La mayoría de los estudios aplicados en arrozales se centran en el uso de sensores proximales, lo que dificulta la adopción de estas tecnologías en el sector agrícola

Los recientes avances tecnológicos y el aumento de nuestros conocimientos sobre la agricultura de precisión han permitido el desarrollo y la mejora de instrumentos de teledetección, proporcionado así una oportunidad para una mejora de la sostenibilidad en la agricultura (Mulla, 2013). Tanto los sensores proximales de campo como los satelitales se utilizan para monitorear el agua, el estado nutricional y de salud de las plantas y la condición del suelo (Lee et al., 2010).

La disminución en el coste de los sensores, así como la liberalización del acceso a los datos por parte de proveedores como la Agencia Espacial Europea (ESA) y la Administración Nacional de Aeronáutica y el Espacio (NASA), han facilitado enormemente la adquisición de grandes cantidades de datos espectrales. Sin embargo, al trabajar con esta gran diversidad de sensores surge la problemática de la compatibilidad de estos, por lo cual son necesarios unos estudios previos de integración entre conjuntos de datos adquiridos por diferentes sensores.

La teledetección proximal o 'ground-based' se realiza mediante sensores ubicados a pocos metros del objeto de interés. Este tipo de sensores tienen una alta resolución espacial, no son afectados por factores ambientales como la nubosidad, y son muy efectivos para aplicaciones prácticas como la fertilización variable (Shanahan et al., 2008; Burns et al., 2008; Gianquinto et al., 2011; Anastasiou et al., 2018).

De los dispositivos de teledetección proximal, el GreenSeeker Handheld Crop Sensor, se utiliza con frecuencia en cultivos como arroz, maíz, trigo y algodón, y forman parte de las herramientas más usadas en la agricultura de precisión (Lawton, 2008). Sin embargo, estos sensores solo proporcionan datos de una pequeña área de cobertura, por lo que consumen mucho tiempo y personal de trabajo para el monitoreo de grandes extensiones de cultivo dificultando la implementación de estas tecnologías de precisión en el sector agrícola. El uso de imágenes satelitales como recurso para la teledetección podría contemplarse como una alternativa de mayor cobertura, rápida adquisición, menor coste y fácil manejo (Joshi et al., 2016).

Los índices de vegetación son combinaciones de mediciones de longitud de onda espectral, que pueden ser indicativos de propiedades biofísicas del cultivo (Chen et al., 2010; Le Maire, Francois y Dufrene, 2004). El NDVI es el índice de vegetación más ampliamente utilizado, que ha demostrado estar estrechamente relacionado con varios parámetros del crecimiento del cultivo, como la biomasa o el contenido de nitrógeno (Hunt et al., 2005; Viña y Gitelson, 2005; Peng y Gitelson, 2012). Sin embargo, este índice puede tener varias limitaciones, especialmente cuando la biomasa del cultivo es alta, en etapas de senescencia, y cuando hay interferencias atmosféricas o del suelo (Van Der Meer et al., 2001; Ulsig et al., 2017; Huang et al., 2021). Sentinel-2 ofrece una gama mucho más amplia de índices espectrales en comparación con el NDVI que proporciona el sensor GreenSeeker.

Es fundamental reconocer que, aunque tanto el GreenSeeker como Sentinel-2 pueden medir el NDVI, existen diferencias significativas en la forma en que estos sistemas capturan los datos. El GreenSeeker es un sensor proximal que realiza mediciones activas, utilizando una fuente de luz propia y obteniendo datos de una franja estrecha y definida de la vegetación.  En contraste, Sentinel-2 es un satélite que capta datos de forma pasiva a gran altitud, midiendo la reflectancia sobre áreas mucho más amplias y afectadas por factores como la atmósfera y las condiciones de iluminación.

Estas diferencias en escala espacial, resolución y condiciones de medición pueden generar variaciones en los valores de NDVI (Wagner y Hank, 2013; Caterugli et al., 2015; Pellegrini et al., 2020; Jelínek et al., 2020; Zsebo et al., 2024). Por ello, es necesario este estudio, ya que permitirá evaluar cómo se correlacionan los datos obtenidos por ambos sistemas en el contexto del cultivo del arroz, estableciendo las bases para una integración fiable de estas tecnologías.

En este estudio, se compara el NDVI obtenido a través del GreenSeeker con el NDVI y otros índices derivados de imágenes satelitales Sentinel-2, con el objetivo de evaluar la complementariedad entre las mediciones proximales y satelitales. El estudio pretende encontrar una metodología escalable alineada con los datos obtenidos con sensores proximales para implementar las tecnologías de teledetección a gran escala. El objetivo principal es establecer una relación cuantitativa que permita integrar los datos de ambos sistemas, mejorando así la precisión y utilidad de las mediciones espectrales para la toma de decisiones en agricultura de precisión aplicada al cultivo del arroz.

Las mediciones proximales de NDVI se llevaron a cabo utilizando el sensor GreenSeeker (Trimble Inc., Sunnydale, USA). El GreenSeeker es un sensor espectral activo que está equipado con diodos emisores de luz (LED) que emiten en las longitudes de onda de 656 nm (rojo) y 774 nm (infrarrojo cercano). Este dispositivo mide la reflectancia del dosel del cultivo en estas bandas y calcula el NDVI (Ecuación 1), mostrando el resultado en una pantalla LCD integrada.

Ecuación 1: NDVI=(Infrarojo cercano-Rojo) / (Infrarojo cercano+Rojo)

Para cada parcela, se seleccionaron entre 6 y 10 puntos de muestreo, dependiendo de su tamaño. La selección de estos puntos se realizó siguiendo un transecto diagonal que atravesaba la parcela de esquina a esquina, con el objetivo de capturar la mayor variabilidad posible dentro del campo (Imagen 1). Se evitaron áreas de baja densidad de planta en los campos para asegurar que las mediciones fueran representativas del estado general del cultivo. En parcelas de mayor tamaño, el transecto se trazó en forma de zig-zag para abarcar una mayor área y mejorar la representatividad de la muestra.

El sensor se sostuvo aproximadamente a 60 cm por encima del dosel, para mostrar el NDVI para un área de aproximadamente 0,5 m² en la pantalla LCD. Las evaluaciones se realizaron en días coincidentes con el paso del satélite Sentinel-2, o bien un día antes o un día después del mismo, para garantizar la coherencia temporal entre las mediciones proximales y remotas. Sentinel-2 tiene una resolución temporal de 5 días en la mayoría de los campos de la zona de estudio, aunque algunos se encontraban en áreas de solapamiento, alcanzando una cobertura de 3 días. Para cada uno de los 46 campos, se calculó la media de las mediciones de NDVI obtenidas con el GreenSeeker.

Las imágenes de Sentinel-2 se obtuvieron de la página oficial del Copernicus Open Access Hub (https://browser.dataspace.copernicus.eu/. European Space Agency). Estas imágenes se manejaron mediante el software QGIS (versión 3.28.12-Firenze. QGIS Geographic Information System). Para cada parcela, se delineó manualmente el área interior, evitando los márgenes para minimizar posibles efectos de borde y asegurar la representatividad de las mediciones dentro de cada campo. A partir de estas delineaciones, se realizó la extracción de los valores de cada banda correspondientes a cada parcela. A partir de las bandas específicas del satélite (Tabla 1), se calcularon varios índices de vegetación. Se seleccionaron tanto índices más ampliamente utilizados como otros menos comunes, basados en referencias bibliográficas. La elección de estos índices se realizó considerando que su resolución espacial no superara los 20 metros, en función de las bandas utilizadas, para asegurar una mayor precisión y comparabilidad entre estos datos y los datos obtenidos por el GreenSeeker. Los índices calculados con Sentinel-2 están recopilados en la Tabla 2.

El análisis estadístico se llevó a cabo utilizando el software JMP (versión 16.0.0. SAS Institute Inc.). Las relaciones lineales entre los datos obtenidos con GreenSeeker y los índices derivados de Sentinel-2 fueron evaluadas mediante el coeficiente de correlación de Pearson (r). Para examinar la correlación entre las mediciones proximales y satelitales, se realizaron análisis de regresión, utilizando el coeficiente de determinación (R²) para medir la fuerza de la correlación. La significancia estadística se determinó a través de los p-valores, con un nivel de significancia del 5% (p < 0,05).

Los resultados del análisis de correlación entre los índices de vegetación derivados de las imágenes de Sentinel-2 y las mediciones de NDVI obtenidas con el sensor GreenSeeker se muestran en la Tabla 3. El coeficiente de determinación R² varió entre 0,14 a 0,82. La mayoría de índices presentaron una correlación Pearson positiva con el NDVI de GreenSeeker, excepto del TGI, OSAVI, VARI y SIPI. Todos los índices de Sentinel-2 presentaron una correlación estadísticamente significativa con los datos proximales. El índice NDRE es el que mejor se correlacionaba (r= 0,91), seguido por el mSR2, MTCI, ARVI, y NDVI.

Los resultados demuestran que existe una relación significativa entre ambos sensores. Como era de esperar, el NDVI presentó una alta correlación positiva r = 0,86, con las mediciones del GreenSeeker, con un coeficiente de determinación R² de 0,74 (Figura 1.a). Nuestros resultados concuerdan con los de estudios previos como Mostaza-Colado, Ablanque, y Capuano (2019) que compararon estos dos sensores sobre cultivo de Camelina sativa, y obtuvieron un r de 0,94, aunque solo tuvieron un día de mediciones.

También destacan otros índices, a parte del NDVI, aunque no hay tantos estudios comparándolos con las mediciones de GreenSeeker. En nuestros resultados destacan el índice de diferencia normalizado rojo-borde (NDRE), el índice de clorofila terrestre de MERIS (MTCI), y la ratio simple modificada-2 (mSR2), que mostraron correlaciones muy fuertes, con coeficientes de r > 0,85 y valores de R² que alcanzan hasta 0,91 en el caso del NDRE (Figura 1).

Estos índices utilizan bandas del espectro cercano al infrarrojo y del rojo-borde (red edge), como las bandas B5 y B6 de Sentinel-2. En un estudio parecido, aplicado a trigo y cebada, Šuslikova et al. (2023) también obtuvieron una correlación mayor con NDRE de Sentinel-2 que con NDVI de Sentinel-2 (0,85 y 0,71 respectivamente), estudiando su relación con GreenSeeker. Dong et al. (2015) observaron que índices con bandas rojo-borde se relacionaban mejor con la fracción de radiación fotosintéticamente activa, entre ellos el MTCI (R² = 0,86), y mSR2 el índice con la R² más alta (0,89), lo cual confirma indirectamente los resultados de nuestro estudio.

Figura 1. Regresión lineal entre medidas NDVI de GreenSeeker (NDVI GS) e índices a) NDVI (NDVI S2), b) NDRE, c) mSR2, y d) MTCI, calculados a partir de imagen de Sentinel-2, con su sus fórmulas y coeficiente de determinación.

Los resultados de este estudio destacan la alta correlación entre ciertos índices de vegetación obtenidos con Sentinel-2 y el NDVI medido con el GreenSeeker. A parte del NDVI que puede ser medido por ambos sensores, destacan índices como el NDRE, MTCI y mSR2, que utilizan las bandas rojo-borde. Es importante destacar que las correlaciones de este estudio podrán ajustarse a medida que se disponga de más datos de campo, incluyendo información de más años, evaluaciones a lo largo de distintas etapas fenológicas, y más variedades de arroz.

En conclusión, la alta correlación entre estos índices de vegetación y la disponibilidad de datos tanto de GreenSeeker como de Sentinel-2, sugiere que la fusión de bases de datos de estos sensores podría ser viable y efectiva, para el seguimiento del cultivo del arroz. La capacidad de trabajar con ambos sensores, satelitales y proximales, amplía las posibilidades de seguimiento de cultivos, permitiendo combinar la alta resolución espacial y rapidez del sensor proximal GreenSeeker con la amplia cobertura y frecuencia de adquisición del satélite Sentinel-2.

De esta forma, las mediciones de GreenSeeker pueden usarse en días con nubosidad, mientras que Sentinel-2 puede servir para un seguimiento estable sin necesidad de salir al campo, permitiendo trabajar con ambos sensores paralelamente con comodidad. Esta integración permitiría, además, extrapolar los resultados obtenidos en parcelas experimentales hacia campos agrícolas más grandes, lo cual es fundamental para la agricultura de precisión a gran escala.

Bibliografía: consultar con los autores.

Las mediciones de GreenSeeker pueden usarse en días con nubosidad, mientras que Sentinel-2 puede servir para un seguimiento estable sin necesidad de salir al campo, permitiendo trabajar con ambos sensores paralelamente con comodidad