Detección de estrés hídrico en brocoli (brassica oleracea var. itálica), utilizando ndvi sobre imágenes multiespecttrales capturadas a corta distancia

Autores/as

  • Nancy Quito Universidad de Cuenca
  • Eduardo Tacuri Universidad de Cuenca.
  • Mateo López Universidad de Cuenca
  • Lucia Lupercio Universidad de Cuenca

Palabras clave:

Agricultura de precisión, brócoli, estrés hídrico, imágenes multiespectrales, NDVI

Resumen

La respuesta espectral de la vegetación proporciona valiosa información sobre sus características biofísicas y fisiológicas. El objetivo fue detectar estrés hídrico durante el desarrollo foliar del brócoli, mediante el cálculo del índice de vegetación de diferencia normalizada (NDVI) sobre imágenes multiespectrales (RED, NIR), capturadas a corta distancia (pixel de 2,4mm) con el fin de proporcionar una herramienta alternativa, que no sacrifique el cultivo y permita la toma de decisiones más oportuna.  Se realizó la captura de imágenes multiespectrales, de 120 plantas sometidas a estrés hídrico instantáneo, aplicando diferentes dosis de riego: T1-Anegamiento, T2, T3 y T4 a 25-50-75% respectivamente, en referencia a la Capacidad de campo y T5-Testigo; durante trece días, en dos periodos: 45 y 75 días después del trasplante. De forma paralela se registró variables fisiológicas como: conductancia estomática y contenido relativo de agua. Se calculó el NDVI. Se validaron los hallazgos comparando el NDVI con la conductancia estomática y contenido relativo de agua. Los resultados fueron estadísticamente significativos con nivel de confianza P=0,05, para el periodo de 45 días se determinó valores fuertes de correlación (R=0,71) comparando el NDVI con las variables fisiológicas; a diferencia del periodo de 75 días, se obtuvo valores de R débiles e inferiores a 0,45.  Este estudio permitió profundizar en el conocimiento de la respuesta espectral del cultivo de brócoli en su desarrollo vegetativo. Además, muestra la utilidad del NDVI a escala de parcela, como un enfoque rápido, alternativo y no destructivo para estimar estrés hídrico en cultivos para decisiones más oportunas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Águilar, N., Galindo, G., Fortanelli, J., & Contreras, C. (2010). Índice normalizado de vegetación en caña de azúcar en la Huasteca Potosina. Redalyc.Org.

Alatorre, L., Beguería, S., & Serrano, V. (2010). ANÁLISIS DE LA EVOLUCIÓN ESPACIO-TEMPORAL DEL NDVI SOBRE ÁREAS VEGETADAS Y ZONAS DE RIESGO DE EROSIÓN EN EL PIRINEO CENTRAL. Pirineos-Revista de Ecología de Montaña, 165, 7–27. https://doi.org/10.3989/Pirineos.2010.165001

Assamann, J., Kerby, J., Cunliffe, A., & Smith, I. (2018). Vegetation monitoring using multispectral sensors – best practices and lessons learned from high latitudes. NRC Journal of Unmanned Vehicle Systems, 1–51. https://doi.org/10.1139/juvs-2018-0018

Ballari, D., Acosta, E., Espinoza, Á., Orellana, D., Morocho, V., Martin, M., & Hardter, T. (2015). Análisis de imágenes UAV de las Islas Galápagos. Reevista GEOESPACIAL, 13. Retrieved from https://www.researchgate.net/publication/299283440_Analisis_de_imagenes_UAV_de_las_Islas_Galapagos

Bautista, R., Constante, P., Gordon, A., & Mendoza, D. (2018). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente Design and implementation of an artificial vision system for NDVI da. REVISTA INFOCIENCIA, 12(Figura 1), 30–35.

Berrío, V., Mosquera, J., & Alzate, D. (2015). Uso de drones para el analisis de imágenes multiespectrales en agricultura de precisión. @LIMENTECH CIENCIA Y TECNOLOGÍA ALIMENTARIA, (1), 28–40. https://doi.org/https://doi.org/10.24054/16927125.v1.n1.2015.1647

Castillo, M. (2019). Ánalisis de imágenes multiespectrales aéreas de una parcela de cultivo de palta. Universidad Nacional de San Antonio Abad Del Cusco. Retrieved from http://repositorio.unsaac.edu.pe/handle/UNSAAC/4765

Danson, F., Steven, M., Malthus, T., & Clark, J. (2007). International Journal of Remote Sensing High-spectral resolution data for determining leaf water content. Remote Sensing, (April 2013), 37–41. https://doi.org/https://doi.org/10.1080/01431169208904049

Díaz, J. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión. UNIVERSIDAD COMPLUTENSE DE MADRID, 78. Retrieved from http://eprints.ucm.es/31423/1/TFM_Juan_Diaz_Cervignon.pdf

Erazo, A., & Sevilla, H. (2019). Estudio multiespectral del cultivo de tuna para determinar SENTINEL 2A , en el cantón Guano , provincia de Chimborazo , Ecuador, 55–66. https://doi.org/http://dx.doi.org/10.29019/enfoque.v10n3.453

ESPAC. (2018). Encuesta de Superficie y Producción Agropecuaria Continua. Retrieved from http://www.ecuadorencifras.gob.ec/documentos/web-inec/Estadisticas_agropecuarias/espac/espac-2018/Presentacion de principales resultados.pdf

Espinoza, C., Khot, R., Sankaran, S., & Jacoby, P. (2017). High Resolution Multispectral and Thermal Remote Sensing-Based Water Stress Assessment in Subsurface Irrigated Grapevines. Remote Sensing, 9,961. https://doi.org/10.3390/rs9090961

Gilabert, M., González, P., & Martínez, B. (2010). Theory and applications of vegetation indices (Vol. 661). Kerala.

Hendawy, S., Suhaibani, N., Ashkar, I., Alotaibi, M., Tahir, M., Solieman, T., & Hassan, W. (2020). Combining Genetic Analysis and Multivariate Modeling to Evaluate Spectral Reflectance Indices as Indirect Selection Tools in Wheat Breeding under Water Deficit Stress Conditions. Remote Sensing. https://doi.org/10.3390 / rs12091480

Hossain, M., & Mohona, M. (2018). Shoot-root traits of broccoli ( Brassica oleracea var . italica L .) as influenced by different irrigation schedules. International Journal of Horticultural Science and Technology, 5(1), 11–18. https://doi.org/10.22059/ijhst.2018.256331.235

Ihuoma, S., & Madramootoo, C. (2020). Narrow-band reflectance indices for mapping the combined effects of water and nitrogen stress in field grown tomato crops. Biosystems Engineering, 192, 133–143. https://doi.org/10.1016/j.biosystemseng.2020.01.017

Jones, G., Serraj, R., Loveys, B., Xiong, L., Wheaton, A., & Price, A. (2009). Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field. Functional Plant Biology, 978–989. https://doi.org/10.1071/FP09123

Kałużewicz, A., Krzesiński, W., Spiżewski, T., & Zaworska, A. (2017). Effect of Biostimulants on Several Physiological Characteristics and Chlorophyll Content in Broccoli under Drought Stress and Re-watering. Notulae Botanicae Horti Agrobotanici Cluj-Napoca, 45(1), 197–202. https://doi.org/10.15835/nbha45110529

Kharuf, S., Hernández, L., Orozco, R., Aday, O., & Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Revista de Ingeniería Electrónica, Automática y Comunicaciones, XXXIX, 79–91. Retrieved from http://rielac.cujae.edu.cu/index.php/rieac/article/view/669/336

Mamani, J., Ramos, L., Ontiveros, R., Bustamante, W., & Porras, Z. (2019). Relación de la altura de planta del cultivo de arroz bajo estrés hídrico con índices de vegetación obtenidas de imágenes de dron. COMEII-19043. Retrieved from http://www.comeii.com/comeii2019/docs/ponencias/extenso/COMEII-19043.pdf

Martín, R., Dell´Amico, J., & Cañizares, P. (2018). RESPUESTA DEL PASTO CAYMAN ( Brachiaria híbrido cv . CIAT BRO2 / 1752 ) AL DÉFICIT HÍDRICO, 39(1), 113–118. Retrieved from http://scielo.sld.cu/pdf/ctr/v39n1/ctr15118.pdf

Mayorga, D., Roldan, M., & Uvidia, M. (2019). Uso del índice normalizado de vegetación para la elaboración de planos de cultivo. Opuntia Brava, 11, 261–265. https://doi.org/https://doi.org/10.35195/ob.v11i2.760

Montecé, F., Cadena, D., Alcívar, A., Caicedo, O., & Ruíz, I. (2020). TECNOLOGÍAS TIC ´ S PRODUCCIÓN AGROPECUARIA INFORMATION AND COMMUNICATION TECHNOLOGIES ( ICT ) IN. Journal of Science and Reserch, 5, 134–144. https://doi.org/10.5281/zenodo.3927015

Niñirola, D., Nicola, S., Pignata, G., Gilabert, C., & Fernández, A. (2014). Efecto de las PGPR en la producción y vida útil del berro (Nasturtium officinale) cultivado en bandejas flotantes. III Workshop En Investigación Agroalimentaria, 135–138. Retrieved from https://repositorio.upct.es

Pardos, J. (2004). Respuestas de las plantas al anegamiento del suelo Factores edáficos y climáticos. Retrieved from http://www.inia.es/gcontrec/pub/101-107-(05)-Respuestas_1162210193281.pdf

PROECUADOR. (2018). Boletín Mensual de Inteligencia de Mercados. Retrieved from https://www.proecuador.gob.ec/estudios-de-inteligencia-comercial/

Rodríguez, A., & Guevara, D. (2017). Comportamiento De La Conductancia Estomática De Dos Variedades De Tomate Cubanas En Condiciones De Campo Y Riego Limitado. Instituto Nacional de Ciencias Agrícolas, 38(2), 137–144. Retrieved from http://scielo.sld.cu/pdf/ctr/v38n2/ctr200217.pdf

Shikha, D., Waller, P., Hunsaker, D., Clarke, T., & Barnes, E. (2007). Ground-based remote sensing for assessing water and nitrogen status of broccoli. Agricultural Water Management, 92(3), 183–193. https://doi.org/10.1016/j.agwat.2007.05.020

Suárez, L., Fonseca, A., Fernandez, R., Infante, S., Castro, L., García, B., … Arias, M. (2015). Efecto de la salinidad sobre el contenido relativo de agua y la concentración de pigmentos en tres genotipos de frijol ( Phaseolus vulgaris L .). Centro Agricola, 42(3), 19–24. Retrieved from https://biblat.unam.mx/hevila/Centroagricola/2015/vol42/no3/3.pdf

Tafolla, J., González, A., Tiznado, M., & Zacarías, L. (2013). COMPOSICIÓN , FISIOLOGÍA Y BIOSÍNTESIS DE LA CUTÍCULA EN PLANTAS COMPOSITION , PHYSIOLOGY AND BIOSYNTHESIS OF PLANT CUTICLE. Revista Fitotecnia Mexicana, 36(1), 3–12. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0187-73802013000100001&lng=es&tlng=en.

Vila, H. (2011). Regulación de la hidratación y la turgencia foliares por mecanismos evitadores del estrés, y resistencia a déficit hídrico en vid. Modelo vs. experimentos. Retrieved from http://m.bdigital.uncu.edu.ar/objetos_digitales/4367/vila-regulacionhidratacion.pdf

Descargas

Publicado

2020-12-31
Estadísticas
Resumen 437

Cómo citar

Quito, N., Tacuri, E., López, M., & Lupercio, L. (2020). Detección de estrés hídrico en brocoli (brassica oleracea var. itálica), utilizando ndvi sobre imágenes multiespecttrales capturadas a corta distancia. Journal of Science and Research, 5(CININGEC), 41–59. Recuperado a partir de https://revistas.utb.edu.ec/index.php/sr/article/view/997