Embed Size (px)
Citation preview
FACULTAD DE AGRONOMÍA – UNIVERSIDAD DE BUENOS AIRES
Estimación de la Productividad Primaria de
recursos forrajeros a partir de imágenes
satelitales
Producción y Utilización de Forrajes – Planificación Forrajera
Martín Garbulsky
Marzo, 2012
INTRODUCCION
Una de las etapas fundamentales del trabajo de planificación forrajera corresponde a la estimación de
la Productividad Primaria Neta Aérea (PPNA) de los recursos forrajeros del establecimiento. Estimar la
PPNA y su variabilidad espacial y temp
recursos forrajeros y así poder realizar un diagnóstico y luego tomar decisiones en cuanto a la carga
animal o a propuestas de mejora (Figura 1). La estimación de la PPNA de comunidades herb
como muchos recursos forrajeros, puede realizarse a partir de cortes de biomasa en diferentes
momentos del año, según la tasa de crecimiento y senescencia de cad
Figura 1. Esquema conceptual del trabajo de Planific
En este trabajo, veremos cómo utilizar datos derivados de sensores montados sobre satélites para
estimar la PPNA. Las dos metodologías de estimación de la PPNA (a partir de datos de cortes de
biomasa y a partir de información satelital) son
cortes pretendemos extrapolar la información recolectada en un
formada por submuestras que pretenden integrar la heterogeneidad espacial
forrajero, a partir de los datos satelitales pretendemos estimar cuanta biomasa se produce en un
determinado sitio a partir de los datos de reflectancia de la vegetación de una superficie del orden de
varias hectáreas realizado por un sensor a cientos de kiló
metodologías deben ser comprendidas en todo sus procesos y así poder entender sus ventajas y
desventajas. De esta manera se aplicarán correctamente según las diferentes situaciones que se
vayan presentando en el trabajo de planificación forrajera o posteriormente en la vida como
profesionales.
Una de las etapas fundamentales del trabajo de planificación forrajera corresponde a la estimación de
la Productividad Primaria Neta Aérea (PPNA) de los recursos forrajeros del establecimiento. Estimar la
su variabilidad espacial y temporal, nos permitirá conocer la oferta forrajera de los diferentes
recursos forrajeros y así poder realizar un diagnóstico y luego tomar decisiones en cuanto a la carga
animal o a propuestas de mejora (Figura 1). La estimación de la PPNA de comunidades herb
como muchos recursos forrajeros, puede realizarse a partir de cortes de biomasa en diferentes
momentos del año, según la tasa de crecimiento y senescencia de cada recurso (Sala & Austin 2000).
Figura 1. Esquema conceptual del trabajo de Planificación y sus principales etapas.
En este trabajo, veremos cómo utilizar datos derivados de sensores montados sobre satélites para
estimar la PPNA. Las dos metodologías de estimación de la PPNA (a partir de datos de cortes de
ión satelital) son metodológicamente opuestas: mientras que con los
cortes pretendemos extrapolar la información recolectada en un área muestral representativa
formada por submuestras que pretenden integrar la heterogeneidad espacial de todo el recurso
rajero, a partir de los datos satelitales pretendemos estimar cuanta biomasa se produce en un
determinado sitio a partir de los datos de reflectancia de la vegetación de una superficie del orden de
varias hectáreas realizado por un sensor a cientos de kilómetros de distancia (Figura 2).
metodologías deben ser comprendidas en todo sus procesos y así poder entender sus ventajas y
desventajas. De esta manera se aplicarán correctamente según las diferentes situaciones que se
ajo de planificación forrajera o posteriormente en la vida como
2
Una de las etapas fundamentales del trabajo de planificación forrajera corresponde a la estimación de
la Productividad Primaria Neta Aérea (PPNA) de los recursos forrajeros del establecimiento. Estimar la
oral, nos permitirá conocer la oferta forrajera de los diferentes
recursos forrajeros y así poder realizar un diagnóstico y luego tomar decisiones en cuanto a la carga
animal o a propuestas de mejora (Figura 1). La estimación de la PPNA de comunidades herbáceas,
como muchos recursos forrajeros, puede realizarse a partir de cortes de biomasa en diferentes
a recurso (Sala & Austin 2000).
ación y sus principales etapas.
En este trabajo, veremos cómo utilizar datos derivados de sensores montados sobre satélites para
estimar la PPNA. Las dos metodologías de estimación de la PPNA (a partir de datos de cortes de
opuestas: mientras que con los
área muestral representativa
de todo el recurso
rajero, a partir de los datos satelitales pretendemos estimar cuanta biomasa se produce en un
determinado sitio a partir de los datos de reflectancia de la vegetación de una superficie del orden de
metros de distancia (Figura 2). Las dos
metodologías deben ser comprendidas en todo sus procesos y así poder entender sus ventajas y
desventajas. De esta manera se aplicarán correctamente según las diferentes situaciones que se
ajo de planificación forrajera o posteriormente en la vida como
Figura 2. Diferentes alternativas para la estimación de la Productividad primaria.
Existen entonces diferentes alternativas para estimar la Productividad primaria de un
forrajero. Para el trabajo práctico de planificación forrajera les proponemos que exploren dos
alternativas.
DIFERENCIAS ENTRE LAS METODOLOGÍAS
Para comprender las alternativas que disponemos para la estimación de la PPNA debemos recordar el
flujo de energía en el ecosistema y la existencia de variables de estado y de flujo (Figura 3).
Figura 3. Flujo de energía en un ecosistema.
Figura 2. Diferentes alternativas para la estimación de la Productividad primaria.
Existen entonces diferentes alternativas para estimar la Productividad primaria de un
forrajero. Para el trabajo práctico de planificación forrajera les proponemos que exploren dos
DIFERENCIAS ENTRE LAS METODOLOGÍAS
Para comprender las alternativas que disponemos para la estimación de la PPNA debemos recordar el
de energía en el ecosistema y la existencia de variables de estado y de flujo (Figura 3).
Figura 3. Flujo de energía en un ecosistema.
3
Existen entonces diferentes alternativas para estimar la Productividad primaria de un recurso
forrajero. Para el trabajo práctico de planificación forrajera les proponemos que exploren dos
Para comprender las alternativas que disponemos para la estimación de la PPNA debemos recordar el
de energía en el ecosistema y la existencia de variables de estado y de flujo (Figura 3).
La estimación de la PPNA de los recursos forrajeros a partir de cosechas de biomasa se basan en la
estimación de la variable de estado que representa la biomasa vegetal presente en un determinado
momento
Figura 4. Resumen conceptual de la metodología para estimar PPNA a partir de datos de cosechas
de biomasa.
Por el contrario, la estimación de la PPNA a partir de datos
variables de flujo. Por lo tanto, debemos estimar el flujo de radiación fotosintéticamente activa que
es absorbida por la vegetación (fPAR)
(Eficiencia en el uso de la radiación, EUR). El siguiente modelo es el que nos permitirá estimar la PPNA
en diferentes sitios y a lo largo del tiempo.
PPNA [g MS.m-2
.dia-1
]= FPAR x PAR [MJ.
Por lo tanto, tendremos que reso
FPAR a partir de datos satelitales, estimaremos PAR a partir de estadísticas climáticas u otros modelos
que nos permitan estimarla y finalmente utilizaremos datos de EUR derivados de diferen
Información satelital para el estudio de la vegetación
Una imagen satelital provee datos de la reflectancia
(sensores pasivos). Estos sensores reciben la radiación solar que es reflejada por la superficie
terrestre (Figura 5). La radiación solar incidente puede ser absorbida, transmitida o reflejada. Es decir,
que la suma de la radiación absorbida más la transmitida más la reflejada es igual a la radiación
incidente.
La estimación de la PPNA de los recursos forrajeros a partir de cosechas de biomasa se basan en la
riable de estado que representa la biomasa vegetal presente en un determinado
Figura 4. Resumen conceptual de la metodología para estimar PPNA a partir de datos de cosechas
Por el contrario, la estimación de la PPNA a partir de datos de satélites, se basa en la estimación de
variables de flujo. Por lo tanto, debemos estimar el flujo de radiación fotosintéticamente activa que
es absorbida por la vegetación (fPAR) y la eficiencia con que esa energía es convertida en biomasa
n el uso de la radiación, EUR). El siguiente modelo es el que nos permitirá estimar la PPNA
en diferentes sitios y a lo largo del tiempo.
= FPAR x PAR [MJ. m-2
.dia-1
] x EUR [g MS.MJ-1
] ecuación
Por lo tanto, tendremos que resolver esta ecuación para poder estimar PPNA. Para ello estimaremos
FPAR a partir de datos satelitales, estimaremos PAR a partir de estadísticas climáticas u otros modelos
que nos permitan estimarla y finalmente utilizaremos datos de EUR derivados de diferen
el estudio de la vegetación
Una imagen satelital provee datos de la reflectancia de la radiación solar sobre la superficie terrestre
(sensores pasivos). Estos sensores reciben la radiación solar que es reflejada por la superficie
terrestre (Figura 5). La radiación solar incidente puede ser absorbida, transmitida o reflejada. Es decir,
que la suma de la radiación absorbida más la transmitida más la reflejada es igual a la radiación
4
La estimación de la PPNA de los recursos forrajeros a partir de cosechas de biomasa se basan en la
riable de estado que representa la biomasa vegetal presente en un determinado
Figura 4. Resumen conceptual de la metodología para estimar PPNA a partir de datos de cosechas
de satélites, se basa en la estimación de
variables de flujo. Por lo tanto, debemos estimar el flujo de radiación fotosintéticamente activa que
y la eficiencia con que esa energía es convertida en biomasa
n el uso de la radiación, EUR). El siguiente modelo es el que nos permitirá estimar la PPNA
cuación [1]
para poder estimar PPNA. Para ello estimaremos
FPAR a partir de datos satelitales, estimaremos PAR a partir de estadísticas climáticas u otros modelos
que nos permitan estimarla y finalmente utilizaremos datos de EUR derivados de diferentes fuentes.
de la radiación solar sobre la superficie terrestre
(sensores pasivos). Estos sensores reciben la radiación solar que es reflejada por la superficie
terrestre (Figura 5). La radiación solar incidente puede ser absorbida, transmitida o reflejada. Es decir,
que la suma de la radiación absorbida más la transmitida más la reflejada es igual a la radiación
Figura 5. Posibles destinos de la radiación solar incidente
un satélite.
Por lo tanto, si tuviéramos un sensor con una resolución espectral suficientemente pequeña
podríamos obtener curvas como las que se ven en la Figura 6. Sin embargo,
sobre satélites integran porciones de longitud de onda en diferentes canales de información
denominados bandas. En la Figura 6 podemos ver la ubicación de las bandas utilizadas para calcular el
NDVI (del inglés Normalized Difference V
una vegetación verde en buen estado y otra con alta proporción de suelo desnudo. Como se puede
ver ambas vegetaciones reflejan poco en la zona del visible (entre 400 y 700 nm: azul, verde y rojo
es decir que absorben gran parte de la radiación en esa porción del espectro. En cambio, en el Infra
rojo cercano, la vegetación en buen estado refleja una proporción mucho más alta que la otra que
tiene mucho suelo desnudo. El NDVI se calcula justament
suma de las reflectancia en el infrarrojo y en el rojo:
NDVI = (ref. IR
Radiación Absorbida
Radiación Solar Incidente
destinos de la radiación solar incidente y función de un sensor montado sobre
Por lo tanto, si tuviéramos un sensor con una resolución espectral suficientemente pequeña
podríamos obtener curvas como las que se ven en la Figura 6. Sin embargo, los sensores montados
sobre satélites integran porciones de longitud de onda en diferentes canales de información
denominados bandas. En la Figura 6 podemos ver la ubicación de las bandas utilizadas para calcular el
NDVI (del inglés Normalized Difference Vegetation Index) con respecto a las curvas de reflectancia de
una vegetación verde en buen estado y otra con alta proporción de suelo desnudo. Como se puede
ver ambas vegetaciones reflejan poco en la zona del visible (entre 400 y 700 nm: azul, verde y rojo
es decir que absorben gran parte de la radiación en esa porción del espectro. En cambio, en el Infra
rojo cercano, la vegetación en buen estado refleja una proporción mucho más alta que la otra que
tiene mucho suelo desnudo. El NDVI se calcula justamente a partir del cociente entre la diferencia y la
suma de las reflectancia en el infrarrojo y en el rojo:
NDVI = (ref. IR – ref R)/ (ref IR + ref R) ecuación [2]
RadiaciónReflejada
Radiación Absorbida
Radiación Transmitida
5
n de un sensor montado sobre
Por lo tanto, si tuviéramos un sensor con una resolución espectral suficientemente pequeña
los sensores montados
sobre satélites integran porciones de longitud de onda en diferentes canales de información
denominados bandas. En la Figura 6 podemos ver la ubicación de las bandas utilizadas para calcular el
egetation Index) con respecto a las curvas de reflectancia de
una vegetación verde en buen estado y otra con alta proporción de suelo desnudo. Como se puede
ver ambas vegetaciones reflejan poco en la zona del visible (entre 400 y 700 nm: azul, verde y rojo),
es decir que absorben gran parte de la radiación en esa porción del espectro. En cambio, en el Infra
rojo cercano, la vegetación en buen estado refleja una proporción mucho más alta que la otra que
e a partir del cociente entre la diferencia y la
[2]
6
Figura 6. Curvas de reflectancia típicas de vegetación sana y con suelo desnudo y ubicación de
las bandas correspondientes al NDVI (Índice de Vegetación de Diferencia Normalizada).
El NDVI resume de esta manera características muy importantes de la vegetación, dándonos una idea
de la cobertura, el estado y principalmente proporción de la radiación fotosínteticamente activa (PAR,
radiación solar entre 400 y 700 nm) incidente que está siendo absorbida por la vegetación. Es decir, el
NDVI es un estimador de la fracción del PAR absorbido por la vegetación (fPAR), necesario para la
estimación de la PPNA.
Existen diferentes tipos de datos satelitales. Dos de las principales características de los datos que
debemos tener en cuenta para seleccionar la información a utilizar son:
• Resolución espacial (tamaño del píxel) o mínima porción del terreno que podemos distinguir.
• Resolución temporal (cada cuanto tiempo tenemos un nuevo dato?)
El primer sensor satelital MODIS (MODerate resolution Imaging Spectroradiometer) orbita alrededor
de la tierra desde diciembre del año 1999 y provee imágenes de la superficie terrestre desde febrero
de 2000. A partir de esos datos se generan productos sintéticos o resumen con una resolución de
250m x 250m (6.25 ha) y cada 16 días. Por lo tanto la información provista por MODIS resulta en la
actualidad una alternativa muy interesante para estudiar los recursos forrajeros de Argentina dado
que contamos con más de 10 años de datos. Por otro lado, nos permiten evaluar la heterogeneidad
espacial ya que pueden distinguir parcelas de 6 ha aproximadamente y además la resolución
temporal de 16 días resulta adecuada para la evaluación de una gran parte de los recursos forrajeros
de nuestro país.
DATOS SATELITALES MODIS PARA ESTIMAR LA PPNA
En esta sección veremos cómo acceder a la información satelital necesaria para analizar la PPNA de
un determinado establecimiento ganadero. Para poder conseguir los datos satelitales se necesita la
información precisa del establecimiento, recurso o potrero a evaluar mediante las coordenadas
geográficas (Latitud, Longitud) o mediante la interfase visual que se muestra en la siguiente imagen.
Para comenzar se debe ingresar a la siguiente web, en las que se podrán ver las siguientes pantallas:
http://daac.ornl.gov/cgi-bin/MODIS/GLBVIZ_1_Glb/modis_subset_order_global_col5.pl
Figura 7. Pantalla inicial para la obtención de datos del sensor satelital MODIS
En esta interfase podemos ubicar visualmente el o los recursos forrajeros y obtener los datos de
NDVI.
Figura 8. Segunda pantalla para la obtención de datos del sensor satelital MOD
recurso.
Y a partir de hacer zoom hacia adentro de la imagen podremos ubicar el recurso en cuestión.
Pantalla inicial para la obtención de datos del sensor satelital MODIS
En esta interfase podemos ubicar visualmente el o los recursos forrajeros y obtener los datos de
Segunda pantalla para la obtención de datos del sensor satelital MODIS. Ubicación del
Y a partir de hacer zoom hacia adentro de la imagen podremos ubicar el recurso en cuestión.
7
En esta interfase podemos ubicar visualmente el o los recursos forrajeros y obtener los datos de
IS. Ubicación del
Y a partir de hacer zoom hacia adentro de la imagen podremos ubicar el recurso en cuestión.
8
Figura 9. Tercer pantalla para la obtención de datos del sensor satelital MODIS. Ubicación del
recurso.
Una vez seleccionado el sitio nos aparece un marcador como el que se muestra en el círculo en la
figura anterior (no olviden moverlo desde su ubicación original en Norteamérica). Ese será el centro
de nuestra ventana de interés que deberemos especificar en la siguiente pantalla. Podremos
especificar ventanas cuadradas o rectangulares desde un píxel a 100 km de lado. Recordar aquí que
los números son en kilómetros, salvo el 0 que representa un solo píxel. Por lo tanto para solicitar un
solo píxel debe ponerse 0 y 0 en cada uno de los casilleros. La otra decisión en esta pantalla es el tipo
de producto que solicitaremos: tal como está seleccionado solicitaremos los índices de vegetación
(Vegetation Indices NDVI, EVI).
9
Figura 10. Cuarta pantalla para la obtención de datos del sensor satelital MODIS. Selección del
producto a utilizar y tamaño de la ventana espacial.
Seguidamente, nos aparecerá una pantalla en la que debemos especificar la cobertura temporal de
los datos solicitados. Tal como se decía más arriba, el sensor MODIS provee información desde
febrero de 2000 hasta la actualidad. Por lo tanto, deberemos especificar que información
necesitamos dentro de ese rango temporal. En el caso de un pastizal puede ser útil contar con todo el
rango temporal mientras que en los recursos forrajeros que integran rotaciones tales como pasturas y
verdeos es importante considerar que ese mismo lugar pudo haber sido ocupado por diferentes
recursos a lo largo del tiempo. Por lo tanto, si queremos saber cómo es la variabilidad estacional y
interanual de la PPNA de un verdeo probablemente tendremos que seleccionar diferentes sitios en
cada uno de los años según se hayan sembrado diferentes potreros.
Finalmente se nos solicitará una dirección de correo electrónico a donde nos enviarán un mensaje
con las indicaciones para obtener la información solicitada. Hay que considerar que puede demorar
un cierto tiempo la recepción de ese mensaje, dependiendo de la cantidad de solicitudes que tenga el
servidor en ese momento. Este período puede ser de solo unos minutos hasta varias horas.
10
Figura 11. Pantalla para especificar la cobertura temporal de los datos solicitados y correo
electrónico en donde se recibirán los datos.
En el mencionado correo electrónico habrá un vínculo para descargar un archivo .asc. Este archivo
puede ser abierto en una planilla de cálculo (por ejemplo, Excel). Este archivo esta compuesto de
muchas filas en las que tendremos los datos solicitados pero aparte otros datos complementarios
(Figura 12). Cada fila tiene datos separados con comas, por lo tanto cuando intentemos abrir el
archivo debemos informar que está estructurado de esa forma.
Figura 12. Visualización en una planilla Excel de los datos MODIS recibidos.
11
Una vez separadas las columnas el archivo tendrá el aspecto que se puede ver en la siguiente figura.
En la columna A tendremos el nombre de la variable (nos interesa la línea donde aparezca NDVI, por
ejemplo la línea 5), en la columna C figura el año y el día juliano (1= 1 de enero, 365 = 31 de
diciembre) y en la columna G aparece el valor de la variable mencionada en la columna A y para la
fecha señalada en la columna C. Las restantes columnas pueden ser descartadas. Como ejemplo, la
línea 5 de la siguiente figura se refiere entonces al valor de NDVI cada 16 días correspondiente al día
juliano 49 (18 de febrero) de 2000 con un valor de 6765. Este valor debe ser dividido por 10000 para
obtener valores de NDVI entre 0 y 1, por lo tanto el valor de NDVI es de 0.6765.
Figura 13. Diseño de la planilla una vez importada en Excel y separadas las columnas.
POSIBLES PROBLEMAS DERIVADOS DE LA SELECCIÓN DEL PIXEL
Al seleccionar el píxel o la ventana se nos plantearán diferentes situaciones determinadas por el
tamaño del píxel o ventana y la heterogeneidad espacial con la que estemos tratando. Idealmente,
esperaríamos una situación en donde el pixel quede totalmente incluido en el potrero o recurso que
queremos describir. Esta situación se vería tal como lo vemos en la siguiente figura (Figura 14).
Figura 14. Ejemplo de ubicación de un píxel en un recurso homogéneo.
Sin embargo, la heterogeneidad espacial tiene un grano más fino y entonces dentro de un mismo
píxel podemos tener representada esa
representativo de esa heterogeneidad que veremos dentro del potrero: un pastizal con áreas más
bajas donde se puede acumular agua y otras un poco más altas y esto se evidencia con un cambio en
la vegetación. En la figura siguiente podemos ver esa situación, la cual no presentaría problemas.
Figura 15. Ejemplo de ubicación de un píxel en un recurso heterogéneo.
Ejemplo de ubicación de un píxel en un recurso homogéneo.
Sin embargo, la heterogeneidad espacial tiene un grano más fino y entonces dentro de un mismo
píxel podemos tener representada esa heterogeneidad. En este caso, el pixel seleccionado será
representativo de esa heterogeneidad que veremos dentro del potrero: un pastizal con áreas más
bajas donde se puede acumular agua y otras un poco más altas y esto se evidencia con un cambio en
etación. En la figura siguiente podemos ver esa situación, la cual no presentaría problemas.
Ejemplo de ubicación de un píxel en un recurso heterogéneo.
12
Sin embargo, la heterogeneidad espacial tiene un grano más fino y entonces dentro de un mismo
heterogeneidad. En este caso, el pixel seleccionado será
representativo de esa heterogeneidad que veremos dentro del potrero: un pastizal con áreas más
bajas donde se puede acumular agua y otras un poco más altas y esto se evidencia con un cambio en
etación. En la figura siguiente podemos ver esa situación, la cual no presentaría problemas.
13
Es importante tener en cuenta algunas posibles situaciones no deseadas producto de la resolución
espacial de las imágenes. Obviamente, potreros en los que no podamos incluir totalmente un píxel no
podrán ser evaluados mediante estos datos. Por lo tanto, situaciones como las descriptas a
continuación pueden ocurrir, en donde un píxel cubra dos o más recursos forrajeros diferentes. La
figura siguiente muestra un caso en donde un pixel cubre dos tipos de vegetación diferentes, por lo
tanto los datos que obtendremos serán representativos de una mezcla de los dos tipos de vegetación.
En estos casos se deberá reevaluar la situación y eventualmente descartar esta metodología.
Figura 16. Ejemplo de ubicación de un píxel en diferentes tipos de vegetación.
ANALISIS DE LOS DATOS DE NDVI
A partir de los datos de NDVI podremos construir diferentes tipos de gráficos. Podremos analizar la
variabilidad temporal y espacial. Por ejemplo, podremos analizar la evolución temporal de tres
recursos forrajeros. Aquí podemos comparar la evolución temporal y compararlos entre ellos con un
valor cada 16 días para el sitio seleccionado (Figura 17).
14
Figura 17. Variación temporal del NDVI MODIS en tres comunidades vegetales de la provincia de
Corrientes entre febrero de 2000 y diciembre de 2010.
Esa información detallada nos puede servir, entre otros fines, para tener una idea del
comportamiento promedio de cada recurso forrajero a lo largo de 10 años (Figura 18).
Figura 18. Variación estacional promedio (2000-2011) del NDVI MODIS en tres comunidades
vegetales de la provincia de Corrientes.
El objetivo de más detalle es el de obtener una caracterización para cada recurso forrajero. Además
de esto se puede caracterizar a todos los recursos forrajeros en conjunto para todo el establecimiento
o inclusive para toda una región.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Dec-99 Dec-00 Dec-01 Dec-02 Dec-03 Dec-04 Dec-05 Dec-06 Dec-07 Dec-08 Dec-09 Dec-10
0.4
0.5
0.6
0.7
0.8
0.9
Dec Feb Apr Jun Aug Oct Dec
15
Conversión de NDVI a fPAR
Finalmente deberemos convertir los datos de NDVI a fracción de la radiación fotosintéticamente
activa que es absorbida por la vegetación (fPAR), tal como vimos en la ecuación 1. Para ello
utilizaremos la siguiente ecuación [3] que nos dice que tomaremos el mínimo valor entre el resultado
de la ecuación y 0.95 (Grigera et al. 2007). Esta ecuación está calibrada para recursos forrajeros de la
Región Pampeana. Para recursos forrajeros en otras regiones puede ser necesaria una nueva
calibración.
ecuación [3]
Esta relación puede verse en la siguiente figura.
Figura 19. Relación entre fPAR y NDVI para recursos forrajeros de la región Pampeana.
ESTIMACIÓN DE LA RADIACION FOTOSINTETICAMENTE ACTIVA INCIDENTE (PAR)
Para poder estimar la PPNA, tal como vimos en la ecuación 1, necesitamos datos de la variación
temporal del PAR incidente para la zona de interés. El producto fPAR x PAR se denomina APAR, que
representa el PAR que está siendo absorbido por la vegetación verde. En este punto debemos
recordar que el PAR, la radiación comprendida entre 400 y 700 nm, es aproximadamente la mitad
(45%) de la radiación total incidente.
La primera fuente para obtener datos de PAR es la estadística climática zonal del Servicio
Meteorológico Nacional o similar. En el caso de no conseguir datos para la zona de análisis, podremos
recurrir a diferentes fuentes disponibles en Internet: del Instituto Nacional de Pesquisas Espaciais
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1NDVI
fPA
R
( )
−−
−−+
= 95.0,55.162.11(
55.1
55.162.11)1()1(
minNDVI
NDVI
fPAR
16
(INPE, Brasil, http://satelite.cptec.inpe.br/radiacao/?i=es#/Glseries/GLpentad0.htm) o de la National
Aeronautics and Space Administration (NASA, EE.UU.) http://mirador.gsfc.nasa.gov/cgi-
bin/mirador/LocationTimeAttribute_Search.pl?tree=scienceArea&scienceArea=Water%20and%20Ene
rgy%20Cycles&pp=Surface%20Radiation&spp=Surface%20Incident%20Shortwave%20Radiation&data
set=GLDAS_MOS10_M.001&version=001&CGISESSID=8769ec8e2be31d1fb99478feeab40492). De
estas dos webs se podrán bajar datos para un lugar y un período de tiempo determinados.
Otra alternativa es utilizar un modelo que estima la radiación incidente para un determinado sitio de
la tierra a partir de la radiación al tope de la atmósfera, que dependen de la latitud y el mes del año y
se encuentra tabulada, y una estimación de la interferencia atmosférica derivada de la temperatura
local (Samani 2000).
Rs = R0 * KT * (ttmax - tmin)0.5
ecuación [4]
donde: Rs = Radiación solar incidente
R0 = Radiación solar extraterrestre (tabulada,
http://www.fao.org/docrep/X0490E/x0490e0j.htm#annex%202.%20meteorological%20tables)
KT = coeficiente empírico. KT = 0,162 para regiones del interior y KT = 0,19 para regiones costeras.
tmax = temperatura diaria máxima
t min = temperatura diaria mínima
Finalmente, se podrá utilizar una descripción de la radiación incidente promedio a partir de (1996-
2006) para gran parte del país con una resolución espacial de 0.4° a partir de datos satelitales del
Instituto Nacional de Pesquisas Espaciais (INPE, Brasil). Esta información puede descargarse de este
vínculo. http://www.agro.uba.ar/users/garbulsk/Curso_ut_archivos/Radiación incidente.xls
ESTIMACIÓN DE LA EFICIENCIA EN EL USO DE LA RADIACIÓN (EUR)
La eficiencia en el uso de la radiación es probablemente el término de la ecuación 1 más difícil de
estimar. Diferentes trabajos muestran que la EUR puede variar entre tipos de vegetación, para una
misma vegetación lo largo del tiempo o inclusive puede responder a la fertilidad edáfica. Si bien
existen metodologías para estimar también la EUR a partir de datos satelitales, en el trabajo práctico
de planificación forrajera utilizaremos los valores de EUR publicados en diferentes fuentes
bibliográficas para ser aplicados en la ecuación 1.
La PPNA estimada a partir de cortes de biomasa se relaciona linealmente con la radiación
fotosintéticamente activa absorbida por la vegetación (APAR = fPAR x PAR, figura 20). La relación
empírica para dos tipos de recursos forrajeros (pasturas de loma y pasturas naturalizadas de bajos) es
lineal (Grigera et al. 2007), sin embargo la relación no pasa por el origen, lo cual indica que EUR no es
constante para diferentes valores de APAR.
17
Figura 20. Relación entre la PPNA y APAR para dos tipos de recursos forrajeros en la Región
Pampeana. PPNA upland (loma)= 0.6 x APAR + 12 (R2 = 0.86) y PPNA lowland (bajo) = 0.27 x APAR +
26 (R2 = 0.74).
Se han realizado experimentos para conocer la EUR en diferentes especies cultivadas a lo largo de la
estación de crecimiento. En estos trabajos podemos ver que la EUR varía tanto entre especies como a
lo largo del tiempo. Para la región Pampeana se realizaron diferentes trabajos para conocer la EUR
para alfalfa y festuca (Marino et al. 2007) y de rye grass y festuca (Agnusdei et al. 2008). Experiencias
realizadas en Francia también muestran la variabilidad de la EUR en alfalfa y festuca (Lemaire).
Existen también revisiones en las que se recopilan datos de EUR para muchas especies diferentes. Por
ejemplo, Sinclair & Muchow (1999) presentan datos para muchos cultivos, entre los que se
encuentran algunos cultivos forrajeros como sorgo o cebada.
CALCULO DE LA PPNA
Finalmente, una vez obtenidos los datos de fPAR, PAR y EUR para un determinado recurso y con la
correspondiente extensión y resolución temporal y en las unidades correspondientes, podremos
volver a la ecuación [1] y calcular la PPNA. Es importante recordar que tanto PAR como EUR pueden
tener diferentes unidades, por lo que hay que estar atentos a que las unidades se correspondan.
METODOLOGÍA ALTERNATIVA A PARTIR DE DATOS SATELITALES
De la web del Laboratorio de Análisis Regional y Teledetección (LART, http://larfile.agro.uba.ar/lab-
sw/sw/gui/Inicial.page) se pueden obtener datos de NDVI, fPAR, APAR y PPNA para recursos
forrajeros de diferentes regiones del país y Uruguay (Figura 21).
18
Figura 21. Página inicial del Sistema de seguimiento forrajero.
La información obtenida de esta página es de gran ayuda en muchas situaciones. Por ejemplo,
podemos ver la PPNA regional de un gran número de potreros para una determinada región (Figura
22). Sin embargo, no podemos analizar con esta herramienta un determinado potrero del
establecimiento que cada grupo tenga en el trabajo de planificación o el establecimiento completo,
sino tendremos una aproximación a escala regional.
Campo Natural. Dep. Salado 2000-09
0
100
200
300
400
500
600
700
800
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115
PP
NA
(kg
MS
/ha.
mes
)
19
Figura 22. Productividad Primaria Neta Aerea derivada de imágenes MODIS para el recurso campo
natural en la Depresión del Salado. Promedio de 800 parcelas
En conclusión, se presentaron aquí tres metodologías diferentes para la estimación de la PPNA. Es
importante reconocer las ventajas y desventajas de cada una para poder utilizarlas correctamente y
aprovecharlas en cada situación. Por lo tanto,
BIBLIOGRAFÍA
• Samani , Z. (2000).- Estimating Solar Radiation and Evapotranspiration Using Minimum
Climatological Data . Journal of Irrigation and Drainage Engineering, 126: 265-267.
• Grigera, G., M. Oesterheld & F. Pacín. (2007). Monitoring forage production for farmers'
decision making. Agricultural Systems 94, 637-648.
• Sinclair T.R. & R.C. Muchow (1999). Radiation use efficiency. Advances in Agronomy, 65: 215-
265. [pdf]
• Sala O.E. & A.T. Austin (2000) Methods of estimating aboveground net primary production.
In: Sala OE, Jackson RB, Mooney HA, Howarth RH (eds) Methods in Ecosystem Science.
Springer, New York, pp 31-43.
• Marino, M.A., Agnusdei, M.G., Jorgensen, F. y West, A 2007. Manejo estacional del suministro
de nitrógeno en festuca alta. 2. Eficiencia de uso de recursos. Revista Argentina de
Producción Animal Vol 27 Supl. 1: 139. [pdf]
• AGNUSDEI M.G., MARINO M.A., LATTANZI F.A. 2008. Resources use efficiency in tall fescue
and annual ryegrass pastures with different nitrogen nutrition (Humid Pampa, Argentina). In:
Multifunctional Grasslands in a Changing World. (Ed: Organizing Committee of the IGC/IRC
Congress). Vol.I: pp.300. http://www.agro.uba.ar/users/garbulsk/Curso_ut_archivos/
Agnusdei et al2008_IGC.pdf
• Charlas de G. Lemaire. [pdf]
