Uso de índices espectrales en la agricultura de precisión: caso de estudio campus de la Facultad Técnica de Machala

Harry Alexander Vite Cevallos, Luis Angel Vargas Collaguazo, Johanna Del Rosario Vargas Collaguazo

Resumen


El desarrollo de la agricultura a nivel mundial empieza a girar de rumbo en la manera de realizar sus actividades diarias, con el aporte de internet de las cosas, se logró involucrar otros dispositivos que tributan información, dando vida a la Agricultura de Precisión, de tal manera que la incidencia de la tecnología es muy significativo y le permite al agricultor hacer uso de sensores, GPS, imágenes satelitales, big data y dispositivos que emiten información de la superficie terrestre para evaluar correctamente las condiciones atmosféricas a fin de tomar decisiones asociadas al cultivo de la zona de estudio.

Los sensores en las plataformas en órbita, permiten capturar el comportamiento de la superficie terrestre, por ende el cálculo del Índice de Vegetación de Diferencia Normalizada NDVI, permitió obtener como resultado una imagen final cuyos patrones determinaron como en el área de estudio se requiere tomar decisiones que permitan mejorar la superficie terrestre a fin de distribuir adecuadamente los recursos asignados para los cultivos, minimizando gastos, logrando controlar y optimizar los ciclos de producción para desarrollar una agricultura sostenible.

En este trabajo se pretende demostrar la importancia de la estimación del índice de vegetación normalizada como eje fundamental en la agricultura de precisión, y como esta información generada permitió identificar los niveles de productividad primaria en las zonas de estudio, para una correcta toma de decisiones por parte de los productores.

Palabras clave


Agricultura de Precisión, NDVI, sensores, toma de decisiones, optimización.

Texto completo:

PDF

Referencias


Camacho-Velasco, A., Vargas-García, C. A., Rojas-Morales, F. A., Castillo-Castelblanco, S. F., & Arguello-Fuentes, H. (2015). Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Revista Facultad de Ingeniería (Fac. Ing.), 24(40), 17-29.

FAO. (2013). FAO Statistical Yearbook 2013: World food and agriculture. FAO Statistical Yearbook 2013: World food and agriculture. https://doi.org/10.1017/CBO9781107415324.004

Figuerola, N. (2014). Internet de las cosas. PMQuality, 1-27. https://doi.org/10.1016/j.cirp.2011.03.145

Jiang, Z., Huete, A. R., Chen, J., Chen, Y., Li, J., Yan, G., & Zhang, X. (2006). Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Remote Sensing of Environment, 101(3), 366-378. https://doi.org/10.1016/j.rse.2006.01.003

Lago González, C., Sepúlveda Peña, J. C., Barroso Abreu, R., Fernández Peña, F. Ó., Maciá Pérez, F., & Lorenzo, J. (2011). Sistema para la generación automática de mapas de rendimiento. Aplicación en la agricultura de precisión. Idesia (Arica), 29(1), 59-69. https://doi.org/10.4067/S0718-34292011000100009

Marote, M. L. (2010). Agricultura de Precisión. Ciencia y Tecnología, 10, 143-166.

Martinez, O., Lapo Calderón, B., Pérez Rodriguez, J., Zambrano Cabrera, C., & Maza Valle, F. (2015). Mecanismo de gelatinización del almidón nativo de banano exportable del Ecuador. Revista Colombiana de Química, 44(2), 16-21. https://doi.org/10.15446/rev.colomb.quim.v44n2.55215

Meneses-Tovar, C. L. (2011). El índice normalizado diferencial de la vegetación. Unasylva, 62(238), 39-46.

Orozco, Ó. A., & Llano Ramírez, G. (2016). Sistemas de Información enfocados en tecnologías de agricultura de precisión y aplicables a la caña de azúcar, una revisión. Revista Ingenierías Universidad de Medellín, 15(28), 103-124. https://doi.org/10.22395/rium.v15n28a6

Radoux, J., Chomé, G., Jacques, D., Waldner, F., Bellemans, N., Matton, N., … Defourny, P. (2016). Sentinel-2’s Potential for Sub-Pixel Landscape Feature Detection. Remote Sensing, 8(6), 488. https://doi.org/10.3390/rs8060488

Reyes González, A., Martínez Rodríguez, J. G., Palomo Rodríguez, M., Salgado, A. A., & Rivera González, M. (2013). USO DE SENSORES REMOTOS PARA ESTIMAR LA EVAPOTRANSPIRACIÓN DE CULTIVOS EN LA COMARCA LAGUNERA Use of Remote Sensing to Estimate Crop Evapotranspiration in the Region Lagunera. Agrofaz, 13(1), 23-31.

Roman-gonzalez, A., Vargas-cuentas, N. I., Roman-gonzalez, A., & An, N. I. V. (2013). Analisis de imagenes hiperespectrales. Revista Ingenieria & Desarrollo, 35, 14-17.

Sá, I. B., Antonio, R., & Almorox, J. a. (1999). Aplicación de sensores remotos en la detección y evaluación de plagas y enfermedades en la vegetación. Teledetección. Avances y Aplicaciones., 64-67.

Vásquez, R. (2010). El impacto del comercio del Banano en el desarrollo del Ecuador. AFESE Temas Internacionales, 53(53), 167-182. https://doi.org/http://www.revistaafese.org/ojsAfese/index.php/afese/article/view/451

Werff, H., & Meer, F. (2015). Sentinel-2 for Mapping Iron Absorption Feature Parameters. Remote Sensing, 7(10), 12635-12653. https://doi.org/10.3390/rs71012635




DOI: https://doi.org/10.23878/alternativas.v19i1.195

© Universidad Católica de Santiago de Guayaquil