Sistemas comunitarios de alerta temprana: principios rectores
maestría en aplicaciones espaciales de alerta y respuesta temprana ...
Transcript of maestría en aplicaciones espaciales de alerta y respuesta temprana ...
MAESTRÍA EN APLICACIONES ESPACIALES DE ALERTA Y RESPUESTA TEMPRANA A
EMERGENCIAS (CONAE -UNC)
INSTITUTO DE ALTOS ESTUDIOS ESPACIALES “MARIO GULICH”.
REPORTE FINAL
IDENTIFICACION DE CAMBIOS EN LA RESPUESTA ESPECTRAL DEL MAIZ A PARTIR DE
VARIACIONES EN PRÁCTICAS AGRONÓMICAS.
DIANA CAROLINA FONNEGRA MORA.
DR. RAÚL RIVAS.
DRA. CAROLINA TAURO.
INSTITUTO DE HIDROLOGÍA DE LLANURAS «DR. EDUARDO JORGE USUNOFF»
UNCPBA
JULIO 2014.
Resumen. ............................................................................................................................................. 4
Introducción. ....................................................................................................................................... 5
Antecedentes. ..................................................................................................................................... 6
Propiedades ópticas de las hojas: ................................................................................................... 6
Carotenoides, clorofila, antocianinas y su relación con las plantas. ............................................... 7
Materiales ........................................................................................................................................... 8
Zona de estudio ........................................................................................................................... 9
Densidad y Riego (DR): .............................................................................................................. 11
Manejo (MA): ............................................................................................................................ 12
Nitrógeno (N): ........................................................................................................................... 13
Radiometro: .............................................................................................................................. 14
Imágenes de satélite: ................................................................................................................ 14
Metodología. ..................................................................................................................................... 14
Campañas de Campo: ................................................................................................................ 15
Procesamiento de los datos: ..................................................................................................... 16
Resultados. ........................................................................................................................................ 24
Conclusiones. .................................................................................................................................... 33
Bibliografía. ....................................................................................................................................... 35
Tabla 1. Índices de Vegetación evaluados en este estudio. .............................................................. 19
Tabla 2. Resumen campaña 27 de Febrero. ...................................................................................... 24
Tabla 3. Resultados obtenidos de los índices. ................................................................................... 26
Tabla 4. Relaciones entre Parámetros Biofísicos y Bioquímicos. Caso Manejo IS. ........................... 27
Tabla 5. Relaciones entre Parámetros Biofísicos y Bioquímicos. Caso Manejo AP. .......................... 28
Tabla 6. Comparación de datos, DR 1 - 14 Enero 2014 e imagen de satélite 10 Enero 2014. ........ 28
Tabla 7. Metodología Propuesta. ...................................................................................................... 33
Figura 1. Firma espectral y características de absorción de la Vegetación. Firma espectral obtenida
en maíz. ............................................................................................................................................... 7
Figura 2. Variables analizadas en el desarrollo del proyecto. ............................................................. 9
Figura 3. Descripción Ensayo Densidad y Riego. ............................................................................... 12
Figura 4. Descripción Ensayo Manejo. .............................................................................................. 13
Figura 5. Descripción Ensayo Nitrógeno. .......................................................................................... 14
Figura 6. Resumen de la Metodología. ............................................................................................. 15
Figura 7. Campaña de campo. A) Recolección de muestras. B) Calibración del equipo. C) Ejemplo
punto de muestreo. D) Toma de puntos GPS. E) Parcela de referencia en condiciones fenológicas
similares. ........................................................................................................................................... 16
Figura 8. Metodología de procesamiento campañas. ....................................................................... 16
Figura 9. Firmas espectrales obtenidas en el caso DR1. A) Visualización de los datos crudos, sin
filtrar. B) Firmas espectrales del ensayo. C) Firma características por punto. .................................. 18
Figura 10. Proceso de resta de superficies oscuras, el punto rojo denota un ROI y visualización de la
información arrojada por el software. .............................................................................................. 20
Figura 11. Superposición de puntos GPS, extracción de ROI y firmas espectrales, obtenidas en Envi
4.8. ..................................................................................................................................................... 21
Figura 12. Metodología ejecutada. ................................................................................................... 21
Figura 13. Identificación de la Radiación en la estación. 10 de enero paso del satélite, 14 de enero
campaña. ........................................................................................................................................... 23
Figura 14. Relación entre el contenido de agua (WI) y estado foliar cultivo (NDVI) Caso IS. ........... 27
Figura 15.Relación entre el contenido de agua (WI) y estado foliar cultivo (NDVI) Caso AP. .......... 27
Figura 16. Comparación Firmas espectrales, DR 14 - Enero 2014 e imagen de satélite 10 Enero
2014. .................................................................................................................................................. 29
Figura 17. Comparación Firmas espectrales, MA 3 - 14 - Enero 2014 e imagen de satélite 10 Enero
2014. .................................................................................................................................................. 29
Figura 18. Datos climatológicos de Enero. ........................................................................................ 30
Figura 19. Datos climatológicos de Febrero. ..................................................................................... 31
Figura 20. Flujo de Radiación Neta para el día 14 de Enero 2014. ................................................... 32
Figura 21. Flujo de Radiación Neta para el día 27 de Febrero 2014. ................................................ 32
Resumen.
El presente informe corresponde a los resultados obtenidos durante la tutoría de
investigación en el centro Instituto de Hidrología de Llanuras «Dr. Eduardo Jorge Usunoff»,
ubicado en la ciudad de Tandil, provincia de Buenos Aires, Argentina, bajo la supervisión y
dirección del Dr. Raúl Rivas. Este se dividió en las siguientes etapas:
Revisión bibliográfica del uso de sensores híper espectrales, para la obtención de
parámetros biofísicos y bioquímicos del cultivo de maíz.
Campañas de espectro-radiometría en las parcelas de maíz ubicadas en la Unidad
Integrada Balcarce Universidad Nacional de Mar del Plata-INTA, bajo la supervisión
de Dra. Andrea Irigoyen, en el marco del proyecto de cooperación UNCPBA, a
través del Instituto de Hidrología de Llanuras (IHLLA) y la UNMdP, “Redes
Neuronales Artificiales e Imágenes De Satélite Como Soporte Para La Modelización
De Propiedades Biofísicas En Canopeos De Maíz”.
Procesamiento de las respuestas espectrales y comparación con información
complementaria.
Procesamiento de datos meteorológicos.
Clasificación de la información obtenida.
Introducción.
Soja, girasol y maíz son los cultivos estivales más importantes de Argentina (Andrade et
al., 2002). La creciente demanda global de alimentos y las limitadas posibilidades de
expansión de la frontera agrícola, constituye el marco para la discusión de la
intensificación de la producción de los cultivos. Esta intensificación implica la
incorporación de tecnologías y el desarrollo de estrategias de manejo para incrementar
los rendimientos por unidad de superficie haciendo un uso más eficiente de los recursos
que necesita el cultivo para producir (radiación, agua, nutrientes), pero al mismo tiempo
reducir los efectos negativos sobre el ambiente. (Salvagiotti, 2009)
El monitoreo de la vegetación sigue siendo un tema clave en la ciencia y las aplicaciones
de las técnicas de teledetección, (Delegido et al., 2010) el seguimiento de variables
durante el crecimiento del cultivo ofrece la oportunidad de mejorar el rendimiento del
grano y la calidad, mediante la cantidad específica de fertilizantes (Asseng, Van Keulen, &
Stol, 2000; Jamieson et al., 1998). Los cultivos agrícolas son significativamente mejor
caracterizados, modelados, clasificados y mapeados usando datos híper espectrales
(Thenkabail et al., 2012) es por esto que el seguimiento y la evaluación de los cultivos a
través de la información espectral, se ha convertido en un tema de investigación debido al
avance en las técnicas de la teledetección (Cicuéndez et al., 2013), el conocimiento de las
firmas espectrales en la valoración de variables fisiológicas y nutrimentales, en tiempo
real, es de gran utilidad en una agricultura competitiva y de mayor precisión (Brizuela et
al., 2007). Una campaña de espectro-radiometría de campo consiste en la adquisición de
un conjunto de firmas de reflectancia espectral, denominado librería espectral, que
caracterizan la respuesta de un tipo de material o superficie (Jiménez et al., 2013). Las
mediciones de reflectancia espectral permiten una estimación de propiedades biofísicas
de la vegetación de manera no destructiva. Esto se debe, a que las respuestas espectrales
de plantas se caracterizan por la absorción de la radiación en el rango visible (VIS), en
relación con pigmentos fotosintéticos, y a reflexiones en el infrarrojo cercano (NIR)
asociados con los procesos de dispersión de estructuras internas y superficie de la hoja
(Bargain et al., 2013). Es por esto, que los métodos no destructivos, presentan ventajas
como la sencillez, la sensibilidad, alta fiabilidad y rendimiento, además el bajo costo, pues
ahorran una gran cantidad de mano de obra y, por tanto, presentan un potencial para su
aplicación en estudios de productividad de la planta, fisiología, entre otros.
El objetivo de la investigación, es presentar los resultados parciales bioquímicos y
biofísicos sobre la campaña de espectro radiometría 2014 – 2015, las cuales fueron
medidas sobre plantas marcadas en sitios experimentales, exhibiendo diferentes prácticas
agronómicas, en tratamientos del maíz (híbridos de diferente madurez, fecha de siembra,
densidad de plantas e intensificación de la producción), en las parcelas de maíz ubicadas
en la Unidad Integrada Balcarce.
Antecedentes.
La Argentina tiene un importante rol como país productor y exportador de alimentos. Un
ejemplo de ello es la Región Pampeana, donde el productor ha adoptado tecnología en la
producción, con el fin de mantenerse competitivo, apoyándose en que esta zona
constituye una de las cuatro regiones del mundo más aptas y seguras para la producción
de alimentos agrícolas. En dicho proceso de tecnificación se ha reflejado en el aumento
del consumo de fertilizantes, agroquímicos y cultivares mejorados, pese a ello, es
necesario no olvidar la preservación de los recursos y el ambiente, es por ello que el
productor debe adoptar técnicas conservacionistas además hacer uso racional y seguro de
los insumos que emplea. (Andrade et al., 2002)
El conocimiento de procesos y mecanismos determinantes para el crecimiento y
rendimiento de los cultivos es necesario para aumentar la producción de manera
sostenible, ya que orienta a la elección de prácticas de manejo apropiadas. Por ejemplo
identificar cambio en la respuesta del crecimiento y rendimiento del cultivo a partir de
variación de factores como: fecha de siembra, densidad de plantas, dosis de fertilizantes,
distancia entre hileras, la dinámica de acumulación de nutrientes en las plantas, los
efectos de las deficiencias hídricas y nutricionales. (Andrade et al., 2002)
El monitoreo de la planta a través de la medición de la reflectancia de la hoja ofrece una
serie de ventajas alternativas sobre los métodos tradicionales destructivos, entre las
principales la sencillez, sensibilidad, fiabilidad y el alto rendimiento; adicionalmente el
bajo costo, rapidez, y la posible utilizar in situ. Los intentos de aplicar métodos no
destructivos como la espectroscopia para la evaluación del estado fisiológico y fenológico
de plantas, ya que existen la reflectancia de las hojas evidencia cambios en tres
características propias de la plantas, como lo son los pigmentos, estructura foliar y
contenido de agua. (Gitelson, 2012; Jong et al., 2001)
Propiedades ópticas de las hojas:
La radiación solar entrante es la fuente principal de energía para los numerosos procesos
biológicos que tienen lugar en las plantas. Las interacciones entre la radiación solar y las
plantas se pueden dividir en tres grandes categorías: efectos térmicos, efectos
fotosintéticos y efectos fotomorfogenesis. (Kumar, et al., 2001)
Asimismo estas propiedades dependen de las condiciones de radiación, la especie vegetal,
el grosor de las hojas, la estructura de la superficie foliar, los niveles de contenido
pigmentos como la clorofila y los carotenoides, además de la estructura interna de la hoja.
(Gates, 1965) La absorción de la luz por los pigmentos de plantas en el espectro visible
produce una firma espectral única de la luz reflejada. (Gitelson, 2012) en la Figura 1 se
observa una de la firmas obtenidas en campo, estas incluían un rango en el Visible (450 –
700 nm), donde su principal característica son las bajas reflectancias y transmitancias
debido a las fuertes absorciones por parte de los pigmentos foliares. Por otra parte, en el
Borde rojo o franja de transición entre el rango visible rojo y el rango del infrarrojo
cercano (690 – 800 nm) se presenta una de las características de absorción más
importante de las curvas de reflectancias de la vegetación, debido a que se da un
contraste o fuerte cambio entre el rango rojo y el infrarrojo cercano, valor de reflectancia
extremadamente bajo en el visible rojo, seguido por altas reflectancias en el rango
infrarrojo cercano, lo cual se asocia con la poca reflectancia de luz roja de la clorofila, la
estructura interna y contenido de agua foliar. (Clevers et al. 2002)
Figura 1. Firma espectral y características de absorción de la Vegetación. Firma espectral obtenida en maíz.
Carotenoides, clorofila, antocianinas y su relación con las plantas.
La cuantificación fisiológica y fenológica de la vegetación incluyendo la tasa de
intercambios de gases con la atmosfera, puede ser obtenida a través de mediciones de los
0
10
20
30
40
50
60
450 500 550 600 650 700 750 800 850 900 950 1000
% R
efl
ect
ivid
ad.
Longitud de onda en nm.
Pigmentos foliares. Estructura foliar.
Carotenoides,
Xantofilas.
Clorofila a & b.
Agua.
pigmentos presentes en las hojas ya que desarrollan parte importante de la fotosíntesis y
a la protección. Los pigmentos que se pueden encontrar en las plantas son los
carotenoides, antocianinas y clorofila. Los carotenoides desempeñan una función de foto
protección durante la senescencia de la hoja, además de la aclimatación y adaptación de
las plantas a diferentes entornos, presentan una alta absorción de la luz en el espectro
azul y se distribuyen de manera no uniforme en fotosistemas y pigmentos individuales. Las
antocianinas por su parte cumplen funciones fisiológicas mediante su participación en la
adaptación a tensiones del ambiente, su capacidad protectora se enfoca en la detección
de la luz, reduciendo el exceso de radiación solar que llega al aparato fotosintético
(Gitelson, 2012).
La clorofila es la principal responsable de las propiedades de reflectancia y transitividad de
la radiación del espectro visible (Ritchie, 2003), esta presenta una estrecha relación con el
nitrógeno, ya que los cloroplastos almacenan el 70% del nitrógeno de la hoja (Madakadze
y Madakadze, 1999), la identificación de cambios en el espectro Visible de la
concentración de clorofila es ampliamente utilizada para determinar la influencia de
condiciones ambientales y fenológicas, (nutrimentales, estrés asociado al agua,
senescencia), además de que la clorofila es un pigmento encargado de convertir la energía
lumínica en energía química, es un factor que permite establecer la producción potencial y
primaria fotosintética. (Gitelson, 2012)
Materiales
Durante el desarrollo de la pasantía se evaluó los cambios en la respuesta espectral, a
partir de variaciones factores (Figura 2) como condiciones espaciales (densidad y
distancia entre surcos), manejos agronómicos (Dosis de nitrógeno, condiciones de riego),
ya que estos intervienen en el desarrollo y crecimiento del cultivo. También se incluyo, las
condiciones climatológicas con el fin de determinar posibles alteraciones en la respuesta
espectral del cultivo, para posteriormente procesar y obtener parámetros biofísicos y
bioquímicos.
Figura 2. Variables analizadas en el desarrollo del proyecto.
Zona de estudio
La adquisición de la información de campo, se realizó en la estación experimental
agropecuaria del INTA – Balcarce, localizadas 37°46,118′S - 58°18,532′O, en cuatro
prácticas agronómicas experimentales de manejo del maíz, las cuales son; con riego:
Densidad y Riego (DR), Nitrógeno (N), sin riego: Manejo (MA). Paralelamente se recolecto
la información de la estación de balance de energía, datos de estructura foliar, humedad,
clorofila, NDVI, de los predios de estudio que servirán de insumo para la interpretación de
los resultados. A continuación se describen los manejos evaluados.
Figura 3. Área de Estudio.
Densidad y Riego (DR):
El estudio fue conducido en el campo experimental de la Unidad Integrada Balcarce (UIB)
se evaluaron tres densidades de plantas (6, 8, 12 plantas /m2) con una misma distancia
entre hileras (0,70 m), fertilización de las parcelas con 140 kg N/ha en el estado de
Vegetativo de seis hojas, siembra convencional y sin limitantes de agua en un diseño con
bloques aleatorizados, (Figura 3).
Figura 4. Descripción Ensayo Densidad y Riego.
Manejo (MA):
El estudio fue conducido en el campo experimental de la Unidad Integrada Balcarce (UIB)
en condiciones de secano. Se llevaron a cabo determinaciones durante la campaña
agrícola 2013-2014 en un experimento de largo plazo con rotación maíz-trigo/soja de
segunda, es decir tres cultivos en dos años y bajo siembra directa. Los tratamientos
evaluados son (Figura 4 ):
Manejo actual del productor medio de la zona (AP).
Manejo intensificado sustentable (IS).
Dispuestos en un diseño en bloques completos aleatorizados (DBCA) con 3 repeticiones en
parcelas de 10 m por 50 m para cada unidad experimental.
En el manejo AP se sembró un hibrido cuyo precio de semilla es medio, genéticamente
modificado para resistencia a glifosato (RR), distancia entre hileras de 0,7 m, densidad
65000 plantas/ha, fertilización nitrogenada con urea a la siembra.
En el manejo IS se sembró un híbrido de alto potencial y estabilidad de rendimiento con
modificaciones genéticas para resistencia a glifosato y al barrenador del tallo (RR y Bt),
distancia entre hileras de 0,525 m, densidad de 80000 plantas/ha, fertilización
nitrogenada con UAN en el estadio en el estado de Vegetativo de seis hojas.
Nombre Curva
Espectral.
6 Plantas.
8 Plantas.
12 Plantas.
Convenciones:
Numero de
Bloque.III
III
II
I
DR
7
DR
8
DR
9
DR
6
DR
5
DR
4
DR
3
DR
2
DR
1
3 m
0,7 m
Figura 5. Descripción Ensayo Manejo.
Nitrógeno (N):
El estudio fue conducido en el campo experimental de la Unidad Integrada Balcarce (UIB)
se evaluaron tres dosis de Nitrogeno (0, 60, 120 kg N/ha ) con una misma distancia entre
hileras (0,70 m) y una densidad de ocho plantas, siembra convencional y sin limitantes de
agua en un diseño con bloques aleatorizados, (Figura 5).
AP
IS
IS
AP
AP
ISM
1
M
2
M
3
M
4
M
5
M
6
III
II
I
50 m
10 m
Nombre Curva
Espectral.
Manejo Intensificado
Sustentable.
Convenciones:
Numero de
Bloque.III
IS
AP Manejo Actual Productor
Medio
Figura 6. Descripción Ensayo Nitrógeno.
Radiometro:
Para la toma de datos se usó el radiómetro, OceanOptics USB2000+, con un rango
espectral 200-1200 nm, FOV de 12.5°, con 22.2 cm de diámetro, por cada 50 cm de altura
y un ancho de banda medio de 0.34 nm. Como blanco de referencia se utilizó una STAN-
SSH High-reflectivity Specular Reflectance Standard de 3.1750 cm de diámetro.
Imágenes de satélite:
El conjunto de imágenes Landsat 8 corresponde a dos escenas 224-86, con fechas 10 de
enero, 27 febrero, las cuales fueron descargadas del sitio Earth Explorer del USGS
(http://earthexplorer.usgs.gov). Estos productos estándar consisten en una serie
cuantificada, calibrada y escalada de niveles digitales (ND), los cuales pueden ser re-
escalados a valores de reflectancia y/o radiancia en el techo de la atmosfera (TOA),
usando los coeficientes radiométricos provistos en el archivo de metadatos MTL.txt.
Metodología.
Se dividió en tres fases: recolección de información radiométrica, procesamiento de los
datos, comparación e interpretación de resultados (Figura. 6).
Nombre Curva
Espectral.
0 Kg N/ha.
60 Kg N/ha.
120 Kg N/ha.
Convenciones:
Numero de
Bloque.III
0,7 m
3 mIII
II
I
N
2
N
1
N
3
N
5
N
6
N
4
N
8
N
9
N
7
Figura 7. Resumen de la Metodología.
Campañas de Campo:
La adquisición de la información de campo (Figura 7), se realizó en cuatro campañas, en
las fechas correspondientes al 14 de enero, 29 de enero, 13 de febrero, y 27 de febrero. El
protocolo seguido durante las mediciones:
1. Toma de datos, con máximo cuatro días del paso del satélite, (antes o después), y
al menos una con la ocurrencia del mismo.
2. Condiciones atmosféricamente estables.
3. Periodos de toma entre las 11:00 a 16:00 horas.
4. Calibración del radiómetro por punto de muestreo (calibración de la reflectividad
de 0 a 100%)
5. Dos tomas por punto de tratamiento, en sitios seleccionados dentro de cada sub
parcela, con un total aproximado de 48 muestras por campaña.
6. Toma de puntos GPS en áreas aledañas con maíz en condiciones fenológicas
similares, que servirán de referencia dentro de las imágenes de satélite.
• Identificación y descarga de insumos: imágenes de satélite, bibliografía, temperatura, IAF, NDVI.
• Identificación en terreno (GPS) y parcelas.
Campañas de campo
• Filtrado de y Visualización la información.
• Obtención firma característica por punto.
Procesamiento firmas • Superposición de firmas
(Campaña a Campaña)
• Estimación de variables Biofísicas
• Comparación con firmas obtenidas a través de satélite.
Comparación entre campañas
0
10
20
30
40
50
60
400 500 600 700 800 900 1000 1100 1200
REF %
0
5
10
15
20
25
30
35
40
0,451-0,510 0,53-0,59 0,64-0,67 0,85-0,88 1,0-1,1
%R
EF
Longitud de onda
Comparación Satélite y Campo
Landsat 8
N1_prom
N5_prom
Figura 8. Campaña de campo. A) Recolección de muestras. B) Calibración del equipo. C) Ejemplo punto de muestreo. D) Toma de puntos GPS. E) Parcela de referencia en
condiciones fenológicas similares.
Procesamiento de los datos:
A partir de los datos crudos, se produjeron las firmas espectrales, se agruparon a partir de
las características propias de cada cultivo, para luego se promediaron y se generaron la
curva típica por campaña, para posteriormente realizar comparaciones, (Figura 8)
(campañas, cultivos, satélite).
Figura 9. Metodología de procesamiento campañas.
Para la caracterización de las curvas por zona, se ejecutaron los procesos de: eliminación
de información por ruido del sensor y datos inconsistentes, pre visualización de las firmas,
promedio de los datos para obtener una respuesta por punto muestreado, estimación de
parámetros biofísicos, a través de índices espectrales (NDVI, ClRededge, CiGreen, WI), por
último se realizó la comparación entre tratamientos y campañas.
El proceso de eliminación se llevo a cabo en archivos xls, aplicando filtros a los niveles
digitales conforme a la longitud de onda (Figura 9 A), con un rango base de 450 a 1100 nm
y al porcentaje de reflectividad 0 al 100 %, posteriormente se pre visualizaron las
respuestas espectrales por punto de muestreo (Figura 9 B), para obtener una sola firma
por punto analizado muestras fueron promediadas (Figura 9 C). Con los anchos de banda
del sensor Landsat 8, 450 – 510 nm (azul), 530 – 590 nm (verde), 640 – 670 nm (Rojo), 850
– 880 nm (NIR) se promediaron los datos espectrales de las firmas características,
determinando también la desviación estándar.
0 10 20 30 40 50 60 70 80 90
100
0 500 1000 1500 2000
REF
LEC
TIV
IDA
D
Longitud de onda en nm
Datos Sin Filtrar
Datos Sin Filtrar
A
0
5
10
15
20
25
30
35
40
45
50
450 650 850
Ref
lect
ivid
ad
Longitud de onda en nm
1
2
3
4
5
6
7
8
B
Figura 10. Firmas espectrales obtenidas en el caso DR1. A) Visualización de los datos crudos, sin filtrar. B) Firmas espectrales del ensayo. C) Firma características por punto.
Para la estimación de los parámetros biofísicos y bioquímicos, se utilizaron índices
espectrales presentes en la Tabla 1. Estos asumen comparaciones entre pequeños anchos
de banda donde se presentan cambios fisiológicos en la planta.
0
10
20
30
40
50
60
450 550 650 750 850 950
Ref
lect
anci
a
Longitud de onda en nm.
0
60
120
140
C
Tabla 1. Índices de Vegetación evaluados en este estudio.
Índice. Nombre. Variable. Formula. Autor. Parámetro.
WI Índice de
Agua.
Contenido relativo de
agua.
(Peñuelas, et al., 1993).
Bio
qu
ímico
.
ClRededge Índice de
Borde Rojo de clorofila.
Contenido de Clorofila, Nitrógeno,
Estrés.
(Gitelson, et al., 2006).
NAOC
Índice Normalizado de Área Bajo la Curva de
Reflectancia.
(Delegido, et al., 2010)
ClGreen Índice Verde de Clorofila
(Gitelson, et al., 2006).
NDVI
Índice Normalizado
de Vegetación.
Área Foliar.
(Rouse, et al., 1974).
Bio
físico.
Se refiere a la reflectividad en la longitud de onda ; limites de integración,
corresponde a la reflectividad máxima en el infrarrojo cercano.
El conjunto de imágenes Landsat, fue corregido radiométricamente, a partir de la
expresión:
Donde, valor reflectancia planetaria o en el techo de la atmosfera TOA, con corrección
por ángulo solar. Factor multiplicativo de escalado específico por banda obtenido del
metadato. Factor aditivo de escalado específico por banda obtenido del
metadato. Ángulo de elevación solar del centro de la escena. Este valor
se refiere a cada una de las bandas de la imagen. Para estimar los valores de los
parámetros atmosféricos, percibidos por el sensor se utilizó el método de resta de
superficies oscuras (Figura 10), (DOS) (Song et al., 2001; Brivio et al., 2001). Este supone
que la imagen de satélite contiene ciertos pixeles con una cercana a cero (zonas
oscuras), como por ejemplo aquellos correspondientes al agua clara y profunda, a una
densa forestación o a una sombra, entre otros y que en dichos pixeles es posible asociar la
señal registrada principal y casi exclusivamente a la producida por los efectos de
dispersión atmosférica, (Rivas et al., 2011; Chávez, 1988). Se marcaron regiones de
interés (ROI), en áreas de agua clara y profunda y con ayuda del modulo Dark Subtract, del
software Envi 4.8 se corrigieron las escenas, constituidas por las bandas 1 a 4.
Figura 11. Proceso de resta de superficies oscuras, el punto rojo denota un ROI y visualización de la información arrojada por el software.
Seguidamente, se añadieron los puntos GPS de referencia (parcelas que se encontraban
cercanas y estados fenológicos similares), generándose nuevos ROI sobre las mismas
(Figura 11), con base en estas se verificaron los valores medios por banda, exportándose
los ND a hojas de cálculo, los cuales fueron comparadas con las firmas características.
Figura 12. Superposición de puntos GPS, extracción de ROI y firmas espectrales, obtenidas en Envi 4.8.
Para un mejor filtrado de los datos, se verificacaron las condiciones atmosféricas y
radiacion neta de los periodos evaluados, presentes en los dias de campaña (Figura 12).
Figura 13. Metodología ejecutada.
A partir del boletín Agrometeorológico mensual de Estación Experimental Agropecuaria,
ubicada Latitud: -37º 45', Longitud: 58º 18', Altura: 130 m s.n.m., con datos por día de:
temperatura de aire, humedad relativa, lluvia, evapotranspiración potencial, heliofania
(duración del día), viento, radiación. Para identificar las condiciones climáticas que se
presentaron en el periodo evaluado según la estación (enero, febrero), se usaron los datos
del día, lluvia, temperatura media. Posteriormente, se descargaron los datos de la
estación climatológica, donde se encontraba un sensor que percibía el flujo de radiación
por día (00:00 – 23:43 hrs), en periodos de toma de cada 15 minutos, las variables que
tenía en cuenta dicho sensor eran: radiación de onda corta (mínima, máxima, promedio,
a) Finalización de procesamiento de las
firmas espectrales.
b) Condiciones climáticas mensuales y RN por día
de campaña.
c) Inventario de las firmas obtenidas.
d) Comparación entre las firmas por campaña.
desviación estándar), radiación de onda larga (mínima, máxima, promedio, desviación
estándar), radiación neta (mínima, máxima, promedio, desviación estándar).
Para definir los cambios en la radiación, se clasifico a partir de la radiación promedio por
día de campaña y días previos a la misma (Figura 13), a demás se filtro los datos al tiempo
de campaña de espectro radiometría (10:00 a 16:00 hrs), como parámetro de calidad de
información (respuestas espectrales óptimas).
Figura 14. Identificación de la Radiación en la estación. 10 de enero paso del satélite, 14 de enero campaña.
Resultados.
Como resultado del procesamiento se generaron un total 172 firmas espectrales,
distribuidas de la siguiente manera: 48 de Manejo (IS: 24, AP: 24), 72 de Densidad y Riego
(d1:24, d2:24, d3:24), 36 de Nitrógeno (N0:12, N60:12, N120:12), 16 de Larga Duración.
Dichas firmas corresponden a las campañas del 14 - 29 de enero y 13 - 27 de febrero y el
rango de reflectividad se encontraba entre el 0 – 60%. Para una idea clara de los
resultados obtenidos se realizaron las tablas de resumen de valores en rangos específicos
del espectro (Tabla 2). En dicho resumen se encontraron respuestas espectrales muy altas
que posteriormente serian verificadas con datos de la estación climatológica.
Tabla 2. Resumen campaña 27 de Febrero.
Fecha Ensay
o
Punto
Ref. % Min
Ref. % Max
Hora NDV
I
451 – 510 nm
530 – 590 nm
640 – 670 nm
850 – 880 nm
D M A 1 0,12 59,366
13:49
0,7 4,856 11,14
0 7,144
42,305
27
2 14
DR
1_bis 0,107 49,842
13:49
2 0,222 33,049
13:57
0,8 2,286 4,588 2,917 24,72
6 2_bis
0,152 32,627 13:5
7
3 0,181 46,133
14:01
0,8 3,538 7,053 3,996 36,58
1 3_bis
0,197 46,189 14:0
1
4 0,248 41,82
14:06
0,9 2,445 4,792 2,617 34,24
8 4_bis
0,09 37,775 14:0
6
5 0,243 63,09
14:09
0,9 2,979 6,457 3,520 49,70
6 5_bis
0,211 51,4 14:0
9
6 1,867 50,385
14:13
0,6 8,413 13,51
1 11,62
8 46,15
8
6_bis 2,013 53,092
14:13
7 0,23 59,829
14:16
0,6 10,71
7 16,99
1 12,81
6 49,36
8 7_bis
0,267 60,923 14:1
6
8 1,689 46,966
14:19
0,7 4,672 8,352 5,447 38,04
7 8_bis
0,085 39,369 14:2
0
9 0,42 45,659
14:25
0,7 0,374 0,565 0,372 1,397 9_bis
0,352 40,477 14:2
5
LD
1 0,241 88,462 15:2
6 0,7 4,112 6,458 4,810
29,601
1_bis 0,241 54,11
15:26
2 0,117 83,333 15:2
9 0,8 4,127 6,064 3,469
40,100
2_bis 0,133 77,273 15:2
9
MA
1 0,048 42,521
14:45
0,7 2,285 5,954 3,919 24,47
8 1_bis
0,062 35,294 14:4
6
2 0,026 38,587
14:50
0,6 2,319 6,533 4,782 22,03
0 2_bis
3 0,046 38,172 14:5
5 0,7 1,708 5,473 4,122
21,686
3_bis 0,015 37,983 14:5
5
4 0,079 59,185 14:5
8 0,8 2,522
10,625
5,119 37,13
3 4_bis 0,024 67,206
15:00
5 0,048 41,324 15:0
4 0,7 1,588 6,307 3,490
24,579
5_bis 0,053 42,647 15:0
4
6 0,058 46,324 15:1
0 0,7 2,047 5,306 4,024 27,23
7 6_bis 0,061 40,435 15:1
0
Posteriormente se aplicaron los índices (Tabla 3) CIrededge-Cigreen, WI, NDVI estos
diferencian las condiciones bioquímicas y biofísicas del cultivo. Para ello se selecciono el
ensayo manejo, para correlacionando los indices con el objetivo de establecer relaciones
entre las variables.
Tabla 3. Resultados obtenidos de los índices.
Trata Cirededge CiGreen WI NDVI NAOC
1a_IS 0,62 2,59 1,87 0,45 0,43
1b 0,88 3,3 1,83 0,61 0,41
4 1,01 2,96 2,16 0,77 0,42
4a 1,31 3,94 2,17 0,76 0,43
6 1,16 2,72 2 0,61 0,41
6a 1,33 3,38 2,11 0,74 0,41
2_AP 0,44 2,13 1,59 0,32 0,39
2a 0,36 1,9 1,52 0,33 0,41
3 0,56 1,64 1,81 0,4 0,46
3a 0,9 2,67 1,92 0,76 0,40
3b 1,01 3,06 1,98 0,79 0,42
5 1,5 4 2,43 0,71 0,40
5a 1,38 4,05 2,68 0,81 0,46
En la Tabla 4 y 5 se muestra la correlación de variables biofísicas y bioquímicas, con los
respectivos modelos de ajuste, es así se obtuvo relaciones para el caso de IS de valores de
R2 = 0,79 para los casos de NDVI vs ClRededge, los cuales pueden explicar el contenido de
clorofila de la planta y el estado foliar del cultivo. Sin embargo al tratar de analizar los
mismos factores con el índice NDVI vs Clgreen el resultado fue R2 = 0,29. Otra variables
como contenido de agua e índice normalizado de vegetación (NDVI vs WI), fue R2 =0,76
(Figura 14). Paralelamente en el manejo AP NDVI vs ClRededge, R2 = 0,87 y en el caso NDVI
vs Clgreen el resultado fue R2 = 0,59. Por otra parte NDVI vs WI, fue R2 =0,62 (Figura 15).
Es importante recalcar que estas relaciones se asumen para una sola campaña es decir las
muestras colectadas para el día 14 de enero de 2014.
Figura 15. Relación entre el contenido de agua (WI) y estado foliar cultivo (NDVI) Caso IS.
Figura 16.Relación entre el contenido de agua (WI) y estado foliar cultivo (NDVI) Caso AP.
Tabla 4. Relaciones entre Parámetros Biofísicos y Bioquímicos. Caso Manejo IS.
Manejo IS
R²
R²
NDVI vs WI y = 0,062e1,1615x 0,71 y = 0,7287x - 0,8137 0,76
y = 0,7287x - 0,8137 R² = 0,7581
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,50 1,60 1,70 1,80 1,90 2,00 2,10 2,20 2,30
ND
VI
WI
NDVI vs WI - IS
NDVI vs WI
Lineal (NDVI vs WI)
y = 0,4195x - 0,2465
R² = 0,6241
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,5 1,7 1,9 2,1 2,3 2,5 2,7 2,9
ND
VI
WI
NDVI vs WI _AP
NDVI vs WI
Lineal (NDVI vs WI)
NDVI vs ClRededge y = 0,3182e2,6197x 0,79 y = 4,0849x - 0,8121 0,75
NDVI vs ClGreen y = 2,022e0,5168x 0,29 y = 1,5057x + 1,8673 0,29
Tabla 5. Relaciones entre Parámetros Biofísicos y Bioquímicos. Caso Manejo AP.
Manejo AP
R²
R²
NDVI vs WI y = 0,1112e0,7999x 0,63 y = 0,4195x - 0,2465 0,62
NDVI vs ClRededge y = 0,2337e2,9399x 0,87 y = 3,8223x - 0,6419 0,76
NDVI vs ClGreen y = 1,2364e1,0699x 0,59 y = 2,5236x + 0,9384 0,54
Con base al ancho de banda del sensor Landsat, se compararon las firmas conseguidas en
campo con las obtenidas por el ROI, se escogieron los ensayos Densidad y Riego, Manejo,
como prototipos ya que exponen características variadas como condición de riego,
distancia entre surcos y fertilización. Esta etapa se efectúo como modelo de prueba, ya
que las mediciones de campo suelen tener como objetivos hacer de vínculo o calibrado
con mediciones de sensores aerotransportados o espaciales (Vaughan, 2001). A partir de
los promedios estimados correspondientes al radiómetro, se genero un ROI sobre un
punto de maíz en condiciones fenológicas similares a las del ensayo (tomado previamente
con GPS). Se escogió entonces los datos de la campaña del 14 de enero y la imagen del día
10 de enero, los promedios fueron confrontados y se generaron las firmas espectrales
(Tabla 6).
Tabla 6. Comparación de datos, DR 1 - 14 Enero 2014 e imagen de satélite 10 Enero 2014.
Radiómetro Satélite
Rango en nm
DR 1 (%)
Desviación (%)
Banda (%)
Promedio (%)
Desviación (%)
Sensor Sensor
451-510 2 1 B2 0 0
530-590 5 1 B3 3 0
640-670 2 0 B4 3 0
850-880 31 2 B5 32 0
1000-1100 7 3 B6 15 1
En la Figura 16 se exhiben comportamientos similares de reflectividad, en los rangos 640 –
670 nm, donde arrojan valores para el caso DR1, radiómetro – imagen: 2% - 3%. Así
mismo en los rangos 850 – 880 nm, respuestas del orden, radiómetro – imagen: 31% -
32%.
Figura 17. Comparación Firmas espectrales, DR 14 - Enero 2014 e imagen de satélite 10 Enero 2014.
Para la comparación de las firmas obtenidas entre el ensayo MA3 y el satélite (Figura 17),
se denotan marcadas diferencias porcentuales en la región del visible, donde se resalta, el
rango correspondiente a los 530 - 590 nm, ya que se presentaron valores radiómetro -
imagen: 13% - 3%. Cabe destacar que el ensayo a analizar no considera riego y presenta
cantidades variables de nitrógeno por ha-1; por lo tanto, dichas respuestas podrían
asociarse a disminuciones en su estado nutritivo, haciendo que se aumenten las
reflectividades en el visible, debido a la disminución en la clorofila.
Figura 18. Comparación Firmas espectrales, MA 3 - 14 - Enero 2014 e imagen de satélite 10 Enero 2014.
451-510 530-590 640-670 850-880 1000-1100
DR 1 1,6 4,7 2,4 31,4 7,1
Satelite 0,3 2,5 2,5 32,0 15,3
0
5
10
15
20
25
30
35
40
%R
EF
DR1 vs Cultivo GPS
451-510 530-590 640-670 850-880 1000-1100
MA 3 4,5 13,0 6,9 38,8 11,4
Satelite 0,3 2,5 2,5 32,0 15,3
0
5
10
15
20
25
30
35
40
%R
EF
MA 3 vs Cultivo GPS
Para verificar la calidad de los datos, se seleccionaron las variables lluvia y temperatura
media del aire, para los meses enero, febrero, Figuras 18 y 19. Donde, el mes de enero se
alcanzó un mín. – máx. Prom. de (15 °C - 29,8°C), con un promedio temperatura 22,2 °C.
Por otra parte, el mes de febrero se tuvo un mín. – máx. Prom. de (14,5 °C - 24,4°C),
promedio temperatura 19,9 °C. Para el caso de la lluvia se obtuvo una máxima de 35,5
m.m. y 15 m.m.
Figura 19. Datos climatológicos de Enero.
0
5
10
15
20
25
30
35
0
5
10
15
20
25
30
35
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Tem
pe
ratu
ra m
ed
ia d
el a
ire
en
(°C
)
LLu
via
en
(m
m)
Mes de Enero 2014
ESTACION EXPERIMENTAL AGROPECUARIA
LLUVIA TEMPERATURA DEL AIRE
Figura 20. Datos climatológicos de Febrero.
Luego de representar las condiciones climáticas propias de la estación experimental, se
continúo con el procesamiento de la radiación neta por día de campaña, en las Figuras 20
y 21, se encuentran los resultados de dos días de campaña (14 de Enero, 29 de Enero). En
el caso del 14 de enero tiene un comportamiento más homogéneo que los obtenidos 29
de enero. Esto puede explicarse, debido a que día y días previos a la toma de datos se
presentaron lluvias (26,5 – 9 mm respectivamente), y por consiguiente, las condiciones
atmosféricas, eran aun inestables. Adicionalmente teniendo en cuenta el criterio -
protocolo de ejecución de las campañas, las tomas deben ser en días con condiciones
atmosféricamente estables (completamente despejados, completamente nublados), ya
que el espectro radiómetro es calibrado en función de la radiación solar incidente, al
presentarse condiciones de nubosidad variable, tendrá repercusiones en la radiación solar
incidente, afectando la respuesta espectral de la cubierta.
0
5
10
15
20
25
30
35
0
5
10
15
20
25
30
35
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Tem
pe
ratu
ra m
ed
ia d
el a
ire
en
(°C
)
LLu
via
en
(m
m)
Mes de Febrero 2014
ESTACION EXPERIMENTAL AGROPECUARIA
LLUVIA TEMPERATURA DEL AIRE
Figura 21. Flujo de Radiación Neta para el día 14 de Enero 2014.
Figura 22. Flujo de Radiación Neta para el día 27 de Febrero 2014.
Posterior al filtrado de la información se propone una lista de chequeo para una adecuada
recolección de la información radiométrica en campo (Tabla 7).
Tabla 7. Metodología Propuesta.
Metodología correcta de campo
Recolección de Datos:
Condiciones Ambientales:
Variables estudiadas:
Validación:
IFOV/ Altura sensor sobre cubierta.
Condiciones Atmosféricas Estables.
Biofísicos: Información
complementaria:
Tipo de Cubierta. Humedad. Biomasa. (Kg) Conjuntos de Control.
Numero de Muestras.
Índice de Área Foliar/ Cobertura
del cultivo. (%) Biofísica
Filtrado de la Información.
Bioquímicos: Bioquímica
Variación en estado fenológico.
Contenido de Nitrógeno.
Otro tipo de sensores.
Tiempos de Recolección de las
Muestras.
Contenido de Agua. Meteorológicas
Rango Espectral
Contenido de Clorofila.
Escala.
Aplicación de índices espectrales.
Precisión.
Conclusiones.
El uso de la información espectral en los cultivos es una herramienta para el conocimiento
y manejo adecuado de los mismos, en mediciones experimentales como las ejecutadas en
el desarrollo del proyecto, así mismo debe tener presente en la recolección de la
información protocolos y estructura con el fin de optimizar y aprovechar al máximo los
datos.
Durante esta fase inicial de la pasantía se enfoco en la recolección de información,
manipulación de los datos y un acercamiento al entendimiento de las respuestas
espectrales del cultivo de maíz sometido a diferentes prácticas agronómicas. Así mismo,
profundizo en la relación de las firmas con los datos meteorológicos, con el fin de ser más
crítico a la hora de la visualización de las mismas, ya que las condiciones atmosféricas
alteran la respuesta espectral.
Durante esta etapa de la pasantía, se enfoco en el procesamiento, manipulación,
compilación y análisis, de las respuestas espectrales del cultivo de maíz sometido a
diferentes prácticas agronómicas, apoyándose en recursos externos como información
agrometeorológica y radiación neta, aportando otro criterio de evaluación y control.
Al mismo tiempo, se profundizó en la búsqueda de parámetros adicionales, con el fin de
darle el máximo aprovechamiento a la información obtenida en campo, ello a través de
índices que exploren variables biofísicas, como la clorofila a partir de la respuesta
espectral.
Bibliografía.
F. H. Andrade, V. O. Sadras, “El sol de la eco fisiología de cultivos en la
intensificación de la producción agrícola” - Bases para el manejo del maíz, el girasol y la
soja, segunda edición. Argentina, Producciones graficas sirio, pp. 7 - 24, 2002.
B. Brizuela-Amador Pérez, G.l Alcántar-González, P. Sánchez-García, Y. Pea-kalra,
J. Crumbaugh, C. Olive, L. Tijerina-Chávez y R. Maldonado-Torres, “Establecimiento de
índices espectrales en el diagnóstico nutrimental de nitrógeno en maíz” Agrociencia, vol.
41, pp. 827-835, 2007.
F. Salvagiotti, “Rendimientos potenciales en maíz. Brechas de producción y
prácticas de manejo para reducirlas.,” Para mejorar la producción INTA Oliveros, vol. 41,
pp. 61–66, 2009.
M. Jiménez, M. González, A. Amaro, J.M. Rodríguez de la Fuente, A. Fernández-
Renau, E. de Miguel, J. A. Gómez, “Metadatos para Espectro-Radiometría de Campo
Aplicando Normativa Iso Y Ogc” XV Congreso de la Asociación Española de Teledetección
INTA, pp. 95–98, 2013.
K. Manevski, I. Manakos, G. Petropoulos, C. Kalaitzidis “Discrimination of common
Mediterranean plant species using field spectroradiometry” International Journal of
Applied Earth Observation and Geoinformation, vol. 13, pp. 922 – 933, 2011.
V. Cicuéndez, M. Rodríguez-Rastrero, M. Huesca, C. Uribe, T. Schmid, R. Inclán, J.
Litago, V. Sánchez-Girón, S. Merino-de-Miguel, A. Palacios-Orueta “Evolución Fenológica Y
Medioambiental de un Campo de Maíz Mediante Índices Espectrales a partir de datos
Híper-Espectrales” XV Congreso de la Asociación Española de Teledetección INTA, pp. 70–
74, 2013.
A. Bargain, M. Robin, V. Méléder, P. Rosa, E. Le Menn, N. Harin, L. Barillé “Seasonal
spectral variation of Zostera noltii and its influence on pigment-based Vegetation Indices”
Journal of Experimental Marine Biology and Ecology, vol. 446, pp. 86 – 94, 2013.
J. W. Rouse. Et al, “Monitoring the vernal advancement of retrogradation of
natural vegetation”, NASA/GSFC, Type III, Final Report, Grenbelt, MD, 371 pp, 1974.
B. C. Gao, “NDWI—a Normalized difference water index for remote sensing of
vegetation liquid water from space”. Remote Sensing of Environment, vol. 58, pp. 257–
266, 1996.
A. Ariza, “Descripción y Corrección de Productos Landsat 8 LDCM, (Landsat Data
Continuity Mission)” Grupo Interno de Trabajo en Percepción Remota y Aplicaciones
Geográficas, Centro de Investigaciones y desarrollo - CIAF, Versión 1.0, INSTITUTO
GEOGRÁFICO AGUSTÍN CODAZZI, 2013.
P. Brivio, C. Giardino, E. Zilioli, “Determination of chlorophyll concentration
changes in Lake Garda using an image-based radiative transfer code for Landsat TM
images” International of Remote Sensing, vol. 22, pp. 487 –502, 2001.
C. Song, C. Woodcock, K. C. Seto, M. Pax-Lenney, S. A. Macomber, “Classification
and change detection using Landsat Tm data: When and how to correct atmospheric
effects?.” Remote Sensing of Enviroment, vol. 75, pp. 230 –244, 2001.
R. Rivas, F. Carmona, D. Ocampo, “Teledetección Recientes Aplicaciones en la
Región Pampeana” Editorial Martin, 2011.
Jr. Chavez, “An improved dark-object substraction technique for atmospheric
scattering correction of multispectral data.” Remote Sensing of Enviroment, vol. 24, pp.
459 –479, 1988.
P. Vaughan, “Estimación de contenido de humedad de la vegetación mediante
espectro-radiometría” Trabajo de investigación tutelado, Universidad de Alcalá, Alcalá de
Henares, 2001.
J. Houspanossian, “Evaluación de la Respuesta de Índices de Estrés Hídrico en
Vegetación de la Región Pampeana”. Trabajo de investigación tutelado, Universidad
Nacional del Centro de la Provincia de Buenos Aires, 2007.
J. Delegido, L. Alonso, G. González Moreno, “Estimating chlorophyll content of
crops from hyperspectral data using a normalized area over reflectance curve (NAOC)”.
International Journal of Applied Earth Observation and Geoinformation, vol. 12, pp.165–
174, 2010.
W. Cramer, C.B. Field. “The potsdam NPP model intercomparison”. Global Change
Biology, vol. 5(1), pp.76, 1999.
F. Gascon, J.P. Gastellu-Etchegorry, M.J. Lefevre-Fonollosa, E. Dufrene. “Retrieval
of forest biophysical variables by inverting a 3-D radiative transfer model and using high
and very high resolution imagery”. International Journal of Remote Sensing, vol. 25, pp.
5601–5616, 2004.
S. Piao, P.Friedlingstein, P.Ciais, L. Zhou, A., Chen,. “Effect of climate and CO2
changes on the greening of the Northern Hemisphere over the past two decades”.
Geophysical Research Letters, vol. 33, pp. 23402.1–23402.6, 2006.
O. Mutanga, A.K. Skidmore, L. Kumar, J. Ferwerda, “Estimating tropical pasture
quality at canopy level using band depth analysis with continuum removal in the visible
domain”. International Journal of Remote Sensing, vol.26, pp.1093–1108, 2005.
F. Baret, V. Houles, M. Guerif. “Quantification of plant stress using remote sensing
observations and crop models: the case of nitrogen management”. Journal of
Experimental Botany vol. 58 (4), pp. 869–880, 2007.
R.H. Whittaker, L. Marks, Methods of assessing terrestrial productivity. In: Lieth,
H., Whittaker, R.H. (Eds.), Primary Productivity of the Biosphere. Springer- Verlag, New
York, 1975.
M. Holden, “Chlorophylls. In: Goodwin, T.W. (Ed.)”, Chemistry and Biochemistry of
Plant Pigments, vol. 2. Academic Press, London, pp. 1–37, 1976.
H.K. Lichtenthaler, “Chlorophylls and carotenoids: pigments of photosynthetic
biomembranes”. In: Colowick, S.P., Kaplan, N.O. (Eds.), Methods in Enzymology, vol. 148.
Academic Press, San Diego, pp. 350–382, 1987.
Asseng, S., van Keulen, H., & Stol, W. “Performance and application of the APSIM
Nwheat model in the Netherlands”. European Journal of Agronomy, vol.12, pp. 37– 54,
2000.
Jamieson, P. D., Porter, J. R., Goudrian, J., Ritchie, J. T., van Keulen, H., & Stol, W.
“A comparison of the models AFRCWHEAT2, CERES wheat, Sirius, SUCROS2 and SWHEAT
with measurements from wheat grown under drought”. Field Crops Research, vol. 55, pp.
23–44, 1998.
P.M. Hansen, J.K. Schjoerring “Reflectance measurement of canopy biomass and
nitrogen status in wheat crops using normalized difference vegetation indices and partial
least squares regression”. Remote Sensing of Environment, vol.86, pp. 542–553, 2003.
Thenkabail, P. S., Lyon, G. J., Huete, A., “Advances in Hyperspectral Remote sensing
of Vegetation and agricultural croplands”. Hyperspectral Remote sensing of Vegetation,
CRC Press – Taylor&Francis Group. pp. 3-35, 2012.
Gitelson, A., “Nondestructive Estimation of Foliar Pigment (Chlorophylls,
Carotenoids and Anthocyanins) Contents: Evaluating a Semianalytucal Three-Band
Model”. Hyperspectral Remote sensing of Vegetation, CRC Press – Taylor&Francis Group.
pp. 141-165, 2012.
Kumar, L., Schmidt, K., Dury, S., “Imaging Spectrometry and Vegetation Science”.
Imaging Spectrometry, Kluwer Academic Publishers. pp. 111-155, 2001.
Jong S. M., Epema G.F., “Imaging spectrometry for surveying and modelling land
degradation”. Imaging Spectrometry, Kluwer Academic Publishers. pp. 65-86, 2001.
Clevers, J. G. P. W. and L. Kooistra (2012). "Using hyperspectral remote sensing
data for retrieving canopy chlorophyll and nitrogen content." IEEE Journal of Selected
Topics in Applied Earth Observations and Remote Sensing 5(2): 574-583.
L. G. Ritchie; 2003. “Use of Ground- Based Canopy Reflectance to Determine Ground
Cover, Nitrogen and water Status and Final Yield in Wheat”. Utah State University Press.
31-71.