LOS ÍNDICES DE VEGETACIÓN Y EL USO DE DATOS DE REANÁLISIS METEOROLÓGICO APLICADOS A LA AGRICULTURA

Introducción

En la agricultura de precisión, el uso de tecnologías avanzadas, como los sensores remotos y diversos dispositivos, se ha vuelto esencial para optimizar la productividad de los cultivos y asegurar un uso eficiente de los recursos naturales. Estas tecnologías, junto con los datos de reanálisis meteorológico, están transformando la manera en que se realiza el monitoreo agrícola. Gracias a los modelos calibrados, se logra una gestión más eficiente de los recursos, especialmente en el manejo del agua, uno de los recursos más críticos en la agricultura.

Uno de los elementos fundamentales en esta revolución tecnológica son los índices de vegetación, como el NDVI (Índice de Vegetación de Diferencia Normalizada), que, combinado con los datos de reanálisis meteorológico, permite una evaluación precisa de la salud de los cultivos. Los índices de vegetación, basados en imágenes satelitales, ofrecen una visión clara del desarrollo de los cultivos, mientras que los datos de reanálisis, como la temperatura, precipitación y viento, brindan información climática precisa y de largo plazo. Al integrar ambos tipos de datos, es posible estimar parámetros clave como la evapotranspiración, lo que permite optimizar el manejo del riego, mejorar la eficiencia en el uso del agua y, en última instancia, aumentar la productividad agrícola.

Figura 1. Evoluación del NDVI en 2024

Además, estos datos proporcionan una solución viable para regiones donde la disponibilidad de datos in situ es limitada, permitiendo un seguimiento más preciso del estado de los cultivos y el clima. Esto, a su vez, facilita la toma de decisiones informadas y más eficientes para los productores agrícolas. En este contexto, la combinación de índices de vegetación y datos de reanálisis meteorológico representa un avance importante en la agricultura de precisión.

Índices de Vegetación en la Agricultura

Las imágenes multiespectrales derivadas de sensores remotos permiten realizar operaciones entre bandas para crear imágenes que se pueden utilizar para interpretar o analizar variables específicas de interés. Estas combinaciones entre bandas, denominadas Índices de Vegetación (IVs), son herramientas simples y eficaces para evaluaciones tanto cuantitativas como cualitativas en diversas aplicaciones agrícolas. Entre ellas se incluyen la estimación de la fracción de cobertura vegetal, el índice de área foliar, el coeficiente de cultivo, la evapotranspiración, el vigor o la dinámica de crecimiento de los cultivos, entre otras.

Los IVs pueden derivarse de imágenes satelitales o de cámaras montadas en Vehículos Aéreos No Tripulados (VANTs) u otros sensores. Una de las ventajas de utilizar imágenes satelitales sobre los VANTs es la posibilidad de obtener series temporales de IVs históricas que son consistentes y comparables, como es el caso de los datos de LandSat o MODIS. Sin embargo, las imágenes satelitales pueden tener la desventaja de una resolución espacial limitada y, al ser sensores pasivos, no pueden captar datos durante días nublados.

Uno de los índices más utilizados es el Índice de Vegetación de Diferencia Normalizada (NDVI), que se calcula a partir de la relación normalizada entre las bandas roja e infrarroja cercana (Xue & Su, 2017). No obstante, el NDVI presenta algunos problemas, como los efectos atmosféricos, la saturación de la señal y la calidad del sensor (Huang et al., 2021). Para superar estas limitaciones, a lo largo de las últimas décadas se han desarrollado nuevos IVs diseñados para mejorar la respuesta de la vegetación y minimizar los efectos producidos por el suelo, el brillo, la sombra, el color del suelo, entre otros factores. Algunos de estos índices, junto con sus aplicaciones agrícolas, se pueden observar en el Cuadro 1.

Cuadro 1.Indices de vegetación (IV) aplicados a la agricultura (adaptado de Jiménez- Jiménez et al., 2022)

Existen diversas herramientas disponibles para extraer Índices de Vegetación (IVs) de diferentes superficies. Una de ellas es la herramienta VICAL (Jiménez-Jiménez et al., 2022), que permite estimar 24 IVs derivados de imágenes de satélites como LandSat y Sentinel-2. Además, plataformas como Google Earth Engine también permiten acceder y procesar estos índices directamente, facilitando la obtención de datos para análisis y toma de decisiones en la agricultura de precisión.

Figura 2. NDVI del distritos de riego 017 Región Lagunera y su evoluación a los largo de los meses.

Datos de reanálisis en la agricultura

En diversas aplicaciones agrícolas, como en la programación de riego, cálculo de grados días de desarrollo, estimación de huella hídrica, modelación biofísica de los cultivos o estimación de rendimientos, se demandan diversas variables meteorológicas de entrada, que usualmente no están disponibles en la frecuencia y calidad requerida. Esto sucede con frecuencia en países en desarrollo, donde no se cuenta con una buena densidad de estaciones meteorológicas que permitan medir las variables de interés. En México, por ejemplo, la información climática se puede obtener principalmente de fuentes como el servicio meteorológico nacional (SMN) y de la Red Nacional de Estaciones Agrometeorológicas Automatizadas del INIFAP (https://clima.inifap.gob.mx/lnmysr/Estaciones/Mapa), sin embargo, sucede que no se miden todas las variables para una cierta aplicación, como por ejemplo, la radiación solar no se mide en ciertas estaciones del SMN, esta variable es útil para calcular la Evapotranspiración de referencia (ET0), o bien, los datos no estén disponibles en línea como pasa con las estaciones del INIFAP. Aunado a ello, existen huecos en la información donde no se tiene registro y es necesario recurrir a interpolaciones estadísticas para solventar esta deficiencia.

En este sentido, los datos de reanálisis (RD, por sus siglas en inglés, Reanalysis data) son una alternativa emergente que permite eliminar la necesidad de contar con una red robusta de estaciones meteorológicas, y se puede utilizar para hacer frente a observaciones insuficiente ya sea para rellenar u obtener datos continuos. Los datos de reanálisis se han utilizado ampliamente en la investigación y surgen a partir de la asimilación de largas series temporales de observaciones con un sistema de asimilación invariable. A diferencia de los datos cuadriculados derivados de la interpolación espacial geoestadística, las estructuras espaciales de las variables meteorológicas (como la temperatura, la presión superficial y el vapor de agua) de los RD son el resultado de la integración de las leyes físicas integradas en el modelo numérico (Pelosi et al., 2020). Existen diversos conjuntos de RD históricos disponibles que proporcionan datos diarios u horarios; la mayoría de estos conjuntos, comúnmente, están disponibles gratuitamente en plataformas web publicados en formatos de cuadriculas o mallas regulares, con un retraso de meses o días a partir del presente y se pueden descargar automáticamente de fuentes mediante scripts de estilo python, incorporarse a estructuras de procesamiento geoespacial como ArcMAP o scripts python-GDA (Allen et al., 2021). Algunas de las cuadrículas, incluidas en el Cuadro 2, están disponibles casi en tiempo real en Google Earth Engine.Cuadro 2. Resoluciones y cobertura de algunos conjuntos de datos de reanálisis.

Cuadro 2. Resoluciones y cobertura de algunos conjuntos de datos de reanálisis

Los datos de reanálisis se han evaluado y empleado en diferentes aplicaciones, y para mejorar su precisión, pueden requerir correcciones utilizando conjuntos de datos basados ​​en observaciones para corregir las anomalías que surgen del modelado de la superficie terrestre o bien tomando en cuenta características como la topografía (Negm et al., 2018). Aunque también se han recurrido a usar modelos de ajuste.

En los últimos años, en los diferentes trabajos se muestra la capacidad de los datos de reanálisis para sustituir con éxito la falta de disponibilidad de datos meteorológicos observado, además se ha observado que los sistemas de asimilación modernos aplicados a las observaciones históricas mejoran los pronósticos y con ello la precisión de los RD. Por ejemplo, se han incorporado observaciones satelitales. Finalmente, se ha observado una tendencia a reducir la escala espacial de los RD Esto es importante, aunque no se debe cometer el error de pensar que una alta resolución espacial y temporal brindan altas precisiones en los datos (Blankenau et al., 2020), ya que se ha observado que hay datos de reanálisis que brindan mayores precisiones para ciertas aplicaciones debido a su capacidad de estimar con mayor precisión una variable; por tanto, es necesario realizar una evaluación de diferentes datos de reanálisis en una aplicación específica siempre que exista la posibilidad. Los reanálisis ayudan a centrar la atención en aquellas observaciones necesarias para abordar las incertidumbres clave en la agricultura, brindando orientación para futuros sistemas de observación (Rood & Bosilovich, 2010).

Parte del texto de esta entrada del blog fue obtenido del trabajo de Jiménez-Jiménez et al., 2022b enviado al congreso VII CONGRESO NACIONAL DE RIEGO, DRENAJE Y BIOSISTEMAS

Referencias Bibliográficas

Allen, R. G., Dhungel, R., Dhungana, B., Huntington, J., Kilic, A., & Morton, C. (2021). Conditioning point and gridded weather data under aridity conditions for calculation of reference evapotranspiration. Agricultural Water Management, 245, 106531. https://doi.org/10.1016/J.AGWAT.2020.106531

Baret, F., Guyot, G., & Major, D. J. (1989). TSAVI: A vegetation index which minimizes soil brightness effects on LAI and APAR estimation. Proceedings of the 12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium, 3, 1355–1358. https://doi.org/10.1109/IGARSS.1989.576128

Blankenau, P. A., Kilic, A., & Allen, R. (2020). An evaluation of gridded weather data sets for the purpose of estimating reference evapotranspiration in the United States. Agricultural Water Management, 242(2020), 109376. https://doi.org/10.1016/j.agwat.2020.106376

Bolton, D. K., & Friedl, M. A. (2013). Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology. https://doi.org/10.1016/j.agrformet.2013.01.007

Dari, J., Modanesi, S., Massari, C., Koch, J., Girotto, M., Jaafar, H., Mourad, R., & Sujud, L. (2022). AgSAT: A Smart Irrigation Application for Field-Scale Daily Crop ET and Water Requirements Using Satellite Imagery. Remote Sensing 2022, Vol. 14, Page 5090, 14(20), 5090. https://doi.org/10.3390/RS14205090

Gitelson, A. A. (2004). Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation. Journal of Plant Physiology, 161(2), 165–173. https://doi.org/10.1078/0176-1617-01176

Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3), 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7

Gitelson, A. A., Kaufman, Y. J., Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80(1), 76–87. https://doi.org/10.1016/S0034-4257(01)00289-9

Gitelson, A. A., Viña, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003). Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters, 30(5), 1248. https://doi.org/10.1029/2002GL016450

Gitelson, A. A., Wardlow, B. D., Keydan, G. P., & Leavitt, B. (2007). An evaluation of MODIS 250-m data for green LAI estimation in crops. Geophysical Research Letters, 34, L20403. https://doi.org/10.1029/2007GL031620

Glenn, E. P., Nagler, P. L., & Huete, A. R. (2010). Vegetation Index Methods for Estimating Evapotranspiration by Remote Sensing. Surveys in Geophysics, 31(6), 531–555. https://doi.org/10.1007/S10712-010-9102-2/FIGURES/5

Guzinski, R. (2010). Comparison of vegetation indices to determine their accuracy in predicting spring phenology of Swedish ecosystems.

Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., & Strachan, I. B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 90(3), 337–352. https://doi.org/10.1016/j.rse.2003.12.013

Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1–6. https://doi.org/10.1007/S11676-020-01155-1/FIGURES/2

Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213. https://doi.org/10.1016/S0034-4257(02)00096-2

Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-X

Jiang, Z., Huete, A. R., Didan, K., & Miura, T. (2008). Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112(10), 3833–3845. https://doi.org/10.1016/J.RSE.2008.06.006

Jiapaer, G., Chen, X., & Bao, A. (2011). A comparison of methods for estimating fractional vegetation cover in arid regions. Agricultural and Forest Meteorology, 151(12), 1698–1710. https://doi.org/10.1016/j.agrformet.2011.07.004

Jiménez-Jiménez, S. I., Marcial-Pablo, M. de J., Ojeda-Bustamante, W., Sifuentes-Ibarra, E., Inzunza-Ibarra, M. A., & Sánchez-Cohen, I. (2022). VICAL: Global Calculator to Estimate Vegetation Indices for Agricultural Areas with Landsat and Sentinel-2 Data. Agronomy 2022, Vol. 12, Page 1518, 12(7), 1518. https://doi.org/10.3390/AGRONOMY12071518

Kaufman, Y. J., & Tanré, D. (1992). Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30(2), 261–270. https://doi.org/10.1109/36.134076

Kross, A., McNairn, H., Lapen, D., Sunohara, M., & Champagne, C. (2015). Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation, 34, 235–248. https://doi.org/10.1016/j.jag.2014.08.002

Laipelt, L., Henrique Bloedow Kayser, R., Santos Fleischmann, A., Ruhoff, A., Bastiaanssen, W., Erickson, T. A., & Melton, F. (2021). Long-term monitoring of evapotranspiration using the SEBAL algorithm and Google Earth Engine cloud computing. ISPRS Journal of Photogrammetry and Remote Sensing, 178, 81–96. https://doi.org/10.1016/J.ISPRSJPRS.2021.05.018

Negm, A., Minacapilli, M., & Provenzano, G. (2018). Downscaling of American National Aeronautics and Space Administration (NASA) daily air temperature in Sicily, Italy, and effects on crop reference evapotranspiration. Agricultural Water Management. https://doi.org/10.1016/j.agwat.2018.07.016

Pelosi, A., Terribile, F., D’Urso, G., & Battista, G. (2020). Comparison of ERA5-Land and UERRA MESCAN-SURFEX reanalysis data with spatially interpolated weather observations for the regional assessment of reference evapotranspiration. Water (Switzerland), 12(6), 1669. https://doi.org/10.3390/W12061669

Pôças, I., Calera, A., Campos, I., & Cunha, M. (2020). Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches. Agricultural Water Management, 233, 106081. https://doi.org/10.1016/J.AGWAT.2020.106081

Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119–126. https://doi.org/10.1016/0034-4257(94)90134-1

Rafn, E. B., Contor, B., & Ames, D. P. (2008). Evaluation of a Method for Estimating Irrigated Crop-Evapotranspiration Coefficients from Remotely Sensed Data in Idaho. Journal of Irrigation and Drainage Engineering, 34, 722–729. https://doi.org/10.1061/(asce)0733-9437(2008)134:6(722)

Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric Engineering & Remote Sensing, 43(12), 1541–155.

Rondeaux, G., Steven, M., & Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 55(2), 95–107. https://doi.org/10.1016/0034-4257(95)00186-7

Rood, R. B., & Bosilovich, M. G. (2010). Reanalysis: Data assimilation for scientific investigation of climate. Data Assimilation: Making Sense of Observations, 623–646. https://doi.org/10.1007/978-3-540-74703-1_23/FIGURES/8

Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 51(3), 375–384. https://doi.org/10.1016/0034-4257(94)00114-3

Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring Vegetation Systems in the Great Plains with ERTS. In S. Freden, E. Mercanti, & M. Becker (Eds.), Proceedings of Third ERTS Symposium (pp. 309–317).

Sifuentes-Ibarra, E., Ojeda-Bustamante, W., Ontiveros-Capurata, R. E., & Sánchez-Cohen, I. (2020). Improving the monitoring of corn phenology in large agricultural areas using remote sensing data series. Spanish Journal of Agricultural Research, 18(3), e1204–e1204. https://doi.org/10.5424/SJAR/2020183-16269

Singh, R. K., & Irmak, A. (2009). Estimation of Crop Coefficients Using Satellite Remote Sensing. Journal of Irrigation and Drainage Engineering, 135(5), 597–608. https://doi.org/10.1061/(ASCE)IR.1943-4774.0000052

Viña, A., Gitelson, A. A., Rundquist, D. C., Keydan, G., Leavitt, B., & Schepers, J. (2004). Monitoring maize (Zea mays L.) phenology with remote sensing. Agronomy Journal, 96(4), 1139–1147. https://doi.org/10.2134/agronj2004.1139

Xue, J., & Su, B. (2017). Significant remote sensing vegetation indices: A review of developments and applications. Journal of Sensors, 2017. https://doi.org/10.1155/2017/1353691

Yang, L., Jia, K., Liang, S., Wei, X., Yao, Y., & Zhang, X. (2017). A robust algorithm for estimating surface fractional vegetation cover from landsat data. Remote Sensing, 9(8). https://doi.org/10.3390/rs9080857

Zhang, Y., Han, W., Niu, X., & Li, G. (2019). Maize Crop Coefficient Estimated from UAV-Measured Multispectral Vegetation Indices. Sensors, 19(23), 5250. https://doi.org/10.3390/s19235250