Área de estudio

El área de estudio se ubicó en el municipio de Palmar de Bravo, estado de Puebla, a 18° 49’ 14” N, 97° 32’ 51” O y altitud de 2190 m. Según la estación 00021060 Palmar de Bravo, la temperatura promedio del sitio es de 24.3 °C, con mínimas de -10.0 °C registradas en enero y máximas de 39.0 °C registradas en julio, con una precipitación anual promedio de 336.1 mm (^{SMN, 2022}).

En la Figura 1 se presenta el área de estudio y el esquema del levantamiento de la información de campo. En tanto, la información relacionada con la superficie, la fecha de siembra, la variedad establecida y los días en que se realizaron las visitas de campo se presentan en el Cuadro 1. La densidad de siembra fue de 30 kg ha^-1, siendo la variedad Atlixco una de las recomendadas en el valle del altiplano de México debido a su alta densidad de tallos, alta relación hoja-tallos y buen rendimiento (^{Rojas-García et al., 2017}).

Figura 1: Ubicación e información de las parcelas utilizadas en el estudio. Elaboración propia. 

Figure 1: Location and information of the plots used in the study. Prepared by the authors. 

Levantamiento de la información de campo

Se realizaron seis colectas de datos en campo (Cuadro 1). La ubicación de los puntos de muestreo fue diferente en cada visita (Figura 1). En cada punto se tomó una fotografía digital (cámara digital Sony Steadyshot DSC-S300 de 10.1 Mpx), información radiométrica (radiómetro multiespectral, CropScan, Inc. MSR16R) y se midió el IAF con un ceptómetro (Decagon AccuPAR LP-80). En total, se realizaron mediciones en 318 puntos durante las seis visitas de campo. Esta información se levantó entre las 11:00 a.m. y 3:00 p.m. (hora local), para evitar amplias variaciones en el ángulo cenital solar (^{Gitelson et al., 2002}), en las fechas y parcelas mostradas en el Cuadro 1. Las fechas de colecta de información de campo se definieron en función de la dinámica de crecimiento del cultivo, de tal forma que en todas las parcelas se tuvieran mediciones en diferentes fases de crecimiento, bajo condiciones contrastantes de cobertura vegetal e IAF; sin embargo, no fue posible medir valores cercanos a cero debido a que después del corte de la alfalfa quedan en pie muchos tallos que contienen clorofila y cubren el suelo, por lo tanto, su respuesta espectral es similar a la del follaje verde.

El radiómetro y la cámara digital se colocaron sobre una estructura de metal unida a un bastón extensible, equipado con un nivel de burbuja para asegurar la toma de datos de forma perpendicular al dosel (a nadir), a una altura de tres metros sobre el suelo (Figura 2).

Figura 2: Esquema del área captada por el radiómetro (izquierda) y proceso de levantamiento de la información de campo con radiómetro, cámara digital y ceptómetro (derecha). Elaboración propia. 

Figure 2: Scheme of the area captured by the radiometer (left) and process of collecting field information with radiometer, digital camera and ceptometer (right). Prepared by the authors. 

Los datos se obtuvieron realizando las mediciones a nadir. En ese sentido, se redujo el efecto del ángulo de visión del sensor sobre la reflectancia captada y, en consecuencia, en el valor de los IV (^{Walter-Shea, Privette, Cornell, Mesarch y Hays, 1997}).

La reflectancia del cultivo se midió en cinco bandas del espectro electromagnético: azul (450 nm - 520 nm), verde (520 nm- 600 nm), rojo (630 nm - 690 nm), infrarrojo cercano (760 nm - 900 nm) e infrarrojo medio (1550 nm - 1750 nm). Se utilizó un radiómetro con dos filtros en cada banda espectral y al momento de registrar la información, uno quedó orientado a cenit y el otro a nadir, midiendo de forma simultánea la radiación incidente y reflejada. Luego, se calculó de manera directa la reflectancia de la superficie medida. En cada punto de muestreo se tomaron tres lecturas radiométricas, y el promedio arrojó el valor de radiación reflejada en las diferentes bandas. A esta información no se le realizó ninguna corrección para considerar el efecto de la sombra sobre el dosel, similar al trabajo realizado en alfalfa por ^{Walter-Shea et al. (1997)}.

El IAF se midió enseguida (Figura 2), se tomó una lectura sobre el dosel, para conocer la radiación fotosintéticamente activa (PAR, por sus siglas en inglés) incidente, y otra en el fondo, para determinar la radiación interceptada, y estimar el IAF (^{Wilhelm, Ruwe y Schlemmer, 2000}).

Las fórmulas de los IV utilizados se muestran en el Cuadro 2. Estos IV, a su vez, sirvieron como base para desarrollar modelos de regresión lineal vinculados con la FCV y el IAF. La FCV se midió con la aplicación para teléfonos celulares Canopeo (^{Patrignani y Ochsner, 2015}). Esta herramienta se utilizó para estimar la FCV del cultivo de maíz (Zea mays L.) con buenos resultados (^{Salvador-Castillo et al., 2021}).

Análisis estadístico

Los modelos de regresión lineal se obtuvieron utilizando 80% de los datos registrados en las cuatro parcelas (Figura 1) para el entrenamiento del modelo y se validaron con 20% restante, ambos grupos de datos se seleccionaron de manera aleatoria y automática. La información disponible se manejó con hojas de cálculo de Excel^®, el software R (versión 4.3.1) y R-studio (versión 2023.6.0.421) para Windows 10 (^{R Core Team, 2023}). Para ello, se calculó la ordenada al origen (β₀), la pendiente de la recta de regresión (β₁) y los límites inferior y superior de ambos parámetros. En la fase de validación, se compararon las estimaciones de IAF y FCV derivadas de los modelos con las observaciones reales tomadas en campo. La concordancia entre los datos estimados y los observados se evaluó mediante el coeficiente de determinación (R²) y la raíz del cuadrado medio del error (RCME).

Relación entre los IV y la FCV

Los valores mayores de la FCV encontrados en este estudio fueron de 0.975, 0.978, 0.987 y 0.996, mientras que los menores fueron de 0.626, 0.204, 0.227 y 0.200, en las parcelas 1, 2, 3 y 4, respectivamente (Figura 1). Los valores de la FCV máxima fueron muy parecidos a los encontrados por ^{Oñate y Flores (2019)}, con valores de FCV de 0.997 en alfalfa.

Los R² explicaron hasta 77.9% de la variación de la FCV en el caso del NDVI; en cambio, el MSR solo explicó 12.4% (Cuadro 3). En cebada, maíz y remolacha azucarera (Beta vulgaris L.) con diferentes condiciones de riego ^{Calera, Martínez y Meliá (2001)} encontraron que la FCV y el NDVI presentaron una fuerte relación lineal. Una relación similar entre estas variables fue reportada por ^{Er-Raki, Rodríguez, Garatuza, Watts y Chehbouni (2013)} en viñedos de uva de mesa (Vitis vinifera L., cvs. Perlette y Superior) localizados en la región semiárida del Noroeste de México.

La relación entre los IV y la FCV es más evidente en las etapas tempranas de crecimiento (^{García-Martínez et al., 2020}). Además, ^{Gitelson et al. (2002)}, observaron una adecuada respuesta del NDVI en cuatro variedades de trigo (Triticum aestivum) con diferentes alturas y densidades de dosel, en especial cuando la FCV fue inferior al 60%. Del mismo modo, ^{Gitelson (2004)} identificó una mayor sensibilidad del NDVI para trigo, maíz (Zea mays) y soya (Glycine max) en un rango de FCV del 0 al 40-50%. ^{Salvador-Castillo et al. (2021)} reportaron hallazgos similares en maíz, donde el NDVI reflejó de forma adecuada una FCV de menos del 60%. Estos autores subrayan que, más allá de esos niveles de FCV, los IV tienden a saturarse, complicando la estimación precisa de la FCV. En el caso específico de la alfalfa, no se identificó literatura referente que discutiera la sensibilidad de los IV en relación con la FCV.

Validación de los modelos para estimar la FCV

El NDVI y el VI_green presentaron el R² más elevado con un valor de 0.987, seguido muy de cerca por el MSAVI con 0.980 (Cuadro 4). En cuanto a la precisión de los modelos, los valores más bajos de RCME se obtuvieron para el VI_green con 0.093, el NDVI con 0.094 y el MSAVI con 0.118.

El VARI también presentó un buen desempeño para estimar la FCV, que según ^{Gitelson et al. (2002)} se explica por la inclusión de la banda azul, que le confiere una sensibilidad hasta 32% mayor que el VI_green, en especial cuando la FCV es mayor de 50% relacionándose de forma más lineal con ésta. Sin embargo, tal situación no se observó en el presente estudio, ya que el VI_green arrojó un mejor ajuste que el VARI. Dichos autores obtuvieron un R² de 0.89 y un error en la predicción de 9.4%, en cuatro variedades de trigo, siendo el R² menor al obtenido en este estudio. Por su parte, ^{Viña et al. (2004)}, encontraron una R² de 0.96 y una RCME de 0.0704; para el mismo IV. Sus RCME menores se atribuye a que ellos analizaron todo el ciclo de crecimiento del maíz (Z. mays).

Con respecto a la estimación de la FCV, ^{Gitelson et al. (2002)}, señalan que con el análisis de las imágenes digitales para estimar la FCV se debe clasificar de forma correcta el suelo sombreado. Sin embargo, cuando la FCV es casi completa, las hojas superiores provocan el sombreado de las hojas inferiores dificultando la estimación de la FCV, tal como lo reportaron ^{Calera et al. (2001)} en cebada (Hordeum vulgare), maíz y remolacha azucarera, y ^{Choi et al. (2016)} en un área de dunas de arena, con una cobertura y respuesta espectral diversa, ocupada por árboles, arena, pastos, rocas y estructuras artificiales.

En ese sentido, ^{Purevdorj, Tateishi, Ishiyama y Honda (1998)} observaron que, en pastizales de Mongolia (con las especies Stipa gobica, S. glareosa, Cleistogenes squarrosa, S. klemenzii y C. songorica) y Japón (con Acorus gramineus Soland, Daphniphyllum macropodum, Ixeris polycephala, Carex japonica y Viola acuminata) como especies dominantes, se incrementaron los errores en la estimación de la FCV cuando esta fue superior al 40%. Según ^{Firman y Allen (1989)}, otra condición que podría provocar una subestimación de la FCV es la evapotranspiración, ya que, debido a la pérdida de turgencia de las hojas, la FCV estimada se puede reducir hasta 5% en el cultivo de papa (Solanum tuberosum). Así, con las fotografías tomadas antes del mediodía se podrían obtener mayores valores de FCV.

La estimación de la FCV a través de la información espectral a menudo enfrenta problemas de saturación de los IV. En trigo, cuando la FCV no supera el 50%, la reflectancia en el rojo baja mientras que en el NIR aumenta. Pero, al pasar 60% de FCV, la reflectancia en el NIR tiende a estabilizarse (^{Gitelson et al., 2002}). Esta dinámica está vinculada a la absorción de luz por pigmentos fotosintéticos y las características estructurales de la vegetación (^{Kirchner, Kimes y McMurtrey III, 1982}; ^{Nguy-Robertson et al., 2012}). Esta complejidad lleva a que la mayoría de los IV tengan especificidad según la especie vegetal (^{Viña et al., 2011}).

^{Gitelson (2004)} encontró en cultivos como trigo, maíz y soya, una reacción del NDVI ante variaciones en el NIR, cuando la reflectancia roja está entre 2 y 7%. Sin embargo, esta sensibilidad se reduce cuando la reflectancia en NIR sobrepasa 30 por ciento.

En relación con la banda azul, ^{Gitelson et al. (2002)} observaron una disminución en la reflectancia hasta una FCV de 50%, estabilizándose alrededor del 2.5% - 3.0% a una FCV de 60%, lo que sugiere la saturación de los IV que utilizan esta banda. Un comportamiento similar con la banda roja fue observado por ^{García-Martínez et al. (2020)} en maíz y ^{Xie et al. (2015)} en trigo de invierno. De forma adicional, ^{Xie et al. (2014)}, señalan que la saturación puede deberse a la similitud en la construcción de IV con bandas de reflectancia usadas en otros IV.

Relación entre los IV y el IAF

Los valores mayores de IAF fueron de 3.50, 3.20, 3.67 y 4.00, mientras que los valores mínimos fueron de 1.56, 1.26, 0.61 y 0.27, en las parcelas 1, 2, 3 y 4, respectivamente (Figura 1). Los valores máximos de IAF concuerdan con los reportados por ^{Sánchez et al. (2019)}, en alfalfa de la variedad Aragón (3.3 en primavera y 4.3 en verano) sembrada a una densidad de 30 kg ha^-1, establecidas en abril de 2008 y evaluadas durante un año; y con los de ^{Zaragoza-Esparza et al. (2009)} en alfalfa variedad Cuf-101 sembrada a una densidad de 15 kg ha^-1 (3.5 en primavera y 2.8 en verano), estudio realizado de julio de 2002 a junio de 2003.

En cambio, los IAF máximos en este trabajo fueron mayores a los reportados por ^{Villegas-Aparicio et al. (2004)} en alfalfa, variedad Valenciana (2.1 en primavera y 1.4 en verano) y Oaxaca (2.1 en primavera y 1.3 en verano), aunque la densidad de siembra fue similar. No obstante, los IAF máximos encontrados en este trabajo fueron menores a los de ^{Walter-Shea et al. (1997)}, quienes hallaron valores máximos de IAF de 4.7. En el Cuadro 5 se presentan los resultados de los modelos de regresión lineal obtenidos entre los IV y el IAF.

En este estudio, se emplearon modelos de regresión lineal del tipo y=β₀+β₁x para describir la relación entre los IV y el IAF. Sin embargo, otros estudios han utilizado distintos tipos de modelos. ^{Walter-Shea et al. (1997)} y ^{Xie et al. (2018)} aplicaron modelos logarítmicos en cultivos como alfalfa, trigo de invierno, cebada y maíz. Por su parte, ^{Hancock y Dougherty (2007)}), ^{Viña et al. (2011)} y ^{Xie et al. (2014)}, utilizaron modelos exponenciales, en maíz, soya, alfalfa y trigo de invierno. Modelos potenciales fueron adoptados por ^{Xie et al. (2018)} en trigo de invierno, cebada, alfalfa y maíz. En cuanto a modelos polinómicos, ^{Nguy-Robertson et al. (2014)} y ^{Xie et al. (2016)} los utilizaron en cultivos como trigo, papa, maíz y soya. Por último, modelos lineales han sido aplicados por ^{Viña et al. (2011)} y ^{Nguy-Robertson et al. (2012)} en maíz y soya. Esta diversidad de modelos utilizados para estimar el IAF en diferentes cultivos resalta la necesidad de considerar las características específicas de cada planta y su forma de crecimiento. Así, los investigadores han explorado distintos enfoques para modelar las relaciones entre los índices de vegetación y el IAF, lo que evidencia su complejidad.

El mayor R² se obtuvo con el SARVI2 (0.394), seguido del MSAVI (0.387) y del NDVI (0.385), según la información presentada en el Cuadro 5. Estos valores son inferiores al R² = 0.478 reportado por ^{Xie et al. (2018)}, quienes relacionaron el IAF de trigo de invierno, cebada, alfalfa y maíz con el NDVI; sin embargo, son superiores al R² = 0.258 que lograron usando el MSR para los mismos cultivos. Esta similitud puede deberse a que, al igual que en el presente estudio, Xie et al. (2018), tampoco realizaron un seguimiento completo del ciclo de cultivo en su investigación. En cambio, al realizar tomas de datos en tres fechas distintas en trigo, ^{Xie et al. (2015)}, encontraron valores de R² mayores a los del presente trabajo con el NDVI (0.762), el MSAVI (0.7333), el MTVI2 (0.7081), el EVI (0.6805), el MSR (0.6287) y el SR (0.3886); similar a lo reportado por ^{Xie et al. (2014)} y ^{Xie et al. (2016)}. Por otro lado, los R² fueron muy bajos en comparación con los obtenidos por ^{Nguy-Robertson et al. (2014)} en soya, papa y trigo, un R² ≥ 0.76 con el SR.

Validación de los modelos para estimar el IAF

El mayor R² se obtuvo con el NDVI (0.935) y el VI_green (0.935), continuando con el MSAVI (0.930) y el VARI (0.930), Cuadro 6. En cuanto a la RCME el menor valor se alcanzó con el NDVI (0.746), seguido del VI_green (0.753) y del MSAVI (0.767). Al respecto, ^{Viña et al. (2011)} obtuvieron, en maíz y soya, valores de RCME mayores para el NDVI (1.176) y similares para el SR (1.095). Esto es notable considerando que los autores mencionados utilizaron un radiómetro de mayor resolución (1.5 nm en el rango de 400 nm a 1100 nm) para calcular los IV. Sin embargo, los resultados del presente estudio respaldan al NDVI como el índice de vegetación más prometedor para estimar el IAF, ya que obtuvo el R² más alto y la RCME más baja en comparación con los otros IV analizados.

Por otro lado, ^{Xie et al. (2018)} compararon el IAF estimado empleando el NDVI con el IAF medido en campo, para trigo de invierno, cebada, alfalfa y maíz, reportaron R² = 0.314 y RCME = 1.255. Al emplear el MSR, obtuvieron R² = 0.240 y RCME = 1.339. Estos valores contrastan con los resultados de esta investigación, donde se encontraron valores de R² más altos para ambos IV y una RCME menor.

De forma adicional, ^{Xie et al. (2015)} reportaron, para trigo, valores más altos de R² y RCME más bajos que los de este estudio para el NDVI, EVI, SR, MSR, MSAVI y MTVI2. Tendencias similares fueron reportadas en los trabajos de ^{Xie et al. (2014)} y ^{Xie et al. (2016)} para cultivos como alfalfa, trigo de invierno, papa, maíz y soya al evaluar el MTVI2, MSR, MSAVI, NDVI y SR. Asimismo, ^{Nguy-Robertson et al. (2012)} encontraron resultados similares al analizar el IAF de maíz y soya con el NDVI, SR y MTVI2.

Las diferencias entre este estudio y los realizados por ^{Xie et al. (2014)} y ^{Xie et al. (2015)} se explican por el uso de un radiómetro hiperespectral con una resolución de 5 nm en un rango de 405 nm a 835 nm (126 bandas) por parte de estos autores. Del mismo modo, ^{Nguy-Robertson et al. (2012)} emplearon un radiómetro con una resolución espectral más alta (1.5 nm en el rango de 400 nm a 1100 nm) en comparación con el presente trabajo. Esta diferencia les permitió utilizar segmentos más estrechos del espectro electromagnético para estimar los IV que aplicaron en su investigación. Lo que, a su vez, les disminuyó en cierta medida el efecto de la saturación logrando notar cambios más sutiles en el IAF, Sin embargo, el uso de bandas más estrechas para el cálculo de los IV no es una solución completa al problema de saturación que enfrentan la mayoría de los IV.

La saturación de los IV cuando se estima el IAF ha sido un reto recurrente en varios estudios; por ejemplo, los trabajos de ^{Baret y Guyot (1991)}, que analizaron el NDVI con el modelo SAIL (Scattering by Arbitrarily Inclined Leaves); ^{Hancock y Dougherty (2007)}, evaluaron el NDVI en el cultivo de alfalfa; ^{Viña et al. (2011}), estudiaron el SR, NDVI, EVI y WDRVI en maíz y soya; ^{Nguy-Robertson et al. (2012)}, investigaron el NDVI, WDRVI y MTVI2 en cultivos de maíz y soya; Nguy-Robertson et al. (2014), analizaron el NDVI en maíz y soya; mientras que ^{Xie et al. (2014)}; ^{Xie et al. (2015)}; ^{Xie et al. (2016)} y ^{Xie et al. (2018)}, se centraron en el MSR, NDVI, MTVI2 y MSAVI en trigo de invierno, cebada, alfalfa y maíz. Así, este trabajo se suma a estos estudios al buscar soluciones o enfoques alternativos para abordar este desafío.

Según ^{Xie et al. (2018)}, al relacionar los IAF<3.0 con el NDVI en cultivos como trigo de invierno, cebada, alfalfa y maíz, obtuvieron R² = 0.81, mientras que para los IAF>3.0, reportaron R² = 0.04. Dicha situación se presenta porque conforme el IAF aumenta, la reflectancia en el NIR tiende a crecer, mientras que la del rojo decrece, estabilizándose al superar un IAF de 3.0 (^{Kirchner et al., 1982}; ^{Hancock y Dougherty, 2007}; ^{Xie et al., 2018}). ^{Gitelson (2004)} destacó que con IAF superiores a 2.0, la reflectancia en el rojo no mostró variaciones significativas. Esta característica reduce la pendiente entre los IV y el IAF, haciendo que pequeñas alteraciones en los IV impliquen grandes cambios en el IAF (^{Baret y Guyot, 1991}; ^{Nguy-Robertson et al., 2012}). En concordancia, Nguy-Robertson et al. (2014) evidenciaron que, a pesar de incorporar datos de reflectancia de las bandas verde y borde rojo, el NDVI muestra saturación al exceder valores de IAF de 2.0 en cultivos como maíz, soya, trigo y papa. Esta observación fue respaldada por ^{Gitelson, Viña, Arkebauer, Rundquist y Keydan (2003)}, quienes notaron que el NDVI pierde sensibilidad cuando el IAF supera el umbral de 2.0. De forma adicional, factores intrínsecos del cultivo, como su fenología y estructura, pueden influir en los IV. En ese sentido, ^{Gitelson et al. (2003)} detectaron una reducción en el VARI como consecuencia de la emergencia de flores femeninas en maíz.

Conclusiones

Los índices de vegetación son herramientas valiosas para inferir el estado de la vegetación de los cultivos con fines de mejorar su manejo con énfasis en mantener un alto rendimiento y hacer un uso eficiente de los recursos, especialmente del agua.

Los errores de estimación del IAF y la FCV en este estudio fueron menores que los encontrados en investigaciones similares. Los IV más apropiados para estimar estas variables biofísicas fueron, el VI_green (Green Vegetation Index) para la FCV y el NDVI (Normalized Difference Vegetation Index) para el IAF.

La investigación mostró la aptitud y utilidad práctica de la información espectral para estimar las variables biofísicas en el cultivo de alfalfa utilizando modelos de regresión simple, mostrando potencial para seguir su evolución con periodos de retraso muy cortos (1 d - 2 d) debido al tiempo de procesamiento. Esta capacidad podría ampliarse a grandes extensiones si se considera el uso de imágenes de satélite, así como con la inclusión de otras bandas espectrales y, principalmente, con la estimación de otras variables de mucho interés para la actividad agropecuaria, principalmente biomasa y contenido proteico.