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

• Autores: Vaiman, Nicolas
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: De Ruyver, Roberto (director); Durante, Martin (co-director)
• Materia: Factores Climáticos; Precipitación Atmosférica; Rendimiento de Cultivos; Maíz; Soja; Teledetección; Climatic Factors; Precipitation; Crop Yield; Maize; Soybeans; Remote Sensing; Entre Ríos, Argentina
• Institución: Instituto Nacional de Tecnología Agropecuaria

Tesis para obtener el grado de Magíster en Meteorologia Agrícola, de la Universidad de Buenos Aires, en 2018
Las estimaciones de rendimientos agrícolas son de gran importancia debido a que la producción de alimentos juega un papel fundamental en la seguridad alimentaria y en la economía de los países. En el pasado, las estimaciones de rendimiento se debían realizar a campo, con operaciones trabajosas y lentas, y se obtenían resultados poco precisos. Por este motivo, cada vez más trabajos apuntan a estimar el rendimiento mediante técnicas geo-informáticas. Considerando la disponibilidad de datos de libre acceso existen dos posibilidades para estimar los rendimientos: por un lado, se pueden utilizar datos de precipitaciones, y, por otro lado, se pueden utilizar datos provenientes de sensores remotos. El objetivo del trabajo fue determinar y comparar la capacidad de distintos índices (climáticos y espectrales) de estimar los rendimientos agrícolas a escala departamental en la provincia de Entre Ríos. En primera instancia se determinó la capacidad de las precipitaciones y el SPI (Standardized Precipitation Index) de 3 meses, ambos en distintos períodos de acumulación en el semestre cálido (octubre a marzo). Los modelos que mejor explicaron el rendimiento en maíz fueron los que incluyeron información de diciembre (tanto con precipitaciones como con SPI), con un menor error de predicción y un mayor coeficiente de determinación. En cambio, en soja, fueron aquellos que se basaron en 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 primer análisis a escala mensual, se comparó la estimación derivada de TRMM y de dos métodos de interpolación a partir de los datos de nueve estaciones meteorológicas convencionales (EMC) (cinco dentro y cuatro fuera de la provincia). En un segundo análisis para distintos períodos de acumulación inferiores al mes se utilizaron tres EMC dentro de la provincia. A escala mensual, la capacidad de estimar las precipitaciones resultó mejor con TRMM que con cualquiera de los dos métodos de interpolación. La estimación de precipitaciones mensuales mediante la ecuación con todos los datos agrupados de TRMM no resultó diferente de la estimación particular de cada EMC, lo que permite utilizar la ecuación de forma generalizada para toda la provincia. A escala menor a la mensual se observó que el ajuste aumenta con los días acumulados. Se estableció al período de acumulación de 15 días como el mínimo que no disminuye la precisión con respecto a períodos más largos. Por esto, los datos de TRMM acumulados cada 16 días (frecuencia de los productos MODIS) fueron utilizados en conjunto con otros índices espectrales en la instancia siguiente. En ésta tercera instancia, se determinó la capacidad de un conjunto de índices espectrales para estimar los rendimientos. Para esto, se utilizaron valores de reflectancia de distintas bandas del producto MOD09A1 y la temperatura de superficie del producto MOD11A2, ambos provenientes de MODIS. Los índices obtenidos (básicos y escalados cada 8 días, y combinados cada 16 días), fueron promediados en 8 períodos de tiempo ubicados en distintos estadíos fenológicos del ciclo de los cultivos. Los modelos más exactos para estimar rendimientos en soja y en maíz fueron aquellos cuyos índices habían sido escalados. En maíz, los mejores índices se obtuvieron al considerar sólo el período crítico. En cambio, para soja, los mejores modelos incluyeron al período crítico del cultivo y al ciclo completo. En general, los mejores resultados se obtuvieron al utilizar el NDWI y NDDI (derivado del NDWI). En última instancia, se compararon los índices climáticos 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 enero y 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 con el Sc_NDWI_7 en el período crítico en el departamento Villaguay, con un RMSE de 363 kg.ha-1(error relativo del 8%). En soja, la mejor estimación con índices climáticos se obtuvo con el SPI de enero a marzo en Federación, con un RMSE de 245 kg.ha-1(error relativo del 8%). En cambio, la mejor estimación con índices espectrales se produjo con el Sc_NDWI_7 en el período comprendido entre el 17 de 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 maíz como en soja, las mejores estimaciones de rendimiento se lograron dos meses previos a la cosecha. Los modelos lineales obtenidos en este trabajo podrían ampliarse con más datos en años futuros o implementarse operativamente en su forma 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 food production plays a fundamental role in food security and the economy of the countries. In the past, yield estimates had to be made in the field, with laborious and slow operations, and imprecise results were obtained. For this reason, more and more studies aim to estimate yields through geo-informatics. Considering the availability of free access data there are two possibilities to estimate the yields: on the one hand, precipitation data, and, on the other hand, data from remote sensing can be used. The objective of this work was to determine and compare the capacity of different indices (climatic and spectral ones) to estimate agricultural yields at departmental scale in the province of Entre Ríos. In the first instance, the capacity of the precipitations and the SPI (Standardized Precipitation Index) of 3 months were determined, both in different periods of accumulation in the warm semester (October to March). The models that best explained the maize yields were those that included December information (both with precipitation and with SPI), with a lower prediction error and a higher coefficient of determination. In contrast, for soybeans the best models were those that were based on precipitation and SPI prior to the critical period. Then, in the second instance, the capacity of TRMM (Tropical Rainfall Measurement Mission) to estimate precipitation in Entre Ríos was evaluated. In a first monthly analysis, the estimate derived from TRMM and two interpolation methods were compared to nine conventional meteorological stations (CME) data (five inside and four outside the province). In a second analysis for different accumulation periods less than a month, three CME within the province were used. On a monthly basis, the ability to estimate precipitation was better with TRMM than with either of the two interpolation methods. The estimation of monthly precipitation with the equation with all grouped data of TRMM was not different from the particular estimation of each 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 the adjustment increases with the accumulated days. The 15-day accumulation period was established as the minimum that does not affect the accuracy with respect to longer periods. Therefore, the TRMM data accumulated every 16 days (frequency of MODIS products) were used in conjunction with other spectral indices in the following instance. In this third instance, the capacity of a set of spectral indices to estimate yields was determined. For this, reflectance values of different MOD09A1 product 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 different phenological stages of the crop cycle. The most accurate models to estimate soybean and maize yields were those whose indices had been scaled. In maize, the best indices were obtained when considering only the critical period. In contrast, for soybeans, the best models included the critical period of the crop and the full cycle. In general, the best results were obtained when using the NDWI and NDDI (derived from the NDWI). Ultimately, climatic and remote sensing indices were compared in the yield estimation. In maize, the best estimate with climatic indices 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 estimate with 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 best estimate with climatic indices was obtained with the SPI from January to March in the Federación, with an RMSE of 245 kg.ha-1(relative error of 8%). In contrast, the best estimate with spectral indices was obtained with the Sc_NDWI_7 in the period between 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 estimated precipitations with TRMM could be used for agronomic uses. In addition, good estimates of departmental yields were obtained through models from simple linear regressions. In both maize and soybeans, the best yield estimates were achieved two months before harvest. The linear models obtained in this work could be expanded with more data in future years or could be operationally implemented in its original form. These models would provide: 1) objectivity in the estimates, 2) adequate anticipation in the estimates and 3) data at the departmental level.
EEA Concepción del Uruguay
Fil: Vaiman, Nicolas. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Concepción del Uruguay; Argentina