Introducción

El procedimiento descrito en el Manual FAO-56 es el más utilizado para calcular la evapotranspiración de los cultivos (ET_c), que consiste en el producto de un coeficiente de cultivo (K_c) por la evapotranspiración de referencia (ET₀) (^{Allen et al., 2006}). ^{Wright (1982)} propuso el método dual, donde el K_c es el producto del coeficiente basal del cultivo (K_cb) y el coeficiente asociado con la evaporación del suelo (K_e). El componente K_cb representa las condiciones de evaporación del cultivo en condiciones donde la superficie del suelo está seca (la evaporación directa desde la superficie del suelo es mínima), y el crecimiento del cultivo no está limitado por el estrés hídrico, fitosanitario, o factores climatológicos o fisiológicos (^{Rocha et al., 2011}). En la actualidad, se emplea ampliamente el K_cb para estimar la evapotranspiración real, que representa la línea base potencial del valor de K_c (^{Allen et al., 2006}). La principal referencia en este tema es el compendio del Manual FAO-56; sin embargo, tiene ciertas limitaciones, ya que solo proporciona valores de K_cb en tres etapas principales para cada cultivo y en condiciones estándar, las cuales son inexistentes en aplicaciones reales (^{Mhawej et al., 2021}).

La metodología del coeficiente de cultivo se utiliza para estimar la ET_c y programar el riego (^{Escarabajal et al., 2015}). No obstante, su aplicación requiere la determinación de los K_cb de cada cultivo y etapa de desarrollo, para lo cual existen diversos métodos, muchos de los cuales son laboriosos, destructivos, y costosos en términos de tiempo y dinero. Por ello, se ha optado por simplificar su determinación mediante variables como el índice de área foliar (^{Kirk et al., 2009}), la fracción de cobertura vegetal (^{López-Urrea et al., 2009}) o la reflectividad de la cubierta del cultivo (^{Neale et al., 1989}), entre otros.

La relación empírica entre las variables biofísicas y el K_cb con índices de vegetación es cada vez más utilizado debido a la amplia disponibilidad de información de sensores remotos (^{Odi-Lara et al., 2013}). Actualmente, existen varias ecuaciones o algoritmos que estiman el K_cb para cultivos herbáceos (maíz, trigo y vid, entre otros) mediante índices de vegetación, como el índice de vegetación de diferencia normalizada (NDVI) y el índice de vegetación ajustado al suelo (SAVI), que son los más usados por su facilidad de cálculo y derivables a partir de un sensor multiespectral (^{Candiago et al., 2015}). El uso de sensores remotos permite estimaciones de grandes superficies, ya que proporcionan información espacial y temporal confiable durante el período de crecimiento del cultivo (^{Chaudhary & Srivastava, 2021}).

Los satelitales han despertado un gran interés en la comunidad científica debido a sus múltiples aplicaciones, así como su alta resolución espacial, temporal, espectral y radiométrica (^{Borràs et al., 2017}). Los más utilizados son los que proporcionan información gratuita y de fácil acceso, como el satélite Sentinel-2. Además, las imágenes satelitales, combinadas con tecnologías de información geográfica, se utilizan con el objetivo de optimizar la productividad agrícola, al considerar la variabilidad espacial, ya que se asocia a cada predio de producción (^{Lizarazo-Salcedo & Alfonso-Carvajal, 2011}).

La Región Lagunera, donde se encuentra el distrito de riego (DR) 017, es una de las principales cuencas lecheras a nivel nacional, y su ganado es alimentado, fundamentalmente, con alfalfa, ensilaje y concentrados. El ensilaje de maíz es el más común, ya que puede constituir del 30 al 40 % de la ración (en base seca) de las vacas de producción (^{González-Castañeda et al., 2005}). El maíz forrajero es un cultivo con alta productividad, contenidos bajos de proteína y buen valor energético (^{Núñez-Hernández et al., 2003}). Lo anterior ha provocado que incrementen las áreas sembradas con este cultivo, ya que, además, es uno de los forrajes que requieren menos agua (^{Arreola et al., 2016}). En los últimos cuatro años, este ha sido el principal cultivo en la región, con una superficie actual de 54 000 ha (^{Reyes-González et al., 2022}), de una superficie total de riego de 167 000 ha.

La región dispone de dos fuentes de agua para el riego de cultivos: superficial (agua de río) y subterránea (agua de pozo), pero ambas fuentes están limitadas y con poca disponibilidad. Esto obliga a los productores a implementar estrategias para incrementar el uso eficiente del agua de riego, como rehabilitación de canales, construcción de estanques, nivelación de tierras y tecnificación del riego parcelario, entre otros. Sin embargo, todos estos esfuerzos no darán los mejores resultados sino se parte del principio de aplicar sólo los requerimientos hídricos de los cultivos. Por ello, es importante realizar estimaciones prácticas y operativas del K_cb durante todo el ciclo vegetativo, para posteriormente calcular la ET_c y programar los riegos haciendo un uso eficiente del agua.

El uso de información espectral de imágenes del satélite Sentinel-2 es una alternativa al método de FAO-56 para calcular el K_cb. Por lo anterior, el objetivo del presente trabajo fue evaluar nueve algoritmos (seis que utilizan el índice NDVI y tres el SAVI), para estimar el K_cb del maíz forrajero durante todo el ciclo vegetativo en dos parcelas con distinta fuente de agua y diferente manejo de riego. Se identificaron los algoritmos que presentan las mejores precisiones al compararlos con el K_cb obtenido de tablas del Manual FAO-56 (^{Allen et al., 2006}).

Materiales y métodos

El estudio se realizó durante el ciclo primavera – verano 2021 en dos parcelas de maíz forrajero ubicadas en el municipio de Francisco I. Madero, Coahuila, México.

Ambas parcelas forman parte de la superficie de riego del Módulo XII del DR 017 Región Lagunera (Cuadro 1; Figura 1). El clima es seco desértico cálido, con lluvias en verano e invierno fresco. La precipitación pluvial media anual es de 258 mm y la evaporación media anual es de 2000 mm, por lo que la relación precipitación – evaporación es 1:10. La temperatura media anual es de 21 °C, con máxima de 33.7 °C y mínima de 7.5 °C (^{García, 2004}).

Figura 1. Localización del área de estudio.  

En ambas parcelas se establecieron siete semillas por metro lineal, con una separación entre surcos de 0.76 m; esto resultó en una densidad de siembra de alrededor de 92 mil plantas∙ha^-1. En la Parcela 1 se aplicaron cinco riegos: un riego de presiembra y cuatro riegos de auxilio. Este predio dispone de derechos de agua superficial (río) y subterránea (pozo). El riego de presiembra y primer auxilio se aplicaron con agua de pozo, y para el resto de los riegos se utilizó agua de río. En la Parcela 2 solamente se empleó agua superficial, y se aplicaron un riego de presiembra y dos riegos de auxilio durante el ciclo vegetativo.

Análisis estadístico

Para evaluar la precisión de los K_cb estimados del maíz forrajero con respecto a los K_cb de tablas del Manual FAO-56, se utilizaron tres indicadores estadísticos: coeficiente de determinación (R²), el cual refleja la bondad de ajuste de un modelo a la variable que pretende explicar (Ecuación 16); 2) cuadrado medio del error (CME), que mide la variación de los valores calculados respecto a los observados (Ecuación 17), y 3) error relativo promedio (ERP), que indica de forma porcentual de la aproximación del valor estimado con respecto al valor real, mientras el valor sea menor mejor es la aproximación (Ecuación 18).

donde y_iobt son los datos de K_cb obtenidos de tablas del Manual FAO-56, Manual FAO-56, ( yiobt ) es el promedio de los datos de K_cb obtenidos de tablas del Manual FAO-56, y_iest son los datos de K_cb estimados con los algoritmos que utilizan IV, ( yiest ) es el promedio de los datos de K_cb estimados con los algoritmos propuestos en este estudio (los cuales utilizan IV e imágenes satelitales Sentinel-2) y n es el número de observaciones.

Resultados y discusión

La duración de las etapas de crecimiento del maíz forrajero determinadas por tablas del Manual FAO-56 se presenta en el Cuadro 3. En ambas parcelas, el ciclo vegetativo fue de 122 días. La cosecha se realizó cuando el cultivo adquirió 34 y 35 % de materia seca en la Parcela 1 y Parcela 2, respectivamente; es decir, cuando el maíz se encontraba en las etapas de desarrollo R3 y R4, y el grano se identificó en estado lechoso en la Parcela 2 y en estado pastoso en la Parcela 1. ^{Núñez-Hernández et al. (2005)} recomienda cosechar con un 28 a 35 % de materia seca para promover una buena fermentación durante el proceso de ensilaje de maíz. Además, en dicho rango, las pérdidas de forraje durante la cosecha son mínimas.

Se registró una diferencia de 196.5 GDD al cumplir la etapa final de crecimiento del cultivo (K_{cb fin}) entre las dos parcelas, siendo la Parcela 2 la que acumuló mayor cantidad de energía térmica. Esto depende de las fechas de siembra y la ubicación geográfica de las parcelas, pero también del manejo del riego, el cual influye en la disponibilidad de agua y afecta la temperatura, lo que disminuye tanto el estrés hídrico como térmico. En este sentido, el maíz forrajero es especialmente sensible en la etapa de llenado de grano (^{Zhu & Burney, 2022}). ^{Núñez-Hernández et al. (2005)} reportó un valor de 1 470 GDD, acumulado en 103 días de ciclo vegetativo de un híbrido de maíz forrajero evaluado en la misma área de estudio.

El IAF de la Parcela 1 fue mayor que el de la Parcela 2 desde la etapa de desarrollo (K_{cb des}) hasta la etapa final del cultivo (K_{cb fin}), lo cual se debe al mayor número de riegos y mejor distribución de éstos en la Parcela 1, por lo que presentó menores abatimientos de humedad aprovechable (AHA) del suelo (Figura 2) y, por consiguiente, menor estrés hídrico. Un mayor estrés hídrico repercute en una menor producción de follaje por unidad de área y una acumulación de biomasa más baja debido a una menor intercepción de radiación fotosintéticamente activa, lo cual, eventualmente, conduce a un menor rendimiento (^{Song et al., 2019}). ^{Montemayor-Trejo et al. (2007)} reportó valores máximos de IAF de 3.4 a los 78 dds del maíz forrajero (etapa de desarrollo), en la Comarca Lagunera, México, al aplicar riego por gravedad. Sin embargo, en otro estudio que se realizó en la misma región, se reportan valores máximos de IAF de 5 en este mismo cultivo, valores similares a los encontrados en este trabajo, pero con riego por goteo (^{Montemayor-Trejo et al., 2012}).

Figura 2. Distribución temporal del abatimiento de humedad aprovechable (AHA) del suelo de las dos parcelas de estudio. RP = riego de presiembra; RA = riego de auxilio.  

En la Figura 2 se presenta el AHA del perfil del suelo obtenido mediante muestreos de contenido de humedad gravimétrica antes y después de riego, y valores promedio de humedad aprovechable a una profundidad de 120 cm (15.4 % para la Parcela 1 y 13.5 % para la Parcela 2). La Parcela 2 presentó el mayor AHA (0 %) antes de aplicar el primer riego de auxilio (1.R.A.), el cual se aplicó a los 63 días después de aplicar el riego de presiembra (R.P.) y a los 55 dds. La programación del DR 017 se realiza con base en los requerimientos del cultivo de algodón, pero no es adecuado para el maíz forrajero, lo cual se refleja en bajos rendimientos y baja calidad de forraje. En la Parcela 1 se observó el mayor AHA (34 %) antes del 3.R.A., el cual se aplicó a los 29 días después del 2.R.A. El resto de los riegos, en ambas parcelas, se aplicaron entre 88 y 53 % del AHA del suelo, siendo el consumo del 50 % de humedad aprovechable el criterio óptimo para aplicar riego por gravedad a las parcelas de estudio.

En el Cuadro 4 se presenta la comparación del K_cb estimado por los algoritmos utilizados en esta investigación y el K_cb reportado en el Manual FAO-56 durante las etapas inicial, desarrollo, media y final del cultivo del maíz forrajero establecido en la Parcela 1. Se observa que la medida de tendencia central que presentó valores menores de error en el cálculo del K_cb en todos los algoritmos utilizados fue el promedio a nivel melga. También, se distingue que el algoritmo Campos K_cbNDVI presentó menor valor de CME, tanto en la etapa inicial (K_{cb ini}) como en la etapa de desarrollo (K_{cb des}). Con referencia a la etapa media (K_{cb med}), el que presentó menor valor de CME fue el algoritmo Glez-Dugo K_cbSAVI, y en la etapa final (K_{cb fin}) fue el algoritmo Glez-Piqueras K_cbNDVI. Al considerar las cuatro etapas de crecimiento del maíz forrajero, los algoritmos Allen FAO-56 K_cbNDVI y Argolo K_cbSAVI mostraron los menores valores de CME. Sin embargo, el algoritmo Campos K_cbNDVI presentó, en cada una de las etapas de crecimiento, valores menores de 22 % de ERP, y en todo el ciclo vegetativo un ERP de 11.6 %, con lo cual se alcanzó una precisión de 88.4 %. Lo anterior resulta satisfactorio para estimar la ET_c mediante índices de vegetación, ya que, de acuerdo con ^{Alfieri et al. (2017)}, se requiere una precisión de 80 %.

En el Cuadro 5 se observa que la moda presentó menor valor de CME en la mayoría de los algoritmos utilizados para calcular el K_cb en la Parcela 2, con excepción de las ecuaciones Campos K_cbNDVI, Argolo K_cbNDVI y Allen FAO-56 K_cbNDVI. En estas expresiones, el promedio mostró menor valor de CME. Asimismo, el algoritmo Argolo K_cbSAVI presentó menores valores de CME en las etapas K_{cb ini} y K_{cb des}. Para las etapas K_cb med y K_cb fin, el menor valor de CME fue con Choudhury K_cbNDVI. Sin embargo, al considerar todo el ciclo de cultivo del maíz, el algoritmo Argolo K_cbSAVI es el que presentó menor valor de CME, pero el algoritmo Argolo K_cbNDVI presentó valores menores al 13 % de ERP en las cuatro etapas de crecimiento del maíz, y 8.3 % de ERP en todo el ciclo de cultivo, con lo cual se obtiene una precisión de 91.7 %.

El algoritmo Campos K_cbNDVI presentó los menores valores de ERP en las dos parcelas de estudio, tanto por etapa de crecimiento como en la totalidad del ciclo vegetativo, con excepción de las etapas K_{cb ini} y K_{cb des} de la Parcela 2. Así, este algoritmo es confiable para estimar el K_cb del maíz forrajero con diferente manejo del riego superficial.

En las Figuras 3 y 4 se muestra la distribución del K_cb calculado y el K_cb reportado en el Manual FAO-56 del crecimiento del cultivo. En la Parcela 1 se observa que en las etapas K_{cb ini} y K_{cb des} del cultivo la mayoría de los algoritmos sobreestiman el K_cb. En la etapa K_{cb ini} los algoritmos sobreestimaron el K_cb de 60 a 239 %, y en la etapa K_{cb des} sobreestimaron el K_cb de 10 a 69 %. Por el contrario, en la etapa K_{cb med} la mayoría de los algoritmos subestiman el K_cb de 4 a 40 %, y en la etapa K_{cb fin} la mayoría sobreestiman el K_cb de 2 a 60 %. Se aplicaron cinco riegos en todo el ciclo vegetativo del cultivo, los cuales se distribuyeron en un riego de presiembra o aniego, y cuatro riegos de auxilio aplicados a los 19, 58, 87 y 105 dds, con una lámina de riego bruta acumulada de 93.4 cm (Figura 3).

Figura 3. Distribución del K_cb estimado por los algoritmos utilizados y el K_cb obtenido del Manual FAO-56 del maíz forrajero establecido en la Parcela 1.  

Figura 4. Distribución del K_cb estimado por los algoritmos utilizados y el K_cb obtenido del Manual FAO-56 del maíz forrajero establecido en la Parcela 2.  

En la Parcela 2 se observa que la mayoría de los algoritmos sobreestiman el K_cb en la etapa K_{cb ini} de 22 a 285 %, y en la etapa K_cb des sobreestimaron el K_cb de 2 a 51 %. En contraste, en la etapa K_{cb med} la mayoría de los algoritmos subestimaron el K_cb de 1 a 16 %, y en la etapa K_{cb fin} subestimaron el K_cb de 3 a 12 %. En esta parcela se aplicaron tres riegos durante el ciclo: uno de presiembra y dos de auxilio a los 55 y 82 dds, con una lámina de riego bruta acumulada de 83.8 cm (Figura 4).

De manera general, se observó que en las dos parcelas de estudio los algoritmos utilizados tuvieron un menor ajuste en los períodos inicial y final del cultivo. Lo anterior se debe a que los valores de cobertura del cultivo son menores y la evaporación del suelo, no contemplada por el K_cb, tiene mayor efecto (^{Allen et al., 2006}), por lo que existe mayor variación en los valores diarios de K_{cb ini} y K_{cb fin} dependiendo del estado hídrico de la capa superficial del suelo (^{Rocha et al., 2011}).

En las Figuras 5 y 6 se presentan los mapas de K_cb generados con el algoritmo Campos K_cbNDVI en las dos parcelas de estudio a escala de pixel. Dicho algoritmo presentó los mejores índices estadísticos al comparar los K_cb estimados con los K_cb de tablas del Manual FAO- 56. En la Parcela 1 se observó una variación del K_cb de 0.13 a 0.32 en la etapa inicial (día juliano 77), de 0.25 a 0.59 en la etapa desarrollo (día juliano 107), de 0.82 a 1.05 en la etapa media (día juliano 142) y de 0.77 a 0.96 en la etapa final (día juliano 172) (Figura 5).

Figura 5. Distribución espacial y temporal del K_cb del maíz forrajero establecido en la Parcela 1 en las etapas: a) inicial (77 día juliano), b) desarrollo (107 día juliano), c) media (142 día juliano) y d) final (172 día juliano).  

Figura 6. Distribución espacial y temporal del K_cb del maíz forrajero establecido en la Parcela 2 en las etapas: a) inicial (127 día juliano), b) desarrollo (147 día juliano), c) media (172 día juliano) y d) final (212 día juliano).  

Por su parte, la Parcela 2 presentó variaciones del K_cb de 0.33 a 0.57 en la etapa inicial (día juliano 127), de 0.32 a 0.88 en la etapa de desarrollo (día juliano 147), de 0.86 a 1.11 en la etapa media (día juliano 172) y de 0.70 a 1.12 en la etapa final (día juliano 212) (Figura 6). Se observa que la Parcela 2 presentó mayor variación de los valores de K_cb en todas las etapas de crecimiento del maíz forrajero. Esto se pudo deber a factores como el tipo de cultivo (híbrido), la textura del suelo, el manejo de riego o el microclima, de manera individual o combinada. Los mapas permiten identificar áreas con estrés por riego o nutrición deficiente, mal funcionamiento en el sistema de riego u otro estrés ambiental (^{Knipper et al., 2019}).

Los K_cb estimados por el algoritmo Campos K_cbNDVI fueron similares a los reportados por ^{Gao et al. (2009)} en dos etapas de crecimiento del maíz (inicial y media), al presentar valores de 0.36 a 0.37 en la etapa K_{cb ini}, de 1.18 a 1.19 en la etapa K_{cb med} y de 0.22 a 0.28 en la etapa K_{cb fin}. Los valores de la última etapa fueron diferentes a los reportados en este estudio, ya que los primeros valores de K_cb conciernen al maíz para grano. ^{Ojeda et al. (2006)} obtuvieron valores de K_c, mediante un modelo basado en GDD acumulado, de 0.05 a 0.3 en emergencia (V_E), de 0.4 a 0.45 en etapa vegetativa con cuatro hojas (V₄), de 1 a 1.12 en etapa de panojamiento (V_T), de 1.15 a 1.25 en etapa reproductiva con aparición de estigmas (R₁), de 1.1 a 1.2 en etapa reproductiva con granulación (R₂), de 1 a 1.1 en etapa reproductiva con grano lechoso (R₃) y de 0.8 a 1 en etapa reproductiva con grano masoso (R₄). ^{Reyes-González et al. (2019)} encontraron valores de K_cb de 0.22 a 0.40 en la etapa K_{cb ini}, de 1.00 en la etapa K_{cb med} y de 0.80 en la etapa K_{cb fin}, en la misma área de estudio.

Los K_cb derivados de la información espectral de las imágenes Sentinel-2 son independientes de los parámetros de tiempo, día de siembra y cobertura efectiva, y representan la evolución de los cultivos en tiempo cuasi real. En este caso, la diferencia corresponde únicamente al lapso en la obtención de las imágenes de satélite y el procesamiento de la información (1-2 días), lo cual facilita la programación del riego en una región grande, ya que no se requieren fechas de siembra ni cobertura efectiva supuesta (^{Rocha et al., 2011}).

Conclusiones

El uso de información espectral, de las bandas roja e infrarroja cercana, registrada en las imágenes del satélite Sentinel-2 es una alternativa factible y adecuada al método del Manual FAO-56 para calcular el coeficiente de cultivo basal (K_cb) del maíz forrajero. Además, al combinar el uso de esta tecnología con el levantamiento de información en campo, es posible analizar su comportamiento con mayor detalle y realizar estimaciones más precisas, ya que se cuenta con información específica para el ciclo de cultivo y sitio de estudio. Esto permite dar seguimiento a su evolución en tiempo cuasi real y, en consecuencia, realizar la programación del riego en forma oportuna en tiempo y espacio, con lo cual incrementa la eficacia de uso del agua.

El algoritmo Campos K_cbNDVI presentó las mejores precisiones para estimar el K_cb del maíz forrajero en las dos diferentes condiciones del riego parcelario, tanto en sus etapas de crecimiento, como en la totalidad de su ciclo de cultivo, al obtener una precisión promedio de 88 %.