Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales

Contenido principal del artículo

Autores

William Posada-Asprilla http://orcid.org/0000-0002-7663-1592
Marisol Medina-Sierra https://orcid.org/0000-0003-1929-8305
Mario Cerón-Muñoz http://orcid.org/0000-0002-7233-6625

Resumen

La evaluación de las praderas destinadas a ganadería es esencial para la productividad de los animales. Los datos de sensores multiespectrales remotos aerotransportados (SM) permiten construir índices de vegetación (VI, por sus siglas en idioma inglés) y relacionarlos con características fisiológicas y biofísicas de las pasturas. El objetivo fue evaluar VI para la estimación de la cantidad y calidad de pasto kikuyo en sistemas lecheros, del norte de Antioquia, Colombia. Se calcularon 10 diferentes VI, con 168 muestras de pasto kikuyo. Las muestras fueron pesadas, para estimar la biomasa verde (BV) y analizadas por espectroscopia del infrarrojo cercano, para los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en detergente ácido (FDA). Los datos, se analizaron usando componentes principales (CP) y modelos aditivos generalizados suavizados. Las variables que más contribuyeron a la formación de la primera componente principal (CP1) fueron el índice de vegetación de diferencia normalizada (NDVI), el índice de vegetación simple (RVI), el índice de vegetación de diferencia normalizada verde (GNDVI), el índice clorofílico verde (Clg) y la BV del pasto kikuyo. Para la segunda componente principal (CP2) fueron el índice de vegetación de diferencia normalizada borde del rojo (RNDVI), el índice borde del rojo de clorofila (Clrg) y PB, FDN y FDA del pasto kikuyo. La BV fue explicada por el NDVI y PB por el RNDVI. La estimación obtenida para FDN y FDA del pasto kikuyo no fueron precisas.

Palabras clave:

Detalles del artículo

Licencia

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.

Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Licencia Creative Commons Atribución-NoComercial 4.0 Internacional., que permite a terceros utilizar lo publicado siempre y cuando mencionen la autoría del trabajo y a la primera publicación en esta revista.

Se recomienda a los autores incluir su trabajo en redes sociales como Researchgate y repositorios institucionales una vez publicado el artículo o hecho visible en la página de la revista, sin olvidar incluir el identificador de documento digital y el nombre de la revista.

 

Referencias

1. ASSOCIATION OF OFFICIAL ANALYTICAL CHEMISTS-AOAC. 1990. Official Methods of Analysis of the AOAC. 15th Edition. Arlington, Virginia, USA. 1008p.

2. BARRACHINA, J.; CRISTOBAL, R.; TULLA, P.; ANTONI, F. 2010. Los Recursos Ganaderos en los Sistemas Extensivos de la Montaña Pirenaica Catalana: aproximación al cálculo de la producción de biomasa herbácea mediante el uso de la teledetección. Ser. Geogr. 16:35-49.

3. BASTIDAS, A.; BARAHONA, R.; CERÓN, M. 2016. Variation in the normalized difference vegetation index (NDVI) in dairy farms in Northern Antioquia. Livestock Research for Rural Development. 28(3).

4. BERRÍO, V.; MOSQUERA, J.; ALZATE, D. 2015. Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. @Limentech, ciencia y tecnología alimentary. 13(1):28-40.

5. BIVAND, R.; ROWLINGSON, B. 2016. rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-5

6. CÁCERES, J.D. 2016. Análisis del Comportamiento Temporal de la Biomasa en Pastos del Departamento de Olancho en el Contexto del Cambio Global – fase II. Ciencias Espaciales. 7(1):97-114. https://doi.org/10.5377/ce.v7i1.2528

7. CASTRO, P.A.; GARBULSKY, M.F. 2018. Spectral normalized indices related with forage quality in temperate grasses: scaling up from leaves to canopies. Int. J Remote Sens. 39(10):3138-3163. https://doi.org/10.1080/01431161.2018.1430394

8. CORRALES, A.; ENRIQUE, R.; LÓPEZ, O.; VILMA, L. 2016. Firmas Espectrales de la Cobertura de la Tierra, Aplicando Radiometría de Campo. Fase 1: Región 03 occidente de Honduras. Ciencias Espaciales. 7:76-96. https://doi.org/10.5377/ce.v7i1.2527

9. CORREA, C.H.; PABÓN, R.M.; CARULLA, F.J. 2008. Valor nutricional del pasto Kikuyo (Pennisetum clandestinum Hoechst Ex Chiov.) para la producción de leche en Colombia (una revisión): I - Composición química y digestibilidad ruminal y posruminal. Livestock Research for Rural Development. 20(4):59.

10. EDIRISINGHE, A.; CLARK, D.; WAUGH, D. 2012. Spatio-temporal modelling of biomass of intensively grazed perennial dairy pastures using multispectral remote sensing. Int. J. Appl. Earth Obs .Geoinf. 16:5-16. https://doi.org/10.1016/j.jag.2011.11.006

11. ESCRIBANO, J.; HERNÁNDEZ DÍAZ-AMBRONA, C.G. 2013. Estimación de la Producción de Pastos en Dehesas por Índices de Vegetación. Los Pastos: Nuevos Retos, Nuevas Oportunidades. Sociedad Española para el Estudio de los Pastos. p.465-472.

12. ESCRIBANO, R.; DÍAZ-AMBRONA, H.; TARQUIS, A. 2014. Selección de índices de vegetación para la estimación de la producción herbácea en dehesas. Rev. Pastos. 44(2):6-18.

13. GITELSON, A.A.; MERZLYAK, M.N. 1996. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. J. Plant Physiol. 148:494-500. https://doi.org/10.1016/S0176-1617(96)80284-7

14. GITELSON, A.; GRITZ, Y.; MERZLYAK, M.N. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 160:271-282. https://doi.org/10.1078/0176-1617-00887

15. HIJMANS, R.J. 2016. raster: Geographic Data Analysis and Modeling. R package versión 2.5-8

16. HUETE, A.R. 1988. A Soil-Adjusted Vegetation Index (SAVI). Department of soil and water science. University of Arizona, Tucson, Arizona 85721. Remote Sens. Environ. 25:295-309. https://doi.org/10.1016/0034-4257(88)90106-X

17. HUETE, A.R.; LIU, H.Q.; BATCHILY, K.; LEEUWEN, W. 1997. A Comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens. Environ. 59:440-451. https://doi.org/10.1016/S0034-4257(96)00112-5

18. JACQUEMOUD, S.; BARET, F. 1990. PROSPECT: A model of leaf optical properties spectra. Remote Sens. Environ. 34:75-91. https://doi.org/10.1016/0034-4257(90)90100-Z

19. KAWAMURA, K.; WATANABE, N.; SAKANOUE, S.; INOUE, Y. 2008. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection. Grassland Science. 54:131-145. https://doi.org/10.1111/j.1744-697X.2008.00116.x

20. KHARUF-GUTIERREZ, S.; SANTANA, L.H.; MORALES, R.O.; DÍAZ, O.A.; MORA, I.D. 2018. Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados en agricultura de precisión. RIELAC. 39(2):79-91.

21. LEÓN, J.; MOJICA, J.E.; CASTRO, E.; CÁRDENAS, E.; PABÓN, M.L; CARULLA, J.E. 2007. Balance de nitrógeno y fósforo de vacas lecheras en pastoreo con diferentes ofertas de Kikuyo (Pennisetum clandestinum) y suplementadas con ensilaje de Avena (Avena sativa). Rev. Col. Ciencias Pecuarias. 20(4):559-570.
22. MARAIS, J. 2001. Factors affecting the nutritive value of kikuyu grass (Pennisetum clandestinum)-A review. Tropical Grasslands. 35:65-84.

23. MEER VAN DER, F.; JONG, S. 2001. Imaging spectrometry: basic principles and prospective applications. Dordrecht etc.: Kluwer Academic, 2001. (Remote sensing and digital image processing). Dordrecht Kluwer Academic. Vol. 4. 403p.

24. MULLA, D.J. 2013. Twenty-five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosyst Eng. 114(4):358-371. http://dx.doi.org/10.1016/j.biosystemseng.2012.08.009

25. NORRIS, K.H.; BARNES, R.F.; MOORE, J.E.; SHENK, J.S. 1976. Predicting forage quality by infrared replectance spectroscopy. J. Anim. Sci. 43(4):889-897. https://doi.org/10.2527/jas1976.434889x

26. PEARSON, R.L.; MILLER, L.D. 1972. Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie, in Proceedings of the Eighth International Symposium on Remote Sensing of Environment, Environmental Research Institute of Michigan, Ann Arbor, MI. p.1357-1381.

27. PEÑUELAS, J.; BARET, F.; FILELLA, I. 1995. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica. 31:221-230

28. PEÑUELAS, J.; FILELLA, I.; BIEL, C.; SERRANO, L.; SAVÉ, R. 1993. The reflectance at the 950–970 region as an indicator of plant water status. Int. J. Remote Sens. 14(10):1887-1905. https://doi.org/10.1080/01431169308954010

29. PULLANAGARI, R.; YULE, I.; HEDLEY, M.; TUOHY, M.; DYNES, R.; KING, W. 2012. Multispectral radiometry to estimate pasture quality components. Precision Agriculture. 13(4):442-456.

30. PULLANAGARI, R.R.; KERESZTURI, G.; YULE, I. 2018. Integrating airborne hyperspectral, topographic, and soil data for estimating pasture quality using recursive feature elimination with random forest regression. J. Remote Sens. 10(7):1117. https://doi.org/10.3390/rs10071117

31. R CORE TEAM. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria

32. RICHARDSON, A.D.; DUIGAN, S.P.; BERLYN, G.P. 2002. An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phyto. 153:185-194. https://doi.org/10.1046/j.0028-646X.2001.00289.x

33. ROUJEAN, J.; BREON, F. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ. 51(3):375-384. https://doi.org/10.1016/0034-4257(94)00114-3

34. ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium (Washington, DC: NASA), p.309-317

35. ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.; HARLAN, J.C. 1974. Monitoring the Vernal Advancements and Retrogradation (Greenwave Effect) of Nature Vegetation. NASA/GSFC Final Report. NASA, Greenbelt, MD, USA, p.1-137.

36. SHANAHAN, J.F.; SCHEPERS, J.S.; FRANCIS, D.D.; VARVEL, G.E.; WILHELM, W.W.; TRINGE, J.M.; MAJOR, D.J. 2001. Use of remote-sensing imagery to estimate corn grain yield. Agron J. 93(3):583-589. https://doi.org/10.2134/agronj2001.933583x

37. SEBASTIEN, L.; JULIE, J.; HUSSON, F. 2008. FactoMineR: An R Package for Multivariate Analysis. J. Stat. Softw. 25(1):1-18. https://doi.org/10.18637/jss.v025.i01

38. SERRANO, J.; SHAHIDIAN, S.; DA SILVA, J.M.; SALES-BAPTISTA, E.; DE OLIVEIRA, I.F.; DE CASTRO, J.L.; PEREIRA, A.; DE ABREU, M.C.; MACHADO, E.; DE CARVALHO, M. 2018. Tree influence on soil and pasture: contribution of proximal sensing to pasture productivity and quality estimation in montado ecosystems. Journal of Remote Sens. 39(14):4801-482. https://doi.org/10.1080/01431161.2017.1404166

39. TOZER, P.R.; BARGO, F.; MULLER, L.D. 2004. The effect of pasture allowance and supplementation on feed efficiency and profitability of dairy systems. J. Anim. Sci. 87:2902-2911. https://doi.org/10.3168/jds.S0022-0302(04)73421-9

40. TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 8(2):127-150. https://doi.org/10.1016/0034-4257(79)90013-0

41. VELASCO, L.S.; CHAMPO, J.O.; ESPAÑA, B.M.; BARET, F. 2010. Estimación del índice de área foliar en la reserva de la biósfera mariposa monarca. Rev. Fitotec. Mex. 33(2):169-174.

42. WOOD, S. 2018. "mgcv" Mixed GAM Computation with Automatic Smoothness Estimation. Version 1.8-24. Disponible desde Internet en: https://cran.r-project.org/web/packages/mgcv/mgcv.pdf (con acceso 23/06/2018)

43. XUE, J.; SU, B. 2017. Significant remote sensing vegetation indices: a review of developments and applications. J. of Sensors. 2017:1353691. https://doi.org/10.1155/2017/1353691

Descargas

La descarga de datos todavía no está disponible.