Trigo en la provincia de Córdoba: ¿Cómo identificarlo y caracterizar su ciclo usando solamente series temporales de NDVI?
Palabras clave:
MODIS, NDVI, Córdoba, Trigo, Serie temporalResumen
La provincia de Córdoba en Argentina es el tercer productor nacional de trigo, con una superficie sembrada de 824.000 hectáreas para la campaña 2023/2024. Además de ser importante en términos de producción y réditos económicos, el trigo es fundamental para la seguridad alimentaria de la región, siendo un alimento básico para muchas personas en Argentina y otros países. Una de las formas de monitorear y estimar la producción del cultivo, a gran escala y de forma práctica, es mediante la teledetección. La intensidad del pico de NDVI, que se corresponde con la etapa reproductiva del cultivo, tiene una fuerte relación con los rendimientos finales. Sin embargo, la variabilidad climática dificulta la estimación de rendimientos, ya que condiciona diferentes tiempos de desarrollo del cultivo. El objetivo de este trabajo es caracterizar el ciclo de cultivo del trigo en la provincia de Córdoba, utilizando datos de referencia de 5 departamentos de importancia agrícola y series temporales del NDVI. Se ajustó una curva NDVI de cada lote para determinar el momento del pico e intensidad. La caracterización realizada no sólo permitió la identificación de áreas dedicadas al cultivo, sino también contribuye al desarrollo de mejores modelos de estimación y, por lo tanto, facilitan el seguimiento y manejo de los cultivos de trigo en la región.
Descargas
Citas
Aliaga V.S., Ferrelli F. y Piccolo M.C. (2017). Regionalization of climate over the Argentine Pampas. Int J Climatol 37: 1237–1247.
Benabdelouahab, T., Lebrini, Y., Boudhar, A., Hadria, R., Htitiou, A., & Lionboui, H. (2021). Monitoring spatial variability and trends of wheat grain yield over the main cereal regions in Morocco: a remote-based tool for planning and adjusting policies. Geocarto International, 36(20), 2303-2322.
Bolsa de Cereales de Córdoba (2015). INFORME SALIDA A CAMPO N° 49. https://www.bccba.com.ar/images_db/noticias_archivos/3151-Salida%20a%20campo%2049.pdf#viewer.action=download.
Bolsa de Cereales de Córdoba (2015). Situación de Trigo y Garbanzo: Niveles de fertilización en trigo. https://www.bccba.org.ar/wp-content/uploads/2020/08/informe76.pdf.
Bolsa de Cereales de Córdoba (2017). Cultivo de Trigo: Cálculos finales de producción 2016/17. https://www.bccba.org.ar/wp-content/uploads/2020/08/Informe-Final-de-Produccion-Trigo-Campa%C3%B1a-2016_17.pdf.
Bolsa de Cereales de Córdoba (2018). Cultivo de Trigo en Córdoba: Cálculos finales de producción 2017/18. https://www.bccba.com.ar/images_db/-noticias_archivos/4066-Descargar%20Informe%20N%C2%B0%20127.pdf.
Bolsa de Cereales de Córdoba. (2024). Córdoba. Cálculos finales de producción de trigo campaña 2023/24. https://www.bccba.org.ar/informes/cordoba-calculos-finales-de-produccion-de-trigo-campana-2023-24/
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Diao, C. (2020). Remote sensing phenological monitoring framework to characterize corn and soybean physiological growing stages. Remote Sensing of Environment, 248, 111960.
Diao, C., & Li, G. (2022). Near-Surface and High-Resolution Satellite Time Series for Detecting Crop Phenology. Remote Sensing, 14(9), 1957.
Didan, K. (2021). MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V061 [Data set]. NASA EOSDIS Land Processes DAAC. Accessed 2023-05-08 from https://doi.org/10.5067/MODIS/MOD13Q1.061
Erenstein, O., Jaleta, M., Mottaleb, K. A., Sonder, K., Donovan, J., & Braun, H. J. (2022). Global trends in wheat production, consumption and trade. In Wheat Improvement: Food Security in a Changing Climate (pp. 47-66). Cham: Springer International Publishing.
Ferreyra, M. L., Murgio, M., Luna, D. F., & Saire, J. O. (2018). Evaluación de cultivares de trigo en Inta Manfredi-Campaña 2017. EEA Manfredi.
Gan, L., Cao, X., Chen, X., Dong, Q., Cui, X., & Chen, J. (2020). Comparison of MODIS-based vegetation indices and methods for winter wheat green-up date detection in Huanghuai region of China. Agricultural and Forest Meteorology, 288, 108019.
Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D. and Moore R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 202: 18–27
Jarsún, B., Gorgas, J. A., Zamora, E., Bosnero, H., Lovera, E., Ravelo, A., & Tassile, J. L. (2003). Recursos naturales de la provincia de Córdoba, los suelos: nivel de reconocimiento escala 1: 500.000. Agencia Córdoba DAC y TSEM Dirección Ambiente y Instituto Nacional de Tecnología Agropecuaria INTA-Manfredi.
Kong, D., McVicar, T. R., Xiao, M., Zhang, Y., Peña‐Arancibia, J. L., Filippa, G. & Gu, X. (2022). phenofit: An R package for extracting vegetation phenology from time series remote sensing. Methods in Ecology and Evolution, 13(7), 1508-1527.
Li, J., & Lei, H. (2021). Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001–2018. Computers and Electronics in Agriculture, 187, 106222.
Marini, F. (2021). Discriminación de trigo y cebada empleando imágenes satelitales ópticas y radar. Estudio de caso: partido de Coronel Rosales (Argentina). Investigaciones Geográficas, 104-e60173, (pp. 1-17).
McCloy, K. R., & Lucht, W. (2004). Comparative evaluation of seasonal patterns in long time series of satellite image data and simulations of a global vegetation model. IEEE Transactions on Geoscience and Remote Sensing, 42(1), 140-153.
Ministerio de Agricultura, G. y P. (2024). Estimaciones Agrícolas. https://datosestimaciones.magyp.gob.ar/reportes.php?reporte=Estimaciones.
Nolasco, M., Ovando G., Sayago S., Magario, I. y Bocco M. (2021). Estimating soybean yield using time series of anomalies in vegetation indices from MODIS. International Journal of Remote Sensing, 42(2), 405-421
Ovando G., Sayago S., Bellini Y., Belmonte M.L. y Bocco M. (2021). Precipitation estimations based on remote sensing compared with data from weather stations over agricultural region of Argentina pampas. Remote Sensing Applications: Society and Environment 23: 100589.
Rodimtsev, S., Pavlovskaya, N., Vershinin, S., Gorkova, I., & Gagarina, I. (2023, February). Assessment of the Vegetative Index NDVI as an Indicator of Crop Yield. In XV International Scientific Conference “INTERAGROMASH 2022” Global Precision Ag Innovation 2022, Volume 2 (pp. 637-645). Cham: Springer International Publishing.
Semmartin, M., Cosentino, D., Poggio, S. L., Benedit, B., Biganzoli, F., & Peper, A. (2023). Soil carbon accumulation in continuous cropping systems of the rolling Pampa (Argentina): The role of crop sequence, cover cropping and agronomic technology. Agriculture, Ecosystems & Environment, 347, 108368.
Sistema de Información Simplificado Agrícola. (2023). TRIGO.2022.2023. Instituto Nacional de Semillas. https://www.argentina.gob.ar/sites/default/files/sisa_trigo_inase_2022_2023.pdf
Slafer, G. A., Hall, A. J., & Miralles, D. J. (2019). Aportes argentinos a la ecofisiología de cultivos. Agronomía & Ambiente, 38(2).
Vannoppen, A., & Gobin, A. (2021). Estimating farm wheat yields from NDVI and meteorological data. Agronomy, 11(5), 946.
Zeng, L., Wardlow, B. D., Xiang, D., Hu, S., & Li, D. (2020). A review of vegetation phenological metrics extraction using time-series, multispectral satellite data. Remote Sensing of Environment, 237, 111511.
Zhao, F., Yang, G., Yang, X., Cen, H., Zhu, Y., Han, S., & Zhao, C. (2021). Determination of key phenological phases of winter wheat based on the time-weighted Dynamic Time Warping algorithm and MODIS time-series data. Remote Sensing, 13(9), 1836.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) después del proceso de publicación del número de la revista, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
