. 2000. Superficie agrícola estimada mediante análisis de imágenes de satélite en Guanajuato, México. International Water Management Institute. Serie Latinoamericana. 15:1-39.         [ Links ]

Food and Agriculture Organization (FAO) 2006. Conservation agriculture. Spotlight Magazine. Sitio web: http://www.fao.org/ag/magazine70110sp.htm (consultado 17 marzo, 2009).         [ Links ]

García, N. H. y Martínez, L. G. 2007. Uso de ortofotos para actualizar el mapa de uso del suelo en Guanajuato, México. Agric. Téc. Méx. 33(3):271-279.         [ Links ]

Gregorich, E. G. and Carter, M. R. 1997. Soil quality for crop production and ecosystem health. Dev. Soil Sci. 25:125-165.         [ Links ]

Lal, R. and Kimble, J. M. 1997. Conservation tillage for carbon sequestration. Nutr. Cycling Agroecosys. 49:243-253.         [ Links ]

Maclure, M. and Willett, W. C. 1987. Misinterpretation and misuse of the kappa statistic. Am. J. Epidemiol. 126:161-169.         [ Links ]

Martínez, A. C.; Reyes, J. J.; Loaiza, A.; Moreno, G.T. y Palacios, O. 2001. Erosión y productividad en cinco sistemas de manejo del suelo en el sur de Sinaloa. Campo Experimental Sur de Sinaloa-Centro de Investigación Regional del Noroeste-Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP). Folleto técnico Núm. 2. México. 6 p.         [ Links ]

McNairn, H. and Protz, R. 1993. Mapping corn residue cover on agricultural fields in Oxford County, Ontario, using Thematic Mapper, Canadian J. Remote Sens.19(2): 152-159.         [ Links ]

Medina, O. L. E.; Bravo, E. M.; Prat, C.; Martínez, M. M.; Ojeda, T. E. y Serrato, B. B. E. 2008. Pérdida de suelo, agua y nutrientes en un Acrisol bajo diferentes sistemas agrícolas en Michoacán, México. Agric. Téc. Méx. 34(2):201-211.         [ Links ]

Mehdi, G. M.; Mehdi, B. and Mojaradi, B. 2010. Mapping and area estimation of wheat by SPOT satellite image. Map Asia 2010 & ISG 2010 Conference. Delhi, India. 26-28 July, 2010.         [ Links ]

Narayanan, R. M.; Mielke, L. N. and Dalton, J. P. 1992. Crop residue cover estimation using radar techniques. Appl. Eng. Agric. 8(6):863-869.         [ Links ]

Secretaría de Desarrollo Agropecuario de Guanajuato (SDAG) 2010. La agricultura. Sitio web: http://sda.guanajuato.gob.mx/agricultura.html (consultado 10 junio, 2010).         [ Links ]

Serbin, G. E.; Hunt, R.; Daughtry, C. S. T.; McCarty, G. W. and Doraiswamy, P. C. 2009. An Improved ASTER Index for Remote Sesing of Crop Residue. Remote Sensing. 1:971-991.         [ Links ]

Tucker, C. J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment. 8(2):127-150.         [ Links ]