Cobertura vegetal y producción del pasto Panicum maximum cv. Tanzania-1 mediante imágenes obtenidas con sensores remotos y mediciones in situ.

Abstract

En este estudio se evaluó una metodología para estudiar la utilidad de índices de vegetación generados por imágenes de sensores remotos como el green leaf index (GLI) y la cobertura vegetal derivada por imágenes adquiridas desde teléfonos celulares para la predicción de variables productivas en el crecimiento de la pastura Panicum maximum c.v. Tanzania-1. Las variables de pasto intercepción luminosa, cobertura vegetal, altura al dosel de la planta, biomasa, materia seca e índice de área foliar se evaluaron mediante los coeficientes de determinación (R2), correlación (r) y el error cuadrado medio (RMSE), con el fin de conocer la factibilidad de este método para el modelaje de las variables en estudio. El GLI estudiado genero rangos de valores entre de -0.117 a 0.142, para la fase productiva de 31 días de crecimiento vegetativo del cultivo. Estos datos fueron obtenidos en cinco tomas con intervalos de 7 días. Esta recolección de datos fue realizada mediante protocolos establecidos de campo dentro de las unidades experimentales. En cuanto a los resultados, se obtuvo una correlación de datos moderadamente alta al comparar el GLI con el índice de área foliar (R2 = 0.63). Para biomasa, el análisis de correlación con el GLI produjo igualmente una correlación moderadamente alta (R2 = 0.61, RMSE = 153.46 g/m2), para las ecuaciones de regresión de modelos predictivos se obtuvieron ajustes medios-altos, para la estimación de IAF fue de R2>0.6 con un RMSE= 0.73 m2/m2. En el caso de la cobertura correlacionada con biomasa se obtuvo un R2 = 0.77 y un RMSE = 151.53 g/m2, observándose que no poseen diferencias altas entre el error cuadrático medio de estimación para cada variable. Las ecuaciones predictivas elaboradas para la cobertura vegetal, obtenida con la aplicación Canopeo, fueron de R2 = 0.89, 0.77 y 0.67 para el índice de área foliar, biomasa y altura del dosel, respectivamente. Por lo tanto, el método que permito mejor precisión en las estimaciones fue el sensor de luz del teléfono móvil. Estos resultados sugieren, que el índice de área foliar y biomasa son variables factibles para la implementación en investigaciones.In this study, a methodology was evaluated for the investigation of vegetation indexes as the green leaf index (GLI) and the derived vegetal cover from images acquired from mobile phones for the prediction of productive variables of the pasture Panicum maximum cv Tanzania-1. The variables, luminous interception, vegetation cover, canopy height, biomass, dry matter and leaf area index were evaluated using the coefficients of determination (R2), correlation (r) and mean square error (RMSE), in order to know the feasibility of this method for the modeling of the variables under study. The studied GLI generated ranges of values ​​between -0.117 to 0.142, for the productive phase of 31 days of vegetative growth of the crop. These data were obtained in five surveys with intervals of 7 days. This data collection was carriedout in field protocols within the experimental units. Regarding the results, a moderately high data correlation was obtained when comparing the GLI with the leaf area index (R2 = 0.63). For biomass, the correlation analysis with the GLI also had a moderately high correlation (R2 = 0.61, RMSE = 153.46 g/m2). For the regression equations of predictive models, highs regression coefficient were obtained. For the estimation of coverage, the regression coefficient was R2> 0.7 with an RMSE = 0.73 m2/m2. In the case of coverage, R2 = 0.77 and RMSE = 151.53 g/m2 were obtained, observing that no differences were found between the mean squared error of estimation for each variable. The predictive equations elaborated for the vegetal cover, and derived with the Canopeo app data, were of R2 = 0.89, 0.77 and 0.67 for the index of leaf area, biomass and height of the canopy, respectively. Therefore, the method that allowed the best accuracy in the estimation was the light sensor of the mobile phone. These results suggest that leaf area index and biomass are feasible variables for research implementation.