MAESTRO EN CIENCIAS EN RECURSOS NATURALES PRESENTA …

INSTITUTO TECNOLÓGICO DE SONORA Departamento de Recursos Naturales

ESTIMACIÓN DE ESTRÉS HÍDRICO EN TRIGO (Triticum estivum L.) MEDIANTE EL EMPLEO DE PERCEPCIÓN REMOTA EN

EL VALLE DEL YAQUI, SONORA, MEXICO.

TESIS Que para Obtener el Grado de

MAESTRO EN CIENCIAS EN

RECURSOS NATURALES

PRESENTA

Luis Arturo Méndez Barroso

Cd. Obregón Sonora Noviembre de 2004

AGRADECIMIENTOS

Al Dr. Jaime Garatuza por su total apoyo en la realización de este trabajo, por sus

oportunos comentarios y por brindarme la oportunidad de laborar en el laboratorio de

percepción remota.

Al Dr. Salvador Sánchez por sus oportunos y atinados comentarios aportados a este

trabajo.

Al Dr. David Lobell por su ayuda y la información aportada en este trabajo.

A la Comisión Nacional del Agua (CNA), delegación Cd. Obregón, por su ayuda en el

aporte de información.

A mis compañeros de generación, Angélica, Marcela, Jorge, Isabel, Miriam y Joel por su

amistad y apoyo en momentos difíciles. Mención especial a mis compañeros de recursos

hidraúicos: Yesika, Licalito, Juanito, Miguel, Carmen e Irma por compartir los buenos y

malos momentos.

A mis amigos Martín Tavarez y Arturo Centeno, que aunque se encuentran lejos no

rompemos ese eslabón tan fuerte que nos une llamado amistad.

Mención especial a Roberto Munguía por su apoyo durante la maestría y por sus

asesorías en el área computacional.

RESUMEN

Para establecer la cantidad de riegos que se deben aplicar a un cultivo se debe de tener

en cuenta varios factores. Los manejos de riegos actualmente están basados en los días

transcurridos después del último riego aplicado al cultivo y no se toman en cuenta otros

factores como lo son las propiedades físicas y químicas de los suelos, el estado del

cultivo, la radiación solar y otras variables ambientales. El uso de herramientas como los

sistemas de Información Geográfica y datos generados por percepción remota pretenden

hacer un manejo más eficiente del agua de riego, es decir, regar cuando la planta lo

requiere o cuando muestra síntomas de estrés por falta de agua.

Se determinó por medio de percepción remota (imágenes de satélite) la distribución

espacial y temporal del Índice de Deficiencia Hídrica (WDI) y evapotranspiración en el

Valle del Yaqui utilizando la metodología conocida como el trapezoide de Moran. Además,

se utilizó un sistema de Información Geográfica para conocer la distribución espacial de la

arcilla y capacidad de campo a diferentes profundidades en el suelo y buscar una

relación en el comportamiento de WDI. Este trabajo mostró una relación lineal con un

coeficiente de correlación de 0.96 entre los valores de WDI y los días transcurridos desde

el último riego. Por otra parte, no se encontró relación entre los valores de arcilla,

capacidad de campo y WDI. El índice de Déficit de agua (WDI) puede ser utilizado para

estimar la cantidad de agua disponible en trigo y saber el grado de estrés que presenta,

por lo cuál puede ser utilizado como una herramienta para manejo en irrigación. Una

ventaja que ofrece esta metodología es que puede obtener valores de WDI y

evapotranspiración en zonas con vegetación parcial o nula.

ii

ÍNDICE GENERAL

Página

AGRADECIMIENTOS................................................................................................. i

RESUMEN ..................................................................................................................ii

ÍNDICE GENERAL..................................................................................................... iii

ÍNDICE DE FIGURAS.................................................................................................v

ÍNDICE DE TABLAS .................................................................................................vii

I INTRODUCCIÓN .................................................................................................... 1

1.1 Antecedentes ................................................................................................... 1

1.2 Planteamiento del problema ............................................................................ 3

1.3 Justificación...................................................................................................... 3

1.4 Objetivos .......................................................................................................... 4

1.4.1 Objetivo general ...................................................................................... 4

1.4.2 Objetivos específicos .............................................................................. 4

FUNDAMENTACIÓN ................................................................................................. 5

2.1 Índices de vegetación ...................................................................................... 6

2.2 Factores que afectan la cantidad de agua disponible para las plantas ........... 8

2.3 Medición del estado hídrico de la vegetación por su comportamiento

espectral ....................................................................................................... 11

2.4 Métodos basados en el estudio de la dinámica térmica de las plantas ......... 14

2.5 Trapezoide de Moran..................................................................................... 15

2.6 Comportamiento de los índices de estrés hídrico .......................................... 19

2.7 Estimación de evapotranspiración ................................................................. 21

III MATERIALES Y MÈTODOS............................................................................... 25

3.1 Descripción del sitio de estudio...................................................................... 25

3.2 Construcción de un sistema de información geográfica para textura

de suelo ........................................................................................................ 26

3.2.1 Capacidad de campo y punto de marchitez permanente....................... 27

3.2.2 Distribución espacial de las variables .................................................... 27

3.3 Análisis de las imágenes de satélite .............................................................. 28

iii

3.3.1 Cálculo de NDVI y temperatura superficial ............................................ 28

3.3.2 Determinación del área cultivada con trigo ............................................ 29

3.3.3 Datos climatológicos .............................................................................. 29

3.4 Determinación del índice de déficit de agua (WDI)........................................ 29

3.4.1 Construcción del trapezoide de Moran .................................................. 29

3.4.2 Construcción del modelo para la determinación de WDI y

evapotranspiración........................................................................................ 32

3.5 Análisis estadístico de los resultados ............................................................ 34

IV RESULTADOS ................................................................................................... 35

4.1 Distribución espacial de arcilla....................................................................... 35


4.3 Modelo para la determinación de WDI y evapotranspiración......................... 44

4.4 Distribución espacial de WDI y evapotranspiración ....................................... 46

4.5 Análisis estadístico de los resultados ............................................................ 55

V DISCUSIÓN DE RESULTADOS ......................................................................... 64


5.2 Relación WDI y aplicaciones del riego........................................................... 66

5.3 Distribución espacial de evapotranspiración y WDI ....................................... 66

VI CONCLUSIONES................................................................................................ 72

BIBLIOGRAFÍA ........................................................................................................ 74

iv

ÍNDICE DE FIGURAS

Figura Página

1 Trapezoide de Moran. Esta forma geométrica involucra la relación

entre Ts-Ta y un índice de vegetación. WDI para un punto C se

define como el cociente de las distancias AC y AB (Moran et al.,

1994) .......................................................................................................... 18

2 Localización del Valle del Yaqui................................................................ 26

3 Sensor Greenseeker modelo 550, utilizado para realizar

mediciones del índice de vegetación NDVI............................................... 31

4 Pistola de Infrarrojo Infrared AG multimeter Modelo 510B,

utilizado para medir temperatura superficial ............................................. 31

5 Modelo propuesto para determinar water deficit index (WDI) ................... 33

6 Modelo propuesto para la determinación de evapotranspiración.............. 33

7 Distribución espacial de la cantidad de arcilla en el suelo del Valle

del Yaqui a profundidad de 0-30 centímetros ........................................... 36

8 Relación entre los valores de porcentaje de arcilla a diferentes

profundidades............................................................................................ 37

9 Distribución espacial del contenido de arcilla en el suelo del Valle

del Yaqui a una profundidad de 30-60 centímetros ................................ 38

10 Distribución espacial del contenido de arcilla en el suelo del Valle

del Yaqui a una profundidad de 60-90 centímetros ................................. 39

11 Variograma Isotrópico para arcilla profundidades 0-30 (a), 30-60

(b) y 60-90 cm (c), respectivamente. El eje X muestra el intervalo

de distancia y el eje Y los valores de la semivarianza entre los

puntos muestreados de arcilla para. Las figuras muestran el valor

de la semivarianza cada 200 metros......................................................... 40

12 Variograma Isotrópico para capacidad de campo a

profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c),

respectivamente ........................................................................................ 41

13 Trapezoide de Moran propuesto para el cultivo de trigo, utilizando

la banda termal de baja ganancia (Low gain) ........................................... 43

14 Valores de una imagen de LANDSAT para NDVI y Ts-Ta, dentro

del trapezoide construido para trigo en el Valle del Yaqui, Sonora........... 44

15 Distribución espacial de la temperatura en el Valle del Yaqui para

el día 01 de enero de 2003 ....................................................................... 46

16 WDI determinado para el día 16 de diciembre de 2002............................ 47

17 WDI determinado para el día 01 enero de 2003 ....................................... 48

18 Detalle del block 610 (calle 600 entre 10 y 8) del block 710 (calle

700 entre 10 y 8) del Valle del Yaqui. En ella se aprecia los

diferentes índices de estrés ...................................................................... 49

19 WDI determinado para el día 06 marzo de 2003 ...................................... 50

20 WDI determinado para el día 22 marzo de 2003 ...................................... 51

21 Evapotranspiración determinada para el día 16 de diciembre de

2002 .......................................................................................................... 52

22 Evapotranspiración determinada para el día 01 enero de 2003 ............... 53

23 Evapotranspiración determinada para el día 06 de marzo de 2003.......... 54

24 Evapotranspiración determinada para día 22 de marzo de 2003 ............. 55

25 Relación entre WDI y días después del riego ........................................... 56

26 Distribución de los das transcurridos a partir del último riego

aplicado. La imagen corresponde a enero de 2003 .................................. 57

27 Distribución de los das transcurridos a partir del último riego

aplicado. La imagen corresponde marzo de 2003 .................................... 58

28 Relación WDI y evapotranspiración en diferentes épocas del año ........... 59

29 Relación entre los valores de evapotranspiración calculados por

el método de Moran y Garatuza................................................................ 60

30 Relación entre los porcentajes de arcilla y WDI........................................ 62

31 Relación entre capacidad de campo y WDI .............................................. 63

vi

ÍNDICE DE TABLAS Tabla Página

1 Valores medidos de NDVI y Diferencial de temperatura para suelo

desnudo húmedo y seco en el Valle del Yaqui, Sonora ............................... 42

2 Estaciones meteorológicas situadas en el valle del Yaqui. Los datos

corresponden al día 01 de enero de 2003 .................................................... 45

3 Resultados de la comparación de medias de los dos métodos para

estimar evapotranspiración........................................................................... 61

4 Resultados de la comparación de medias apareadas de los dos

métodos para estimar evapotranspiración.................................................... 61

vii

I. INTRODUCCIÓN

1.1 Antecedentes

En México los recursos hidráulicos se tienen una distribución irregular. En el sureste con

20% de la población nacional, se cuenta con el 65% de los escurrimientos del país;

mientras, el Norte y el Altiplano con 66% de la población disponen del 20% de los

escurrimientos, por lo tanto, 2/3 partes del territorio nacional son regiones áridas y

semiáridas (Ibarra, 1994).

En Sonora, un estado semiárido, el cultivo predominante es el trigo ya que ocupa el 85%

del total del área cultivable del estado. La producción del cereal se concentra en el Sur del

Estado en los Valles del Yaqui y Mayo. El método de irrigación más usado es por

gravedad. Durante los últimos años se ha visto aumento en la superficie sembrada de

trigo. De los años 1999-00 a 2001- 2002 el área fue de 178,203 ha con un rendimiento

promedio de 5,805 kg/ha. Para el ciclo 2002-2003 se sembraron 179,542 ha con un

rendimiento de 5,002 kg/ha. En contraste, el volumen de agua otorgado para riego ha

1

disminuido. En el ciclo 2002-2003 la lámina de riego otorgada fue de 5.4 millares de

metros cúbicos por hectárea, mucho menor que los 7.5 millares de metros cúbicos por

hectárea de los dos ciclos anteriores (Ortiz, 2003).

La capacidad de retención del agua disponible en el suelo es una de las características

más importantes en los cultivos, ya que determina la cantidad y frecuencia de los riegos.

Uno de los factores más importantes que condicionan la capacidad de agua disponible es

la textura (Henninger et al., 1976). Aquellos con textura fina retienen más la humedad

que los de textura gruesa. Los suelos arenosos tienen una gran proporción de poros

grandes que están ocupados por mucho aire y poca agua, mientras que los arcillosos,

tienen una gran proporción de poros pequeños que almacenan más agua que aire

(Fuentes, 1998).

El aprovechamiento del agua por los cultivos es más efectivo cuando el contenido de

ésta en el suelo se mantiene cercano a capacidad de campo, es decir cuando el suelo ya

no pierde más por gravedad. En esta situación los espacios porosos pequeños son

ocupados por agua y los grandes por aire. En la actualidad se acepta generalmente que al

reducirse la capacidad de almacenamiento hídrico se tiene un impacto indirecto en el

estrés de las plantas (Kramer ,1989).

Para el manejo eficiente de los recursos hídricos en uso agrícola deben tomarse en

cuenta la capacidad de retención de agua del suelo, ya que determina su disponibilidad

para el cultivo. La distribución de la humedad superficial y la evapotranspiración son dos

factores clave en aplicaciones de modelos de balance para un óptimo manejo en uso

agrícola. La percepción remota se presenta entonces como una herramienta útil para

entender esa distribución espacial (Lobell et al., 2002).

El método más conocido para detectar estrés de agua en un cultivo, por medio de

percepción remota, es a través de la medición de la temperatura superficial de la

cobertura. La correlación entre la temperatura superficial y estrés hídrico asume que un

cultivo transpira, el agua evaporada enfría las hojas por debajo de la temperatura del aire.

Conforme el cultivo comienza a estresarse por falta de agua, la transpiración decrece y

2

por lo tanto la temperatura de las hojas comienza a incrementarse hasta igualar e incluso

superar la temperatura del aire (Jackson, 1982).

1.2. Planteamiento del problema

Para establecer la cantidad de riegos que se deben aplicar a un cultivo se debe de tener

en cuenta varios factores o propiedades del suelo. Actualmente los riegos que se van a

aplicar a un cultivo como el trigo, se determinan de acuerdo a datos arrojados en

estaciones experimentales como el CIRNO.

Sin embargo, estos modelos de riego están basados en las necesidades de agua en cada

una de las etapas fenológicas del cultivo. Los modelos actuales de riego no toman en

cuenta otros factores como lo son las propiedades físicas y químicas de los suelos, la

radiación solar y otras variables ambientales. Tampoco se ha utilizado herramientas

como sistemas de información geográfica, para conocer la distribución espacial, incluso

temporal de algunos factores que afectan la capacidad de retención de agua en el suelo.

Por lo tanto, es difícil hacer una recomendación a partir de los datos arrojados en una

estación experimental sin tomar en cuenta la distribución espacial de la textura y otras

variables en el Valle del Yaqui. Tampoco se ha utilizado la percepción remota como

herramienta para evaluar el grado de estrés hídrico que presentan los cultivos.

En general lo que se pretende al utilizar herramientas como los sistemas de Información

Geográfica y datos generados por percepción remota es hacer un manejo más eficiente

del agua de riego, es decir, regar cuando la planta lo requiere o cuando muestra síntomas

de estrés por falta de agua. En otras palabras, se aplicarían los riegos basándose en los

requerimientos de agua del cultivo y no en otros parámetros como hasta ahora se han

hecho como la humedad del suelo, días transcurridos después del último ruego etc.

1.3 Justificación Los resultados que se obtengan de este trabajo pueden generar información importante

para emplear modelos de riegos más eficientes y aprovechar mejor los recursos hídricos.

3

Por otra parte se va a construir un Sistema de información Geográfica que se puede

utilizar para posteriores trabajos y a su vez se podría alimentar con muchas variables

según el estudio que se quiera realizar.

1.4 Objetivos

1.4.1 Objetivo general

Determinar por medio de percepción remota (imágenes de satélite) y sistemas de

Información Geográfica, la distribución espacial y temporal del Índice de Deficiencia

Hídrica (WDI) y la evapotranspiración en el Valle del Yaqui, para ser empleadas como una

herramienta en el manejo de los riegos en el cultivo de trigo.

1.4.2 Objetivos específicos

• Comprobar si existe correlación entre WDI y textura de suelo, para ver si ésta última

variable tiene influencia en el comportamiento del índice de estrés.

• Comprobar si existe correlación entre Rendimiento de grano y WDI, para ver si el índice

de estrés explica la variabilidad en rendimiento.

• Construir un Sistema de Información Geográfica del Valle del Yaqui con las siguientes

variables: Porcentaje de arcilla, arena y limo; capacidad de campo y punto de marchitez

permanente. Esto nos permitiría conocer la distribución espacial de las variables

mencionadas y así conocer zonas donde podría haber menor o mayor retención de

agua.

• Determinar el polígono de Moran con datos locales de NDVI y temperatura superficial

para desarrollar un modelo para la obtención del Índice de Deficiencia Hídrica (WDI) y

Evapotraspiración (ET).

• Determinar la distribución espacial de WDI y ET para conocer áreas donde se requiere

la aplicación de un riego o que se encuentran estresadas por falta del mismo.

• Construir un modelo que opere en IDRISI para la obtención de WDI y

evapotranspiración. Con esto, el modelo puede ser alimentado con datos

meteorológicos e imágenes de satélite y determinar fácilmente estos dos parámetros.

4

II. FUNDAMENTACIÓN La estimación del estado hídrico de las plantas resulta de gran importancia ya que es una

de las variables más críticas para explicar la actividad vegetativa y los modelos de

productividad vegetal. Un conocimiento más detallado en espacio y en tiempo del

contenido de agua en un cultivo permitiría mejorar la gestión de los recursos hídricos,

aportando agua al cultivo cuando y donde sea más vital para su desarrollo.

La estimación del contenido de agua en la vegetación se puede llevar a cabo por tres

métodos distintos: muestreo de campo, información meteorológica y percepción remota.

El método de campo es quizás el más preciso y directo pero tiene el inconveniente de ser

costoso y lento, además de contar con una delimitación local, lo que dificulta su aplicación

operativa. Habitualmente el contenido hídrico se mide por métodos gravimétricos,

comparando el peso húmedo y seco de la muestra, lo que implica que la estimación no es

inmediata sino que requiere un cierto tiempo (24-48 horas) para que la muestra se seque.

El empleo de índices meteorológicos como evapotranspiración o riesgo de incendio,

5

suelen basarse en variables como la temperatura, humedad del aire, precipitación y

velocidad del viento que intentan simular el efecto de estas sobre la actividad fisiológica

de las plantas. Desde el punto de vista operativo resultan más convenientes que el

trabajo de campo, sin embargo, presenta dos inconvenientes principales: el primero es

que estos índices asumen una relación teórica entre las condiciones atmosféricas y el

estado hídrico de la planta, que se suponen equivalentes en cualquier especie. Sin

embargo, la respuesta de las distintas especies de plantas a las mismas condiciones

atmosféricas es muy distinta, debido al diferente comportamiento fisiológico, por lo que

estos índices pueden sub o sobreestimar el contenido de agua de la planta. El segundo

problema es la situación geográfica de la estación, habitualmente los datos generados por

una estación pueden ser útiles para cultivos cercanos a ésta, sin embargo los datos

pueden ser no representativos para zonas alejadas de la estación. Esto implica hacer

extrapolación que en ocasiones no resultan muy precisas cuando se encuentran

variaciones topográficas muy pronunciadas (Chuvieco et al., 2001). Las imágenes de

satélite pueden solucionar algunos de los problemas mencionados anteriormente, por un

lado, facilitan la cobertura espacial y temporal, lo que asegura poder observar cualquier

zona de interés. Por otro lado la estimación es directa, ya que se basa en la señal

reflejada o emitida por la propia planta y no en las condiciones atmosféricas circundantes.

El único problema es demostrar que hay una buena relación entre el estado hídrico y el

comportamiento espectral de la planta. En este trabajo se trata de explicar la relación que

existe entre estas emisiones espectrales de las plantas por medio de índices que

expliquen el estado hídrico de las plantas y observar su distribución espacial en un área

determinada.

2.1 Índices de vegetación

Muchas superficies en la naturaleza son igualmente brillantes tanto en la región roja como

infrarroja del espectro electromagnético con la notable excepción de la vegetación verde.

La luz roja es fuertemente absorbida por los pigmentos fotosintéticos (clorofila) que se

encuentran en las hojas verdes, mientras que la luz infrarroja o pasa o es reflejada

dependiendo del color de las hojas. Esto significa que las áreas de suelo desnudo con

escasa a nula vegetación verde, aparecerán con valores muy similares en la longitud de

6

onda del rojo e infrarrojo, por otro lado, zonas con mucha vegetación verde serán muy

brillantes en el infrarrojo y muy oscuras en la parte roja del espectro. (USWCL, 2003).

Este fuerte contraste entre la energía de reflejada en las regiones roja e infrarroja del

espectro ha sido enfocada en diversos y numerosos intentos por desarrollar índices

cuantitativos de la condición de la vegetación usando imágenes de teledetección. Estos

índices de vegetación se dividen en dos grupos: Índices basados en la pendiente e

índices basados en la distancia. Los índices basados en la pendiente son simples

combinaciones aritméticas que se enfocan en el contraste entre los patrones de respuesta

espectral de la vegetación en las porciones roja e infrarroja del espectro (RATIO, NDVI).

Por otro lado, los índices basados en la distancia miden el grado de vegetación presente,

calibrando la diferencia de la reflectancia de cualquier píxel con la reflectancia del suelo

desnudo. A este último grupo pertenece SAVI y MSAVI (Eastman, 2003).

Rouse et al., (1974) introdujeron el Índice de Vegetación Normalizada de Diferencia

(NDVI) con el objetivo de producir un índice de vegetación espectral que separara a la

vegetación verde, del suelo como fondo, utilizando datos digitales de LANDSAT MSS.

Este índice es expresado como la diferencia entre las bandas infrarrojo cercano y rojo

normalizado por la suma de estas bandas.

RIRCRIRCNDVI

+−

=

Este índice de vegetación que es el más comúnmente utilizado, tiene la habilidad de

minimizar los efectos topográficos mientras produce una escala de medición lineal. Esta

escala tiene un rango que va de -1 a 1, donde el valor de 0 representa la ausencia de

vegetación. Por lo tanto valores negativos expresan superficies con vegetación nula. Este

índice es más sensible a bajos niveles de vegetación (Eastman, 2003; USWCL, 2003).

El Índice de Vegetación Ajustada al Suelo (SAVI), fue propuesto por Huete (1988) para

minimizar el efecto del suelo como fondo de la señal de la vegetación incorporando un

factor de ajuste L en el denominador de la ecuación de NDVI.

7

( ) ( )LL

SAVIRIRC

RIRC +∗++

−= 1

ρρρρ

Donde ρIRC es la reflectancia en el infrarrojo cercano, ρR es la reflectancia en el rojo y L es

el factor de ajuste al suelo. El valor de L varía con las características de reflectancia del

suelo (color, brillantez, etc) y también con la densidad de la vegetación. Para vegetación

baja por ejemplo, se recomienda utilizar un valor de L igual a 1, para intermedia de 0.5 y

para alta 0.25.

2.2 Factores que afectan la cantidad de agua disponible para las plantas

La disponibilidad de humedad en el suelo para las plantas es influenciada por el tipo de

suelo, la textura del mismo, evapotranspiración, tasa de infiltración etc. Todas estas

características determinan cuanto tiempo la humedad será retenida en las distintas capas

del suelo y la cantidad de agua que se encuentra en ellas, por lo tanto, afectan el

contenido de humedad en el suelo. Entre las propiedades que afectan el crecimiento de

las plantas, la capacidad de retención de agua, es un factor importante para la

productividad. Esto se debe a que el total del agua disponible para el crecimiento de las

plantas en el campo está determinado por la profundidad y la capacidad de retención de

la misma, ésta última es considerada como una de las variables hidrogeológicas de mayor

influencia en el cálculo de la cantidad de agua almacenada en un determinada perfil del

suelo. (Brady y Well, 1996).

Los estudios teóricos de Eagleson (1982), demostraron la importancia del balance en la

humedad del suelo y concluyó que la porosidad, un parámetro ligado muy cercano a la

textura, es el más importante para la determinación de los parámetros de la vegetación en

un clima dado. Farrar et al (1994), demostraron en un estudio en África, que cinco tipos

de suelo con textura muy diferente (arenosotes, luvisoles, fluvisoles, cambisoles y

vertisoles) difieren significativamente tanto en la tasa de generación de humedad por

unidad de lluvia como en el coeficiente NDVI/humedad del suelo. Los suelos más

productivos son los vertisoles ricos en arcillas, mientras que los arenosoles son los menos

8

productivos. Sin embargo la tasa de generación de humedad es casi el mismo en ambos

tipos de suelo. En este experimento claramente se comprobó que la disponibilidad de

humedad no es la única característica del suelo como un factor determinante en la

cantidad de crecimiento de la vegetación. Existen otros factores como tensión de

humedad del suelo, porosidad, nutrientes, características del perfil y química del suelo.

Todos los factores antes mencionados juegan un papel importante, sin embargo, el

aparente control en el crecimiento vegetal y la eficiencia en el agua de lluvia por el tipo de

suelo tienen relación. Por otro lado, Gómez et al, (2001), señala que la pendiente y la

textura son factores que determinan la distribución espacial de la humedad.

La posibilidad de determinar el estado en que se encuentra la humedad del suelo a partir

de mediciones de temperatura direccional ha sido demostrado ampliamente, sin embargo,

Francois (2002) enfatiza en que se debe tener el apoyo de un modelo SVAT (soil-

vegetation-atmosphere transfer, por sus siglas en inglés) para calcular la humedad en el

suelo. Aunque la temperatura es sensible a la humedad superficial del suelo, así como la

humedad en la zona radicular de las plantas, es imposible obtener una posible relación

universal debido a la influencia de varios factores como lo son dirección y velocidad del

viento, características del suelo, variación proveniente de la luz solar, condición de la

vegetación, índice de área foliar (LAI).

El valle del Yaqui cuenta predominantemente con cinco tipos de suelos: aluviones

pesados, aluviones ligeros, barrial profundo, barrial compactado y barrial pedregoso.

Dentro de estas clases, los barriales profundos tienen la mayor cantidad de arcilla (55-

45%). Por otro lado, los aluviones ligeros contienen los niveles más bajos de arcilla (20-30

%). En extensión, los barriales profundos cubren 114,801 ha de los valles del Yaqui y

Mayo (39.5% de su superficie). Los aluviones ligeros en contraparte sólo ocupan 13,170

ha de extensión en ambos valles (4.5 %). La humedad en capacidad de campo para los

barriales profundos puede llegar a 39 % en los primeros 60 centímetros de profundidad y

su punto de marchitez permanente es de alrededor del 18%. Los aluviones ligeros

presentan la humedad en capacidad de campo y marchitez permanente más bajos en el

Valle, 30 y 12 % respectivamente. Cabe señalar que aunque los barriales pedregosos

tienen un porcentaje de arcilla alto (37-40%), poseen un alto contenido de arena (49-44%)

por lo que su humedad en capacidad de campo y punto de marchitez permanente es

9

similar a la de los aluviones, a 32 y 15 %, respectivamente (Moreno, 2003, comunicación

personal).

El mapeo convencional de suelos a menudo se basa en el análisis cualitativo del paisaje,

donde se asume que las propiedades de un perfil modal se aplican a la totalidad de la

unidad de mapeo (Dent y Young, 1981). Por lo tanto, los mapeos no están lo

suficientemente detallados para estudiar el movimiento de sedimento en un terreno. Los

métodos geoestadísticos de interpolación espacial cumplen con la necesidad de

información cuantitativa del suelo, pero requiere de áreas intensivas de muestreo para

establecer una autocorrelación espacial y son uso limitado en situaciones donde el

terreno es complejo (Webster y Olive, 1990).

Por otra parte, Estos métodos sólo expresan la variación el suelo solamente en términos

espaciales y excluye el conocimiento de la relación entre las propiedades del suelo y el

terreno. En muchos paisajes, los procesos de desarrollo de suelos son resultado del flujo

de agua subterráneo y superficial. El entender que los patrones de suelo y topografía

están fuertemente ligados, hace posible la predicción de atributos del suelo de una cierta

posición en el terreno (Moore et al., 1993). Los mapeos cuantitativos de suelo junto con el

modelación de terreno pueden proveer un paradigma para la predicción recaracterísticas

simples del suelo como la textura, y además pueden llevar a la comprensión de ciertos

atributos del terreno que tienen influencia en el movimiento de sedimentos.

La variabilidad en el suelo es influenciada por la combinación diferentes factores que

involucran la formación del suelo y que actúan a través del espacio y tiempo. En un

marco general, la variabilidad puede ser considerada en función de cinco factores

espacio-temporales: Por ejemplo, (1) Extensión espacial o el tamaño del área, (2)

resolución espacial o escala del mapa, (3) localización espacial o región fisiográfica, (4)

propiedades específicas del suelo o procesos y (5) el factor tiempo. Una expresión exacta

de estos factores como función es muy difícil de establecer debido a la diversidad y

complejidad de estas relaciones. Sin embargo, en un contexto amplio, se espera que a

medida que la extensión espacial, la resolución espacia y la escala del tiempo aumente, la

magnitud en la variabilidad del suelo se podría incrementar (Lin et al., 2004).

10

Upchurch y Edmonds (1991) sugieren tres temas que involucran el muestreo y que

determinan la distribución de la variabilidad espacial: (1) Localización de los puntos de

muestreo, (2) Tamaño de la muestra y (3) Número total de muestras que se van a

colectar. Por lo tanto se debe de escoger un diseño de muestreo para minimizar los

efectos por estos factores.

Generalmente, los valores de las variables de interés agronómico, ecológico e hidrológico

tienden a ser similares conforme es menor la distancia, en espacio y tiempo que las

separa. Sin embargo, la estimación o interpolación de los valores en puntos dentro del

dominio donde la variable no se midió, es un problema que debe ser resuelto para que los

interesados tengan la posibilidad de obtener un conocimiento más valioso del

comportamiento de la variable y de los procesos dependientes de ella. El problema de la

interpolación se agudiza cuando la variable de interés presenta una gran variabilidad a

intervalos pequeños. La autocorrelación, como método para estimar la dependencia

espacial y temporal entre observaciones vecinas, es definida por medio de la

semivarianza estadística, estimada para cada intervalo específico o tiempo. La curva

resultante entre la semivarianza estadística contra el vector de desplazamiento se

denomina semivariograma, éste último, representa el porcentaje de cambio de la variable

con respecto a la distancia. Su comportamiento describe el patrón de variación espacial

o temporal en términos de magnitud o escala y forma general (Valdez, 1991).

2.3 Medición del estado hídrico de la vegetación por su comportamiento espectral

El patrón de comportamiento de la reflexión de la luz a través de la radiación en la región

fotosintéticamente activa (PAR, 0.4-0.7 µm) e infrarrojo cercano (0.7-1.2 µm) del espectro

electromagnético, es muy diferente de la que presenta el suelo y otros materiales. Los

pigmentos de las hojas absorben la luz fuertemente en la región PAR pero no en el

infrarrojo cercano, por lo tanto se reduce la reflectancia en el visible pero no en el

infrarrojo cercano. Los parámetros fisiológicos que pueden ser estimados por técnicas de

reflectancia espectral incluyen concentración de clorofila, carotenoides, la eficiencia en el

uso de la radiación fotosintética y el contenido de agua (Reynolds et al, 2001).

11

Diversos autores han estudiado el efecto entre la reflectividad y el comportamiento

hídrico de las plantas tanto en hojas aisladas como en follaje. Sin embargo, estas

mediciones se han hecho en laboratorio bajo condiciones controladas con la ayuda de

espectro-radiómetros (Bowman, 1989, Peñuelas 1997). Estos estudios nos dicen que el

comportamiento hídrico está relacionado con la reflectividad en el Infrarrojo de onda corta

(SWIR, por sus siglas en inglés) es decir entre 1.1 y 2.5 µm ya que se presentan picos de

alta absorción en presencia de agua. Un gran número de autores encuentran un aumento

en la reflectividad del infrarrojo cercano (0.8-1.1µm) cuando la hoja se seca (Bowman,

1989) lo que puede deberse al incremento en el índice refractivo de la capa del mesófilo

cuando el agua es reemplazada por aire. Sin embargo, otros autores, miden una

disminución en la reflectividad (Peñuelas et al, 1993; Westman y Price, 1988) cuya causa

puede deberse a la disminución del área foliar o al rizado de la hoja.

Por último, el espectro visible no es muy sensible al contenido de agua en las plantas.

Algunos autores encontraron que la banda roja del espectro era sensible al contenido

hídrico de las plantas (Ripple, 1986, Jackson y Ezra, 1985). Por el contrario otros autores

no encontraron respuestas significativas (Bowman, 1989). Por lo tanto, la alternativa más

viable consiste en medir la temperatura superficial de las plantas por medio del infrarrojo

térmico (8-13µm). La vegetación bien irrigada produce un aumento en la

evapotranspiración (calor latente) cuando hay un aumento en la radiación incidente, lo

que lleva a reducir el calor sensible (temperatura del aire) frente a zonas inmediatas. Esta

diferencia entre temperatura del aire y planta es un indicador de su estado hídrico. En

otras palabras, el agua evaporada enfría las hojas por debajo de la temperatura del aire. A

medida que el cultivo se estresa por falta de agua, la transpiración decrece y por lo tanto

la temperatura de las hojas aumenta hasta igualar a la del aire (Jackson, 1982). Pinter y

Reginato (1982) encontraron que algodón sin estrés hídrico mantenía aparentemente una

temperatura del follaje entre 5 a 10 grados centígrados por debajo de la temperatura del

aire bajo condiciones de déficit de presión de vapor normalmente presentes en Arizona

durante la época de verano.

Para cualquier material en la superficie, hay ciertas propiedades como la capacidad de

calor, conductividad térmica e inercia que juegan un papel importante en el

12

comportamiento de la temperatura de un cuerpo con su entorno (Campbell, 2002). Estas

propiedades térmicas varían con el tipo de suelo y su contenido de humedad. El suelo

desnudo, seco y con baja densidad, están ligados a una alta temperatura superficial como

resultado de una inercia termal relativamente baja. (Carnahan y Larson, 1990).

Algunas bandas de absorción de radiación por el agua se pueden encontrar en la región

de 1300-2500 nm, pero debido a su alta absorbancia en esta región su reflectancia se

satura aún en follaje con bajo contenido de agua. En la región de 0.95-0.97 µm, hay una

débil absorción de radiación por agua que no se satura para un follaje moderadamente

seco. La reflectancia en 0.97 µm ha sido usada en la definición del índice de agua (WI,

Water Index en Inglés).

97.0

9.0

RR

WI =

En WI, la reflectancia a 0.97 µm es tomada como una longitud de onda sensible al

contenido de agua, mientras que la reflectancia a 0.9 es tomada como referencia, la cuál

es afectada tanto por el follaje y la estructura de las hojas pero con nula absorción por

agua (Peñuelas et al., 1993). WI ha sido utilizado para monitorear cambios en el

contenido de agua relativo (RWC), potencial de agua en la hoja, conductancia estomática,

y diferencias de temperatura entre el follaje y el aire cuando se ha desarrollado estrés

hídrico.

Peñuelas et al., (1993) reportó un coeficiente de correlación de 0.55 entre WI y RWC

para un rango amplio de especies medidas a diferentes tiempos durante el año. Sin

embargo, WI pierde mucha sensibilidad cuando el proceso de senescencia se encuentra

avanzado. Por esa razón, WI puede ser útil para monitorear riesgos de incendios

forestales pero tiene menos utilidad como herramienta en el manejo de riegos. Utilizado

como indicador de estrés, WI es un buen indicador del estado hídrico en presencia de

salinidad

13

NDVI es también afectado por el proceso de secado y el cambio estructural y de color de

las plantas. Los coeficientes WI y NDVI tienen una mejor correlación con RWC,

especialmente en aquellas especies que muestran grandes cambios en NDVI a través del

año (Peñuelas et al., 1997).

2.4 Métodos basados en el estudio de la dinámica térmica de las plantas

La relación entre la temperatura de las hojas de la planta y el estrés por humedad ha sido

documentada cualitativamente durante varios años. Ethler et al., (1978) demostraron una

relación inversa entre el diferencial de temperatura y el potencial de presión del xilema en

trigo. Esta evidencia ha hecho que se aplique la medición de temperatura por infrarrojo,

que la hace, una técnica viable en mediciones de estrés de agua en ensayos fisiológicos.

De hecho es, el método más establecido para detectar estrés hídrico en los cultivos. La

interpretación de la señal termal infrarroja de un cultivo como un indicador del estado

hídrico ha sido estudiada y documentada por cerca de 20 años (Garrot et. al, 1994;

Jackson ,1982).

Chuvieco et al., (2001) encontraron correlación positiva entre NDVI y contenido de agua

en la planta y negativa para las temperaturas de superficie. Los índices de vegetación

miden el vigor vegetal. Al disminuir el contenido de agua también hay una reducción en

los procesos fisiológicos. Por el contrario al aumentar la temperatura hay una pérdida en

el agua almacenada de las plantas.

NDVI resulta muy útil para estimar el contenido de agua en pastizales, pero no así en

matorrales. El fenómeno se debe a que el NDVI es más sensible a las variaciones de

verdor que acompañan a las pérdidas de agua en las herbáceas que al contenido de

agua en sí. Por otra parte el coeficiente NDVI/TS presenta muy buena correlación con el

contenido de humedad; es preferible utilizarlo frente al NDVI en caso de abordar una

estimación mixta para pastizales y matorrales (Chuvieco et al., 2001).

La ventaja que ofrece la medición de temperatura por Infrarrojo sobre los métodos

convencionales de medición de estrés es la facilidad y la rapidez con la que se pueden

tomar las mediciones. Debido a que grandes áreas se pueden monitorear en poco tiempo,

14

ésta puede ser una herramienta útil para programar riegos (Pinter y Reginato, 1982;

Moran, 1994). Los métodos de teledetección se han vuelto mas eficientes a través de

mejoras sucesivas y han sido introducidos progresivamente en el manejo de precisión de

los cultivos, principalmente en los Estados Unidos (Moran, 1994).

Uno de los primeros índices basados en el infrarrojo termal y utilizado en percepción

remota con fines de manejo de riegos es el Índice de estrés hídrico de cultivo (CWSI por

sus siglas en inglés). Este índice correlaciona el déficit de presión de vapor (VPD) de un

cultivo con la temperatura del follaje menos la temperatura del aire (Ts-Ta). Sin embargo,

la aplicación de CWSI con mediciones de satélites o aeronaves se restringe sólo a

condiciones de cobertura completa de follaje es decir, cuando la temperatura superficial

es igual a la del follaje. Esto limita la utilidad de este índice cuando se presentan

condiciones parciales de los cultivos, es decir, cuando las decisiones de manejo pueden

ser cruciales (Moran, 1994). Si el suelo no es visible al sensor entonces la temperatura de

la superficie es igual a la temperatura de la vegetación (Jackson, 1986. Moran, 1994).

Debido a esto, Jackson et al (1986) recomendaron utilizar los sensores con un ángulo de

incidencia de 45° sobre la vertical con el objeto de observar sólo la parte vegetal de la

superficie de un cultivo. Esta recomendación limita considerablemente su uso en

aeronaves y sensores montados en satélites.

Pinter y Reginato (1982), encontraron correlación entre CWSI del follaje y la presión del

xilema de la hoja, sin embargo, ésta no es altamente significativa. Esto se debe a la

influencia de una porción del suelo captado por el termómetro de infrarrojo en etapas

tempranas del cultivo donde las plantas son pequeñas y también durante el acame de

ciertas parcelas.

2.5 Trapezoide de Moran

Kimes y Kirchner (1983), subrayaron y analizaron el efecto de la fracción de suelo

desnudo en las mediciones de temperatura radiométrica de la superficie. Este fue el

comienzo de una serie de investigaciones de este tema.

15

Moran et al., (1994) desarrollaron el Índice de Déficit de Agua (WDI por sus siglas en

inglés), el cuál combina SAVI (Soil Adjusted Vegetation Index), y temperatura superficial

del follaje. Este índice puede determinar condiciones de déficit de agua en un campo con

cobertura vegetal parcial.

La relación de Ts-Ta (temperatura superficial menos temperatura del aire) y SAVI (para

condiciones de suelo húmedo o seco y vegetación con cobertura completa o parcial se

encontraron y definieron en una forma trapezoidal. Los vértices del trapezoide

corresponden a condiciones extremas como: 1) Vegetación con cobertura completa y bien

irrigada. 2) Vegetación con cobertura completa pero bajo estrés hídrico.3) Suelo desnudo

saturado y 4) suelo desnudo seco). Cabe señalar que los puntos 1 y 2 son los mismos

utilizados en los límites superior e inferior para el CWSI Standard. Para esta forma teórica

se utiliza el termino Trapezoide Índice de vegetación/temperatura (VITT por sus siglas en

inglés). La parte izquierda del trapezoide corresponde a valores de Ts-Ta de superficies

que están evaporando a una tasa potencial; la parte derecha corresponde a valores de Ts-

Ta en las cuáles no está ocurriendo evaporación Se asume que los valores de Ts-Ta y

cobertura vegetal varían linealmente a lo largo de las orillas de condiciones extremas

mientras que todas las condiciones intermediarias experimentales que relacionan Ts-Ta y

cobertura (NDVI o SAVI) se suponen que se incluyen dentro del trapezoide construido.

Moran (1994), determinó los cuatro vértices del trapezoide mediante ecuaciones de

balance de energía para un determinado punto de Ts-Ta y SAVI. La primera ecuación

determina la localización de un punto para vegetación con cobertura completa y bien

irrigada.

( )[ ] ( ) ( ){ }[ ] ( ){ }[ ]acpacpacpvnaas rrVPDrrrrCGRrTT /1//1//1/ ++∆−++∆+−=− γγγ

Donde ra es la resistencia aerodinámica (sm-1), Rn es la radiación neta (Wm-2), G es la

densidad de flujo de calor del suelo (Wm-2), Cv es la capacidad de calor volumétrico del

aire (J°C-1m-3), rcp es la resistencia del follaje en evapotranspiración potencial (sm-1), �es

la constante psicrométrica (Kpa °C-1) y por último, ∆ es la pendiente de la relación entre

16

presión de vapor saturado y temperatura (Kpa °C-1). Para el siguiente vértice,

denominado, vegetación con cobertura completa sin agua disponible la ecuación es:

( )[ ] ( ) ( ){ }[ ] ( ){ }[ ]acxacxacxvnaas rrVPDrrrrCGRrTT /1//1//1/ ++∆−++∆+−=− γγγ

Donde rcx es la resistencia del follaje asociada con el cierre casi completo de las estomas.

Para el vértice 3 del trapezoide denominado suelo desnudo saturado el valor de rc = 0, por

lo tanto, la ecuación para suelo saturado es la siguiente:

( )[ ] ( )[ ] ( )[ ]γγγ +∆−+∆−=− /// VPDCGRrTT vnaas

Por último, para suelo desnudo seco, donde rc = ∞ (análogo al cierre de estomas

completo) la ecuación es:

( )[ ]vnaas CGRrTT /−=−

Las mediciones in situ necesarias para resolver las ecuaciones anteriores fueron Rn, VPD,

temperatura y velocidad del aire. El valor de G puede ser estimado en función de Rn a

cierto porcentaje de cobertura vegetal (SAVI o NDVI). También se necesita, por lo menos,

estimar altura de la planta, máximo y mínimo SAVI para suelo desnudo y vegetación

abundante, área foliar (LAI) y máxima y mínima resistencia estomática posible (rsx y rsp).

Sin embargo, Yang et al; (1996) encontraron que SAVI (soil adjusted vegetation index) y

MSAVI (modified soil adjusted vegetation index) aparentan tener mayor sensibilidad a la

influencia del suelo como fondo que el NDVI. Por otro lado, NDVI produce los valores

más altos que los otros dos índices. Por esta razón estos autores seleccionaron NDVI

para la construcción del trapezoide de Moran

Clarke (1997), trabajó con el trapezoide de Moran donde utilizó mediciones en superficies

de suelo seco y húmedo para definir las esquinas 3 y 4 del trapezoide. Del mismo modo el

punto 1 puede ser medido si existe un campo que haya sido regado y tenga cobertura

completa. El punto 2 puede ser medido también sobre un campo donde de antemano se

17

sabe que existen condiciones extremas de estrés por falta de agua; alternativamente, se

cortan plantas adyacentes y se mide su temperatura con termómetro infrarrojo hasta que

la diferencia entre las temperaturas del aire y hojas sea asintótica. El tiempo en el que las

mediciones se toman para determinar el estado hídrico es muy importante. Durante la

noche, el agua en el suelo tiene tiempo para pasar a ser redistribuida alrededor de las

raíces. Así, en la mañana las plantas pueden no mostrar síntomas de estrés hídrico. Por

ésta razón, es mejor tomar las mediciones en la tarde idealmente a la misma hora cada

día. Debido a las dificultades para obtener algunos parámetros requeridos en las

ecuaciones de Jackson-Moran (resistencia aerodinámica y resistencia del follaje) para

determinar los vértices del trapezoide, Yang et al., (1996), utilizaron mediciones en campo

de reflectancia y de temperatura de la superficie. Además, compararon el NDVI calculado

con las imágenes de LANDSAT y el NDVI calculado de las mediciones de campo de

reflectancia. Los distintos valores de NDVI se relacionaron significativamente con un

coeficiente de correlación de 0.98.

Para una medición de Ts-Ta y SAVI (punto C en la gráfica 1), El coeficiente de las

distancias AC/AB es definido como WDI, de este modo, WDI = 0 se refiere a condiciones

bajo riego y WDI =1 a condiciones de estrés máximo. Operacionalmente WDI es igual a

CWSI en coberturas vegetales completas. Por otro lado, el coeficiente de las distancias

CB/AB es definido como la relación entre la evaporación actual y la potencial (Moran et

al., 1994). Trapezoide de Moran

Ts-Ta (°C)

-10 -8 -6 -4 -2 0 2 4 6 8 10 12 14 16 18 20 22

SAVI

0.0

0.2

0.4

0.6

0.8

1.01: Vegetación con cobertura completa y bajo riego

2: Vegetación con cobertura completa bajo sequía

4: Suelo desnudo saturado

3: Suelo desnudo seco

Figura 1. Trapezoide de Moran. Esta forma geométrica involucra la relación entre Ts-Ta y un índice de vegetación. WDI

para un punto C se define como el cociente de las distancias AC y AB (Moran et al., 1994).

18

Luquet et al., (2003), compararon diferentes mediciones de WDI y CSWI en algodón a las

que variaron el ángulo del sensor. Obviamente CWSI presentó una anisotropía más fuerte

que WDI debido a la cubierta vegetal parcial. Cuando la vegetación es homogénea,

ambos índices presentan tendencias direccionales muy isotrópicas. Sin embargo, WDI

generalmente da resultados más realistas en etapas tempranas de los cultivos.

Por otra parte, se ha comenzado a utilizar la tecnología de radar para estudiar el

contenido hídrico de las plantas. El radar es un sistema activo de percepción remota (es

decir, el sistema provee su propia fuente de iluminación). Esto tiene la ventaja de adquirir

datos ya sea en la oscuridad o el día y no están sujetos al ángulo de iluminación solar

como en los sensores ópticos. Además la señal es capaz de penetrar nubes, lo cuál

presenta una gran ventaja sobre los métodos de percepción remota óptica y termal. Sin

embargo, los datos generados por radar son más complejos que los datos de reflectancia

y termales y por lo tanto más difíciles de procesar.

Moran et al., (1997), examinó el potencial de utilizar microondas de multifrecuencia para

manejo en cultivos. Ha encontrado que los datos de radar pueden ser difíciles de

interpretar debido a que es muy sensible a la orientación de los surcos y a las condiciones

de textura del suelo. En comparación de los datos de radar buscando que coincidan con

datos ópticos y termales, encontraron que la banda Ku (~13 GHz) fue sensible a la

densidad de la vegetación y la banda C (~5 GHz) fue correlacionado con humedad del

suelo. Por lo tanto, existe el potencial para desarrollar algunas de las mismas aplicaciones

que los datos termales y de reflectancia. Los valores estimados de humedad de suelo

basados en datos de radar podrían ser de gran importancia en etapas tempranas cuando

los cultivos son demasiado pequeños para ser detectados por sensores termales.

2.6. Comportamiento de los índices de estrés hídrico

El índice CWSI sigue un patrón cíclico que está en sincronía con los eventos de irrigación.

Casi inmediatamente después de un riego este índice cae a un valor mínimo, entonces,

comienza a subir lentamente conforme el cultivo comienza a agotar su reserva de agua.

La tasa de incremento de CWSI entre riegos está directamente relacionado con la

19

demanda evaporativa de la atmósfera y la etapa fenológica de las plantas e inversamente

relacionado con la disponibilidad de agua almacenada en el suelo (Jackson et al., 1981).

Moran (1994), encontró diferencias notables en los valores de WDI bajo diferentes

manejos de riego en algodón. Encontró que en el sitio donde se aplicó tardíamente el

primer riego de auxilio, el cultivo mostró valores de WDI altos desde 167 días después de

la siembra hasta las etapas finales del mismo. De hecho, este manejo mostró los valores

más altos de WDI de todos los manejos de irrigación. Estas diferencias en los manejos

muestran el potencial de usar WDI para identificar áreas con estrés hídrico en etapas

tempranas de los cultivos que pueden tener repercusiones en la cantidad de biomasa y el

rendimiento.

Mediciones de diferencial de temperatura del follaje (CTD) hechas en una estación

experimental de CIMMYT (Obregón, Sonora) bajo riego, han demostrado la capacidad de

CTD para ser utilizado como herramienta para selección de líneas avanzadas de trigo

(Reynolds et al., 1999). Estos autores encontraron que CTD explicó el 40% de la variación

en rendimiento en líneas avanzadas de trigo. Esta variable fue medida durante la etapa de

llenado de grano. Por otra parte, en esta misma estación se utilizaron imágenes aéreas

de Infrarrojo con suficiente resolución para detectar diferencias de CTD en parcelas

pequeñas para la evaluación del rendimiento (1.6 m). Los datos de temperaturas de las

parcelas mostraron correlación significativa con el rendimiento final de líneas de trigo

avanzadas y de un juego de líneas élite. Además de CTD, existen otros índices que se

han evaluado y que muestran correlación significativa con rendimiento, biomasa e índice

de área foliar. Entre ellos se encuentran NDVI, WI (water índex), SR (simple ratio) y SIPI

(Structural independent pigmet index) e índice de área foliar (Reynolds et al., 1999).

Por lo tanto, WDI puede ser utilizado para realizar mediciones de estrés durante el llenado

de grano y así poder identificar aquellas zonas que pueden tener efecto en el rendimiento

final del trigo. Debido a que la determinación de WDI requiere de pocos parámetros y que

dicha información se puede alimentar en sistemas de información geográfica, es posible la

utilización de aeronaves de baja altitud para la determinar la calendarización de los

riegos.

20

Como se ha explicado anteriormente, la temperatura de las hojas se encuentra por debajo

de la del aire cuando el agua se evapora de su superficie. Uno de los factores que

determinan la evapotranspiración es la conductancia estomática, la cuál es regulada por

la tasa de fijación de carbono. Debido a que CTD es directamente o indirectamente

afectado por varios procesos fisiológicos, éste es un buen indicador del desempeño de un

genotipo en un ambiente dado. Para un cierto genotipo CTD está en función de varios

factores ambientales, principalmente la cantidad de agua en el suelo, la temperatura del

aire, la humedad relativa y la radiación incidente. Por lo tanto, CTD se expresa mejor en

condiciones de alto déficit de presión de vapor con baja humedad relativa y temperatura

del aire templada. Por estas razones, CTD no resulta una herramienta útil en condiciones

frías y/o alta humedad relativa (Reynolds y Ortiz-Monasterio, 2001).

2.7 Estimación de evapotranspiración

La evapotranspiración potencial es definida como la pérdida de agua que ocurriría si en

ningún momento hubiera una deficiencia de agua en el suelo para el uso de la vegetación.

Algunos autores sugirieron una modificación para incluir la especificación de que la

superficie estuviera cubierta totalmente por vegetación verde, debido a que la

evapotranspiración depende de la densidad de cubierta vegetal sobre el suelo y de la

edad de la planta. Existe por lo tanto, una diferencia entre evapotranspiración real y

potencial debido a que los cultivos muy rara vez están en condiciones donde el agua no

se encuentra limitada. La ecuación que define este postulado es la siguiente (Aguilera y

Martínez, 1996)

Cp KETET ∗=

Donde ET es la evapotranspiración real, ETp es la evapotranspiración potencial y Kc es

un coeficiente que involucra la relación agua-suelo-planta.

Se han desarrollado muchas ecuaciones para predecir la tasa en la cuál el agua puede

ser transferida a la atmósfera cuando el agua en la superficie no está limitada

(evaporación potencial o ETp). Sin embargo existen pocos métodos para predecir la

21

evapotranspiración real (ET), que es definida como la cantidad de agua perdida por la

planta cuando el agua se encuentra limitada (USWCL, 2003).

Algunos estudios que involucran a los cultivos (Rosenthal et al., 1987) indican que el

cociente ET/ETp está en función de la fracción de agua disponible del suelo en la zona

radicular. La fracción de agua disponible para las plantas está definida como la cantidad

de agua que se encuentra en el suelo entre el punto de marchitez permanente y la

capacidad de campo, normalizado por la capacidad de campo máximo. La estimación de

la evapotranspiración depende de la exactitud del índice de agua disponible (Ma) y la

evapotranspiración potencial. Yang et al., (1996) compararon el Ma calculado con

percepción remota y el Ma usando un modelo de balance hidrico (DRAINMOD) sobre una

parcela con caña de azúcar. Las comparaciones mostraron diferencias de alrededor 0.04

para los puntos con caña y 0.1 para los puntos donde había suelo.

Si analizamos el trapezoide de Moran, el índice de deficiencia de agua WDI, puede ser

visto como el cociente de las distancias AC a AB (figura 1). Debido a que el WDI se

considera Evapotranspiración tanto del suelo como del cultivo, puede interpretarse como

una medida de de la cantidad de Evapotranspiración (ET) que ocurre en tiempo real

relativo a la Evapotranspiración potencial. Como lo expresa la siguiente ecuación:

⎟⎟⎠

⎞⎜⎜⎝

⎛−=

pETETWDI 1

Mientras que WDI puede ser calculado para estimar ET, éste no provee una medida

directa del estrés por agua del cultivo. Esto se debe a que el índice variará basado en la

evaporación de agua del suelo así como la del cultivo. Por ejemplo, a un porcentaje de

cobertura vegetal de 50 el WDI puede variar de 0 a 0.5 conforme el suelo se seca, pero la

tasa de transpiración del cultivo puede permanecer cerca del nivel potencial la mayor

parte del tiempo (USWCL, 2003). Para superficies en zonas áridas y semiáridas, la

contribución del suelo a la evaporación superficial o evapotranspiración es relativamente

pequeña comparado con la contribución proveniente de la transpiración de la planta,

excepto inmediatamente después de una lluvia. Por otra parte, cuando el agua en el suelo

22

es abundante, la evapotranspiración real del follaje se aproxima a la evapotranspiración

potencial. (Moran, 1994).

Moran et al., (1992) comparó dos métodos para la estimación de la evapotranspiración.

En el primer método combinó mediciones de reflectancia y temperatura superficial con

datos de temperatura del aire. En el segundo método utilizó únicamente datos recabados

por percepción remota. El modelo basado con información percepción remota-mediciones

físicas tuvo como resultado una Diferencia media absoluta (MAD) de 1.61 mm/día entre

los valores simulados y observados dentro de un rango con valores de 1 a 12 mm/día.

Esta Diferencia media absoluta fue mucho más baja que la obtenida por la estimación de

ET utilizando únicamente datos obtenidos por percepción remota (1.9 mm/día).

Sin embargo, para fines hidrológicos, es más útil la evapotranspiración en un periodo de

24 horas que la evapotranspiración actual, por lo que se sugiere la aplicación de modelos

de simulación. Generalmente estos modelos requieren de variables como radiación neta,

flujo de calor, condiciones climáticas definidas para cada régimen de humedad en

diferentes tipos de suelo, presión de vapor etc. Cuando los campos de cultivo no están

completamente cubiertos por vegetación (es decir, al comienzo del crecimiento del

cultivo), la evapotranspiración, el coeficiente de transpiración y el uso de eficiencia de

agua son difíciles de determinar utilizando modelos de transferencia de energía. Esto se

debe a que la evaporación de la superficie del suelo por debajo de la cobertura vegetal

no puede ser legible en cantidad y porque es necesario tratar el flujo de vapor de los

campos de cultivos como el total de los flujos del suelo y las plantas, es decir, la

transpiración de los estomas y la evaporación del suelo. El método más común para la

determinación de la evapotranspiración de las plantas es el modelo de Penman-Monteith.

Este, es un método basado en la interacción de energía entre la vegetación y la

atmósfera. Este modelo llamado de una capa, trata a la cobertura vegetal (incluyendo a

las hojas) y a la superficie del suelo como una gran hoja y considera el flujo de vapor

generado sólo por los estomas de las hojas. Sin embargo, cuando la vegetación es difusa

este modelo es inadecuado para determinar la suma de transpiración y evaporación.

Debido a esto, se han desarrollado varios modelos multicapas basados en el método de

Penman-Monteith (Kato et al., 2004).

23

Una simplificación de la ecuación de Penman-Monteith es la llamada ecuación de

Makkink. Esta ecuación ha comprobado ser redituable para estimar evapotranspiración en

el Valle del Yaqui. La ecuación es la siguiente:

sMp RCEγ

λ+∆∆

=

Donde Rs es la radiación de onda corta (Wm-2) y CM es una constante de calibración

empírica local. El valor de CM se ha determinado y su valor anual es aproximadamente

0.65 para el Valle del Yaqui. El término ∆/(∆+γ depende de la temperatura y de la presión

de vapor a saturación. Esta cambia de 1 a 2% en un cambio de 1°C en temperatura; por

lo tanto los valores climatológicos de temperatura pueden ser utilizados en la estimación

de Ep. (Garatuza et al., 2001).

La evapotranspiración es el componente principal del ciclo hidrológico en zonas semi-

húmedas y áridas y es afectado por procesos bióticos y abióticos en la interacción entre

suelo, vegetación y atmósfera (Gómez et al., 2001). Recientemente han surgido grandes

avances en la aplicación de modelos basados en los procesos de transferencia de suelo-

vegetación-atmósfera (SVAT) para simular evapotranspiración sobre una cuenca o a

nivel global. Sin embargo, estos modelos necesitan un gran número de parámetros que

usualmente son heterogéneos o no están disponibles a una escala apropiada. Por ello, el

uso de sensores remotos e índices como WDI pueden ayudar a solucionar este problema

(Liang et al., 1994).

24

III. MATERIALES Y MÉTODOS: 3.1 Descripción del sitio de estudio El sitio de estudio fue el Valle del Yaqui localizado en la región sur de Sonora situado

entre los paralelos 27°00´ y 28° 00´ de latitud Norte y los meridianos 109° 30´ y 110° 37´

longitud oeste. Tiene una extensión de 225,000 hectáreas limitado por la Sierra Madre al

este y por el Golfo de California al oeste (Fig.2). El clima es semiárido con una

precipitación anual promedio de 317 mm, que ocurre principalmente entre Junio y

Septiembre. El cultivo de trigo abarca el período que va desde Noviembre hasta Abril y se

caracteriza por ser cultivado durante la época seca donde los agricultores aplican entre 3

a 5 riegos durante el ciclo. La mayoría de los suelos de la región son vertisoles con un

contenido de materia orgánica menor al 1% (Lobell et al, 2002).

25

Figura 2. Localización del Valle del Yaqui.

El periodo de estudio comprendió desde Diciembre de 2002 hasta Abril 2003, siendo

parte del ciclo de producción de trigo 2002-2003.

3.2 Construcción de un sistema de información geográfica para textura de suelo

Para la creación de la base de datos del SIG se empleó información proporcionada por la

Comisión Nacional de Agua (CNA). Dicha información contiene datos de textura de suelo

de alrededor de 3000 puntos ubicados en el Valle del Yaqui y ordenados por block y lote.

La metodología que empleó la CNA para determinar los porcentajes de arena, limo y

arcilla fue el de hidrómetro de Bouyoucos.

26

3.2.1 Capacidad de campo y punto de marchitez permanente

Con los datos de textura se calculó humedad en capacidad de campo mediante la formula

de Peele (Fuentes, 1998):

( ) ( ) ( ) 62.2*023.0*162.0*48.0 +++= sandliclayCC

Donde: clay es el porcentaje de arcilla, li es el porcentaje de limo y por último sand es la

cantidad de arena. También se calculó humedad en punto de marchitez permanente

mediante la fórmula de Briggs (Fuentes, 1998):

( ) ( ) ( )sandliclayPMP *0147.0*102.0*302.0 ++=

Estos dos parámetros se anexaron a la base de datos del SIG junto con porcentaje de

arena limo y arcilla. Los puntos de muestreo se consideraron en el centro de cada lote

(suponiendo que no existe variabilidad en el área de un lote que es de 200 x 500 m), ya

que la información proporcionada por CNA carecía de georeferenciación. En ocasiones se

presentaron varios puntos de muestreo en un mismo lote por lo que se utilizó la media

aritmética para conocer un valor único. El sistema de georeferencia utilizado en la

determinación de los puntos de muestreo fue UTM (Universal Transversal de Mercator)

zona 12.

3.2.2 Distribución espacial de las variables

Tanto la creación del Sistema de Información Geográfica, como la interpolación se

realizaron en el Software IDRISI versión Kilimanjaro. Se crearon imágenes (resolución 30

m.) para obtener la distribución espacial de la textura, con énfasis en arcilla y capacidad

de campo, debido a que estas variables afectan la capacidad de retención de agua en el

suelo. Para conocer los valores intermedios entre los puntos de muestreo se utilizó

interpolación por el inverso de la distancia (Modulo INTERPOL). En este modelo su utiliza

un exponente asociado con el peso de la distancia, generalmente se utiliza el 2. Esto

significa que se le da un peso igual al reciproco de la distancia al cuadrado. Se utilizó un

27

radio de búsqueda de 6 puntos alrededor de cada punto de interpolación. Esto indica que

este método de interpolación determina el valor de cada celda basado solamente en los

valores de control de los puntos vecinos. La vecindad esta determinado por un radio de

búsqueda que puede ir de 4 a 8 puntos. En este caso IDRISI tiene como valor

predeterminado 6 que es el óptimo para el funcionamiento del modelo del software. El

método de distancia ponderada produce superficies con máximas y mínimas que ocurren

en las locaciones de los puntos de control. Conforme uno se mueve de estos puntos de

control, la superficie tenderá hacia el valor promedio local, el cuál es determinado por el

radio de búsqueda (Eastman, 2003).

3.3 Análisis de las imágenes de satélite

Se utilizaron 4 imágenes generadas por el sensor ETM (Enhanced Thematic Mapper) del

satélite LANDSAT en las bandas 3 (rojo, con resolución 30 metros), 4 (infrarrojo cercano,

con 30 metros de resolución) y 6 (infrarrojo termal, con 60 metros de resolución). En el

caso de la banda térmica de LANDSAT se tuvo que duplicar el número de columnas y

filas de la imagen por medio del modulo EXPAND en IDRISI. Con esto se tiene la misma

resolución en las tres bandas lo cuál permite hacer operaciones entre ellas. La serie de

imágenes se obtuvieron entre el 16 de diciembre de 2002 y el 23 de Abril de 2003,

periodo en el que se cultiva trigo en el Valle del Yaqui. Todas ellas fueron captadas por el

sensor a las 10:30 AM hora local. El procesamiento de imágenes se llevó a cabo con el

software IDRISI

3.3.1 Cálculo de NDVI y temperatura superficial

Con las bandas del rojo e infrarrojo cercano de LANDSAT se determinó el índice de

vegetación normalizada de diferencia (NDVI). Se utilizó el módulo VEGINDEX dentro del

procesamiento de imágenes de IDRISI. Dicho módulo utiliza el siguiente algoritmo para

determinar este índice de vegetación:

RIRCRIRCNDVI

+−

=

28

Donde IRC y R indican la reflectancia en la banda del infrarrojo cercano y el rojo

respectivamente.

Con la banda de infrarrojo térmico se estimó la temperatura superficial. IDRISI cuenta con

un algoritmo para determinar la temperatura a partir de la información de la banda térmica

de LANDSAT. El proceso de conversión que emplea IDRISI está basado en una tabla

publicada por Bartoliucci y Chang (1988).

3.3.2 Determinación del área cultivada con trigo

Se realizó una clasificación basado en la fenología del cultivo y los índices de vegetación.

Se asumió que para que el valor de un pixel fuera considerado trigo, su valor de NDVI en

diciembre debiera ser menor de 0.1, en enero mayor de 0.1 y lógicamente mayor en

Marzo.

3.3.3 Datos climatológicos

Con los datos climatológicos de 13 estaciones localizadas en el Valle del Yaqui se crearon

imágenes con la distribución espacial de la temperatura ambiental y evapotranspiración

potencial. Para conocer los valores de las variables antes mencionadas entre los puntos

donde se encontraba una estación meteorológica se utilizó el método de interpolación por

el inverso de la distancia. Se utilizaron los datos tomados a las 10:30 AM hora local para

los días 16 de diciembre de 2002, 1 de Enero, Marzo 6 y 22 del año 2003.

3.4 Determinación del índice de déficit de agua (WDI) 3.4.1 Construcción del trapezoide de Moran

Para la determinación del índice de Déficit de agua y conocer el estado hídrico del cultivo

de trigo, se empleó el método del trapezoide de Moran. Para la determinación de los

vértices se utilizaron valores extremos de NDVI expresados en el eje “Y” y Diferencial de

temperatura bajo riego y sequía expresados en el eje “X”. Según reportes de Reynolds et

al., (1999), en ensayos bajo riego llevados a cabo en la estación experimental del

29

CIMMYT en Sonora, los valores máximos sobre riego de NDVI en trigo es 0.9 y el

diferencial de temperatura Ts-Ta se encuentra entre -5 a -7 °C (promedio -6 °C). En el

caso de la sequía, el valor promedio de Ts-Ta es 0, (siendo el máximo 1 °C) y para trigo

con cobertura completa el valor de NDVI es 0.9. En el caso del suelo existen valores de

NDVI alrededor de 0.1. Sin embargo, Reynolds no reporta datos para temperatura

superficial de suelo desnudo. Por lo tanto, se utilizó la pistola de Infrarrojo Infrared AG

multimeter Modelo 510B (Figura 4), desarrollado por Everest interscience para determinar

temperatura radiométrica de suelo saturado y seco.

Como recomendación para estimar la temperatura superficial del follaje, se debe tener

cuidado con el ángulo con que se apunta hacia las plantas con el sensor, esto con el fin

de evitar incluir la temperatura del suelo. Por ejemplo, si una parcela esta sembrada en

camas, es mejor parase a un lado de ésta con el fin de que el termómetro radiométrico

esté apuntado en ángulo a las hileras de plantas. En caso de que haya poco follaje, lo

mejor es apuntar el termómetro en un ángulo con respecto del horizontal para minimizar la

medición de la temperatura del suelo.

Para comprobar que cualquier valor de NDVI y diferencial de temperatura medido en trigo

caiga dentro de la figura trapezoidal construida con datos de Reynolds, se hicieron

mediciones en campo de NDVI y temperatura superficial durante varias etapas del cultivo

en condiciones de sequía y riego. Para la medición de NDVI se utilizó el sensor

Greenseeker modelo 550 (Figura 3), desarrollado por Ntech Industries y para temperatura

superficial se utilizó también la pistola de Infrarrojo Infrared AG.

30

Figura 3. Sensor Greenseeker modelo 550, utilizado para realizar mediciones del índice de vegetación NDVI

Figura 4. Pistola de Infrarrojo Infrared AG multimeter Modelo 510B, utilizado para medir temperatura

superficial.

31

3.4.2 Construcción del modelo para la determinación de WDI y evapotranspiración.

Una vez determinado los vértices y construido el trapezoide, se obtuvieron las ecuaciones

de las líneas rectas formadas por los vértices 2-3 y 1-4 (ver figura1). La ecuación de la

recta 1-4 nos servirá para conocer el punto A ó el valor mínimo de Ts-Ta para un valor

conocido de NDVI y Ts-Ta (punto C).

( )1

1min m

bNDVITT as

+=−

Donde b1 es el intercepto y m1 es la pendiente de la recta con vertices 1-4. Por otro lado,

la ecuación de la recta 2-3 nos permitirá conocer el punto B o valor máximo que puede

tener Ts-Ta.

( )2

2max m

bNDVITT as

−=−

Donde b2 es el intercepto y la pendiente de la recta con vertices 2-3. Debido a que Moran

et al.,(1994), definen a WDI como el cociente entre las distancias entre AC y AB, entonces

la ecuación para la determinación de WDI es la siguiente:

( ) ( )( ) ( )maxmin

min

asas

asas

TTTTTTTT

WDI−−−

−−−=

Para la determinación de la tasa de evapotranspiración se utilizó la siguiente formula

propuesta por Jackson et al (1981). Donde es definido como el cociente de las distancias

CB/AB.

( ) ( )( ) ( )maxmin

max

asas

asas

TTTTTTTT

PETET

−−−−−−

=

Una vez determinados todos los componentes para la obtención del índice de Deficit de

Agua y la tasa de evapotranspiración real con respecto a la potencial, se procedió al

cálculo de estas variables por medio de los modelos presentados en las figuras 5 y 6.

32

Figura 5. Modelo propuesto para determinar water deficit index (WDI).

Figura 6. Modelo propuesto para la determinación de evapotranspiración.

33

3.5 Análisis estadístico de los resultados Se realizó un análisis de correlación lineal simple entre algunos valores de WDI tomados

al azar y sus respectivos días transcurridos después del riego. Estos últimos valores se

obtuvieron mediante la base de datos de los usuarios del Distrito de Riego del Río Yaqui.

Esta base de datos nos permite conocer las fechas de aplicación de los riegos tanto de

siembra como los de auxilio.

Se llevó a cabo un análisis geoestadístico por medio de variogramas, para conocer el

grado de autocorrelación entre los puntos muestreados de suelo.

Se realizó también un análisis de correlación entre los valores de Evapotranspiración

calculados mediante el modelo utilizado en este trabajo y los valores obtenidos con la

ecuación de Makkink y la metodología propuesta por Garatuza et al., (2001). Se

extrajeron 1000 puntos al azar tanto de la imagen de Evapotranspiración calculada con el

modelo trapezoidal de Moran como de la imagen de la misma variable calculada mediante

la ecuación de Makkink. Esto se realizó en las imágenes de los días 6 y 22 de Marzo.

Puesto que para aplicar la metodología de Garatuza (2001) es preciso contar con una

cobertura completa de la vegetación, para el día 1 de Enero sólo se pudieron extraerse

190 puntos al encontrarse una cobertura vegetal parcial. Paralelamente se realizó un

análisis de medias simples y apareadas entre las dos metodologías para ver si hay

similitud o diferencia entre ellas. Por otra parte, se realizó una regresión lineal múltiple en

la que la variable dependiente fue el rendimiento en grano del trigo y las variables

independientes fueron los índices de estrés hídricos de las fechas 1 de Enero, 6 y 22 de

Marzo del año 2003.

34

IV. RESULTADOS 4.1 Distribución espacial de arcilla El sistema de Información Geográfica que se construyó para el Valle del Yaqui y se

alimentó con datos de porcentaje de arcilla en suelo mostró la siguiente distribución

espacial a una profundidad de 0-30 cm (Figura 7).

35

Figura 7. Distribución espacial de la cantidad de arcilla en el suelo del Valle del Yaqui a profundidad de 0-30 centímetros.

Visualmente no se observa un patrón claro en la distribución de arcilla en el suelo. Al

observar la imagen se aprecia que la arcilla se distribuye por manchones en distintas

zonas, sin embargo, las regiones que presentan mayor extensión de altos contenidos de

arcilla son: la parte Sureste, a los alrededores de Villa Juárez y al Norte del Valle del

Yaqui. En contraparte, los niveles de arcilla más bajos se presentan a lo largo de la

región costera y en las áreas que se encuentran en los márgenes del río Yaqui y arroyo

Cocoraque, es decir en las regiones Noroeste y central del valle.

36

a) Relación entre % de Arcilla a diferentes profundidades

% Arcilla a profundidad 0-30 cm.

0 10 20 30 40 50 60

% A

rcill

a a

prof

undi

dad

30-6

0 cm

.0

10

20

30

40

50

60

y = 0.7554x + 9.885R2 = 0.57


0 10 20 30 40 50 60 0 10 20 30 40 50 60

% A

rcill

a a

prof

undi

dad

60-9

0 cm

.

0

10

20

30

40

50

60

c) Relación entre % de Arcilla a diferentes profundidades


y = 0.8346x + 4.7122R2 = 0.65

% A

rcilla

a p

rofu

ndid

ad 6

0-90

cm

.

0

10

20

30

40

50

60b) Relación entre % de Arcilla a diferentes profundidades

y = 0.6136x + 13.305R2 = 0.35

Figura 8. Relación entre los valores de porcentaje de arcilla a diferentes profundidades.

La relación entre el contenido de arcilla a una profundidad de 0-30 centímetros y 30-60,

muestra un coeficiente de correlación de 0.75, un error estándar de 5.64, un error medio

absoluto de 4.26 y explica el 57% de la variabilidad. Por otra parte, la relación entre el

contenido de arcilla a 0-30 cm. y 60-90 presenta el coeficiente de correlación mas bajo de

las tres profundidas con 0.59 un error standar de 6.9, un error medio absluto de 5.3 y

explica el 35.33 % variabilidad.

Por último, la mejor relación se encuentra en las profundidades de 30-60 y 60-90 cm. con

coeficiente de correlación de 0.81, un error estándar de 5.06, un error medio absoluto de

3.71 y explica el 64.4% de la variabilidad. En todos los casos el valor de p< 0.01 al 99

porciento de confianza.

37

Figura 9. Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 30-60

centímetros.

38

Figura 10. Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 60-90

centímetros.

Este mismo comportamiento se observó en las dos imágenes obtenidas a profundidad de

30-60 y 60-90 cm. (Figuras 11 y 12). De hecho el análisis de regresión simple mostró un

coeficiente de correlación entre 0.59 y 0.80 en las tres imágenes. Sin embargo, en estas

profundidades se muestra mejor un gradiente de distribución de la arcilla que disminuye

conforme más nos acercamos a la línea costera, resaltando las mismas zonas

mencionadas anteriormente.

39

En las tres profundidades estudiadas existe la tendencia de mostrar bajos niveles de

arcilla en la región Suroeste del Valle conocida como el Bacame (Arroyo Santini). A pesar

de que esta región no colinda con la zona costera y se encuentra al noreste de Villa

Juárez, caracterizada por altos contenidos de arcilla, presenta valores que fluctúan entre

15 a 25 % de arcilla pero también se caracteriza por contener mucha arena y grava, lo

cuál puede afectar a la capacidad de retención del agua.

La figura 11, muestra los variogramas que se obtuvieron al aplicar geoestadística a las

valores de arcilla en las tres diferentes profundidades.

a) Variograma de Contenido de arcilla a 0-30 cm.

Distancia (m)

0 2000 4000 6000 8000 10000 12000 14000 16000

Sem

ivar

ianz

a

0

20

40

60

80

100

120

140

b) Variograma de contenido de Arcilla a 30-60 cm

Distancia (m)

0 2000 4000 6000 8000 10000 12000 14000 16000

Sem

ivar

ianz

a

0

20

40

60

80

100

120

140

160

c) Variograma del contenido de arcilla a 60-90 cm.

Distancia (m)

0 3000 6000 9000 12000 15000 18000 21000

Sem

ivar

ianz

a

0

20

40

60

80

100

120

140

160

180

Figuras 11. Variograma Isotrópico para arcilla profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c), respectivamente. El eje X

muestra el intervalo de distancia y el eje Y los valores de la semivarianza entre los puntos muestreados de

arcilla para. Las figuras muestran el valor de la semivarianza cada 200 metros.

40

En el variograma de arcilla a una profundidad de 0-30 centímetros se observa que la

semivarianza a una distancia de 200 metros tiene un valor de 76.82 lo que representa el

58% de la variabilidad total. En la profundidad de 30-60 cm. la semivarianza tiene un valor

de 97.03 lo que representa alrededor del 60 % de la variabilidad y por último, en 60-90

centímetros tiene un valor de 70 lo que significa el 46 % de la variabilidad total.

La figura 12 representa los variogramas para capacidad de campo donde se expresan los

valores de la semivarianza cada 200 metros de distancia.

a) Variograma de capacidad de campo a 0-30 cm.

Distancia (m)

0 10000 20000 30000 40000 50000 60000 70000

Sem

ivar

ianz

a

0

5

10

15

20

25

30

35

b) Variograma de capacidad de campo a 30-60 cm

Distancia (m)

0 10000 20000 30000 40000 50000 60000 70000

Sem

ivar

ianz

a

0

5

10

15

20

25

30

35

c) Variograma de la capacidad de campo 60-90 cm.

Distance (m)

0 10000 20000 30000 40000 50000 60000 70000

Sem

ivar

ianz

a

0

5

10

15

20

25

30

35

40

Figuras 12. Variograma Isotrópico para capacidad de campo a profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c),

respectivamente.

41

En el variograma de capacidad de campo a una profundidad de 0-30 centímetros se

observa que la semivarianza a una distancia de 200 metros tiene un valor de 16.37 lo que

representa el 50% de la variabilidad total. En la profundidad de 30-60 la semivarianza

tiene un valor de 19 lo que representa alrededor del 59 % de la variabilidad y por último,

en 60-90 centímetros tiene un valor de 16 lo que significa el 47 % de la variabilidad total.


La tabla 1 muestra algunos valores de NDVI y de la diferencia de temperatura entre la

superficie del suelo y del aire que se midieron en condiciones de saturación y sequía.

Tabla 1. Valores medidos de NDVI y Diferencial de temperatura para suelo desnudo húmedo y seco en el Valle del Yaqui,

Sonora.

SUELO NDVI Ts-Ta

seco 0.08 10.1 seco 0.10 10.2 seco 0.21 10.3 seco 0.09 10.5 seco 0.10 12.4 seco 0.09 10.6 seco 0.09 9.8

saturado 0.11 4.0 saturado 0.11 2.3 saturado 0.12 -1.3 saturado 0.10 -3.2

seco 0.09 15.0 seco 0.10 18.0 seco 0.09 15.0

Máximo 0.21 18.0 Mínimo 0.08 -3.2 Promedio 0.10 9.4

Con estos resultados se concluye que en condiciones de sequía extrema el suelo se

encuentra a 18 °C por encima de la temperatura ambiental y en caso contrario, bajo un

42

entorno de saturación, la temperatura se encuentra 3 °C por debajo de la temperatura del

aire.

La figura 13 muestra el trapezoide de Moran propuesto para la banda térmica de baja

ganancia (Low Gain) de LANDSAT. Los puntos dentro del trapezoide corresponden a

mediciones en campo que se realizaron para determinar si éstos se encontraban dentro

de la gráfica construida con los vértices 1 y 2 reportados por Reynolds et al. y con los

valores de suelos medidos en campo correspondientes a los vértices 3 y 4.

Ts-Ta (°C)

-10 -8 -6 -4 -2 0 2 4 6 8 10 12 14 16 18 20

ND

VI

0,0

0,2

0,4

0,6

0,8

1,0

Línea 1-4 y = - 0.2024x - 0.557Línea 2-3 y = - 0.0459x+ 0.900

34

1 2

Figura 13. Trapezoide de Moran propuesto para el cultivo de trigo, utilizando la banda termal de baja ganancia (Low gain).

Las ecuaciones y = -0.2024x - 0.5571, y = -0.0459x+0.9 de las líneas rectas formadas por

los vértices 1-4 y 2-3 del trapezoide obtenido se utilizarán para la determinación del Índice

de deficiencia de agua (WDI) y Evapotranspiración (ET) dentro del periodo diciembre de

2002 y marzo de 2003. La figura 14 muestra como son incluidos dentro del trapezoide

alrededor de 1000 valores extraídos de una imagen de satélite para NDVI y Ts-Ta.

43

Ts-Ta (°C)

-10 -8 -6 -4 -2 0 2 4 6 8 10 12 14 16 18 20 22

ND

VI

0,0

0,2

0,4

0,6

0,8

1,0

Figura 14. Valores de una imagen de LANDSAT para NDVI y Ts-Ta, dentro del trapezoide construido para trigo en el Valle

del Yaqui, Sonora.

4.3 Modelo para la determinación de WDI y evapotranspiración

Se desarrolló una ecuación para la obtención de WDI a partir de las pendientes e

interceptos de las ecuaciones de las líneas rectas obtenidas en el apartado anterior

mediante el trapezoide de Moran. Esta ecuación se implementó en el modelo generado en

el software IDRISI.

( ) ( )[ ]( )[ ] ( )[ ]459.0/9.02024.0/5571.0

2024.0/5571.0−−+−+−

−+−−=

NDVINDVINDVITT

WDI aS

También se obtuvo la ecuación para la obtención de la tasa de evapotranspiración real

con las mismas pendientes e interceptos:

( ){ } ( )( ){ } ( ){ } [ ]PET

NDVINDVITTNDVIET as *

459.0/9.02024.0/5571.0459.0/9.0

⎥⎦

⎤⎢⎣

⎡−−++−

−−−−=

44

Para la determinación de la distribución espacial de la temperatura ambiental (Ta) se

crearon imágenes interpolando los datos de temperatura ambiental de 13 estaciones

meteorológicas ubicadas en distintos puntos del Valle del Yaqui (Tabla 2). En la figura 17

se puede observar que si hay variación en cuanto a la temperatura dentro del área del

Valle del Yaqui, de hecho, se observa un gradiente de menor a mayor temperatura que

ocurre de oeste a este en el momento en que se captó la imagen del satélite LANDSAT 7

(1 Enero de 2003).

La tabla 2 muestra los valores de temperatura y de evapotranspiración potencial del día 1

de Enero de 2003 que se registraron en las diferentes estaciones meteorológicas

ubicadas en el Valle del Yaqui.

Tabla 2. Estaciones meteorológicas situadas en el valle del Yaqui. Los datos corresponden al día 01 de enero de 2003.

Coordenadas UTM-12 ESTACIÓN METEOROLÓGICA BLOCK LOTE

X Y TEMPERATURA °C

EVAPOTRANSPIRACIÓNPOTENCIAL

mm/día

Block 111 111 20 587068.46 3043444.95 15.8 2.83 Block 414 414 32 609818.71 3036553.09 18.2 3.51 Block 609 609 30 589179.39 3032861.61 16.1 3.86 Block 727 727 28 570571.69 3030691.18 15.5 3.74 CIANO 910 3 606038.95 3027913.70 16.9 3.59 Block 1103 1103 21 593526.81 3022756.39 16.9 3.38 Block 1317 1317 20 581201.58 3019120.40 15.4 3.23 Block 1418 1418 7 615022.59 3017847.21 17.2 3.43 Block 1703 1703 36 594627.74 3010080.22 16.0 3.42 Block 2210 2210 25 606655.77 3000628.56 17.2 3.38 Block 2328 2328 21 624099.49 2998684.42 18.2 3.37 Block 2920 2920 11 616072.58 2986973.64 16.8 3.15 Predio El jazmin 597156.71 3045187.57 16.4 3.44

La figura 15 muestra la distribución espacial de la temperatura para el Valle del Yaqui,

en ella se observa una variación que va de los 15 a los 18 °C.

45

Figura 15. Distribución espacial de la temperatura en el Valle del Yaqui para el día 01 de enero de 2003.

4.4 Distribución espacial de WDI y evapotranspiración

La figura 16 muestra la distribución espacial del índice de déficit de agua (WDI) calculado

para el día 16 de diciembre de 2002 después de haberse aplicado el modelo construido

en el apartado 3.

46

Figura 16. WDI determinado para el día 16 de diciembre de 2002.

De manera general se observan algunas manchas de color rojo con índices de estrés muy

bajos (<0.2) al Poniente del Valle del Yaqui, es decir en la región colindante con el Río

Yaqui. Esto puede explicarse debido a condiciones de microclima y propiedades del suelo

que favorecen la retención de humedad o inclusive a parcelas que acaban de ser

regadas, dado que en estas fechas se aplican los riegos de presiembra. En caso contrario

los índices más elevados de WDI se encontraron concentrados principalmente en el

Sureste del Valle del Yaqui con valores entre 0.5 a 0.7. Sin embargo, en esta fecha el

trigo se encuentra en etapa de emergencia, por lo que es difícil hacer una especulación si

47

estos valores se deben a microclima o al tipo de suelo. La figura 17 muestra WDI en el

Valle del Yaqui para el día primero de Enero de 2003.

Figura 17. WDI determinado para el día 01 enero de 2003.

En esta fecha puede observarse que aún continúan acentuándose los índices de estrés

altos en la región Sureste del Valle. Aunado a ello, la porción centro–poniente también

comienza a mostrar valores de estrés hídrico altos, es decir entre 0.5 y 0.7. En esta etapa

se puede considerar que la mayoría del cultivo de trigo está establecido y comienza a

aplicarse el primer riego de auxilio. Cabe resaltar que en este año, como recomendación

48

de manejo, se estableció que el primer riego de auxilio se aplicará alrededor de 60 días

después de la siembra.

La figura 18 muestra la variabilidad en los valores de WDI. Al hacer un acercamiento, en

este caso, a los blocks 610 y 710 del Valle del Yaqui, se puede observar como dentro de

un mismo block puede haber diferentes valores de WDI que indican diferentes manejos de

riegos. También puede observarse que en algunos lotes aparece un gradiente de

distribución de WDI, esto es útil para inferir cómo se regó, y dónde comenzó a regarse

mediante la comparación de las partes que están mas húmedas, y las más secas.

Figura 18. Detalle del block 610 (calle 600 entre 10 y 8) del block 710 (calle 700 entre 10 y 8) del Valle del Yaqui. En ella se aprecia los diferentes índices de estrés.

49

La imagen del Valle del Yaqui para el día 6 de Marzo de 2003 (Fig. 19), muestra que el

rango dominante de los índices está entre 0.3-0.5. Durante está fecha se aplicaron casi al

mismo tiempo el segundo y tercer riego de auxilio ya que, por recomendación de manejo

del cultivo, se deben aplicar en las etapas cercanas a la floración y al llenado de grano.

Por otra parte, se siguen observando valores críticos de estrés aunque menos

concentrados espacialmente en el área del Valle, conservándose únicamente el patrón en

la región Sureste.

Figura 19. WDI determinado para el día 06 marzo de 2003.

50

Finalmente se muestra la última imagen disponible para WDI, correspondiente al día 22

de marzo de 2003 (Fig. 20). En ella se observa claramente que casi la totalidad del Valle

muestra condiciones de humedad en el suelo favorables para el cultivo, ya que la mayoría

de los valores oscilan entre 0 a 0.3, concentrándose principalmente en la región central y

poniente. Sin embargo, continúa la tendencia de valores altos de WDI en la región

Sureste.

Figura 20. WDI determinado para el día 22 marzo de 2003.

51

La estimación de la evapotranspiración con el trapezoide de Moran mostró una

distribución espacial para el día 16 de Diciembre de 2002 (Fig.21) en la que no aparece

ningún patrón definido.

Figura 21. Evapotranspiración determinada para el día 16 de diciembre de 2002.

Los valores oscilaron entre 1.5 a 3 mm/día. Sin embargo, para el día 1 de enero de 2003

(Fig. 22) se observa una clara acentuación espacial con un incremento en la tasa de

evapotranspiración real en las regiones cercanas al Río Yaqui y al arroyo Cocoraque

(región central y noroeste del Valle del Yaqui). En estas regiones mostradas en color

52

morado los valores de la evapotraspiración fluctúan entre 2 a 3 mm/día. Por otra parte el

rango entre 1.5 a 2 mm/día el que más predomina en toda el área de estudio en esta

fecha.

Figura 22. Evapotranspiración determinada para el día 01 enero de 2003.

En la imagen disponible para marzo 6 de 2003 (Fig. 23) volvió a repetirse la

heterogeneidad espacial, pero el rango de valores de ET es mayor que en las imágenes

previas registrándose entre 2 a 4 mm/día. Puede observarse una cierta tendencia a

concentrarse los valores medios (2-2.5 mm) en la parte sureste del Valle y en forma

53

dispersa al poniente. En cambio los valores altos de ET para esta misma fecha tienden a

conglomerarse en la región centro-oriente del Valle con valores mayores a 3 mm/día.

Fig. 23. Evapotranspiración determinada para el día 06 de marzo de 2003.

Por último, al 22 de marzo de 2003 (Fig. 24) claramente aparece una tendencia a

acentuar los valores más altos de evapotranspiración en la región central del Valle del

Yaqui con valores que oscilan entre 4.5 y 5 mm/día. El resto del valle presenta un rango

de evapotranspiración predominante entre 3.0 a 4.0 mm/día. En esta etapa se encuentra

el cultivo en condiciones óptimas debido a que, como lo muestra la imagen de WDI, tiene

condiciones de disponibilidad de agua óptimas por consiguiente valores de índice de

estrés bajos.

54

Fig. 24. Evapotranspiración determinada para día 22 de marzo de 2003.

4.5 Análisis estadísticos de los resultados

La figura 25 muestra la relación significativa estadísticamente (p<0.01) entre los valores

de WDI y los días transcurridos desde el último riego, mostrando una relación lineal con

un coeficiente de correlación de 0.96.

55

Días después del riego

0 10 20 30 40 50 60 70

WD

I

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

y = 0.0076741x+ 0.1657R2 =0.9307

Error stándar = 0.044

Figura 25. Relación entre WDI y días después del riego.

Puede observarse que a pocos días de aplicarse un riego, cuando el suelo se encuentra

prácticamente saturado (1-5 días), los valores de WDI son muy bajos (entre 0.1-0.2).

Conforme los días trascurren el suelo comienza a secarse y los valores de estrés

aumentan. De acuerdo a las imágenes de satélite procesadas se encontraron valores

máximos a los 65 días después del riego, con un valor de WDI de alrededor de 0.7.

La figura 26 y 27 muestran los días trascurridos después del último riego aplicado hasta

el día 1 de Enero y 22 de Marzo fechas en que se captaron las imágenes. Puede

observarse la diferencia en días transcurridos entre la imagen de Enero y Marzo, mientras

en la imagen de Enero se observan hasta más de 60 días transcurridos después del riego;

en la imagen de Marzo los valores máximos oscilan entre 20 a 30 días. Estas diferencias

se deben a los manejos de los riegos de auxilio.

56

Figura 26. Distribución de los das transcurridos a partir del último riego aplicado. La imagen corresponde a enero de 2003.

57

Figura 27. Distribución de los das transcurridos a partir del último riego aplicado. La imagen corresponde marzo de 2003.

En la figura 28 se puede comprobar que existe una correlación lineal entre los valores de

Índice de déficit de agua y los de evapotranspiración calculados por el método de Moran.

La magnitud en la evapotranspiración cambia en relación a la evolución del cultivo. Los

valores más bajos aparecen en los primeros estadíos del crecimiento cuando las

temperaturas son más bajas, y conforme se va desarrollando el cultivo la tasa de

evapotranspiración aumenta. Con la obtención de las diferentes ecuaciones se puede

estimar la evapotranspiración real dependiendo del valor de WDI en cada época del año.

58

La evapotranspiración de Enero es la más baja, presentando una temperatura ambiental

media de 15.2 °C y una radiación solar de 15.02 MegaJoules/m2. Por otra parte, el 6 de

marzo se tienen los valores intermedios de estas tres fechas con una temperatura media

de 26.6 °C y una radiación solar de 21.99 MegaJoules/m2. Por último, en Marzo 22 se

presenta la los valores más altos de temperatura media (20.8 °C) y radiación solar (24.20

MegaJoules/m2).

WDI

0,0 0,2 0,4 0,6 0,8 1,0

Eva

potra

nspi

raci

ón (m

m)

0

1

2

3

4

5

6

Día juliano 1Día juliano 65Día juliano 81

Figura 28. Relación WDI y evapotranspiración en diferentes épocas del año.

Por otra parte se compararon los valores de evapotranspiración calculados por el método

trapezoidal de índice de vegetación-temperatura superficial de Moran con los valores de la

misma variable pero calculados con el método propuesto por Garatuza (2001) basado en

la ecuación de Makkink y la figura 29, muestra la comparación de los valores de

evapotranspiración de ambas metodologías para algunos días seleccionados.

59

a) Comparación ET Makkink y Moran

Día juliano 1

ET Moran (mm)

0.0 0.5 1.0 1.5 2.0 2.5

ET M

akki

nk (m

m)

0.0

0.5

1.0

1.5

2.0

2.5

R² = 0.087

b) Comparación ET Makkink y MoranDía juliano 65

ET Moran (mm)

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

ET M

akki

nk (m

m)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

R ² = 0.035

c) Comparación ET Makkink y MoranDia juliano 81

ET Moran (mm)

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0

ET M

akki

nk (m

m)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

R ² = 0.022

Figura 29. Relación entre los valores de evapotranspiración calculados por el método de Moran y Garatuza.

Como puede observarse entre los dos métodos no aparece relación estadística. La

diferencia en el cálculo de la variable por ambos métodos podría explicar la falta de

relación entre las variables. Alternativamente se analizaron los valores de

evapotranspiración por los dos métodos por medio de una comparación simple de dos

muestras y una comparación de muestras apareadas (Tablas 3 y 4).

60

Tabla 3. Resultados de la comparación de medias de los dos métodos para estimar evapotranspiración.

ET Moran

Enero 01

ET Garatuza

Enero 01

ET Moran

Marzo 06

ET Garatuza

Marzo 06

ET Moran

Marzo 22

ET Garatuza

Marzo 22

n 195 195 641 641 850 850

Promedio 1.624 1.702 2.371 3.223 4.207 3.282

Varianza 0.049 0.198 0.0821 0.180 0.283 0.448

Desv. Est 0.222 0.445 0.286 0.424 0.532 0.669

Mínimo 1.090 0.713 0.488 1.030 1.810 1.521

Máximo 2.209 2.329 2.679 3.553 5.468 4.228

Rango 1.118 1.616 2.190 2.523 3.657 2.706

Tabla 4. Resultados de la comparación de medias apareadas de los dos métodos para estimar evapotranspiración.

ET Garatuza-ET Moran Enero 1

ET Garatuza-ET Moran Marzo 6

ET Garatuza-ET Moran Marzo 22

n 195 641 850

Promedio 0.078 0.852 0.925

Varianza 0.307 0.241 0.840

Desvianción Estándar 0.554 0.490 0.916

Mínimo -1.239 -1.400 -3.640

Máximo 1.126 2.882 1.640

Rango 2.366 4.282 5.280

Valor de t 1.973 43.995 29.429

t .01 2.326 2.326 2.326

Existe una tendencia en el método de Moran a mostrar menor variabilidad en los valores

de Evapotransporación debido a que presenta una menor varianza y desviación estándar

que el método de Garatuza en las tres fechas de estudio. Sin embargo como lo demuestra

el análisis de medias apareadas, existe la evidencia de que los métodos son

completamente distintos debido a que el valor de la t calculada para la diferencia de los

valores de método Garatuza-Moran es diferente que la t al 0.1.

61

Por otro lado, el rendimiento del grano de trigo durante el año 2003 fue explicado de

manera residual (R2 = 5%) por el índice de estrés hídrico. Alternativamente se relacionó

mediante un análisis de correlación simple la cantidad de arcilla (que en un principio

manejamos como responsable de tener un efecto sobre la cantidad de agua acumulada

en el suelo) y el índice WDI.

Los resultados mostraron una gran dispersión de los puntos con un coeficiente de

correlación muy bajo para las tres profundidades (Fig. 30). Para el día 1 de Enero se

encontró un coeficiente de correlación R2 < 0.03 y para los días 6 y 22 Marzo, R2 < 0.005

y R2 < 0.02, respectivamente.

a) Relación entre WDI y porcentaje de Arcilla

Dia Juliano 1

Porcentaje de arcilla

0 10 20 30 40 50 60

b) Relación entre WDI y porcentaje de ArcillaDia Juliano 65


0 10 20 30 40 50 60

WD

I

0.0

0.2

0.4

0.6

0.8

1.0Profundidad 0-30 cm.Profundidad 30-60 cm.Profundidad 60-90 cm.

WD

I

0.1

0.2

0.3

0.4

0.5

0.6

0.7


c) Relación entre WDI y porcentaje de Arcilla

Dia Juliano 81


0 10 20 30 40 50 60

WD

I

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Profundidad 0-30 cm.Profundidad 30-60 cm.Profundidad 60-90 cm.

62

Figura 30. Relación entre los porcentajes de arcilla y WDI.

En todas las relaciones no se observó una correlación estadística entre el porcentaje de

arcilla y el índice de déficit de agua. La correlación entre capacidad de campo (que

involucra el resto de las variables del suelo como lo es limo y arena) y WDI tampoco

resultó significativa estadísticamente (Fig. 31). a) Relación entre WDI y Capacidad de Campo

Día Juliano 1

Capacidad de campo

5 10 15 20 25 30 35 40

WD

I

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8


b) Relación entre WDI y capacidad de campoDía juliano 65

Capacidad de campo

5 10 15 20 25 30 35 40

WD

I

0.0

0.2

0.4

0.6

0.8

1.0


c) Relación entre WDI y Capacidad de CampoDía juliano 81

Capacidad de campo

5 10 15 20 25 30 35 40

WD

I

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7


Figura 31. Relación entre capacidad de campo y WDI.

Los coeficientes de correlación en cada una de las tres profundidades fueron nuevamente

muy bajos. Para el día 1 de Enero se determinó una R2 < 0.04 y para los días 6 y 22 de

marzo fueron de R2 < 0.003 y R2 < 0.02 respectivamente.

63

V. DISCUSIÓN DE RESULTADOS


Las temperaturas que se obtuvieron en suelo para la definición del trapezoide de Moran

concuerdan con lo demostrado por Jackson (1982) y Moran (1994). Ellos explican que el

suelo desnudo siempre se encuentra por encima de la temperatura ambiental.

Generalmente puede exceder en 10 a 15 ºC a la temperatura del aire debido a que la

inercia termal del suelo es relativamente baja (Reynolds et al., 2001). Por otra parte, la

humedad es uno de los factores que afecta considerablemente las propiedades térmicas

del suelo (Carnahan y Larson, 1990) lo que explica que la temperatura del suelo en

condiciones de saturación se encuentra por debajo de la temperatura ambiental. Esto se

debe a que cuando el suelo no se encuentra limitado por agua y considerando el efecto

que puede tener el viento y la radiación incidente, se crea un enfriamiento en relación a la

temperatura del aire (Jackson,1982).

64

Se utilizó NDVI como índice de vegetación debido a que este índice muestra más

sensibilidad a coberturas parciales o en etapas tempranas de los cultivos, a diferencia de

MSAVI que es más sensible a coberturas completas pero es insensible a cambios

espectrales debido al suelo como fondo. (Eastman y USWCL, 2003). Debido a que la

estadía del cultivo es de alrededor de 6 meses y se comienza el monitoreo de riegos en

las etapas criticas del cultivo, NDVI ofrece esa gran ventaja sobre MSAVI. Esto coincide

con lo postulado por Clark (1997) y Yang (1994) quienes utilizan NDVI en lugar de MSAVI

que es el índice originalmente propuesto por Moran (1994). Otra de las ventajas que

ofrece NDVI es que es el índice de vegetación mas comúnmente utilizado y tiene la

habilidad de minimizar los efectos topográficos (Eastman, 2003).

Por otra parte el modelo desarrollado es similar al presentado por Moran (1994) y Yang

(1996) donde utilizan los valores de la pendiente y el intercepto de las líneas rectas que

forman los vértices 2-3 y 1-4 del trapezoide para determinar los valores de Ts-Ta máximo y

mínimo usando NDVI como índice de vegetación. Debido a la dificultad en la obtención de

algunos parámetros establecidos por Moran (1994), los vértices del trapezoide se

establecieron mediante la definición de valores extremos de NDVI y temperaturas

superficiales, coincidiendo con Clark (1997) y Yang (1996 ). Ellos midieron el índice de

vegetación (NDVI) a una cobertura total bajo un suelo saturado y también en condiciones

de sequía para establecer los vértices 1 y 2, dando como resultado temperaturas menores

a la del aire en el primer caso e iguales que la temperatura ambiental en el segundo. Esto

se comporta así debido a que el agua evaporada enfría las hojas por debajo de la

temperatura del aire. A medida que el cultivo se estresa por falta de agua, la transpiración

decrece y por lo tanto la temperatura de las hojas aumenta hasta igualar a la del aire

(Jackson, 1982).

La figura trapezoidal obtenida es muy similar a la obtenida por Moran (1994) y Yang

(1996), sin embargo, difieren en los valores de NDVI y Ts-Ta . Esto es normal y de hecho

debe haber diferencias entre estos valores. La diferencia se explica porque Yang realizó

sus mediciones en caña de azúcar y Moran en alfalfa, mientras que en este trabajo se

realizó en trigo. Los comportamientos fisiológicos (abertura de las estomas, tipo de raíz,

tamaño de la planta) y las necesidades hídricas de los tres cultivos son muy distintas. Es

65

por esto que el trapezoide de Moran es considerado específico para el manejo hídrico de

un determinado cultivo.

5.2 Relación WDI y aplicaciones del riego

Los resultados obtenidos de la relación entre WDI y días después del riego, coinciden con

lo expuesto por Moran (1994) en un estudio con algodón. En este experimento después

de aplicarse un riego se obtienen valores de 0.2 y después de 37 días de aplicado el riego

el valor de WDI llegó a 0.8. La rapidez con que aumenta el valor de WDI en este

experimento se debe a que el algodón se siembra durante el verano en Arizona a

comparación del trigo en nuestra región que se siembra en invierno. En otro experimento

realizado por Jackson et al (1991), se obtuvieron valores de WDI también muy similares.

Después del riego el valor alcanzado del índice de estrés es 0.1, al transcurrir 28 días se

obtuvo un valor de 0.69, antes de la aplicación del riego de auxilio (mes de Abril). Existe

una relación muy estrecha entre el agua disponible en el suelo y el índice de estrés, lo

que da como resultado una cercana relación entre el agua contenida en el suelo y la

temperatura de la planta. Por lo tanto, se convierte en un fuerte apoyo para utilizar la

temperatura del follaje en la evaluación del estrés de la planta. Los resultados de Jackson

et al. (1991) muestran una muy buena sincronía entre los eventos de riego y WDI, es

decir, valores del índice muy cercanos a 0 cuando se encuentra el suelo en saturación,

aumentando conforme se seca y volviendo a tener valores de alrededor de cero cuando

se vuelve aplicar un riego de auxilio. Por otra parte, la ecuación obtenida en esta relación

(WDI frente a días trascurridos después del riego) puede ser de gran utilidad en el

manejo de riegos ya que la mayoría de los productores de nuestra región actualmente

manejan la irrigación de sus cultivos basándose en los días transcurridos después del

último riego aplicado.

5.3 Distribución espacial de evapotranspiración y WDI

Los valores de evapotranspiración en Diciembre y Enero son los más bajos. Esto se debe

principalmente a que la tasa de evapotranspiración es afectada por varios factores. Uno

de ellos es la conductancia estomática. Para que una planta mantenga altas tasas de

fotosíntesis, debe tener un efectivo sistema vascular para la transpiración del agua y

66

transporte de los nutrientes. Otros factores que también afectan la tasa de

evapotranspiración son el estado del agua en el suelo, la temperatura del aire, la

humedad relativa y la radiación incidente (Reynolds et al., 2001). En el caso de Diciembre

y Enero el cultivo de trigo se encuentra en emergencia y aparición del primer nudo

respectivamente. Es decir, la planta tiene una cobertura parcial, su área de índice foliar es

bajo por lo que su aportación de agua por evapotranspiración a la atmósfera es baja. Por

otra parte, los factores ambientales que influyen en la evapotranspiración como la

temperatura y la radiación incidente tienen valores bajos en los meses de Diciembre y

Enero y éstos aumentan conforme transcurren los días después de la siembra hasta la

cosecha. En Marzo el cultivo tiene una cobertura completa, su área foliar es mayor, por lo

tanto su actividad fotosintética es muy alta requiriendo de una alta tasa de transpiración.

También los factores ambientales influyen mucho debido a que los valores de temperatura

y radiación neta son mayores que en los estadíos de emergencia del cultivo. Esto coincide

con lo expuesto por (Gómez et al., 2001) en donde en zonas semiáridas el contenido de

agua en el suelo está afectado de manera muy estrecha por la evapotranspiración, la

cuál, es influenciada por la radiación solar y el follaje de la vegetación.

La distribución espacial de WDI ó de la tasa de evapotranspiración dentro de un block

inclusive en un mismo lote (Fig. 20) nos ayuda a comprender su variabilidad. Esta

variabilidad en un mismo terreno puede ser explicado por diferencias en el nivel de

terreno, propiedades del suelo e inclusive manejo agronómico. Gómez et al., (2001)

explica que los factores que afectan la variabilidad espacial del contenido de humedad en

el suelo son aquellos considerados como controles locales tales como lo es textura de

suelo y la pendiente. Moore et al., 1988, encontró una correlación negativa entre el ángulo

de la pendiente y humedad del suelo. Para otros autores como Henninger et al. (1976), la

textura es el factor más importante que determina los patrones de distribución de

humedad del suelo. Por lo tanto, el uso de percepción remota puede ayudar a conocer el

manejo de los riegos en un cultivo y es posible determinar las posibles causas de

variación en un mismo terreno.

En cuanto a la distribución de WDI y ET en todo el Valle, sobresalen algunas zonas del

Valle del Yaqui, como por ejemplo, la región sureste conocida como arroyo Bacame o

arroyo Santini donde se observa que WDI tiene la tendencia a permanecer con valores

67

altos en cada una de las imágenes procesadas. En este caso es posible atribuir al suelo

un efecto sobre el WDI. De acuerdo a Moreno (1998) esta zona es considerada, según los

tipos de suelos que se encuentran en el Valle del Yaqui, como barrial pedregoso. Este tipo

de suelo tienen un alto porcentaje de arcilla (37-40%), sin embargo, poseen altas

cantidades de arena por lo que su capacidad de campo y punto de marchitéz son

similares a los aluviones ligeros (32-15%), teniendo poca capacidad de retención de

humedad.

No hay relación lineal o cuadrática entre los valores de evapotranspiración obtenidos

mediante el método de Garatuza y los calculados mediante el trapezoide. Moran et al.,

(1994) nos dice que la estimación de WDI es una estimación de la evapotranspiración

tanto del suelo como de la planta y se interpreta como la cantidad de evapotranspiración

que ocurre en tiempo real relativo a la evapotranspiración potencial. Por otro lado, la

metodología de Garatuza (2000) basada en la ecuación de Makkink tiene la capacidad de

estimar la evapotranspiración potencial a partir de radiación solar y factores de cultivo

derivados para el cultivo de trigo. Este último método es hasta el momento, uno de los

más recomendado para su implantación en el Valle del Yaqui en el cálculo de ET

(Garatuza, 1998). La distinta forma en que se calculan las variables y en el resultado que

expresan, puede explicar la falta de relación entre las dos metodologías, como lo explican

Satti et al. (2004) donde encuentran diferencias en la magnitud de distintos métodos para

determinar evapotranspiración. Por ejemplo, el método de Hargreaves es un

procedimiento empírico que depende en gran medida de la temperatura del aire. La

inconsistencia y las pobres estimaciones de los métodos por temperatura se deben a que

no toman en cuenta la radiación solar, déficit de presión de vapor o porcentaje de días

soleados los cuáles juegan un papel importante en la estimación de evapotranspiración

sobre todo en ambientes donde las variaciones en ET se deben a los factores antes

mencionados que la temperatura. Otro factor que es un crítico componente en el cálculo

de evapotranspiración del cultivo es la resistencia estomática. Este concepto es definido

como la resistencia de un flujo de vapor a través de un cultivo en transpiración y la

superficie evaporativa del suelo. En algunos métodos como el Penman y el de FAO-24

consideran esta variable para calcular evapotranspiración.

68

Una discrepancia que mostraron los métodos fue en los valores de ET en suelo desnudo.

La metodología de Moran si determinó valores en suelo desnudo, mientras que la

metodología de Garatuza no determina un valor real para este tipo de superficie. Esto

coincide con lo expuesto por Kato et al., (2002) que nos dice que cuando el suelo no está

cubierto con follaje, la evapotranspiración es difícil de determinar utilizando modelos de

transferencia de energía.

Para fines hidrológicos es más importante la tasa de evapotranspiración en un periodo de

24 horas. Por esto, es posible aplicar un modelo de simulación para evapotranspiración

actual, como lo indican Kato et al. (2002), alimentándolo con variables como radiación

neta, flujo de calor, tipos de suelo etc. De hecho, Moran (1994) ha tenido mucha más

precisión en determinar ET combinando valores obtenidos con percepción remota y datos

de variables físicas, que sólo utilizando datos obtenidos de percepción remota.

En cuanto al efecto que pueda tener el estrés hídrico sobre el rendimiento, el análisis

estadístico nos dice que el WDI sólo nos explica el 5% de la variabilidad en el

rendimiento. Por otra parte, no existe ninguna relación entre WDI y capacidad de campo

ni entre WDI y porcentaje de arcilla a cualquiera de las tres profundidades estudiadas. La

explicación por la cuál no existe relación puede ser variada. De acuerdo a Lin et al. (2004)

la variabilidad en el mapeo de suelos puede deberse a cinco factores principales entre los

cuáles se encuentra; la extensión espacial o el tamaño del área, las escalas o la

resolución espacial del mapa, la región espacial o fisiográfica, propiedades del suelo o

procesos y por último el factor tiempo. Esto se resume en que conforme aumenta la

resolución y extensión espacial la magnitud de la variabilidad del suelo se podría

incrementar. En este caso aunque las escalas son las mismas, el origen de los datos es

distinto. Los datos de WDI y rendimiento provienen de datos espectrales de las imágenes

de satélite y los datos de textura provienen de un sistema de información geográfica y los

datos en puntos desconocidos se obtuvieron por medio de interpolación. Valdez (1991)

recalca que la estimación del valor dentro del dominio donde la variable no se midió es un

problema y que la incertidumbre en el cálculo de la interpolación se agudiza cuando la

variable a conocer presenta una gran variabilidad en intervalos pequeños. De acuerdo a

los resultados que generaron los variogramas podemos decir que existe una gran

69

variabilidad conforme nos desplazamos 200 metros del punto de muestreo. Esta

representa alrededor del 50 al 60 % de la total. Por lo tanto no es posible obtener una

ecuación de predicción a partir de los datos obtenidos de arcilla y WDI.

Por otra parte las relaciones estadísticas entre características del suelo y productividad o

parámetros del cultivo coinciden con lo expuesto por Todorovic y Steduto (2003), donde

evaluaron en un sistema de información geográfica la relación entre características del

suelo y productividad del cultivo. Ellos exponen que en muchos casos es difícil desarrollar

una relación con una tendencia lineal debido a las dificultades para tomar en

consideración la aplicación de fertilizantes y las practicas de manejo. En ambientes

naturales puede obtener una mejor relación debido a que no hay el efecto de estas dos

prácticas antropogénicas. Satti et al. (2004) indican que la capacidad de retención de

agua disponible en el suelo tiene un impacto menor en las demandas de irrigación, debido

a algunos impactos adicionales que afectan la respuesta de las plantas que pueden ya

sea mitigar o aumentar la demanda de agua. En particular, las propiedades del suelo

tienen considerables diferencias regionales y variabilidad entre diferentes sitios de

muestreo, sobre todo en suelos heterogéneos, como los presentes dentro del delta

formado por el Río Yaqui.

Qiu et al. (2001), refuerzan lo discutido anteriormente debido a que argumentan que hay

atributos ambientales como el uso del suelo y la topografía que juegan un papel en el

control de la distribución espacial del contenido de humedad del suelo, ya que influencia

la infiltración, el escurrimiento y la evapotranspiración. La diferencia en la transpiración de

la vegetación como resultado del uso de suelo y las distintas etapas de desarrollo de un

cultivo puede eliminar los efectos de la topografía.

Las relaciones entre la humedad del suelo y los atributos ambientales a escalas

pequeñas fueron encontradas muy variables por Famiglietti et al. (1998). En algunos

casos hay una relación significativa pero en otros la relación es insignificante, sobre todo

en lugares de captación cubiertos con vegetación natural. Como mencionamos

anteriormente en el caso de zonas de agricultura intensiva, las prácticas de manejo, la

fertilización e inclusive la irrigación pueden afectar estas relaciones.

70

Cabe señalar algunas recomendaciones para poder establecer un manejo en irrigación

por medio de Sistemas de Información Geográfica y datos provenientes de percepción

remota. Para obtener una alta confiabilidad de las variables que alimentan la base de

datos del SIG, sería necesario establecer puntos de muestreo a lo largo del Valle

debidamente georefenciados y con otros parámetros que puedan afectar la capacidad de

retención de agua en el suelo. Además para poder comparar los valores obtenidos con el

modelo de Moran, es necesario establecer parcelas experimentales en varias localidades

del Valle del Yaqui donde se evalué evapotranspiración, contenido de agua tanto en suelo

como en planta, rendimiento en grano, e inclusive, análisis de suelo para evaluar el

impacto que tiene el estrés hídrico en estas variables y resaltar el debido uso del agua. En

un sentido amplio, los resultados aquí expresados pueden proveer un apoyo real para

cualquier trabajo el cual requiera la plantación de agua para irrigación referente a

cualquier área geográfica en un período de tiempo.

71

VI. CONCLUSIONES

El índice de Déficit de agua (WDI) puede ser utilizado para estimar la cantidad de agua

disponible en trigo y saber el grado de estrés que presenta, por lo cuál puede ser

utilizado como una herramienta para manejo en irrigación. Por otra parte, la metodología

de Moran presenta varias ventajas entre la que se encuentra la utilización de pocas

variables y de fácil determinación como lo son: NDVI, temperatura del aire y temperatura

superficial.

El desarrollo de este tipo de métodos basados en percepción remota y SIG (sistemas de

información geográfica deben de convertirse en una prioridad debido a razones

económicas y ambientales especialmente en este tipo de zonas donde el agua es escaso

y debe ser optimizado. El empleo de percepción remota es una herramienta esencial que

rara vez es aplicada en el manejo de sistemas agrícolas bajo riego ni a escala local o

regional Para el manejo eficiente de los recursos hídricos en la agricultura bajo riego se

requiere de la integración de muchas variables las cuáles incluyen: información

72

meteorológica, propiedades y uso del suelo, información del cultivo, disponibilidad de

agua, prácticas de manejo e inclusive redes de distribución eficientes.

El uso de imágenes de LANDSAT, con una resolución espacial de 30 m, permite conocer

el estado hídrico de pequeños lotes y parcelas, además, tiene una cobertura de visión de

187 km por lo que puede establecer el conocimiento de la dinámica del agua de un cultivo

tanto a nivel regional como a nivel parcelario. El desarrollo en el desarrollo de la

tecnología en percepción remota, con la continua incorporación de satélites y sensores

nos permite asegurar que en futuro no lejano el grado de exactitud será mucho mayor.

73

BIBLIOGRAFÍA Aguilera M. R. Martinez. (1996). “Relaciones Agua Suelo Planta Atmósfera”. Universidad

Autónoma de Chapingo.Comite Editorial del Departamento de Irrigación de UACH. Chapingo, México, pp. 171-180.

Bartoliucci, L.A. & M. Chang, (1988). “Look-up Tables to Convert Landsat TM Thermal IR

Data to Water Surface Temperatures”. Geocarto International, 3: 61-67. Bowman W.D (1989) “The Relationship Between Leaf Water Status, Gas exchange and

Spectral Reflectance in Cotton Leaves”. Remote sensing of Environment, 30: 249-255.

Brady, N., R. Weil, (1996). “The Nature and Properties of Soil”. Prentice Hall. New Jersey,

USA, pp 98-140. Campbell, J.B. (2002). Introduction to Remote Sensing, (3rd ed.) New York: The Gilford

Press. Carnahan, W.H., R.C. Larson (1990). “An Analysis of an urban heat sink”. Remote

Sensing of Environment, 33, 65-71. Carter, G.A. (1991). “Primary and Secondary Effects of Water Content on The Spectral

Reflectance of Leaves”. American Journal of Botany. 78: 916-924.

74

Chuvieco E. F.J Salas. I Aguado. D. Cocero. D. Riaño. (2001) Estimación del Estado Hídrico de la Vegetación a Partir de Sensores de Alta y Baja Resolución. Geofocus, 1:1-16.

Clarke, T.R. (1997).”An Empirical Approach for Detecting Crop Water Stress Using

Multispectral Airborne”. Hort Technology 7:9-16. Dent, D.L., A.Young, (1981). “Soil Survey and Land Evaluation”. Allen and Unwin Ltd.

London, UK. Eagleson, P.S (1982). “Ecological Optimality in Water-Limited Natural Soil-Vegetation

Systems,2. Test and applications”, Water Resources Research, 18:325-340. Ehrler, W. R. Idso. D. Jackson. (1978) “Wheat Canopy Temperature Relation to Plant

Water Potential”. Agronomy Journal, 70: 251-256. Eastman, R.J. (2003) Manual de IDRISI Kilimanjaro versión 14.01. Clark Labs, Clark

University, Worcester, MA, USA. Famiglietti, J., J Rudnicki, M. Rodell (1998). “Variability in Surface Moisture Content Along

a Hillslope : Rattlesnake Hill, Texas”. Journal of Hidrology. 210:259-281. Farrar, T.J., S.E. Nicholson, A.R. Lare. (1994). “The Influence of Soil Type on the

Relationships between NDVI, Rainfall and Soil Moisture in Semiarid Botswana”. Remote Sensing of Environment, 50:121-133.

Francois, C. (2002). “The Potential of Directional Radiometric Temperatures for Monitoring

Soil and Leaf Temperature and Soil Moisture Status”. Remote Sensing of Environment, 80:122-133

Fuentes, J. (1998). Técnicas de riego. Ministerio de Agricultura, pesca y alimentación.

Ediciones Mundi-prensa. Madrid. España, pp. 24-33. Garatuza, J., J. Shuttleworth, R. Pinker, (2001). “Satellite Measurements of Solar radiation

in the Yaqui Valley, Northern México”. Geofísica Internacional, 40:207-218. Garrot, D. J., M.J. Ottman, D. Fangmeier, S.H. Husman, (1994). “Quantifying Wheat Water

Stress with the Crop Water Stress Index to Schedule irrigations “. Agronomy Journal, 86:195-199.

Gómez-Plaza, A., M. Martínez-Mena, J. Albaladejo, V.M. Castillo. (2001). “Factors

Regulating Spatial Distribution of Soil Water Content in Small Semiarid Catchments”. Journal of Hydrology, 253:211-226.

Huete, A. R., (1988). “A Soil-Adjusted Vegetation Index (SAVI)”, Remote Sensing and the

Environment, 25: 53-70

75

Henninger, D.L., G.W. Peterson, E.T Engman, (1976). “ Surface Soil Moisture Within a Watershed; Variations, Factors Influencing and Relationships to Surface Run off”. Soil Society of America Journal, 40:773-776.

Ibarra, F. (1994). Estimación de precipitación en el noroeste de México utilizando

imágenes del satélite GOES. Cd. Obregón Sonora, pp. 1-4. Jackson, R.D (1982). “Canopy Temperature and Crop Water Stress”. Advances in

Irrigation, 1:43-45. Jackson, R.D. C.E, Ezra. (1985). “Spectral response of Cotton to Suddenly Induced Water

Stress”, International Journal Remote Sensing, 6:177-185. Jackson, R.D. S.B. Idso. R.J. Reginato. (1981). “Canopy Temperature as a Crop Water

Stress Indicator”. Water Resources Research, 17:1133-1138. Jackson, R.D., P.J. Pinter, R.J. Reginato, S.B. Idso. (1986). “Detection and Evaluation of

Plant Stresses for Crop Management Decisions”. IEEE Transactions of Geoscience and Remote Sensing, 24:99-106.

Kato, T., R. Kimura, M. Kamichica, (2004). “Estimation of Evapotranspiration,

Transpiration ratio and Water-use Efficiency from a Sparse Canopy Using a Compartment Model”. Agricultural Water Management. 65:173-191.

Kimes, D.S. M. Kirchner. (1983).”Directional Radiometric Measurements of Row-Crop

Temperatures”. International Journal of Remote Sensing. 4:299-311 Kramer, P. (1989). Relaciones hídricas de suelos y plantas: Una síntesis moderna.

Editorial Harla. Mexico, DF. Liang, X., D.P. Lettenmaier, E.F. Wood, S.J. Burges, (1994). “A Simple Hydrologically

Based Model of Land Surface Water and Energy Fluxes for General Circulation Models”. Journal of Geophysical Research, 99 :14415–14428.

Lin, H., D. Wheeler, J. Bell, L. Wilding, (2004). “Assessment of Soil Spatial Variability at

Multiple Scales”, Ecological Modeling, Article in Press: 1-19. Lobell, D., L. Addams, J.I. Ortiz-Monasterio, Soil, G. Asner. (2002) “Climate and

Management Impacts on Regional Wheat Productivity in México from Remote Sensing”. Agricultural and Forest Meteorology, 3073:1-13.

Luquet D, A. Vidal, J. Dauzat, A. Begué, A, Olioso , P. Clouvel. (2004). “Using Directional

TIR Measurements and 3D Simulations to Asses the Limitations and Opportunities of Water Stress Indices”. Remote Sensing of Environment, 90: 53-62.

Moore, I.D., P.E. Gessler, G.A. Nielsen, G.A Peterson. (1993) “Soil Attribute Prediction

Using Terrain Analysis”. Soil Science Society of American Journal, 57:443-452

76

Moore, I.D., G.J. Burch, D.H. Mackenzie, (1988). “Topographic Effects on The Distribution of Surface Soil Water and the Location of Ephemeral Gullies”.Trans. Am. Soc. Agric. Eng., 31:1098-1107.

Moran, M.S., A. Vidal, D. Troufleau, J. Qi, T.R. Clarke, P.J. Pinter, Jr., T.A. Mitchell, Y. Inoue, and C. M. U. Neale. (1997). “Combining Multifrequency Microwave and Optical Data for Crop Management”. Remote Sensing of Environment, 61:96-109.

Moran, S. (1994). “Irrigation Management in Arizona using Satellites and Airplanes”. Irrigation Sciences, 15: 35-44.

Moran, S., T.R. Clarke, Y. Inoue, A. Vidal. (1994). “Estimating Crop Water Deficit Using

the relation Between Surface-Air Temperature and Spectral Vegetation Index”. Remote Sensing of Environment, 46:246-263.

Moran, S., S.J. Maas y R.D.Jackson (1992), “Combining Remote Sensing and Modeling

for Regional Resource Monitoring, Part II: A Simple Model for Estimating Surface Evaporation and Biomass Production”, Proc.ASPRS/ACSM/RT92, Wasington D.C., 3-7 Aug, pp.215-214.

Ortiz, E. (2003). Oportunidad de aplicación de dos riegos de auxilio en trigo. Bajo riego por

gravedad en el Valle del Yaqui, Sonora. Memorias del XII Congreso Nacional de Irrigación. Zacatecas, México.

Peñuelas, J. J Piñol. R Ogaya. (1997). “Estimation of plant Water Concentration by the

reflectance Water Index WI (R900/R970)”. International Journal of Remote Sensing 18: 2869-2875.

Peñuelas, J. L Serrano. R Savé. (1993). “The Reflectance at the 950-970 nm region as an

Indicator of plant Water Status”. International Journal of Remote Sensing 14(10): 1887-1905.

Pinter P.J. R.J. Rejinato. (1982). “A Thermal Infrared Technique for Monitoring Cotton

Water Stress and Scheduling Irrigations”. American Society of Agricultural Engineers, 25:1651-1652.

Qiu, Y., B. Fu, J. Wang, L. Chen. (2001) “ Spatial Variability of Soil Moisture Content and

its Relation to Environmental Indices in a Semiarid Gully Catchment of the Loess Plateau, China”. Journal of Arid Environments. 49:723-750.

Reynolds M., S. Rajaram, K.D. Sayre. (1999) “Physiological and Genetic Changes of

Irrigated Wheat in the Post Green Revolution Period and Approaches for Meeting Projected Global Demand”. Crop Science, 39:1611-1621.

Reynolds M.P., J.I. Ortiz-Monasterio, A. McNab, (2001), “Application of Physiology in

Wheat Breeding. Mexico D.F. CIMMYT Publications, pp. 59-73.

77

Ribaut, J.M., D. Poland (eds) 2000. “Molecular Approaches for the Genetic Improvement

of Cereals for Stable Production in Water- Limited Environments”. Strategic Planning Workshop held in CIMMYT, El Batán Texcoco, México.

Rosenthal, W.D. G.F. Arkin, P.J. Shouse y W.R. Jordan (1987). “Water Deficit Effects on

Transpiration and Leaf Growth”, Agronomy Journal, 79:1019-1026. Rouse, J. W. Jr., Haas, R., H., Deering, D. W., Schell, J. A., and Harlan, J. C., (1974).

“Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect)of Natural Vegetation”. NASA/GSFC Type III Final Report, Greenbelt, MD., 371.

Satti, R. S., J.M. Jacob, S. Irmark, (2004). “ Agricultural Water management in a Humid

Region: Sensitivity to Climate, Soil and Crop Parameters.” Agricultural Water Management. 70: 51-65.

Todorovic, M., P. Steduto. (2003). “ A GIS for Irrigation Management”. Physics and

Chemistry of the earth. 28:163-174. United States Water Conservation Laboratory (USWCL) Crop Water Stress Detection.

Web Page, www.uscwl.ars.ag.gov/epd/remsen/irrweb/thindex.htm. Consultado 2003. Upchurch, D.R., W.J. Edmonds., (1991). “Statistical Procedures for Specific Objectives”.

Spatial Variabilities of Soils and Landforms. SSSA, Special publication #28. Soil Science Society of America, Inc., Madison, WI, pp.49-71.

Valdez, R.D. (1991). “Estimación de agua en el suelo”. Terra, 9:114-121. Webster, R., M.A. Olive. (1990). “Statistical Methods in Soil and Land Resource Survey”.

Oxford University Press, Oxford. Weng, Q., D. Lu, J. Schubring. (2004). “Estimation of Land Surface-Vegetation Abundance

Relationship for Urban Heat Island Studies”. Remote Sensing of Environment, 89:467-483.

Westman, W.E. C.V Price. (1988). “Spectral Changes in Conifers Subjected to Air

Pollution and Water Stress: Experimental Studies”. IEEE Transactions on Geoscience and Remote Sensing 26:11-20.

Yang, X. Q. Zhou, M. Melville. (1996). “Estimating Local Sugarcane Evapotrasnpiration

Using Landsat TM Imagery”. Proceeding of 8th Australian Remote Sensing Conference, 2:262-269.

78

MAESTRO EN CIENCIAS EN RECURSOS NATURALES PRESENTA …

Documents

Transcript of MAESTRO EN CIENCIAS EN RECURSOS NATURALES PRESENTA …