Embed Size (px)
Citation preview
0
UNIVERSIDAD DE TALCA FACULTAD DE CIENCIAS FORESTALES
PROGRAMA DE MAGÍSTER EN GESTIÓN AMBIENTAL TERRITORIAL
"USO DE IMÁGENES SATELITALES MULTIESPECTRALES E ÍNDICES DE VEGETACIÓN, COMO HERRAMIENTAS PARA ESTUDIAR EL DESARROLLO FENOLÓGICO Y CRECIMIENTO DEL CEREZO (Prunus avium L.) EN TRES LOCALIDADES DE LA PROVINCIA DE CURICÓ, REGIÓN DEL MAULE-CHILE"
EDUARDO ALFREDO VON BENNEWITZ ÁLVAREZ
PROYECTO DE GRADUACIÓN
PARA OPTAR AL GRADO DE MAGÍSTER
EN GESTIÓN AMBIENTAL TERRITORIAL
PROFESOR GUÍA: DR. : RODRIGO CAZANGA SOLAR
TALCA - CHILE
2012
AGRADECIMIENTOS
EL desarrollo exitoso del programa de Magister cursado (Magister EN GESTIÓN
AMBIENTAL TERRITORIAL) y del proyecto de graduación, fueron fruto del apoyo entregado por la
Comisión Nacional de Investigación Científica y Tecnológica de Chile (Conicyt) en el marco del
Concurso Becas de Magíster en Chile Año Académico 2011 (Rés. Ex. No1399).
Deseo por ello agradecer muy cordialmente al Programa Formación de Capital Humano
Avanzado de Conicyt por el otorgamiento de la beca de Magister entre Marzo del 2011 y Diciembre
del 2012 (Memorandum 2700/2011).
1
I. INTRODUCCION
La Percepción Remota, dentro de ella el uso de imágenes satelitales, se ha convertido en una
importante fuente de información y herramienta de manejo de la producción agrícola, no sólo a
escalas locales sino a nivel global (Chuvieco, 2002). Esta tecnología ha sido particularmente
empleada para la identificación de cultivos así como el análisis del estado de éstos (Jensen, 2007).
Para la obtención de información útil para el reconocimiento y diagnóstico del estado de la cobertura
vegetal, juegan un papel primordial las características espectrales de las principales coberturas
terrestres (Amoros et al., 2011).
Dentro los ámbitos en los cuales se usan las imágenes satelitales están el estudio del cambio
de superficie y la distribución de diversas especies vegetales mediante el uso y diversos índices de
vegetación. Dentro de estos índices uno de los más utilizados es el índice de vegetación de diferencia
normalizada, conocido por sus siglas en inglés como NDVI. Este índice ha permitido desde hace
varias décadas estudiar diferentes tipos de vegetación en el mundo. Los índices de vegetación han
sido usados ampliamente para monitorear variaciones temporales, interanuales y de largo plazo
sobre parámetros estructurales, fenológicos y biofísicos de la cubierta vegetal (Huete y Liu, 1994;
Barbosa et al., 2006). La fortaleza del NDVI radica en su concepto de racionalidad, reduciendo
muchas formas de ruido multiplicativo presentes en los sensores remotos para las diferentes bandas
del espectro (Huete et al., 2002).
Este índice presenta, sin embargo, una serie de desventajas y dificultades para su uso en
estudios de la vegetación. Dentro de ellos se puede señalar su no linealidad (inherente de los índices
basados en tasas), problemas de escalamiento, señales asintóticas saturadas dependiendo de
condiciones atmosféricas y su alta sensibilidad a condiciones internas de la canopia de las plantas
(Huete et al., 2002). Otras fuentes de error incluyen la contaminación por nubes e insuficientes
correcciones de transferencia para aerosoles atmosféricos, gases y vapor de agua. Todos estos
factores afectan a las observaciones de NDVI (Tittebrand et al., 2009).
En el caso de especies frutales, los índices de vegetación han sido utilizados con éxito
variable para la identificación de especies frutales, utilizando diferentes tipos de sensores y modelos
de transformación (Xing et al., 2009). La Percepción Remota se ha utilizado escasamente para apoyar
los estudios sobre desarrollo vegetacional, de superficie y manejo a nivel de zonas y predial de
especies frutales en nuestro país. Para el caso del cerezo no se registran estudios publicados,
llevados a cabo en Chile, que utilicen herramientas de la Teledetección para estudiar parámetros de
desarrollo vegetativo, fenología o estimación de superficie.
2
El cerezo es una especie frutal que ha experimentado un aumento sustancial en superficie y
tecnologías de cultivo utilizadas y en rentabilidad de la industria en general. Se estima una superficie
de cerca de 15.000 ha, un volumen exportado de cerezas frescas que ha crecido a una tasa de 20%
entre 2005 y 2010, y un valor total de las exportaciones que ha pasado de US$ 24 millones en el año
2000 a US$ 227 millones en 2010 (ODEPA, 2012). Se espera que la superficie actual en producción
aumente en un 50%, considerando la entrada en producción de huertos que están actualmente en
etapa de formación y a la prospección y detección de nichos agroecológicos que otorguen atributos
de oportunidad de cosecha (precocidad, tardíos) y atributos de calidad.
El estudio y caracterización de los parámetros de fenología, por zonas de cultivo, tales como
inicio y fin del período vegetativo, largo total de temporada, época del punto máximo de crecimiento,
entre otros, son de gran importancia para la producción sustentable de esta especie frutal. Ellos
condicionan y orientan la implementación de labores tales como el riego, fertilización, la aplicación de
agroquímicos, entre otros. Bajo esta perspectiva, el uso de imágenes satelitales multitemporales, se
presenta como una oportunidad para caracterizar dichos estados fenológicos a una escala regional y
de bajo costo (Barbosa et al., 2006).
Justificación del estudio: Dentro del marco de una continua búsqueda de innovaciones
tecnológicas que permitan a nuestro país practicar una fruticultura más competitiva, de manera
racional y sustentable, la percepción remota y la utilización de imágenes satelitales multiespectrales
tales como Landsat o SPOT, podrían utilizarse como medios para apoyar la toma de decisiones de
parte de los agricultores o planificadores del territorio. Las imágenes satelitales poseen ventajas
frente a otros medios tales como: las mediciones en terreno o la fotografía aérea para la obtención de
información necesaria para las decisiones estratégicas (por ejemplo la elección de zonas de cultivo,
elección de variedades, sistemas y densidades de plantación) y operacionales (aplicaciones
fitosanitarias, fertilización, raleo, etc.) en huertos de especies frutales tales como el cerezo. Entre las
ventajas que se pueden destacar para el cerezo, se encuentran algunas de las indicadas por
Chuvieco (2002) para la teledetección en general: 1) Capacidad global y exhaustiva; ello permite, por
ejemplo, que estudios en cerezo, realizados con el mismo sensor, puedan ser comparados a escala
global. 2) Perspectiva panorámica; lo que se traduce en la capacidad de estudiar grandes superficies
de terreno, destinadas al cultivo del cerezo, con una sola imagen. 3) Capacidad de extrapolar
espacialmente observaciones realizadas. En el caso del presente estudio, se refiere a la capacidad de
inferir información (por ejemplo estado fenológico, parámetros de crecimiento) a partir de variables
físicas obtenidas (reflectividad de energía). 4) Obtención de información en tiempos más cortos que en
el caso de levantamiento de información en el campo. 5) Formato digital y uso de tecnologías de la
3
Información y la comunicación (ICT); ello agiliza el volumen de información y la velocidad de
procesamiento de información.
utilizarse como herramientas para apoyar los estudios sobre desarrollo vegetacional, de superficie y
manejo a nivel de zonas y predial de especies frutales en nuestro país.
para e índices de vegetación (NDVI, SAVI) como herramientas para estudiar el desarrollo fenológico y
crecimiento del cerezo (Prunus avium L.) en tres localidades de la provincia de Curicó, Región del
Maule-Chile
4
II. OBJETIVOS
2.1 OBJETIVO GENERAL
Explorar el uso de imágenes satelitales multiespectrales (Landsat ETM+ y SPOT 5), e índices
de vegetación (NDVI, SAVI) como herramientas para estudiar el desarrollo fenológico y crecimiento
del cerezo (Prunus avium L.) en tres localidades de la provincia de Curicó, Región del Maule-Chile
2.2 OBJETIVOS ESPECÍFICOS
Evaluar mediante el uso de imágenes satelitales (Landsat ETM+ y SPOT 5), la capacidad del
índice de vegetación de diferencia normalizada NDVI y del índice de vegetación ajustado al suelo
(SAVI) para discriminar la presencia de huertos de cerezo frente a otras especies frutales, viñas suelo
desnudo y construcciones de concreto y la relación entre una clasificación supervisada e información
del sistema SIG para el cerezo.
Evaluar los valores del índice de vegetación (NDVI), obtenidos a partir de tres imágenes
satelitales (Landsat ETM+) de los meses de Octubre, Noviembre y Diciembre del año 2011, sin
corrección radiométrica ni atmosférica. Relacionar dicha información con datos de seguimiento
fenológico y registros de radiación solar para dichos predios.
Evaluar el uso de imágenes satelitales multitemporales (Landsat ETM+) e índices de
vegetación (NDVI, SAVI), obtenidos mediante el modelo Metrictm
, como herramientas para el estudio
remoto de estados fenológicos del cerezo en tres localidades de la Provincia de Curicó.
5
III. REVISIÓN BIBLIOGRÁFICA
3.1 INTRODUCCIÓN A LA TELEDETECCIÓN Y SU APLICACIÓN AL ESTUDIO DE LA
VEGETACIÓN
La Teledetección se ha constituido en una herramienta de gran utilidad para la observación
terrestre (Jensen, 2007). Ella permite la obtención de información digital multitemporal y
multiespectral para el catastro y estudio de los recursos naturales, entre ellos la vegetación (Chuvieco,
2002). El uso de datos obtenidos a partir de imágenes satelitales ha permitido a investigadores, en
diversas partes del mundo, caracterizar el cambio de uso de vegetación, utilizando diversas
herramientas como los índices compuestos de vegetación (Riera et al., 1998).
Gran parte de la literatura existente se ha centrado en la variación espacial de la
heterogeneidad de la cobertura vegetal, utilizando imágenes satelitales multiespectrales e índices
compuestos de vegetación (Benson y MacKenzie, 1995). El uso de los índices de vegetación
representa en múltiples casos, dificultades derivadas de la capacidad de resolución espacial, espectral
y radiométrica del tipo de sensor utilizado (Chuvieco, 2002). En muchos casos se requiere de una
calibración precisa y complementación con información de terreno, obtenida a partir de sensores en la
planta o suelo para la adecuación de las imágenes satelitales (Tarnavsky et al., 2008).
3.2 PRINCIPALES PRINCIPIOS FÍSICOS EN ESTUDIOS DE VEGETACIÓN A TRAVÉS DE
SENSORES REMOTOS
La Teledetección tiene por finalidad identificar y caracterizar los materiales de la superficie
terrestre y los procesos que en ella ocurren a partir de la radiación electromagnética procedente de la
misma, entendiendo por tal la emitida por la propia superficie terrestre como la reflejada que llega del
sol, prevaleciendo una sobre la otra en función del intervalo espectral considerado (Gilabert et al.,
1997).
En la región óptica del espectro, o espectro solar (0,4-3,0 µm), la radiación que procede de las
superficies es la radiación solar reflejada (Chuvieco, 2002). En general, cuando la radiación solar
incidente sobre un material, parte de la misma es refleja desde la superficie y el resto se propaga por
su interior (Gilabert et al., 1997). Allí parte es absorbida y el resto sufre un proceso de dispersión de tal
manera que parte de la energía dispersada emerge del material por la misma superficie que penetró,
6
sumándose así a la radiación reflejada en la capa superficial. La suma de estas dos constituye la
radiación reflejada por el material y en conjunto con la irradancia, permite definir la reflectividad
espectral del mismo, Rλ (Chuvieco, 2002; Jensen, 2007).
El flujo de radiación que llega a una superficie, interacciona con esta superficie, de la forma
que se indica a continuación:
Φi=ϕr+ϕa+ϕt [1]
Esto es, el flujo incidente sobre una superficie (Φi) es reflejado (ϕr), transmitido (ϕt) o absorbido (ϕa).
Si esta expresión se lleva a unidades relativas dividiendo cada término por Φi resulta:
1=ρ+α+τ [2]
De donde se desprende que la suma de la reflectividad, absortividad y transmisividad debe ser igual a
uno.
La relación entre magnitudes no es constante, sino que varía con la longitud de onda (λ); por tanto, en
términos más rigurosos, debería expresarse como (Chuvieco, 2002):
1=ρλ +αλ +τλ [3]
Es precisamente la dependencia de la reflectividad con la longitud de onda (λ), juntamente con
la reflectividad espectral que es dependiente de la naturaleza del material (rasgos de absorción en
función de los constituyentes químicos de los materiales, lo que hace posible el reconocimiento de
diversos materiales a través de la Teledetección (Gilabert et al., 1997).
Otros factores que también afectan la reflectividad de una superficie (entre ellos las especies
vegetales), son los factores externos a ellas. Entre ellos se deben señalar los relacionados con la
configuración de la observación, la iluminación y la presencia de la propia atmósfera (Gilabert et al.,
1997).
7
En el caso de las cubiertas vegetales, su reflectividad estará determinada además de los
factores ya señalados, por las características ópticas y distribución espacial de todos sus
constituyentes (incluyendo el suelo donde se encuentran las plantas) y la proporción en que estas se
encuentren (Jensen, 2007; Chuvieco, 2002). Uno de los grandes desafíos de la Teledetección,
aplicada a coberturas de vegetación, es poder estudiar la vegetación de una escena a partir de
medidas de reflectividad con independencia de todos los factores que perturban la señal radiométrica,
entre los que cabe destacar la reflectividad de suelo (Gilabert et al., 1997).
Para intentar cumplir con estos desafíos, en Teledetección se han desarrollado diferentes
índices de vegetación, que se explicarán más adelante.
3.3 BASES DE LOS ÍNDICES DE VEGETACIÓN (IV) Y SU INTERPRETACIÓN
Un objetivo primordial para muchos proyectos de Percepción Remota es la caracterización de
los tipos de vegetación presentes en un sitio determinado, considerando la cantidad y condición de
ella. La cantidad de luz reflejada desde la superficie está determinada por la intensidad y composición
de la radiación solar que llega a una superficie determinada y también por las propiedades reflectivas
de dicha superficie (Figura 1).
Debido a que la radiación solar varía de acuerdo al tiempo y las condiciones atmosféricas, no
basta una simple medición de la luz reflejada desde una superficie para caracterizar dicha superficie.
Este problema puede solucionarse en parte, mediante la combinación de datos de dos o más bandas
espectrales para conformar lo que se conoce como Índice de Vegetación (IV).
Jensen (2007) define los índices de vegetación como aquellas medidas radiométricas
adimensionales, que funcionan como indicadores de la abundancia relativa y actividad de la
vegetación verde, incluyendo también indicaciones relativas al Índice de Área Foliar (IAF), el
porcentaje de cubierta vegetal verde, o la radiación fotosintéticamente activa absorbida. Un índice de
vegetación puede ser calculado dividiendo, restando, dividiendo diferencias y/o sumas, y también
formando combinaciones lineales de datos de diversas bandas espectrales. Los índices de vegetación
han sido pensados para reforzar la señal vegetativa y minimizar los efectos radiativos y del suelo
colindante.
El uso habitual de los índices de vegetación podría hacer pensar que ellos pueden ser
calculados de forma uniforme y que pueden ser comparados a través del tiempo y localidades.
Desafortunadamente este no es el caso. Los índices de vegetación pueden ser calculados a partir se
8
sensores de voltaje (v), valores de radiación (L), valores de reflectividad (ρ) y números digitales.
Cada uno de ellos es correcto, pero cada uno de ellos entrega a su vez diferentes valores de IV para
la misma superficie. La posición y el ángulo solar afectan también los valores de cada banda espectral
de manera diferente. Ello a su vez afecta a los valores de IV. El suelo colindante, la atmósfera y el tipo
de sensor empleado también ejercen un efecto importante sobre los valores de IV. Por ello que al
analizar los valores de IV deben considerarse los factores antes señalados.
Figura 1. Espectro de reflectancia para trigo, suelo desnudo seco y suelo húmedo en imágenes
Landsat TM. Adaptado de Jackson y Huete (1991).
Como ya se ha señalado anteriormente, cuando la radiación solar llega a una superficie, parte
de ella es reflejada, parte es transmitida y la parte remanente es absorbida. Las proporciones relativas
de radiación reflejada, transmitida y absorbida son función de la superficie y varían de acuerdo a la
longitud de onda. En el caso de los suelos la mayor parte de la radiación solar es reflejada o absorbida
y muy poca es transmitida. En el caso de la vegetación, la mayor parte de la radiación en el espectro
del infrarrojo es transmitida y reflejada y muy poca es absorbida, en contraste con el espectro visible
donde la absorción predomina (poca radiación reflejada y transmitida).
Al utilizar un índice de vegetación se busca una combinación de valores de reflectancia en
diferentes longitudes de onda, con alta sensibilidad a cambios en la vegetación y baja sensibilidad a
otra información (atmósfera o suelo). La gran mayoría de los IV están basados en el alto contraste
entre la banda del rojo (R) y la del infrarrojo cercano (IRC) para la vegetación viva y verde (Jensen,
2007).
9
3.4 CLASES DE ÍNDICES DE VEGETACIÓN
En la actualidad se pueden contar alrededor de cincuenta índices de vegetación (IV)
desarrollados por distintos grupos de investigación (Chengyuan et al., 2008). Entre ellos el NDVI
(Jensen, 2007), es el que ha sido más ampliamente utilizado en estudios globales de seguimiento y
evaluación de la dinámica vegetal, gracias a su facilidad de cálculo e interpretación (Chuvieco, 2002).
Los índices de vegetación (IV) publicados hasta el momento se presentan agrupados en
distintos tipos de clasificaciones. Así por ejemplo, Bannari et al. (1995) hablan de índices de primera y
segunda generación, mientras que Rondeaux et al. (1996) los clasifican en índices intrínsecos y en
índices que utilizan la línea del suelo.
Gilabert et al. (1997) los clasifican en índice de baja resolución espectral y en índices de alta
resolución espectral. Estos últimos continúan utilizando la zona roja e infrarroja cercano del espectro,
pero no en forma de bandas sino haciendo uso del espectro de reflectividad continuo.
Entre los índices más utilizados para el análisis temporal de la vegetación, y que se utilizan en
este trabajo, se encuentra el Índice de Vegetación de Diferencias Normalizadas (NDVI por sus siglas
en inglés) introducido por Rouse et al. (1974) y el Índice de Vegetación Ajustado al Suelo (SAVI por
sus siglas en inglés) desarrollado Huete (1988).
El Índice de Vegetación de Diferencias Normalizadas (NDVI) ha sido y es ampliamente
utilizado, estando basado en un intento de realzar las diferencias en la reflectividad entre regiones
espectrales de rojo (R) del infrarrojo cercano (IRC), para firmas espectrales características de la
vegetación y atribuibles a la estructura interna de las hojas (Jensen, 2007). Las limitantes en su uso
radican en el efecto distorsionador del suelo y su saturación en valores altos de área foliar.
La ecuación que lo define es:
[4]
TMi: Número de banda de la imagen satélite Landsat
10
Por su definición los valores del NDVI varían entre +1 y -1, con valores más altos para la
vegetación densa y valores muy bajos (o negativos) para nieve, agua y nubes. Valores muy bajos de
NDVI, del orden de 0,1, corresponden a áreas rocosas, arenosas o nevadas. Valores de 0,2 a 0,3
pueden corresponder a áreas pobres con arbustos o pasturas naturales. A partir de estos valores
tendremos los niveles correspondientes a praderas, cultivos, plantaciones forestales etc. dependiendo
el valor alcanzado, que puede llegar hasta 0,6 y 0,8, del estado de desarrollo y sanidad de tales áreas
(Jensen, 2007). Pese a su sencillez, el NDVI plantea el inconveniente de ser sensible a la reflectividad
del suelo sobre el que se sitúa la planta, especialmente en zonas con baja densidad de vegetación. La
reflectividad correspondiente a un píxel en la banda infrarroja y en la banda roja vendría determinada
fundamentalmente por el suelo, con una pequeña variación debida a la presencia de vegetación.
El resultado es que un IV de esa zona daría resultados muy similares a los del suelo desnudo
y sería imposible detectar la presencia de vegetación. De hecho, este problema es bastante grave
cuando la cubierta vegetal es menor del 50%, lo que ocurre bastante a menudo incluso en zonas
cultivadas.
Otro factor que modifica el valor del NDVI es el efecto de absorción atmosférica, por lo cual se
ha propuesto el índice Atmospherically Resistant Vegetation Index (ARVI) (Kaufman y Tanré, 1992) el
que ajusta el valor del NDVI a las condiciones atmosféricas, teniendo en cuenta la diferente dispersión
de las bandas azul y roja (Chuvieco, 2002).
Para intentar resolver en parte los problemas planteados para el caso del NDVI y poder
estudiar la vegetación incluso en zonas de baja densidad se ha generado un amplio interés en
desarrollar otros índices que reduzcan los efectos del suelo (Schmidt y Karnieli, 2001; Chuvieco,
2002). Es así como Huete (1988) introdujo el Soil Adjusted Vegetation Index, SAVI, el cual incluye
una constante (L) ajustada al suelo, lo que minimiza el efecto de la reflexión provocada por el suelo.
[5]
SAVI: Índice de Vegetación Ajustado al Suelo; NIR reflectividad en la banda del infrarrojo cercano;
R: reflectividad en la banda del rojo; L: constante para ajustar la línea vegetación-suelo al origen (valor
que varía entre 0 y 1).
Aunque las aplicaciones de los IV, como los indicados, en el estudio de la vegetación, de sus
características y de su estado son ampliamente conocidas, tal como señalan Wardlow y Egbert (2010)
no existen muchos estudios o publicaciones dedicados a la determinación y evaluación de los
11
resultados que entregan los diferentes índices. Las investigaciones de este tipo realizan
comparaciones entre dos o más IV obtenidos desde imágenes proporcionadas por un mismo sensor y
también por sensores diferentes; toman distintas áreas de estudio y comparan el comportamiento de
los IV entre diversas cubiertas.
3.5 CARACTERÍSTICAS TEMPORALES DE LA VEGETACIÓN QUE PUEDEN AFECTAR SU
PERCEPCIÓN A PARTIR DE SENSORES REMOTOS
El momento preciso durante el año, cobra importancia vital cuando se desea identificar
diversos tipos de vegetación u obtener o inferir información sobre características biofísicas (biomasa,
contenido de clorofila, etc.), a partir de información obtenida de de sensores remotos (Jensen, 2007).
La selección de las épocas más adecuadas requiere también conocer el ciclo de desarrollo fenológico
de la especie vegetal que se está estudiando y si dichas especies durante su ciclo pierden o no las
hojas.
Una consideración de gran importancia es la presencia de canopia de otras especies
vegetales dentro del área de resolución espacial y espectral de la imagen satelital captada. Ello
significaría que las características de reflectancia espectral de dichas especies sería muy similar y su
capacidad de discriminación nula (Lintz y Simonett, 1976).
De acuerdo a Jensen (2007), cuando se utilizan sensores de relativa baja resolución espectral
como los de este estudio (Landsat ETM+ y SPOT 5) es de vital importancia conocer el estado
fenológico de la especie estudiada, de otras especies que se encuentren en el área de resolución
espacial de la imagen, la estructura de la canopia, el marco de plantación, la orientación, el estado
hídrico de la planta, y las características del suelo colindante (con o sin vegetación).
Todas estas consideraciones pueden afectar las características espectrales de la radiación
recibida y la interpretación de ellas. En el caso de que se desee realizar una clasificación supervisada,
las características espectrales de la biomasa vegetal que se está captando remotamente, son claves
para llegar a discriminar y precisar con una alta probabilidad los tipos diferenciados de vegetación que
se desea mapear. De acuerdo a Jensen (2007) la precisión de un mapeo de vegetación utilizando
clasificación supervisada dependerá en gran parte de que exista una considerable diferencia en la
respuesta espectral de los diferentes cultivos que están dentro del área de resolución espacial de una
imagen satelital.
12
3.6 NECESIDADES DE CORRECCIÓN RADIOMÉTRICA Y ATMOSFÉRICA EN ESTUDIOS
MULTITEMPORALES UTILIZANDO IMÁGENES SATELITALES E ÍNDICES DE
VEGETACIÓN
Las imágenes satelitales multitemporales se han utilizado hace más de 35 años en diversas
aplicaciones de las ciencias de la tierra y medioambientales para actividades de mapeo de uso de
suelos, estudios geológicos, forestales, agronómicos, entre otros (Jensen, 2007). Los estudios
multitemporales basados en dichos tipos de imágenes adquieren cada vez más importancia debido al
interés mundial en fenómenos globales como el cambio climático, pero también por la necesidad
práctica de evaluar durante varios años diferentes eventos, por ejemplo en el ámbito de fruticultura
como en el estudio que aquí se plantea. La necesidad, por ejemplo, de estudiar diversos fenómenos
de la ecofisiología en una especie frutal, requieren que las mediciones captadas por sensores
remotos, tengan una base real con las diversas unidades físicas que se evalúan en la superficie
terrestre (Chavez, 1996).
Debido a que el satélite con el sensor se encuentra situado a una altura promedio de unos 705
km (Chuvieco, 2002), la respuesta radiométrica que le llega desde la superficie se modifica a
consecuencia de su paso por la atmósfera. Uno de los efectos más importantes de la atmósfera en las
radiaciones visibles e infrarrojas próximas es debido a la dispersión producida por las moléculas de los
gases (dispersión de Rayleigh) (Chavez, 1996). Ésta es inversamente proporcional a la cuarta
potencia de la longitud de onda, por lo que afecta mucho más a las longitudes cortas (azul) que a las
longitudes más largas (infrarrojo medio). Otros efectos de dispersión atmosférica pueden ser debidos
a la presencia de partículas de aproximadamente el mismo tamaño que las longitudes de onda
(aerosoles), pero son más esporádicos y suelen presentarse únicamente en días de atmósferas poco
nítidas.
Debido a las distorsiones nombradas anteriormente, para aproximar la respuesta recibida por
el sensor a la real del objeto observado en la superficie terrestre, se suelen aplicar métodos que
tiendan a eliminar la dispersión por sustracción, ya que ésta produce un efecto puramente aditivo a la
radiación que procede directamente del objeto observado. Uno de estos métodos es el conocido como
Histogram Minimum Method (Campbell, 1989). Este método se limita a substraer en cada banda el
valor mínimo observado, ya que se supone que en una escena siempre pueden existir algunos pÍxeles
en sombra total, que en ausencia de atmósfera no recibirían ni deberían reflejar ninguna energía de
procedencia solar. Chavez (1996) propuso una mejora de este método basado en la suposición que
el agua debe absorber totalmente las radiaciones infrarrojas medias y por lo tanto la energía reflejada
por las superficies de agua es en su mayor parte debida a la dispersión atmosférica. A partir del valor
13
de dispersión encontrado para el infrarrojo medio puede calcularse el valor teórico de dispersión para
el resto de las longitudes de onda, sobre todo para el efecto Rayleigh.
Por ello La calibración radiométrica, incluida la corrección atmosférica, resulta indispensable
para efectuar estudios multitemporales en imágenes de satélite del mismo sensor como en este
estudio. Para realizar dicha corrección se disponen de diferentes métodos y programas desarrollados
para este fin.
Existe un grupo de métodos que necesitan información de las condiciones atmosféricas para
la fecha de adquisición de la imagen (muchas veces imposibles de obtener) y que utilizan programas
de transferencia radiativa por otro lado, existe otro grupo de métodos que se basan íntegramente en
las imágenes con algunas simplificaciones. Entre estos últimos los más conocidos están los de
substracción del mínimo del histograma conocido por sus siglas en ingles DOS (dark object
subtraction), método de regresión entre bandas, y el método del Cost (Chavez, 1996).
El objetivo de la corrección radiométrica y atmosférica es mejorar la precisión de las medidas
de reflectancia obtenidas a partir de sensores remotos. En ella se busca eliminar ruidos en los
números digitales (ND) de la imagen, compensando las diferencias en los valores de radiancia y la
conversión de los ND. A través de la corrección radiométrica y atmosférica se busca convertir los
números digitales de la imagen de satélite a valores de reflectividad, de tal manera que sean lo más
parecidos al momento de captura de la imagen por el satélite. Para realizar esto, los números digitales
deben convertirse primero a valores de radiancia, que son los detectados por el satélite y que han
sido llevados a una escala de rango 0-255. Por ello, habrá que regresar a sus valores iniciales, para
luego seleccionar algunos de los métodos propuestos para convertir a reflectividad. Ello incluye algún
tipo de corrección atmosférica semi- empírica propuesta, por ejemplo en un módulo del software Erdas
(Model maker toolbox de ERDAS Imagine) (ERDAS Inc. USA), software que es utilizado ampliamente
en tratamiento de imágenes satelitales (Allen et al., 2007).
Para realizar las correcciones radiométricas y atmosféricas necesarias, en el caso del
presente estudio, se utilizó el modelo METRIC (Mapping EvapoTranspiration at high Resolution with
Internalized Calibration) (Allen et al., 2007). Dicho modelo, incorporado al programa Erdas, realiza las
correcciones utilizando como fuente de entrada, información contenida en el “Header” de las imágenes
satelitales tales como: ángulo de elevación solar, “Gains”, “Biases”, entre otros).
14
3.7 MODELO METRIC PARA ESTIMACIÓN DE NDVI Y SAVI
El modelo METRIC (Mapping EvapoTranspiration at high Resolution with Internalized
Calibration) (Allen et al. 2007), fue originalmente diseñado para ser usado en imágenes Landsat 5
(TM) or 7 (ETM+) para calcular la evapotranspiración actual (ETa) píxel por píxel, como un residuo del
balance energético de superficie (RSEB)(Residual of the surface energy balance). Su formula:
iiniii GHRLEET [6]
Donde λ es el calor latente de vaporización (J kg-1
); ET es la evapotranspiración; LEi es el flujo latente
de calor (W m-2
); Rni es la radiación neta (W m-2
); Gi es el flujo de calor del suelo (W m-2
) y Hi es el
flujo de calor sensible (W m-2). El subíndice “i” indica las mediciones al momento del paso del
satélite.
El modelo METRIC está compuesto de varios submodelos que convierten las mediciones de
reflectancia de superficie en las porciones visible (VIS) e infrarrojo cercano (NIR) del espectro
electromagnético, en características de superficie del terreno como albedo (α) e índices de vegetación
(IV). En el modelo METRIC el cálculo de Índices de vegetación como NDVI, SAVI e índice de área
foliar, se enmarcan dentro de la estimación de flujos netos de radiación (Figuras 2 y 3) que son
usados subsecuentemente en forma empírica para estimar los flujos de calor del suelo en la primera
parte del algoritmo.
15
NDVI (Normalized difference vegetation index), SAVI (Soil adjusted vegetation index ), LAI (índice
de area foliar) (m2*m
-2). Rs↓; RL↓ and RL↑ son radiación solar incidente de onda corta; Radiación
dde onda larga incidente y Radiación de onda larga reflejada, respectivamente (W m-2
). ε0 y εNB
son la emisividad de onda larga y onda corta respectivamente, Ts (°K) y α (sin unidades) (Allen et
al., 2010).
Figura 2. Esquema de cálculo de flujos de radiación neta (Rn) al momento de captación del satélite
(W m-2
).
Figura 3. Componentes del balance radiativo de superficie. Adaptado de Allen et al. (2007).
16
NDVI, SAVI y LAI son usados como datos de entrada en METRIC para calcular los flujos de radiación
neta (Fig. 2). NDVI está basado en el principio que la vegetación fotosintéticamente activa muestra
una alta absorción de la radiación solar incidente en el espectro del rojo visible y fuerte reflectancia en
el infrarrojo cercano (Jensen, 2007) . NDVI se calcula según fórmula [4], donde R y IRC representan la
reflectancia en las longitudes roja (610-690 nm) e infrarroja (780-1000 nm), respectivamente. Para
ambos tipos de imágenes, Landsat 5 (TM) y 7 (ETM+), las bandas 3 y 4 son el rojo (R) e infrarrojo
cercano (IRC), respectivamente.
SAVI es un índice similar a NDVI que busca minimizar el efecto del suelo desnudo cercano a
la vegetación (Allen et al., 2010). SAVI se calcula según la fórmula [5], donde L es un factor de
corrección que depende de la cobertura de vegetación. Para una cobertura total de vegetación L = 0,
lo cual iguala a SAVI con NDVI; para muy baja cobertura de vegetación L = 1 y cuando la cobertura es
desconocida se sugiere L= 0,5 porque representa un valor intermedio de cobertura de vegetación.
Para el algoritmo METRIC el cálculo de SAVI se hace usando L = 0,1.
El índice de area foliar (IAF) es calculado por METRIC de la siguiente forma:
IAF=11*SAVI3; para SAVI ≤ 0,817 [7]
IAF=6; para SAVI > 0,817 [8]
El modelo METRIC cuenta con un manual para aplicaciones de éste con imágenes Landsat
(Allen et al., 2010). Mediante este manual se realizan las correcciones radiométricas y atmosféricas,
necesiarias. Ello, como se indicó anteriormente, incorporado a un modulo del software Erdas (Model
maker toolbox de ERDAS Imagine) (ERDAS Inc. USA).
3.8 CEREZO EN CHILE Y LA REGIÓN DEL MAULE
Chile cuenta con una superficie plantada con cerezo de aproximadamente 15.000 ha. El
volumen exportado de cerezas frescas ha crecido a una tasa de 20% entre 2005 y 2010, y el valor
total de las exportaciones ha pasado de US$ 24 millones en el año 2000 a US$ 227 millones en 2010.
El año 2011 se estimó una producción de 85.793 ton, de las cuales 64.666 ton están destinadas a la
exportación (ODEPA, 2012).
17
Dentro del país, la Región del Maule es la que concentra la mayor superficie plantada (5.900
ha) y el mayor número de productores. Dentro la Región del Maule, es la provincia de Curicó quien
tiene el mayor número de productores (981) y la mayor superficie plantada (5.330 ha). De acuerdo a
estimaciones las proyecciones futuras de las exportaciones indican que estas llegarán a 42.000 Ton al
año 2013, manteniéndose la Región del Maule como líder en el rubro (ODEPA, 2012).
Se espera que la superficie dedicada al cerezo y la producción total se incrementen
fuertemente en los próximos años. Se estima que la superficie actual en producción aumentará en un
50% considerando los huertos en formación. Se espera además que las zonas agroecológicas
dedicadas a esta especie sigan extendiéndose en el país a través de la incorporación de nuevos
nichos agroecológicos.
3.9 RELACIÓN ENTRE CONDICIONES CLIMÁTICAS Y DESARROLLO EN EL CEREZO
El cerezo forma parte del grupo de frutales de hoja caduca, en los cuales el ciclo anual de
crecimiento está fuertemente influenciado por las condiciones climáticas. En primavera, se presenta
una gran actividad de crecimiento, disminuyendo hacia el verano y cesando hacia el otoño, para
posteriormente entrar en un período de receso entre otoño e invierno (Gil, 1997). Durante el período
de actividad vegetativa, el árbol realiza intensamente todos sus procesos fisiológicos, donde las
yemas, brotes, flores y frutos, muestran un aspecto externo diferente a lo largo de este período, es
decir, un estado fenológico. La fenología viene a ser, entonces, una sucesión en el tiempo de estos
estados (Gil-Albert, 1997), dependiendo estrechamente de diferentes regímenes de temperatura (Lang
et al., 1987).
Requerimiento de frío invernal: El cerezo es una especie adaptada a un clima templado-frío,
es decir, requiere de una gran acumulación de frío invernal para recomenzar un nuevo ciclo
vegetativo. Esta característica restringe su cultivo en áreas de inviernos cálidos, como las regiones IV
hacia el norte de nuestro país. En zonas intermedias, V, Metropolitana y VI región, la floración de
algunos cultivares es irregular y prolongada, presentando desfases entre la floración del polinizador y
el cultivo a polinizar (Lemus, 2002).
El cerezo no se desarrolla bien en climas con altas temperaturas en verano y tampoco con
alta humedad ambiental. Las altas temperaturas en primavera y comienzos de verano producen frutos
dobles y la excesiva irradiación solar puede quemar la corteza, produciéndose heridas donde pueden
desarrollarse hongos (Sotomayor, 1995).
18
Según Gil (1997), las distintas variedades de cerezo requieren entre 500 y 1300 horas bajo
7ºC. La brotación y el momento de floración en los frutales de hoja caduca depende de la exposición
de las yemas a bajas temperaturas durante el letargo (Mahmood et al., 2000b).
Cuando los requerimientos de frío no son satisfechos se produce una reducción en el
crecimiento y el rendimiento (Mahmood et al., 2000a). Es importante conocer la cantidad de unidades
de frío acumuladas, como también cuándo fueron recibidas (Gratacós y Cortés, 2004).
Requerimiento térmico post dormancia: A partir del fin del receso es necesario acumular
grados día para alcanzar un determinado estado fenológico. Esta respuesta está relacionada con la
condición fisiológica de las yemas, la cual está influenciada por la duración e intensidad del frío
invernal (Mahmood et al., 2000a).
La cantidad de calor necesario para la brotación o la floración, una vez concluido el reposo,
difiere entre especies y variedades de la misma manera que las exigencias de frío invernal
(Fernandez, 1996), por ende, el requerimiento de calor es en frecuencia determinado genéticamente y
muchas veces varía con la condición fisiológica de la planta (Faust, 1989). Cultivares de floración
tardía tienden a tener altos requerimientos de unidades de frío y de unidades de calor, mientras que
cultivares de floración temprana tienden a tener bajos requerimientos de frío y de calor (Mahmood et
al., 2000a). Las unidades de calor también inciden en el crecimiento del tubo polínico, la cuaja, en la
elongación del brote y la división celular del fruto, que es especialmente importante en la calidad de la
fruta.
3.10 CARACTERÍSTICAS FLORALES DEL CEREZO
El cerezo posee yemas florales simples en dardos y en la base de las ramillas de un año.
Cada yema tiene un fascículo que puede tener hasta cinco flores. La iniciación floral comienza a fin de
primavera y es evidente al final del primer mes de verano, siendo similar en dardos como en la base
de los crecimientos de un año (Gil, 1997).
En la zona central de Chile los cultivares de cerezo dulce pueden florecer en un periodo de 25
días a partir del 15 de septiembre, con diferencias de 10 días entre ellas, tomando a cada una siete
días alcanzar la plena floración y 10 –14 días el término (Gil, 2000; Gil-Albert, 1998).
El Desarrollo del fruto se divide en tres etapas: la primera es básicamente de división celular y
comprende desde floración hasta inicios del endurecimiento del carozo o citogénesis del endosperma,
19
período muy corto que dura entre 10 a 25 días después de plena flor (Lemus, 2005). En la segunda
etapa el crecimiento del fruto es escaso, pero se producen cambios en la semilla como el desarrollo
del embrión y el endurecimiento del carozo. En la tercera etapa, debido a la elongación celular se
produce un gran crecimiento del fruto. Al igual que otros frutales del género Prunus, el crecimiento del
fruto en cerezo sigue un patrón de curva doble sigmoidea, donde el tamaño final del fruto está
representado mayoritariamente por la sumatoria de los crecimientos de la etapa uno y tres.
3.11 CRECIMIENTO EN EL CEREZO
Durante el período de actividad vegetativa, en el árbol ocurren procesos fisiológicos como el
desarrollo vegetativo de brotes, engrosamiento de ramas y tronco, después de la brotación el
crecimiento de la yema apical se intensifica, este proceso dura toda la primavera y normalmente
termina en verano cuando las temperaturas alcanzan valores muy altos (35º C). En este momento la
elongación se detiene y el meristema terminal está protegido por escamas y brácteas en forma de
yema terminal (Gil-Albert, 1998). El crecimiento de las yemas vegetativas comienza a finales de la
floración y, en general, la especie ramifica poco en comparación a otros frutales como el duraznero o
damasco (Lemus, 2005).
El cerezo tiene un hábito vegetativo marcadamente acrótonico que lo hace emitir brotes cerca
del ápice de las ramillas, formando pisos y, de ahí en adelante, formando dardos (Gil, 2000). El
crecimiento de las yemas vegetativas comienza al final de la floración. En variedades vigorosas el
crecimiento anual puede sobrepasar el metro de longitud en las primeras temporadas, con árboles que
pueden alcanzar en forma natural hasta 15 m de altura en ausencia de métodos culturales que
contengan el vigor (Moreno, 2002). En la figura 4 se ilustran imágenes con el desarrollo de algunos de
los principales estados fenológicos del cerezo.
20
a) yemas cerradas de invierno, b) yemas iniciando el hinchado, c) yemas hinchadas, d) ápice floral visible, e) primeras hojas desplegadas, f) crecimiento de brotes, g) inicio de floración, h) fin de la floración, i) fruto cuajado, j) frutos al 70% del desarrollo final, k) comienza coloración de frutos, l) madurez de cosecha.
Figura 4. Estados fenológicos del cerezo
El estudio y caracterización de los parámetros de fenología, por zonas de cultivo, tales como
inicio y fin del período vegetativo, largo total de temporada, época del punto máximo de crecimiento,
entre otros, son de gran importancia para la producción sustentable de esta especie frutal. Ellos
condicionan y orientan la implementación de labores tales como el riego, fertilización, la aplicación de
agroquímicos, entre otros. Bajo esta perspectiva, el uso de imágenes satelitales multitemporales, se
presenta como una oportunidad para caracterizar dichos estados fenológicos a una escala regional y
de bajo costo (Barbosa et al., 2006).
3.12 CULTIVAR DE CEREZA “BING”
“Bing” es un cultivar de vigor alto con un hábito de crecimiento semi-abierto, presenta una
productividad moderadamente alta (Bargioni, 1996). Es autoesteril, yse p oliniza con cultivares como:
“Van”, “Stella”, “Early Burlat”, y “Rainier” (Mauncilla, 2003). El fruto es de color rojo púrpura de forma
redonda, pulpa roja oscura y firme, el fruto es sensible a la partidura (Labra et al., 2005). De acuerdo a
la época de floración, se puede clasificar como de media estación.
21
IV. METODOLOGÍA
Este estudio general se dividió en tres estudios parciales E1, E2 y E3 de modo de cumplir con
cada unos de los objetivos específicos planteados.
En el primer estudio (E1) se evaluó, mediante el uso de imagen satelitales SPOT 5 y, Landsat
ETM+ de Diciembre del 2011, la capacidad del índice de vegetación NDVI y del índice de vegetación
ajustado al suelo SAVI para discriminar la presencia de huertos de cerezo frente a otras especies
frutales, viñas suelo desnudo y construcciones de concreto y, la relación entre una clasificación
supervisada e información del Sistema de Información Geográfica (SIG) para el cerezo.
En el segundo estudio (E2) se evaluaron los valores del índice de vegetación NDVI, obtenidos
a partir de imágenes satelitales de los meses de Octubre, Noviembre y Diciembre del año 2011. Dicha
información fue relacionada con datos de seguimiento fenológico y registros de radiación solar para
dichos predios.
En el tercer estudio (E3) se evaluó el uso de imágenes satelitales multitemporales (Landsat
ETM+) e índices de vegetación (NDVI, SAVI), obtenidos mediante el modelo Metrictm
(Allen et al.,
2007), como herramientas para el estudio remoto de estados fenológicos y crecimiento del cerezo en
tres localidades diferentes de la provincia de Curicó.
22
4.1 ESTUDIO 1
4.1.1 ZONA DE ESTUDIO.
El área de estudio está situada en la Región del Maule, en la provincia de Curicó, comuna de
Sagrada Familia. Para la discriminación entre especies, se localizaron huertos de cerezo (Prunus
avium L), Kiwi (Actinidia deliciosa), arándano (Vaccinium corymbosum) y ciruelo europeo (Prunus
domestica). Dichos predios se localizan geográficamente de acuerdo a información entregada en
cuadro 1.
Cuadro 1. Localización de huertos frutales (E1). Datum WGS 84 Especie Características Marco Coordenadas
geográficas Sensor Fecha
Cerezo “Bing”/Gisela 5*4 m 35°01'12,53''S 71°25' 11,51'' O
SPOT 5. Dic 2011
Kiwi cv “Hayward” 5*5m 35°01'01,63''S 71°25' 11,32'' O
SPOT 5. Dic 2011
Arándano cv “O´Neil” 3*1m 35°01'09,35''S
71°25' 12,89'' O SPOT 5. Dic 2011
Ciruelo europeo
cv. “DÁgen” 5*4m 35°00'51,55''S 71°25' 07,46'' O
SPOT 5. Dic 2011
4.1.2 SUELO EN LA ZONA DE ESTUDIO
Para caracterizar el suelo en la zona de estudio, se realizó un estudio agrológico “in situ” y se
consultaron referencias del Estudio Agrológico VII Región (CIREN, 1997). Los suelos se encuentran
en posición de planos aluviales remanentes. No se observan limitaciones severas, salvo problemas de
saturación que se producen en alguna época del año. La profundidad efectiva de 100 cm,
presentándose evidencias de compactación o pie de arado muy ligero, ya que la cantidad de raíces
disminuye notoriamente desde los 30 cm de profundidad. La zona edáfica de este sitio comprende las
series: Macarena, El Peñón y Peteroa. Según la cartografía y la presencia de cutanes (procesos de
ilimerización de arcillas) en el horizonte B1, la serie Macarena es la que más se correlaciona (Figura
5).
23
Figura 5. Contexto edáfico para el primer estudio (E1). Fuente: Estudio “in situ” y
consulta a Estudio Agrológico VII Región (CIREN, 1997).
4.1.3 CLIMA EN LA ZONA DE ESTUDIO
La zona de estudio se clasifica dentro de la zona de clima del tipo mesotermal inferior
estenotérmico mediterráneo semiárido (Santibáñez y Uribe, 1993).
4.1.4 IMÁGENES SATELITALES UTILIZADAS
Se utilizaron imágenes satelitales SPOT 5 y Landsat ETM+ de Diciembre 2011. En el caso de
la imagen Landsat ETM+, ella se obtuvo de forma gratuita a partir del servidor http://glovis.usgs.gov/.
Se efectuó un procesamiento de dicha imagen (Proyección), mediante el software Erdas 9.2. La
imagen SPOT 5 disponía de una corrección geométrica previa. No se realizó una corrección
radiométrica ni atmosférica a dichas imágenes.
24
4.1.5 SIG CEREZO
Se utilizó una capa SIG del catastro frutícola (CIREN, 2007). A partir de ella se obtuvo la
georreferenciación (polígonos) de predios de cerezo en la comuna y las características varietales y
densidad de plantación. Se utilizaron para ello herramientas de SIG, mediante el uso del software
ArcGIS 9.3. Específicamente la superposición de polígonos definidos como superficie de cerezo en la
cobertura SIG (CIREN, 2007) sobre la imagen satelital SPOT 5 para la comuna de Sagrada Familia.
4.1.6. – GEORREFERENCIACIÓN DE CEREZOS Y OTRAS ESPECIES FRUTALES
Se efectuó una georreferenciación mediante Navegador marca Garmin, modelo Etrex 30, de
los cuarteles correspondientes al cerezo y otras especies frutales: vid, kiwi, arándano, ciruelo japonés.
Se obtuvieron las coordenadas para el posterior análisis de los índices de vegetación y comparación
con el cerezo para condiciones de clima y suelo similares. Se efectuó un mapeo de los predios
georreferenciados sobre cobertura SIG e imágenes Quickbird disponibles en Google Earth (Figura 6).
Figura 6. Predios diferentes especies frutales (E1).
4.1.7 ÍNDICES DE VEGETACIÓN
Se usó el índice de vegetación NDVI (Jensen, 2007) e índice de vegetación SAVI para
discriminar la presencia de huertos de cerezo frente a otras especies frutales, viñas, suelo desnudo y
construcciones de concreto. El índice de vegetación de diferencia normalizada (NDVI), se calculó se
según fórmula [4], utilizando las bandas 3 (infrarrojo cercano) y 4 (Rojo) para el caso de Landsat
ETM+ y en SPOT 5, entre las bandas 3 y 2 (TM4/TM3 o SPOT3/SPOT2). Se utilizó el módulo
“Interpreter spectral enhancement” del programa Erdas 9.2. El Índice de Vegetación SAVI se calculó
según la fórmula [5].
25
4.1.8 CLASIFICACIÓN DE IMÁGENES
Se realizó la clasificación de imágenes satelitales (SPOT 5), utilizando como puntos de
control polígonos obtenidos a partir de la capa SIG del Catastro frutícola, mediante el programa Erdas
9.2 (Figura 7).
250000,000000
250000,000000
260000,000000
260000,000000
270000,000000
270000,000000
280000,000000
280000,000000
290000,000000
290000,000000
300000,000000
300000,000000
60
80
00
0
,00
00
00
60
80
00
0,0
000
00
60
90
00
0
,00
00
00
60
90
00
0,0
000
00
61
00
00
0
,00
00
00
61
00
00
0,0
000
00
611
00
00
,00
00
00
611
00
00
,00
00
00
61
20
00
0
,00
00
00
61
20
00
0,0
000
00
61
30
00
0
,00
00
00
61
30
00
0,0
000
00
61
40
00
0
,00
00
00
61
40
00
0,0
000
00
61
50
00
0
,00
00
00
61
50
00
0,0
000
00
Comuna de Sagrada Familia (Color celeste). Se
utilizaron como puntos de control polígonos de
cerezo (en amarillo) obtenidos a partir de la capa
SIG del Catastro frutícola 2007 (CIREN, 2007).
. 7.000 0 7.0003.500 Meters
Figura 7. Clasificación de imágenes satelitales (SPOT 5) para la comuna de Sagrada
Familia.
26
4.1.9 ANÁLISIS DE RESULTADOS
Para analizar los resultados se efectuó un análisis de la varianza (ANOVA) de un factor para
las variables. Los requisitos de normalidad y de homocedasticidad fueron comprobobados mediante la
prueba de Kolmogorov-Smirnov y por la prueba de Levene respectivamente. Cuando el análisis de la
varianza fue significativo se realizó una prueba de Tukey-Kramer de comparación múltiple de las
medias para un nivel de significación del 5% (P < 0,05). Se utilizó el paquete estadístico JPG 10.0.
27
4.2 ESTUDIO 2
4.2.1 ZONA DE ESTUDIO.
El área de estudio está situada en la Región del Maule, en la provincia de Curicó, comunas de
Sagrada Familia, Rauco y Romeral. Se evaluaron para tres predios de cerezo los valores del índice de
vegetación (NDVI), obtenidos a partir de imágenes satelitales Landsat ETM+ de los meses de
Octubre, Noviembre y Diciembre del año 2011. Dicha información fue relacionada con datos de
seguimiento fenológico y registros de radiación solar para dichos predios. Los tres predios de cerezo
(C1, C2 y C3) se localizan de acuerdo a la información del Cuadro 2. En estos predios el sistema de
conducción fue del tipo “Solaxe” (Laurie y Lespinasse, 1998) con marcos de plantación de 3*4 m.
Cuadro 2. Localización de huertos de cerezo para el estudio (E2).
Huerto Características Comuna Coordenadas geográficas (Datum:WGS 84)
C1 Bing/Gisela Romeral 34°57'24.06"S 71° 9'9.75"O
C2 Bing/Gisela Rauco 34°56'22.28"S 71°15'33.50"O
C3 Bing/Gisela Sgda. Familia 35° 0'31.40"S 71°24'8.60"O
4.2.2 SUELO EN LA ZONA DE ESTUDIO
Suelo en la zona del estudio. Para el caso del huerto de Sagrada Familia, se detallaron las
características en el estudio E1. En el caso de Romeral, corresponde a la serie Romeral, Fase RML-1.
Es un suelo delgado, de textura media sobre un depósito aluvial, y en el caso de Rauco corresponde
a la serie Lontué, Fase LNT-1, aunque presenta una profundidad en un rango delgado que difiere del
rango ligeramente profundo del modal. La variación correspondiente es la Fase LNT-4 (Figura 8).
28
Figura 8. Suelo de la zona de estudio E2.
Fuente: Estudio “in situ” y consulta a Estudio Agrológico VII
Región (CIREN, 1997).
4.2.3 CLIMA EN LA ZONA DE ESTUDIO
La zona de estudio se clasifica dentro de la zona de clima del tipo mesotermal inferior
estenotérmico mediterráneo semiárido (Santibáñez y Uribe, 1993).
4.2.4 IMÁGENES SATELITALES UTILIZADAS
Se utilizaron imágenes satelitales Landsat ETM+ de Octubre, Noviembre y Diciembre 2011.
Se obtuvieron de forma gratuita a partir del servidor http://glovis.usgs.gov/.
29
4.2.5 ÍNDICES DE VEGETACIÓN
Para los cálculos de los Índices de vegetación se utilizó metodología ya descrita en el primer estudio (E1).
4.2.6 RELACIÓN CON LA FENOLOGÍA DEL CEREZO
Para la evaluación de la relación entre el índice diferencial de vegetación (NDVI) obtenido a
partir de diferentes fechas y el desarrollo fenológico del cerezo, se realizó un seguimiento fenológico
semanal a los cerezos para todo el año 2011 utilizando la metodología BBCH (Meier et al., 1994)
señalada en el cuadro 3.
Cuadro 3. Descripcion de las fases fenológicas del cerezo según metodología BBCH (Meier et al., 1994). Estado principal y secundario dentro del mismo.
Estadio principal 6. Floración Código 60: Primeras flores, abiertas
67: Flores marchitándose: la mayoría de los pétalos, caídos
69: Fin de la floración: todos los pétalos, caídos
Estadio principal 7. Formación del fruto
71: Crecimiento del ovario, los frutos no cuajados se caen 72: El ovario verde, rodeado de las coronas de pétalos que mueren
73: Segunda caída de frutos
79: Frutos alcanzan alrededor del 90 % del tamaño varietal final
Estadio principal 8. Maduración del fruto 81: Los frutos comienzan a madurar: comienzo de la coloración del fruto 85: Aumento de la coloración 87: Madurez de recolección: Frutos tienen sabor varietal típico y firmeza optima
89: Madurez de consumo: Frutos tienen sabor varietal y firmeza típicos
Estadio principal 9. Senescencia y comienzo del reposo vegetativo 91: Los brotes han completado su desarrollo; follaje aún verde 92: Las hojas comienzan a descolorarse 93: Las hojas comienzan a caerse 95: 50 % de las hojas, decoloreadas o caídas 97: Todas las hojas, caídas; letargo invernal Estadio principal 5. Aparición del órgano floral 51 Yemas de la inflorescencia hinchadas: yemas, cerradas; escamas,
de color marrón 54 Inflorescencia encerrada por escamas verde 56 Los pétalos florales, alargándose; sépalos cerrados
30
4.2.7 RELACIÓN CON LA RADIACIÓN SOLAR
Se evaluó la relación entre el índice diferencial de vegetación Normalizado (NDVI) obtenido a
partir de diferentes fechas y los registros de radiación solar de estaciones meteorológicas automáticas
instaladas en cada predio, mediante un ajuste lineal. La Radiación solar, expresada como W m-2
, fue
registrada en forma diaria mediante estaciones meteorológicas automáticas marca ATMOS.
4.2.8 ANÁLISIS ESTADÍSTICO
Se verificó que los valores del índice de vegetación (NDVI) obtenidos cumplían los requisitos
de normalidad y de homocedasticidad. La normalidad se comprobó mediante la prueba de
Kolmogorov-Smirnov y la homocedasticidad por la prueba de Levene. Una vez realizada la
comprobación de los requisitos básicos de los datos, se procedió a un análisis de la varianza
(ANOVA) de un factor para las variables. Cuando el análisis de la varianza fue significativo se realizó
una prueba de Tukey-Kramer de comparación múltiple de las medias para un nivel de significación del
5% (P < 0,05). Para conocer la relación entre variables, en el caso de radiación solar vs NDVI, se
utilizó un ajuste lineal, evaluándose los valores de R2. El análisis estadístico de los datos se realizó
con el paquete estadístico JPG 10.0.
31
4.3 ESTUDIO 3
4.3.1 ZONA DE ESTUDIO
El área de estudio está situada en la Región del Maule, en la provincia de Curicó, comunas de
Sagrada Familia, Rauco y Romeral. Se evaluaron para tres predios de cerezo (Cuadro 4), los mismos
del E2, los valores del índice normalizado de vegetación (NDVI) y Soil Adjusted Vegetation Index
(SAVI), obtenidos a partir de las siguientes imágenes satelitales Landsat ETM+
Cuadro 4. Localización de huertos de cerezo para el tercer estudio (E3).
Huerto Características Comuna Coordenadas geográficas (Datum:WGS 84)
C1 Bing/Gisela Romeral 34°57'24.06"S 71° 9'9.75"O
C2 Bing/Gisela Rauco 34°56'22.28"S 71°15'33.50"O
C3 Bing/Gisela Sgda. Familia 35° 0'31.40"S 71°24'8.60"O
4.3.2 SUELO Y CLIMA EN LA ZONA DE ESTUDIO
El suelo y clima para el tercer estudio (E3) son los mismos que para el estudio 2 (E2), ya
detallados.
4.3.3 IMÁGENES SATELITALES UTILIZADAS Y SU PROCESAMIENTO
Se utilizaron ocho imágenes satelitales Landsat 7 (ETM+) (Cuadro 5) obtenidas a partir de
USGS Glovis (http://glovis.usgs.gov/). Estas imágenes se adquirieron con corrección geográfica a
32
nivel 1T (Level 1T). Desde el año 2003, el sensor Landsat 7 (ETM+) presenta fallas en el corrector de
escaneo de líneas (Failures in the satellite scan line corrector (slc-off)). Se utilizaron áreas de interés
(AOI) sin esas fallas (gaps) y con menos de un 30% de cobertura de nubes para ser procesadas.
Las imágenes (Cuadro 5) fueron procesadas de acuerdo al manual Landsat 7 (Landsat 7
handbook) (NASA 2010) y al manual de operación de Metrictm
(Allen et al., 2010). Mediante el modelo
Metrictm
se realizaron correcciones radiométricas y atmosféricas básicas en las las bandas visible e
infrarrojas para obtener valores representativos de la superficie. Se incluye la información sobre
coordenadas geográficas e información contenida en el “header” de las imágenes satelitales. La
selección de Pixel se basó en estudios previos (Bastiaanssen et al., 1998; Tasumi et al., 2005; Singh e
Irmak, 2009). Para evitar la contaminación de pixels fuera del area de estudio, se excluyó un perímetro
de 30 m desde los bordes para calcular los valores promedios (Carrasco-Benavides et al., 2012). Se
efectuó un procesamiento de dicha imagen, mediante el módulo “model maker toolbox” del software
de tratamiento de imágenes satelitales Erdas 9.2.
Cuadro 5. Imágenes seleccionadas para ser utilizadas para ser corregidas
y calcular NDVI y SAVI mediante el modelo Metrictm
.
Año Fecha Satélite Hora(tiempo local)
2010 22-1-2010 Landsat 7 ETM+ 11:24:47
12-4-2010 Landsat 7 ETM+ 11:24:47
06-11-2010 Landsat 7 ETM+ 11:24:49
2011 09-1-2011 Landsat 7 ETM+ 11:18:16
30-3-2011 Landsat 7 ETM+ 11:23:38
6-09-2011 Landsat 7 ETM+ 11:23:50
25-11-2011 Landsat 7 ETM+ 11:24:06
11-12-2011 Landsat 7 ETM+ 11:24:26
4.3.4 ÍNDICES DE VEGETACIÓN
Para los cálculos de los Índices de vegetación se utilizó metodología ya descrita en el primer estudio (E1).
33
4.3.5 SEGUIMIENTO FENOLÓGICO DEL CEREZO
Se realizó un seguimiento fenológico semanal a los cerezos de los tres sitios (C1:Romeral,
C2:Rauco, C3: Sagrada Familia) para los años 2010 y 2011(Figura 9). Se utilizó la metodología BBCH
(Meier et al., 1994) para denotar las etapas de desarrollo. Se realizaron observaciones semanales de
los estados fenológicos en una rama marcada para cada uno de los 10 árboles en cada sitio.
Cerezos - Romeral
Cerezos - Rauco
Cerezos – Sagrada Familia
Figura 9. Vista general para los tres sitios (C1, C2, C3)
34
4.3.6 CRECIMIENTO VEGETATIVO DEL CEREZO
Se realizó un seguimiento del crecimiento vegetativo de brotes, de forma semanal a los
cerezos de los tres sitios (C1, C2, C3) para los años 2010 y 2011. Las mediciones se efectuaron en
una ramilla marcada en cada uno de los 10 árboles seleccionados para cada sitio.
4.3.7 RECOPILACIÓN Y ANÁLISIS DE INFORMACIÓN METEOROLÓGICA
Se recopiló y analizó información meteorológica, mediante estaciones meteorológicas
automáticas marca ATMOS instaladas en cada uno de los sitios (C1, C2, C3). La Radiación solar, se
expresó como W m-2
, temperatura máxima, mínima, media, humedad relativa, velocidad del viento
fueron registradas en forma diaria. Mediante dicha información se pudo calcular parámetros como
acumulación térmica (Días grado (DG), horas frío, entre otros).
4.3.8 ANÁLISIS ESTADÍSTICO
El análisis estadístico de los datos se realizó con el paquete estadístico JPG 10.0. Se verificó
que los resultados obtenidos cumplían los requisitos de normalidad y de homocedasticidad. La
normalidad se comprobó mediante la prueba de Kolmogorov-Smirnov y la homocedasticidad por la
prueba de Levene. Una vez realizada la comprobación de los requisitos básicos de los datos, se
procedió a un análisis de la varianza (ANOVA) de un factor para las variables. Cuando el análisis de la
varianza fue significativo se realizó una prueba de Tukey-Kramer de comparación múltiple de las
medias para un nivel de significación del 5% (P < 0,05).
35
V. RESULTADOS Y DISCUSIÓN
5.1 ESTUDIO 1
5.1.1 ÍNDICES DE VEGETACIÓN
En la Figura 10 se representan los valores obtenidos para NDVI entre diferentes especies
frutales. Se puede apreciar que las categorías definidas según el NDVI son significativamente
diferentes si se contrasta al arándano con cerezo, ciruelo y vid (P < 0,005) pero no entre ciruelo y kiwi.
Al analizar los valores de NDVI entre cerezo y otros tipos (Figura 11), se puede apreciar su capacidad
discriminatoria entre vegetación y suelo o entre vegetación y construcciones de concreto.
La baja capacidad discriminatoria y nula precisión del NDVI para detectar cambios de
categorías de vegetación que se presenta en algunos resultados puede ser explicado por la resolución
espacial de las imágenes Landsat ETM+ (Resolución espacial de 30x30 m en las bandas 1,2,3,4, 5 y
7 y de 120x120m y para la imagen SPOT 5 una resolución de 10x10m (Benson y MacKenzie, 1995).
En muchas de las especies frutales estudiadas la cobertura de su canopia representa
aproximadamente un 60% del espacio terrestre. Ello en el caso del cerezo puede ser aún menor si se
considera el tipo de sistema de conducción en eje central angosto (Solaxe) que incide en una canopia
con un diámetro menor (Sellers, 1985).
En el caso del índice SAVI las categorías definidas no se diferencian significativamente entre
ellas salvo para el caso del kiwi (Figura 12). Ello podría explicarse por la mayor cobertura vegetal de
dicha especie (sistema de conducción tipo parrón español, cobertura cercana al 90%).
36
ND
VI
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
Arandano Cerezo Ciruelo Kiwi
T ipo
All Pai rs
Tukey-Kramer
0,05
ND
VI
0
0,05
0,1
0,15
0,2
0,25
0,3
Cerezo Ciudad Suelo desnudo Vides
Tipo
Figura 10. Valores de NDVI a partir de imagen satelital (SPOT 5). Diciembre 2011 para diferentes especies frutales.
Figura 11. Valores de NDVI a partir de imagen satelital (SPOT 5). Diciembre 2011 para diferentes tipos de objetos.
ND
VI
0,15
0,2
0,25
0,3
L 7 ETM Sgda Fam SPOT 5 Sgda Fam
Tipo
All Pairs
Tukey-Kramer
0,05
SA
VI
0,4
0,45
0,5
0,55
0,6
0,65
0,7
Arandano Cerezo Ciruelo Kiwi
T ipo
All Pai rs
Tukey-Kramer
0,05
Figura 13. Comparación entre valores de NDVI obtenidos a partir de imagen satelital SPOT 5 y Landsat 7 ETM. Diciembre 2011 para cerezo.
Figura 12. Comparación entre valores de SAVI obtenidos a partir de imagen satelital SPOT 5 Diciembre 2011 para cerezo.
Tomando en consideración el tipo de sensor (Figura 13), en este estudio se detectan valores
de NDVI significativamente menores para Diciembre 2011, para cerezo, dependiendo del tipo de
sensor (SPOT 5, Landsat 7 ETM+). Ello concuerda con lo reportado en literatura (Jackson y Huete,
1991). Dichos autores señalan valores ligeramente menores para SPOT. Respecto al índice SAVI, los
valores en promedio más bajos que los de NDVI que se obtienen, concuerdan con lo señalado en
literatura (Xing et al., 2009).
37
5.1.2 RELACIÓN ENTRE UNA CLASIFICACIÓN SUPERVISADA EN IMAGEN SATELITAL (SPOT 5) Y SISTEMA SIG PARA CEREZO.
En las figuras 14 y 15 se aprecia la gran diferencia entre la superficie real de cerezo para la
comuna de sagrada Familia (Catastro frutícola 2007) y la superficie que de acuerdo a una clasificación
supervisada corresponde a cerezo (Imagen SPOT Dic. 2011). Claramente dicha superficie difiere de la
realidad y en ella se no se discrimina adecuadamente el cerezo de otras formaciones vegetales. En la
figura 16 se representa dicha clasificación en el marco de la región.
Figura 14. Huertos de cerezo (polígonos en
amarillo) en la comuna se Sagrada Familia
(contorno celeste), de acuerdo al Catástro
Frutícola 2007 (CIREN, 2007).
Figura 15. Imagen SPOT 5 con polígonos de
cerezo (en amarillo) para la comuna de Sagrada
Familia (Contorno celeste). Polígonos obtenidos
a partir de la capa SIG del Catastro frutícola 2007
(CIREN, 2007).
38
Figura 16. Clasificación de imágenes satelital
SPOT 5 para cerezo (polígonos rojos), utilizando
como puntos de control polígonos obtenidos a partir
de la capa SIG del Catastro frutícola 2007 para el
cerezo (CIREN, 2007).
Figura 17. Representación de clasificación supervisada de comuna de Sagrada Familia sobre el marco regional.
39
5.2 ESTUDIO 2
5.2.1 INDICES DE VEGETACIÓN
Los valores de NDVI para cerezos en las comunas de Rauco, Romeral y Sagrada Familia, no
difieren estadísticamente entre sitios para las mismas fechas (Figura 18 a 20).
Se aprecia un incremento desde los valores promedio de octubre a noviembre. Ello se relaciona con el
incremento del índice de área foliar (IAF) esperable entre estos meses. No se producen grandes
diferencias de valores NDVI entre noviembre y diciembre. Ello es esperable ya que el cerezo durante
esos meses ha parado su crecimiento vegetativo (Lauri y Lespinasse, 1998).
ND
VI O
ct 20
11
0,2
0,25
0,3
L 7 ETM Rauco L 7 ETM RomeralL 7 ETM Sgda Fam
L7 ETM
All Pai rs
Tukey-Kramer
0,05
ND
VI N
ov 2
011
0,25
0,3
0,35
0,4
0,45
0,5
0,55
L 7 ETM Rauco L 7 ETM RomeralL 7 ETM Sgda Fam
L7 ETM
All Pai rs
Tukey-Kramer
0,05
ND
VI D
ic 2
011
0,25
0,3
0,35
0,4
0,45
0,5
0,55
L 7 ETM Rauco L 7 ETM RomeralL 7 ETM Sgda Fam
L7 ETM
All Pai rs
Tukey-Kramer
0,05
Figura 18. Valores de NDVI para cerezos en las comunas de Rauco, Romeral y Sagrada Familia. Octubre 2011.
Figura 19. Valores de NDVI para cerezos en las comunas de Rauco, Romeral y Sagrada Familia. Noviembre 2011.
Figura 20. Valores de NDVI para cerezos en las comunas de Rauco, Romeral y Sagrada Familia. Diciembre 2011.
Al comparar los valores de NDVI y las fechas de ocurrencia de eventos fenológicos, para Octubre
2011, Noviembre 2011 y Diciembre 2011, en la Figura 21, se puede apreciar que los valores de NDVI
pueden asociarse a eventos fenológicos sólo en las primeras etapas de desarrollo. Por ejemplo
valores cercanos a 0,23 corresponderían al inicio de crecimiento de fruto. No es posible discriminar
entre noviembre y diciembre (valores similares).
40
-
200
400
600
800
1.000
1.200
1.400
01-0
7-20
10
08-0
7-20
10
15-0
7-20
10
22-0
7-20
10
29-0
7-20
10
05-0
8-20
10
12-0
8-20
10
19-0
8-20
10
26-0
8-20
10
02-0
9-20
10
09-0
9-20
10
16-0
9-20
10
23-0
9-20
10
30-0
9-20
10
07-1
0-20
10
14-1
0-20
10
21-1
0-20
10
28-1
0-20
10
04-1
1-20
10
11-1
1-20
10
18-1
1-20
10
25-1
1-20
10
02-1
2-20
10
09-1
2-20
10
16-1
2-20
10
23-1
2-20
10
30-1
2-20
10
Fechas
Día
s G
rad
o
DG° Acumul . Tº umbral 10ºC ROMERAL
DG° Acumul . Tº umbral 6ºC ROMERAL
DG° Acumul . Tº umbral 10ºC RAUCO
DG° Acumul . Tº umbral 6ºC RAUCO
DG° Acumul . Tº umbral 10ºC SAG. FAMILIA
DG° Acumul . Tº umbral 6ºC SAG. FAMILIA
CEREZO (2010/11)
Tº umbral 6 y 10ºC
Romeral, Rauco, Sag. Familia
Yema hinchada
Inicio floración
Inicio crec. fruto
Inicio madurez
Madurez de
cosecha
Figura 21. Ocurrencia de eventos fenológicos para los predios de cerezo 2010 (C1, C2, C3).
5.2.2 RELACIÓN ENTRE RADIACIÓN SOLAR (RS) Y LOS VALORES DE NDVI PARA LOS TRES SITIOS (C1, C2, C3)
Al analizar la relación entre radiación solar (RS), expresada en W m-2
y los valores de NDVI
para los tres sitios durante los meses de octubre, noviembre y diciembre 2011 (Figura 22) se aprecia
la gran dispersión de los valores de NDVI que es posible obtener para cada sitio dentro de iguales
fechas. Ambas variables (RS y NDVI) se correlacionan débilmente, obteniéndose coeficientes de
determinación (R2) muy bajos. Ello señala que el modelo lineal entre variables indica un porcentaje de
ajuste que no es aceptable. La relación lineal entre las variables es muy pequeña y no parece que
exista otro tipo de relación entre ellas, la nube de puntos indica que las variables son “casi”
independientes. y= 0,7438144 - 0,0013412x R2=0,110942; y = 1,1518645 - 0,0016639x R
2=0,028977
y = 0,4582096 - 0,0001134x R2=0,002344.
41
C1 C2 C3 C1 C2 C3 C1 C2 C3
0,2
0,25
0,3
ND
VI O
ct 20
11
375 380 385 390 395 400
W/m2 8.10.11
0,25
0,3
0,35
0,4
0,45
0,5
0,55
ND
VI N
ov 2
011
425 430 435 440
W/m2 17.11.11
0,25
0,3
0,35
0,4
0,45
0,5
0,55
ND
VI D
ic 2
01
1
430 440 450 460 470 480 490 500 510
W/m2 11.12.11
Radiación Solar Radiación Solar Radiación Solar
y = 0,7438144 - 0,0013412x R2=0,110942
y = 1,1518645 - 0,0016639x R2=0,028977
y = 0,4582096 - 0,0001134x
R2=0,002344
Figura 22. Ajuste lineal y coeficientes de determinación para las variables Radiación solar y valores de NDVI en los tres predios de cerezo (Octubre a Noviembre 2011).
42
5.3 ESTUDIO 3
Los resultados obtenidos para los índices de vegetación se presentan en las figuras 23 a 27.
5.3.1 ÍNDICES DE VEGETACIÓN ROMERAL (C1)
Figura 23. Valores de NDVI Romeral (C1)
Figura 24. Valores de SAVI Romeral (C1)
43
5.3.2 ÍNDICES DE VEGETACIÓN RAUCO (C2)
Figura 25. Valores de NDVI Rauco (C2).
Figura 26. Valores de SAVI Rauco (C2).
44
5.3.3 ÍNDICES DE VEGETACIÓN SAGRADA FAMILIA (C3)
Figura 27. Valores de NDVI y SAVI Sagrada Familia (C3).
A partir de la información presentada en las figuras anteriores, se aprecia que los valores,
tanto de NDVI como SAVI, varían de acuerdo a la temporada y la evolución de la fenología en el
cerezo en los tres sitios (C1, C2, C3).
Se obtienen para todos los casos de NDVI y SAVI valores positivos, ello es esperable considerando
en que al momento de obtenerse las imágenes para cada uno de estos estados existe presencia de
área foliar en los árboles.
Los valores más altos se obtienen desde el estado de aumento de coloración de frutos (25.11.11) y
antes de cosecha (12.12.11).
45
5.3.4 SEGUIMIENTO FENOLÓGICO DEL CEREZO
Los resultados obtenidos se presentan en el cuadro 6.
Cuadro 6. Seguimiento fenológico realizado en los tres sitios de Cerezo en base a metodología BBCH (Meier et al., 1994).
Romeral Rauco Sgda Familia
Fecha C1 C2 C3
BBCH BBCH BBCH
06-05-10 93 Caida hojas 93 Caida hojas 95
13-05-10 95 95 95
17-05-10 97 Fin caida 97 Fin caida 95
24-05-10 97 97 97 Fin caida
03-06-10 0 // 97 97 97
08-06-10 0 // 97 0 97
16-06-10 0 // 97 0 97
0 // 97 051 0
02-07-10 0 // 97 0 0
07-07-10 0 // 97 0 0
14-07-10 0 // 97 0 0
21-07-10 0 // 97 0 0
04-08-10 0 // 97 0 1
12-08-10 01 // 97 1 1
18-08-10 01 // 97 1 1
26-08-10 3 1 51 Yema hinchada
02-09-10 51 Yema hinchada 1 51
09-09-10 53 3 // 51 Yema hinchada 51
13-09-10 61 3 // 53 51
22-09-10 65 09 // 62 51
29-09-10 65 65 51
08-10-10 65 67 67
13-10-10 69 72 7220-10-10 72 75 7526-10-10 75 75 77
05-11-10 78 77 77
09-11-10 78 77 78
13-11-10 79 79 79
22-06-10
20-.11-10 81,0 81 87
27-11-10 85,0 85,0 87 Cosecha
04-12-10 85,0 87,0 Cosecha 36
12-12-10 87,0 Cosecha 87 36
18-12-10 87,0 36 36
01-01-11 35,0 36 36
15-01-11 35 36 36
29-01-11 35,0 36 36
12-02-11 36 39 36
26-02-11 36,0 39 36
3.3.11 91 Fin Brotes 91 Fin Brotes 91 Fin Brotes
25.3.11 92 91 91
12.4.11 92 92 92
12.5.11 93 Caida hojas 92 95
24.5.11 97 93 Caida hojas 93 Caida hojas
1.6.11 97 97 97
9.6.11 0 0 0 25-06-11 00/ 00/ 0
16-07-11 01/ 00/ 0
30-07-11 01/ 00/ 0
13-08-11 03/ 01/ 0
27-08-11 51 Yema hinchada 03/ 1
10-09-11 53/ 51 Yema hinchada 51 Yema hinchada
24-09-11 65/ 03//52 51
15-10-11 69/ 67// 39
11-11-11 78// 77// 78
26-11-11 85// 85 85
03-12-11 87// Cosecha 85 87 Cosecha Nota: Para detalles sobre códigos BBCH consultar Meier et al. (1994).
46
En el Cuadro 7 se presentan los resultados de los valores de NDVI y SAVI a partir del análisis de imágenes satelitales Landsat 7, para los tres sitios (C1, C2, C3) tomando en consideración los estados fenológicos.
Cuadro 7. Comparación entre estados fenológicos (BBCH) y valores de NDVI y SAVI (C1, C2, C3).
Romeral (C1) Rauco (C2) Sagrada Familia (C3) Fecha Fenología
BBCH NDVI SAVI Fenología
BBCH NDVI SAVI Fenología
BBCH NDVI SAVI
22.1.10 Fin cosecha 0,40 bc 0,44 cd Fin cosecha 0,42 c 0,48 c Fin cosecha 0,42 c 0,46 b 12.4.10 Antes de
Inicio caída de hojas
0,38 cd 0,42 d Antes de Inicio caída de hojas
0,35 e 0,44 e Antes de Inicio caída de hojas
0,35 d 0,41 c
6.11.10 90% desarrollo fruto
0,35 de 0,53 a 90% desarrollo fruto
0,45 b 0,51 b 90% desarrollo fruto
0,48 a 0,54 a
9.1.11 Fin crecimiento brotes
0,29 f 0,50 b Fin crecimiento brotes
0,47 a 0,54 a Fin crecimiento brotes
0,46 b 0,55 a
30.3.11 Hojas comienzan a descolorarse
0,32 ef 0,36 e Hojas comienzan a descolorarse
0,37 d 0,38 g Hojas comienzan a descolorarse
0,35 d 0,36 d
6.9.11 Apertura yemas
0,37 cd 0,31 f Apertura yemas
0,23 f 0,35 h Apertura yemas
0,23 e 0,36 d
25.11.11 Aumento coloración frutos
0,43 ab 0,48 b Aumento coloración frutos
0,48 a 0,42 f Aumento coloración frutos
0,44 bc 0,44 bc
12.12.11 A punto de cosecha
0,45 a 0,45 c Cosecha 0,45 b 0,47 d Cosecha 0,44 b 0,47 b
Valores con la misma letra en la columna no son estadísticamente diferentes (P ≤ 0,05) de acuerdo al test de Tukey.
Al analizar los resultados obtenidos, se puede apreciar que siempre se obtienen valores
positivos para NDVI y SAVI. Ello es esperable considerando que al momento de obtenerse las
imágenes para cada uno de estos estados existe presencia de área foliar verde en los árboles.
Al analizar los valores obtenidos para cada sitio, se puede ver que se producen, en muchos
casos, diferencias estadísticamente significativas tanto para valores de NDVI como SAVI dependiendo
de la fecha de la imagen satelital y el estado fenológico asociado a dicha fecha.
En general se puede apreciar una tendencia hacia valores más altos de ambos índices a
medida que, según el estado fenológico, se espera una mayor cobertura foliar. Así por ejemplo, se
obtienen valores generalmente más altos para el estado de frutos a punto de cosecha (se espera un
máximo desarrollo de follaje) que antes de inicio de caída de hojas, donde comienza a degradarse la
clorofila contenida en las hojas y por ello una diferente respuesta espectral.
Se puede apreciar, como en general, los valores obtenidos para SAVI son mayores que para
NDVI en iguales sitios y fechas. Ello refleja en parte la acción de este índice en minimizar el efecto del
suelo desnudo cercano a la vegetación (Allen et al., 2010).
47
La capacidad de discriminar eventos fenológicos para los mismos sitios, en base a índices de
vegetación, es bajo. Por ejemplo eventos fenológicos muy diferentes como: aumento de coloración de
frutos y momento de cosecha son en la mayoría de los casos estadísticamente no diferentes. También
se producen valores muy diferentes para NDVI y SAVI entre sitios. En base a los resultados obtenidos
no es posible discriminar entre estados cercanos de fenología o estados en que la proporción de
follaje es ligeramente diferente.
5.3.5 CRECIMIENTO VEGETATIVO DEL CEREZO
En las figuras 28 a 31 se presentan los resultados de seguimiento del crecimiento de brotes
en los tres sitios de estudio. Se aprecia el comportamiento a través de una curva sigmoidea durante la
temporada de crecimiento. Se obtienen valores generalmente mayores para el sitio de Sagrada
Familia (C3). Ello también se relaciona con los resultados presentados en la figura 20, donde también
se aprecia para dicha localidad un adelantamiento en el desarrollo de las etapas fenológicas,
comparadas con C1 y C2).
0
20
40
60
80
100
120
06-0
5-20
1017
-05-
2010
03-0
6-20
1016
-06-
2010
02-0
7-20
1014
-07-
2010
04-0
8-20
1018
-08-
2010
02-0
9-20
1013
-09-
2010
29-0
9-20
1013
-10-
2010
26-1
0-20
1009
-11-
2010
20-1
1-20
1004
-12-
2010
18-1
2-20
1015
-01-
2011
12-0
2-20
113.
3.11
12.4
.11
24.5
.11
9.6.
1116
-07-
2011
13-0
8-20
1110
-09-
2011
15-1
0-20
1126
-11-
2011
C1
C2
C3
Fecha
Cre
cim
ient
ove
geta
tivo
(cm
)
Figura 28. Crecimiento de brotes cerezos en los tres sitios (C1, C2, C3)
48
Figura 29. Crecimiento de brotes cerezos Romeral (C1)
Figura 30. Crecimiento de brotes cerezos Rauco (C2)
Figura 31. Crecimiento de brotes cerezos Sagrada Familia (C3)
49
En la figura 32 se señala la relación directa entre la acumulación térmica, expresada como días grado en base a 10 ºC y 6 ºC y el crecimiento de brotes.
R2=0,94 Crec (cm)=-966,83+19,44*DG (10 ºC) R
2=0,98 Crec (cm)=-84,05+0,54*DG (6 ºC)
Figura 31. Relación entre crecimiento de brotes y Días Grado (DG) (Base 6 ºC y 10 ºC) para cerezos C1.
50
VI CONCLUSIONES
6.1. - ESTUDIOS 1 Y 2
En estos trabajos se ha mostrado la baja utilidad relativa de las imágenes de los sensores
SPOT 5 y Landsat 7 ETM+ para discriminar con un nivel de precisión aceptable el desarrollo de la
vegetación del cerezo a nivel general en diversas localidades de la provincia de Curicó.
A partir de los resultados obtenidos, se puede apreciar que las categorías definidas según el
NDVI son significativamente diferentes si se contrasta al arándano con cerezo, ciruelo y vid (P < 0,05)
pero no entre ciruelo y kiwi. Al analizar los valores de NDVI entre cerezo y otros tipos, se pudo
apreciar su capacidad discriminatoria entre vegetación y suelo o entre vegetación y construcciones de
concreto. En el caso del índice SAVI las categorías definidas entre diferentes frutales no se
diferencian significativamente entre ellas salvo para el caso del Kiwi.
El trabajo aporta información interesante como una primera aproximación a la evaluación de
los índices de vegetación y su utilidad en especies frutales, que permita profundizar en un trabajo más
amplio en el futuro.
A partir de los resultados, se puede inferir que los índices de vegetacion utilizados pueden ser
útiles para estudiar cuantitativa y cuantitativamente diversos tipos de vegetación a nivel de grandes
zonas vegetacionales (sin discriminación precisa entre especies vegetales) utilizando sensores
satelitales como los del estudio (SPOT 5 y Landsat 7 ETM+), aunque dicha información debe ser
complementada con información de terreno. Se debe considerar la alta sensibilidad de dichos
sensores a las condiciones internas de la canopia de las plantas y a otras fuentes de error que
incluyen la contaminación por nubes e insuficientes correcciones de transferencia para aerosoles
atmosféricos, gases y vapor de agua.
51
6.1 ESTUDIOS 3.
Se puede apreciar como en general los valores obtenidos para SAVI son mayores que para
NDVI en iguales sitios y fechas. Ello refleja en parte la acción de este índice en minimizar el efecto del
suelo desnudo cercano a la vegetación.
La capacidad de discriminar eventos fenológicos para los mismos sitios, en base a índices de
vegetación, es bajo. Por ejemplo eventos fenológicos muy diferentes como: aumento de coloración de
frutos y momento de cosecha son en la mayoría de los casos estadísticamente no diferentes. También
se producen valores muy diferentes para NDVI y SAVI entre sitios. En base a los resultados obtenidos
no es posible discriminar entre estados cercanos de fenología o estados en que la proporción de
follaje es ligeramente diferente.
52
VII BIBLIOGRAFÍA
Allen R., G.; Tasumi M.; Morse A.; Trezza R.; Wright J.; L., Bastiaanssen W.; Kramber W., Lorite I;
Robison C, W. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized
calibration (METRIC) applications. Journal of irrigation and drainage engineering 133 (4):395-406
Allen R.G; Tasumi M.; Trezza R.; Kjaersgaard J.H. 2010. METRIC - Mapping evapotranspiration at
high resolution. Application manual.
Amoros, L. J.; Izquierdo, V.; Gómez, C. 2011. Land cover classification of VHR airborne images from
citrus grove identification. Journal of photogrammetry and remote sensing 66(1):115-123.
Bannari, A.; Morin, D.; Bonn, F.; Huete, A. 1995. A review of vegetation indices. Remote sensing
reviews. 13:95-120.
Barbosa, H., Huete, A., Baethgen, W. 2006. A 20-year study of NDVI variability over the northeast
region of Brazil. J arid environ 67:288–307.
Bargioni, G. 1996. Sweet cherry scions: characteristics of the principal commercial cultivars, breeding
objetives and methods. In: A.D. Webster y N.E. Looney. Cherries: eds. Crop physiology, production
and uses. Wallingford Intenational. pp. 73-112
Bastiaanssen W.; Menenti M,; Feddes R.A; Holtslag A. (1998) A remote sensing surface energy
balance algorithm for land (SEBAL) - 1. Formulation. Journal of Hydrology 213 (1-4):198-212
Benson, B. J.; MacKenzie, M. D. 1995. Effects of sensor spatial resolution on landscape structure
parameters. Landscape ecology, 10(2): 113–120.
Campbell, J. B. 1996. “Introduction to Remote Sensing”, Taylor & Francis Ltd.
Carrasco-Benavides, M.; Ortega-Farías S.; Lagos L.O.; Kleissl J.; Morales L.; Poblete-Echeverría C.;
Allen R. 2012. Crop coefficients and actual evapotranspiration of a drip-irrigated Merlot vineyard using
multispectral satellite images. Irrigation Science:1-13.
Chavez, P. S. 1996. "Image-based atmospheric corrections-revisited and Improved", Photogrammetric
engineering and remote sensing, 62:1025-1036.
53
Chengyuan, H; Shaohong, W.; Chaunyang, X. 2008. Comparison of some vegetation indices in
seasonal information. Chinese Geographical Science, 18 (3): 242-248.
Chuvieco, E. 2002. Teledetección ambiental. 1a. ed. Barcelona. Editorial Ariel. 586 p.
CIREN. 1997. Estudio Agrológico, VII Región. Descripciones de Suelos. Materiales y Símbolos. Centro
de Información de Recursos Naturales. Santiago. Publicación N° 117. 660 p.
CIREN. 2007. Catastro frutícola de la Región del Maule. Santiago-Chile. Editorial CIREN. 67 p.
Faust, M. 1989. Physiology of temperate zone fruit trees. New York, Editorial Wiley. 338p
Fernández, R. 1996. Planificación y diseño de plantaciones frutales. 2º edición. Barcelona, Mundi -
Prensa. 216p.
Gil, G. 1997. El potencial productivo. Santiago. Ediciones Universidad Católica de Chile. 413p.
Gil, G. 2000. La producción de fruta. Santiago, Ediciones Universidad Católica de Chile. 583p.
Gil- Albert, F. 1998. Tratado de arboricultura frutal. Morfología y Fisiología del árbol frutal. 4ª edición.
Madrid, Ediciones Mundi-Prensa. 102p.
Gilabert, M.A., González-Piqueras, J., García-Haro J. 1997. Acerca de los índices de vegetación.
Revista Teledetección 8:35-45.
Gratacós, E.; Cortes, A. 2004. Requerimiento de frío invernal de diferentes cultivares de cerezo y
efecto de la aplicación de cianamida hidrogenada. 55º Congreso Agronómico de Chile. Valdivia.
Huete, A.R. 1988. A Soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25:
295-309.
Huete, A., Liu H. 1994. An error and sensitivity analysis of the atmospheric- and soil-correcting variants
of the NDVI for the MODIS-EOS. IEEE. Geosci Remote 32(4):897–905.
Huete, A., Didan, K., Miura, T., Rodriguez, E., Gao, X., Ferriera, L. 2002. Overview of the radiometric
and biophysical performance of the MODIS vegetation indices. Remote Sens Environ 82:195–213.
Jackson, R.D., Huete, A.R. 1991. Interpreting vegetation ndices. Preventive veterinary medicine, v.11,
p.185-200.
54
Jensen, J. 2007. Remote sensing of the environment. An earth resource perspective. 2a. ed. Editorial
Prentice Hall. USA. 592 p.
Kaufman, Y.; Tanré, D. 1992. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE
Transaction on geoscience and remote sensing, 30: 261-270.
Labra, E.; Rigel J.; Astudillo O. 2005. Renovación de huertos de cerezos. 88 p. Boletín INIA N° 113.
Instituto de Investigaciones Agropecuarias, Centro regional de investigación Raihuén, Villa Alegre,
Chile.
Lang, G.; Early, J.; Martin, G.; Darnell, R. 1987. Endo-para and ecodormancy: physiological
terminology and classification for dormancy research. HortScience 22:371-377.
Lauri, P.; Lespinasse, J.M. 1998. The vertical axis and solaxe systems in France. Acta Hort. (ISHS),
513: 287-296.
Lemus, G. 2002. Reguladores de crecimiento en cerezo. Pontificia Universidad Católica de Valparaíso.
Cultivo del Cerezo en la Zona Centro Norte de Chile. Quillota. Octubre 2002.
Lemus, G. 2005. El cultivo del cerezo. Boletín INIA N° 133, 256 p.
Lintz J., and D. S. Simonett (eds). 1976. Remote Sensing of the Environment. Addison-Wesley,
Reading, Massachusetts.
Mahmood, K.; Carew, J.; Hadley, P. and Battey, H. 2000a. The effect of chilling and post-chilling
temperatures on growth and flowering of sweet cherry (Prunus avium. L). Journal of horticultural
Science & Biotechnology 75(5): 598-601.
Mahmood, K.; Carew, J.; Hadley, P. and Battey, H. 2000b. Chill unit models for the sweet cherry cvs.
Stella, Sunburst and Summit. Journal of horticultural Science & Biotechnology 75(5):602-606.
Mancilla, J. 2003. Fenología productiva y características de calidad de catorce cultivares de cerezo
dulce (Prunus avium L.) en la localidad de Romeral, VII Región. Taller de Licenciatura Ing. Agr.
Quillota, Universidad Católica de Valparaíso, Facultad de Agronomía. 98 p.
Meier U., Graf M., Hess W., Kennel R., Klose D., Mappes D., Seipp R., Stauss J., Streif T., Van den
Boom 1994. Phänologische Entwicklungsstadien des Kernobstes (Malus domestica Borkh. und Pyrus
communis L.), des Steinobstes (Prunus-Arten), der Johannisbeere (Ribes-Arten) und der Erdbeere
(Fragaria x ananassa Duch.). Nachrichtenbl. Deut. Pflanzenschutzd. 46: 141-153.
55
Moreno, A. 2002. Estado actual del cultivo del cerezo en España. Pontificia Universidad Católica de
Valparaíso. Cultivo del Cerezo en la Zona Centro Norte de Chile. Quillota.
NASA. 2010. Landsat 7 Science Data Users Handbook.
ODEPA. 2012. El Mercado de la cereza. Santiago-Chile. Editorial ODEPA. 15 p.
Riera, J. L.; Magnuson, J. J.; Vande Castle, J. et al. 1998. Analysis of large-scale spatial heterogeneity
in vegetation indices among North American landscapes. Ecosystems, 1(3): 268–282.
Rondeaux, G.; Steven, M.; Baret, F. 1996. Optimization of soil-adjusted vegetation indices. Remote
sensing of environment 55:95-107.
Rouse, J. W., Haas, R. H., Deering, D. W.; Sehell, J. A. 1974. Monitoring the vernal advancement and
retrogradation (Green wave effect) of natural vegetation. Final Rep. RSC 1978-4, Remote Sensing
Center, Texas A&M Univ., College Station.
Santibáñez, F., Uribe, J. 1993. Atlas Agroclimático de Chile: Regiones VIII y IX. Universidad de Chile,
Santiago, Chile. Facultad de Ciencias Agrarias y Forestales, laboratorio de agroclimatología. 66 p.
Schmidt, H.; Karnieli, A. 2001. Sensitivity of vegetation indices to substrate brightness in hyper-arid
environment: the Makhtesh Ramon Crater (Israel) case study. International Journal of Remote
Sensing, 22 (17): 3503-3520.
Singh R.K; Irmak A. 2009. Estimation of crop coefficients using satellite remote sensing. Journal of
Irrigation and Drainage Engineering-Asce 135 (5):597-608
Sotomayor, C. 1995. Todo lo que usted desea saber sobre el cerezo (III). Chile Agricola 20(207): 177-
182.
Tarnavsky, E.; Garrigues, S.; Brown, M. E. 2008. Multiscale geostatistical analysis of AVHRR, SPOT-
VGT, and MODIS global NDVI products. Remote Sensing of Environment, 112(2): 535–549.
Tasumi M.; Allen R.G.; Trezza R.; Wright J.L. 2005. Satellite-based energy balance to assess within-
population variance of crop coefficient curves. Journal of Irrigation and Drainage Engineering 131
(1):94-109
Tittebrand, U.; Spank, C.; Bernhofer, H. 2009. Comparison of satellite- and ground-based NDVI above
different land-use types Theor Appl Climatol 98:171–186.
56
Wardlow, B.D. y Egbert, S. 2010. A comparison of MODIS 250-m EVI and NDVI data for crop
mapping: a case study for southwest Kansas. International Journal of Remote Sensing, 31 (3): 805-
830.
Xing, D.; Dong-Xing; Chang, Q. 2009. Identification of species of fruit trees based on the spectral
reflectance of canopies of fruit trees during flowering period. Journal of infrared and millimeter waves
28(3): 207-211.
RESUMEN
La Percepción Remota, dentro de ella el uso de imágenes satelitales, se ha convertido en
una importante fuente de información y herramienta de manejo de la producción agrícola, no sólo a
escalas locales sino a nivel global. En el caso de especies frutales, los índices de vegetación han
sido utilizados con éxito variable para la identificación de especies frutales, a partir de diferentes
tipos de sensores y modelos de transformación. La percepción remota se ha utilizado escasamente
para apoyar los estudios sobre desarrollo vegetacional, de superficie y manejo a nivel de zonas y
predial de especies frutales en el caso específico de Chile. Para el caso del cerezo no se registran
estudios publicados, llevados a cabo en Chile, que utilicen las herramientas de la Teledetección
para estimar parámetros de desarrollo vegetativo, fenología o estimación de superficie.
El objetivo general de este trabajo fue explorar el uso de imágenes satelitales
multiespectrales (Landsat ETM+ y SPOT 5), e índices de vegetación (NDVI, SAVI) como
herramientas para estudiar el desarrollo fenológico y crecimiento del cerezo (Prunus avium L.) en
tres localidades de la provincia de Curicó, Región del Maule-Chile. Los objetivos específicos
fueron: 1) Evaluar mediante el uso de imágenes satelitales, la capacidad del índice de vegetación
de diferencia normalizada (NDVI) y del índice de vegetación ajustado al suelo (SAVI) para
discriminar la presencia de huertos de cerezo frente a otras especies frutales, viñas suelo desnudo
y construcciones de concreto y la relación entre una clasificación supervisada e información del
sistema SIG para el cerezo. 2) Evaluar los valores del índice de vegetación (NDVI), obtenidos a
partir de tres imágenes satelitales Landsat ETM+ de los meses de Octubre, Noviembre y Diciembre
del año 2011, sin corrección radiométrica ni atmosférica. Relacionar dicha información con datos
de seguimiento fenológico y registros de radiación solar para dichos predios. 3) Evaluar el uso de
de imágenes satelitales multitemporales (Landsat ETM+) e índices diferenciales de vegetación
(NDVI, SAVI), obtenidos mediante el modelo Metrictm
(corrección radiométrica y atmosférica) como
herramientas para el estudio remoto de estados fenológicos del cerezo en tres localidades de la
provincia de Curicó.
En estos trabajos se ha mostrado la baja utilidad relativa de las imágenes de los sensores
SPOT 5 y Landsat 7 ETM+ para discriminar con un nivel de precisión aceptable el desarrollo
fenológico y crecimiento del cerezo a nivel general, en diversas localidades de la provincia de
Curicó. A partir de los resultados obtenidos, se puede apreciar que las categorías definidas según
el NDVI son significativamente diferentes si se contrasta al arándano con cerezo, ciruelo y vid (P <
0,005) pero no entre ciruelo y kiwi. Al analizar los valores de NDVI entre cerezo y otros tipos, se
pudo apreciar su capacidad discriminatoria entre vegetación y suelo o entre vegetación y
construcciones de concreto. En el caso del índice SAVI las categorías definidas entre diferentes
frutales no se diferencian significativamente entre ellas salvo para el caso del Kiwi.
La baja capacidad discriminatoria y nula precisión del NDVI para detectar cambios de
categorías de vegetación que se presenta en algunos resultados puede ser explicado por la
resolución espacial de las imágenes Landsat ETM+ (Resolución espacial de 30*30 m en las
bandas 1,2,3,4, 5 y 7 y de 120*120 m y para la imagen SPOT 5 una resolución de 10*10m). En
muchas de las especies frutales estudiadas la cobertura de su canopia representa
aproximadamente sólo un 60% del espacio terrestre.
En el caso de imágenes corregidas atmosférica y radiométricamente, a través del Modelo Metrictm
,
se puede apreciar en general valores mayores para SAVI que para NDVI en iguales sitios y
estados fenológicos a iguales fechas (valores para ambos índices varían entre un rango 0,23-0,54).
Ello refleja en parte la acción de este índice en minimizar el efecto del suelo desnudo cercano a la
vegetación. La capacidad de discriminar eventos fenológicos para los mismos sitios, en base a
índices de vegetación, es bajo. Por ejemplo eventos fenológicos muy diferentes como aumento de
coloración de frutos y momento de cosecha son en la mayoría de los casos estadísticamente no
diferentes. También se producen valores muy diferentes para NDVI y SAVI entre sitios. En base a
los resultados obtenidos no es posible discriminar entre estados cercanos de fenología o estados
en que la proporción de follaje es sólo ligeramente diferente.
Palabras clave: Especies frutales, teledetección, índice de vegetación, patrón espacial,
discriminación y precisión.
