Introducción

La producción animal en pastoreo depende de la tasa de acumulación de la masa de forraje (MF), así como de la asignación oportuna de una carga animal adecuada para aprovechar la MF; otros aspectos importantes son la calidad nutricia y la estacionalidad en la tasa de acumulación de la MF. El manejo rentable de una pradera a través del pastoreo directo implica, entre otras cosas, implementar un manejo del pastoreo sin comprometer el rebrote de la cubierta vegetal, así como conocer de forma precisa la MF en la pradera antes y después del pastoreo¹. Tradicionalmente, la MF se mide directamente con cortes de forraje en cuadrantes de área conocida, distribuidos de manera espacialmente representativa y en un número suficiente que represente la variabilidad de la cubierta vegetal en la pradera^2,3. El corte de cuadrantes es laborioso y por eso se han desarrollado métodos y dispositivos para la estimación indirecta de la MF^4-6. La altura del dosel de la pradera, medida con una regla graduada (sward stick) es útil para representar la MF, aunque la relación puede ser diferente en función de la composición botánica, densidad del dosel de la pradera y estación del año^7-9. La altura del forraje comprimido medida con un plato de aluminio (rising plate meter), estima la MF considerando la densidad del dosel y es una práctica muy común a nivel de granja en países como Nueva Zelanda². La relación entre altura del dosel y MF en praderas de pasto ballico y trébol blanco es bien conocida y de aplicación rutinaria en Nueva Zelanda¹⁰; para praderas con otras especies forrajeras como la alfalfa, se necesita más investigación para determinar la relación entre altura del dosel y MF⁸.

La percepción remota por satélites orbitales (PR) mide la reflectancia espectral, la proporción de la energía incidente reflejada por la superficie terrestre en distintas longitudes de onda; estas mediciones se han asociado a los procesos de actividad de la vegetación¹¹. Con la información de PR también es posible estimar variables ambientales como la temperatura, la precipitación pluvial, y otras¹². La amplia disponibilidad y acceso libre de productos de PR es una oportunidad para explorar la dinámica de los cultivos y establecer relaciones con parámetros productivos, como la MF. Las series de tiempo disponibles para distintos productos de PR permiten hacer estudios retrospectivos, lo cual es valioso para evaluar prácticas de manejo de praderas y estudios regionales de pastizales. Sin embargo, la escala espacial de medición es gruesa en algunos sensores PR y es una desventaja importante en estos estudios.

Recientemente se han incorporado al análisis de regresión una variedad de algoritmos de aprendizaje automatizado o machine learning (ML) y son una alternativa a la regresión por mínimos cuadrados ordinarios (OLS). La fotosíntesis en ecosistemas, nombrada productividad primaria bruta y la productividad primaria neta (descontando las perdidas por respiración) se han modelado con enfoques empíricos o mecanísticos, desde modelos OLS hasta aquellos que simulan los procesos ecofisiológicos a nivel global a partir de PR¹³. La productividad primaria neta incluye la partición fotosintética hacia la biomasa aérea y de raíces y por eso no refleja la MF disponible para el pastoreo. Lang et al¹⁴ estimaron la producción del pastizal árido usando mediciones de sensores PR de lluvia, reflectancia espectral obtenida del satélite Landsat 7 y un algoritmo ML con random forest. Utilizando Redes Neurales, otro algoritmo de tipo ML, Chen et al¹⁵ relacionaron la reflectancia espectral medida por el satélite Sentinel-2 y la MF en granjas lecheras de Tasmania en Australia. En estos estudios el coeficiente de determinación (r²) en distintos modelos fue entre 0.6 y 0.7. Conceptualmente, es importante incorporar las condiciones de humedad, a corto o mediano plazo para explicar la capacidad de carga del pastizal¹⁶, ya que el agua es el principal recurso limitante de las plantas en los ambientes áridos y semiáridos. Las condiciones de disponibilidad de agua para las plantas se pueden representar por la precipitación pluvial ocurrida (P), el agua disponible en el suelo o el déficit de vapor en la atmósfera. Sin embargo, para explicar la MF no sólo es importante la P ocurrida en el periodo de acumulación de la MF (mes en que se midió la MF), sino las condiciones de humedad ocurridas en meses precedentes.

En el presente trabajo se examinó la relación entre la MF y la altura del forraje como un punto de partida para comparar otros modelos que usen variables meteorológicas obtenidas por PR o en conjunto con variables representativas de las condiciones de manejo de la pradera (MP); como son los periodos de descanso y ocupación del área de pastoreo o la misma altura del forraje. En particular, se exploró la utilidad de los modelos para predecir la MF en función de condiciones precedentes de lluvia y temperatura en distintas ventanas temporales; por ejemplo, la P acumulada en el mes anterior, en dos meses o tres meses antes de la medición de la MF. El objetivo fue obtener un modelo predictivo de la MF que pueda incorporarse en la planeación del pastoreo. Con este propósito se usaron tres años de mediciones de una pradera mixta de alfalfa y pasto, pastoreada con ganado productor de carne.

Material y métodos

Resultados y discusión

El promedio de MF de la pradera fue de 2,134 kg MS ha^-1 con un patrón estacional de menor producción en invierno y mayor en verano (Figura 1a). La MF fue diferente entre los tres años 2,121, 1,770 y 2,392 kg ha^-1 para 2008 a 2010 (P<0.05). La lluvia fue de 636, 382 y 552 mm, respectivamente. La mayor cantidad de lluvia fue de julio a septiembre; para el año 2010 fue atípico el mes de febrero con 151 mm (Figura 1b) y posiblemente impactando positivamente la MF a partir de marzo en ese año. La lluvia registrada por el producto IMERG en 2008 y 2010 fue superior a la registrada por la estación climatológica más cercana al sitio del estudio; este estimado de lluvia se consideró acertado porque este producto ha mostrado buena concordancia con registros terrestres de precipitación³⁰. El comportamiento estacional de la MF sugirió un efecto importante de la lluvia, aun tratándose de una pradera irrigada. Abril y mayo fueron los meses con mayor LST_d promedio (Figura 1c). La diferencia entre la LST_d y LST_n fue mayor en los meses de abril a mayo (28.5 y 27.3 °C) y menor en julio a septiembre (17.3, 16.4 y 15.6 °C); lo cual indica la característica extremosa del clima durante la primavera en el sitio de estudio. Estas condiciones ambientales también se reflejaron en cambios estacionales en el manejo de la pradera en los días de descanso, la altura del forraje y la TAF (Figura 2).

Figura 1 Variables ambientales y producción de masa de forraje de pradera mixta de alfalfa y pastos templados pastoreada con ganado de carne: a) masa de forraje (MF), b) lluvia (P) y c) temperatura de superficie (LST) diurna (●) y nocturna (○) 

Figura 2 Manejo de pradera mixta de alfalfa y pastos templados pastoreada con ganado de carne durante 2008 (●), 2009 (○) y 2010 (■): a) Días de descanso antes del pastoreo, b) tasa de acumulación de forraje (TAF) del periodo, c) altura del forraje 

En la regresión MA el intercepto fue numéricamente cercano a 0 en el escenario ML_PR_MP y su pendiente fue igual a 1, un modelo con pendiente igual a 1 e intercepto igual a 0 indica buen ajuste. El valor menor del RMSE, AIC, BIC y devianza sugirieron una mejor representación de la MF con el escenario ML_PR_MP (Cuadro 1). En el análisis de devianza la comparación entre dos o más modelos será válida si se ajustan al mismo conjunto de datos, este requisito no se cumplió porque los valores predichos de MF fueron inherentemente distintos para cada modelo generado. La diferencia de devianzas se distribuye aproximadamente como X² con grados de libertad iguales a la diferencia en el número de parámetros entre los modelos¹⁴, siendo esta diferencia 0 para el caso de los modelos de regresión lineal simple usados para representar la relación entre valores estimados y predichos en cada escenario de modelación. Por estas dos razones la elección del mejor modelo se basó únicamente en el valor numérico de las medidas de bondad de ajuste. El peor modelo fue la regresión lineal entre MF y A_pradera, no solo en función de las medias de bondad de ajuste sino también en la representación gráfica de los valores estimados vs. observados (Figura 3).

a) OLS, variable predictora altura del forraje; b) escenario OLS_PR; c) escenario OLS_PR_MP; d) escenario ML_PR; e) escenario ML_PR_MP. Coeficiente de determinación (r²), raíz del cuadrado medio del error (RMSE), sesgo y su intervalo de confianza (IC) al 95%.

Figura 3 Evaluación entre valores observados y estimados de MF usando algoritmos de mínimos cuadrados ordinarios (OLS) o aprendizaje automatizado (ML) 

Las variables TAF y A_pradera de MP fueron las más importantes (Cuadro 2), tanto en los modelos ML como OLS; la variable D_descanso tuvo mucho menor importancia (Cuadro 2). Las variables PR más importantes fueron: LST_n, P, P_lag_3 o P_lag_5, LST_d_avg_3 o LST_n_avg_3; indicando la relevancia de las condiciones ambientales de precipitación y temperatura no sólo del mes en curso, sino de las condiciones precedentes a la medición de la MF. La reflectancia (b1 - b7) y los índices de la vegetación se incorporaron en modelos ML, pero el procedimiento stepwise no los eligió para el OLS. Comparadas con TAF y A_pradera, las variables de reflectancia fueron de baja importancia en los escenarios PR_MP del ML. Las bandas espectrales de reflectancia fueron más importantes que el EVI y NDVI; este hallazgo coincide con el estudio de MF para praderas mixtas de clima templado¹⁵. Aunque se consideró adecuada la predicción de la biomasa fresca en praderas de Brachiaria con base en el NDVI con r² =0.73³¹.

La dependencia parcial que existió entre la predicción de MF y el valor de algunas de las variables de mayor importancia en algunos modelos ML se muestra en la Figura 4, en el escenario ML_PR y en la Figura 5 para el ML_PR_MP. Los ensambles de modelos ML tuvieron menor devianza en comparación con algún algoritmo ML en los dos escenarios y por tanto se consideraron mejores representaciones de la MF. Las figuras de dependencia parcial indican cómo la variable explicativa influye en las predicciones de uno de los modelos o ensambles, después de estandarizar el efecto de otras variables. Para modelos de regresión lineal (como el modelo GLM obtenido por ML), la figura es una línea recta con pendiente igual al parámetro del modelo³². La MF dependió directa y proporcionalmente de las variables TAF, A_pradera y D_descanso en diferentes modelos incluso para un modelo GLM (línea rosa), pero para las variables P_lag_3 y LST_d la dependencia difirió entre el modelo GLM y los modelos ML, particularmente el modelo de tipo DL (línea verde obscura) que fue el mejor modelo ML individual (Figura 5). La interpretación de las figuras se mejora con el histograma de frecuencia de las observaciones, en función del valor de la variable. Donde hubo menor frecuencia de datos se interpretó que la dependencia no fue soportada por suficiente evidencia. Un ejemplo de esta situación fue la dependencia de LST_n en la Figura 4 donde el modelo de tipo DL tiene un ascenso abrupto, pero los dos últimos intervalos de clase del histograma tienen pocas observaciones.

Las barras grises son la frecuencia de datos según intervalos de clase de la variable. Se presentan solo modelos de menor devianza (valor entre paréntesis) obtenidos por aprendizaje automatizado en el escenario usando solo variables medidas con sensores remotos (ML_PR).

Figura 4 Dependencia parcial de la MF y: A) promedio mensual de la temperatura de superficie nocturna (LST_n), B) precipitación acumulada en los tres meses anteriores (P_lag_3), C) banda de reflectancia b7 del producto MCD43A4 de MODIS, D) promedio mensual de la temperatura de superficie diurna en los tres meses anteriores (LST_d_avg_3) 

Las barras grises son la frecuencia de datos según intervalos de clase de la variable. Se presentan solo modelos de menor devianza (valor entre paréntesis) obtenidos por aprendizaje automatizado en el escenario usando variables medidas con sensores remotos y del manejo de la pradera (ML_PR_MP).

Figura 5 Dependencia parcial de la MF y: A) tasa de acumulación de forraje (TAF), B) altura del forraje (A_pradera), C) días de descanso de la pradera (D_descanso), D) promedio mensual de la temperatura de superficie diurna (LST_d) 

El escenario ML_PR_MP incluye la variable TAF y esto podría ser una limitante para la aplicación práctica del modelo. Para aclarar este aspecto se construyó un modelo ML sin esta variable y usando los mismos datos de entrenamiento, resultando en una r² de 0.76, RMSE de 232.2 y sesgo de -35.6 (IC -94.4 a 23.1), siendo mejor que el obtenido en el escenario ML_PR (datos no mostrados). Este resultado tiene dos aspectos de importancia: otras variables disponibles para la modelación pueden sustituir a una variable identificada como la más importante y segundo, es posible incurrir en una solución de óptimo local, aun cuando el algoritmo ML explora un espacio de solución con diferentes parámetros de optimización. Una alternativa posible sería aumentar el número de veces de ejecución de la función h2o.automl e incrementar el valor de la constante max_runtime_secs.

A pesar de la resolución espacial gruesa de los sensores remotos MODIS y GPM (250 m² y 10 km²) se estimó la MF adecuadamente en el escenario ML_PR (Figura 3d), siendo que la r²= 0.70 de este modelo se encontró dentro del rango reportado recientemente en la literatura para modelos ML que estiman la biomasa con datos PR^14,15 o la productividad primaria bruta³³. Un modelo con base en datos PR únicamente resulta atractivo para el manejo de pastizales de gran área. Cuando las variables PR se usaron en combinación con variables del manejo de la pradera sencillas de medir (A_pradera) o registrar (D_descanso y Mes_ini_crec) la estimación fue muy buena (Figura 3e); la r²= 0.97 fue parecida a la estimación de biomasa con datos PR de resolución espacial de 30 m fue de r²= 0.96⁵. La predicción de la masa de forraje obtenida con mediciones de altura de forraje, mejoró cuando se incorporaron variables del manejo de la pradera y datos meteorológicos locales en un algoritmo ML de random forest (r²= 0.82), este enfoque se juzgó práctico para los productores, con excepción del costo de los instrumentos meteorológicos².

A pesar de ser una pradera irrigada, la lluvia antecedente de corto plazo fue información importante para los modelos OLS y ML. En un estudio reciente identificaron que la variación espacio-temporal de productividad primaria bruta no sólo se explicó por bandas de reflectancia del MCD43A4 de MODIS, sino que también se relacionó con el déficit de presión de vapor³³. Similar al resultado de esos autores, aquí resultó útil incluir otras bandas de reflectancia además de la b1, b2 e índices de la vegetación como el NDVI y el EVI. Desde el punto de vista práctico, el modelo del escenario ML_PR_MP se consideró muy factible de implementar ya que usó mediciones rutinarias del manejo de la pradera y los datos de sensores remotos de la NASA que son de acceso público.

La producción animal en pastoreo es sostenible cuando se garantiza un consumo de alimento que satisfaga las necesidades de nutrientes. En el manejo del pastoreo esto depende de ajustar la carga animal en función de la etapa fenológica de la planta, de la MF antes y después del pastoreo y del forraje que se decida dejar como remanente en la pradera. Para el ganado bovino productor de carne, la MF antes del pastoreo adecuada, se puede establecer en 2,500 kg ha^-1 y la MF después del pastoreo alrededor de los 1,200 kg ha^-110; aunque estos umbrales dependerán de la etapa reproductiva y fisiológica del animal, la época del año y diferentes estrategias de manejo de la pradera para el racionamiento del alimento, el control fenológico o el balance en la composición botánica³⁴. Por estas razones es importante que el modelo predictivo de MF ajuste bien en los extremos de su rango y con excepción del escenario ML_PR_MP, existió una sobreestimación de la MF cuando fue inferior a 1,500 kg ha^-1 aproximadamente (Figura 3).

La masa de forraje en la pradera tiene una variabilidad espacial dada por diferencias en humedad, fertilidad, deposición de excretas, alteraciones en la comunidad vegetal por el pastoreo selectivo y otros factores. El método de cortes de forraje en cuadrantes es limitado para representar y capturar esta variabilidad espacial en la pradera y por eso el método estadístico de muestreo es importante. Los sensores a bordo de vehículos aéreos no tripulados o drones son una alternativa para capturar la variabilidad en la reflectancia de la vegetación en la escala espacial de centímetros, pero debe considerarse el costo del equipo multiespectral, el procesamiento de datos y la limitante operativa para cubrir el territorio³⁵, además de la necesidad de una función de calibración para la masa de forraje.

Conclusiones e implicaciones

La predicción de la MF tuvo menor sesgo con modelos de ML que con modelos OLS, sobre todo cuando se incorporaron en los modelos variables de sensores remotos y de manejo de la pradera. Los ensambles de ML tuvieron menor devianza que algunos de los modelos individuales de ML. El uso de variables PR predice la MF de manera semejante que la relación A_pradera vs. MF, aunque el modelo ML tuvo menor sesgo. Los modelos explorados tendrán que probarse en otras condiciones de pradera para tener una aplicación espacial, poder representar ecosistemas y valorar el servicio ambiental de captura de carbono. En la escala local de granja, estos modelos tendrán aplicación para el uso cotidiano en la planeación de la presupuestación forrajera o evaluación retrospectiva del manejo del pastoreo de la pradera. En estos casos el resultado presentado aquí tiene una aplicación promisoria.