Comparación de índices climáticos y espectrales en la estimación de rendimiento de maíz y soja a nivel departamental en Entre Ríos

• Autores: Vaiman, Nicolás
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: De Ruyver, Roberto; Durante, Martín
• Materia: ESTIMACION DE RENDIMIENTO; SOJA; MAIZ; PRECIPITACIONES; SENSORES REMOTOS; YIELD ESTIMATE; SOYBEAN; MAIZE; PRECIPITATIONS; REMOTE SENSING
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Las estimaciones de rendimientos agrícolas son de gran importancia debidoa que la producción de alimentos juega un papel fundamental en la seguridadalimentaria y en la economía de los países. En el pasado, las estimaciones derendimiento se debían realizar a campo, con operaciones trabajosas y lentas, y seobtenían resultados poco precisos. Por este motivo, cada vez más trabajosapuntan a estimar el rendimiento mediante técnicas geo-informáticas. Considerando la disponibilidad de datos de libre acceso existen dos posibilidadespara estimar los rendimientos: por un lado, se pueden utilizar datos deprecipitaciones, y, por otro lado, se pueden utilizar datos provenientes desensores remotos. El objetivo del trabajo fue determinar y comparar la capacidadde distintos índices (climáticos y espectrales) de estimar los rendimientosagrícolas a escala departamental en la provincia de Entre Ríos. En primerainstancia se determinó la capacidad de las precipitaciones y el SPI (Standardized Precipitation Index) de 3 meses, ambos en distintos períodos de acumulación enel semestre cálido (octubre a marzo). Los modelos que mejor explicaron elrendimiento en maíz fueron los que incluyeron información de diciembre (tanto conprecipitaciones como con SPI), con un menor error de predicción y un mayorcoeficiente de determinación. En cambio, en soja, fueron aquellos que se basaronen la precipitación previa al período crítico y el SPI centrado en dicho período. Luego, en segunda instancia, se evaluó la capacidad de TRMM (Tropical Rainfall Measurement Mission) para estimar la precipitación en Entre Ríos. En un primeranálisis a escala mensual, se comparó la estimación derivada de TRMM y de dosmétodos de interpolación a partir de los datos de nueve estacionesmeteorológicas convencionales (EMC) (cinco dentro y cuatro fuera de laprovincia). En un segundo análisis para distintos períodos de acumulacióninferiores al mes se utilizaron tres EMC dentro de la provincia. A escala mensual,la capacidad de estimar las precipitaciones resultó mejor con TRMM que concualquiera de los dos métodos de interpolación. La estimación de precipitaciones mensuales mediante la ecuación con todos los datos agrupados de TRMM noresultó diferente de la estimación particular de cada EMC, lo que permite utilizar laecuación de forma generalizada para toda la provincia. A escala menor a lamensual se observó que el ajuste aumenta con los días acumulados. Seestableció al período de acumulación de 15 días como el mínimo que nodisminuye la precisión con respecto a períodos más largos. Por esto, los datos de TRMM acumulados cada 16 días (frecuencia de los productos MODIS) fueronutilizados en conjunto con otros índices espectrales en la instancia siguiente. Enésta tercera instancia, se determinó la capacidad de un conjunto de índicesespectrales para estimar los rendimientos. Para esto, se utilizaron valores dereflectancia de distintas bandas del producto MOD09A1 y la temperatura desuperficie del producto MOD11A2, ambos provenientes de MODIS. Los índicesobtenidos (básicos y escalados cada 8 días, y combinados cada 16 días), fueronpromediados en 8 períodos de tiempo ubicados en distintos estadíos fenológicosdel ciclo de los cultivos. Los modelos más exactos para estimar rendimientos ensoja y en maíz fueron aquellos cuyos índices habían sido escalados. En maíz, losmejores índices se obtuvieron al considerar sólo el período crítico. En cambio,para soja, los mejores modelos incluyeron al período crítico del cultivo y al ciclocompleto. En general, los mejores resultados se obtuvieron al utilizar el NDWI y NDDI (derivado del NDWI). En última instancia, se compararon los índicesclimáticos y los derivados de sensores remotos en la estimación de rendimientos. En maíz, la mejor estimación con índices climáticos se obtuvo con el SPI de eneroy febrero en el departamento Federal, con un RMSE de 820 kg.ha-1(error relativo del 22%). En cambio, la mejor estimación con índices espectrales se produjo conel Sc_NDWI_7 en el período crítico en el departamento Villaguay, con un RMSEde 363 kg.ha-1(error relativo del 8%). En soja, la mejor estimación con índicesclimáticos se obtuvo con el SPI de enero a marzo en Federación, con un RMSEde 245 kg.ha-1(error relativo del 8%). En cambio, la mejor estimación con índicesespectrales se produjo con el Sc_NDWI_7 en el período comprendido entre el 17de enero y el 18 de febrero en Nogoyá, con un RMSE de 132 kg.ha-1(error relativo del 5%). Los resultados del trabajo indican que las precipitaciones estimadas con TRMM podrían utilizarse para la mayoría de los posibles usos agronómicos. Además, se lograron estimaciones de rendimientos departamentales muy buenas mediante modelos provenientes de regresiones lineales simples. Tanto en maízcomo en soja, las mejores estimaciones de rendimiento se lograron dos mesesprevios a la cosecha. Los modelos lineales obtenidos en este trabajo podríanampliarse con más datos en años futuros o implementarse operativamente en suforma original. Estos modelos aportarían: 1) objetividad en las estimaciones, 2)adecuada anticipación en la estimación y 3) datos a nivel departamental.
The estimates of agricultural yields are of great importance because foodproduction plays a fundamental role in food security and the economy of thecountries. In the past, yield estimates had to be made in the field, with laboriousand slow operations, and imprecise results were obtained. For this reason, moreand more studies aim to estimate yields through geo-informatics. Considering theavailability of free access data there are two possibilities to estimate the yields: onthe one hand, precipitation data, and, on the other hand, data from remote sensingcan be used. The objective of this work was to determine and compare thecapacity of different indices (climatic and spectral ones) to estimate agriculturalyields at departmental scale in the province of Entre Ríos. In the first instance, thecapacity of the precipitations and the SPI (Standardized Precipitation Index) of 3months were determined, both in different periods of accumulation in the warmsemester (October to March). The models that best explained the maize yieldswere those that included December information (both with precipitation and with SPI), with a lower prediction error and a higher coefficient of determination. Incontrast, for soybeans the best models were those that were based onprecipitation and SPI prior to the critical period. Then, in the second instance, thecapacity of TRMM (Tropical Rainfall Measurement Mission) to estimateprecipitation in Entre Ríos was evaluated. In a first monthly analysis, the estimatederived from TRMM and two interpolation methods were compared to nineconventional meteorological stations (CME) data (five inside and four outside theprovince). In a second analysis for different accumulation periods less than amonth, three CME within the province were used. On a monthly basis, the ability toestimate precipitation was better with TRMM than with either of the twointerpolation methods. The estimation of monthly precipitation with the equationwith all grouped data of TRMM was not different from the particular estimation ofeach CME. That allows us to use the equation in a generalized manner for the whole province. On a scale smaller to the month, it was observed that theadjustment increases with the accumulated days. The 15-day accumulation periodwas established as the minimum that does not affect the accuracy with respect tolonger periods. Therefore, the TRMM data accumulated every 16 days (frequencyof MODIS products) were used in conjunction with other spectral indices in thefollowing instance. In this third instance, the capacity of a set of spectral indices toestimate yields was determined. For this, reflectance values of different MOD09A1product bands and the surface temperature of the MOD11A2 product were used,both belonging to MODIS. The resulting indices (basic and scaled every 8 days,and combined every 16 days), were averaged over 8 time periods in differentphenological stages of the crop cycle. The most accurate models to estimatesoybean and maize yields were those whose indices had been scaled. In maize,the best indices were obtained when considering only the critical period. Incontrast, for soybeans, the best models included the critical period of the crop andthe full cycle. In general, the best results were obtained when using the NDWI and NDDI (derived from the NDWI). Ultimately, climatic and remote sensing indiceswere compared in the yield estimation. In maize, the best estimate with climaticindices was obtained with the SPI of January and February in Federal, with an RMSE of 820 kg.ha-1(relative error of 22%). On the other hand, the best estimatewith spectral indices was obtained with the Sc_NDWI_7 in the critical period in Villaguay, with an RMSE of 363 kg.ha-1(relative error of 8%). In soybean, the bestestimate with climatic indices was obtained with the SPI from January to March inthe Federación, with an RMSE of 245 kg.ha-1(relative error of 8%). In contrast, thebest estimate with spectral indices was obtained with the Sc_NDWI_7 in the periodbetween January 17 and February 18 in Nogoyá, with an RMSE of 132 kg.ha1 (relative error of 5%). The results of this work indicate that the estimatedprecipitations with TRMM could be used for agronomic uses. In addition, goodestimates of departmental yields were obtained through models from simple linearregressions. In both maize and soybeans, the best yield estimates were achievedtwo months before harvest. The linear models obtained in this work could beexpanded with more data in future years or could be operationally implemented inits original form. These models would provide: 1) objectivity in the estimates, 2)adequate anticipation in the estimates and 3) data at the departmental level.
Fil: Vaiman, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.