UNIVERSIDAD RAFAEL LANDÍVAR

FACULTAD DE CIENCIAS AMBIENTALES Y AGRÍCOLAS

LICENCIATURA EN CIENCIAS AGRÍCOLAS CON ÉNFASIS EN CULTIVOS TROPICALES

MODELO DE ESTIMACIÓN DE LA PRODUCCIÓN DE CAÑA DE AZÚCAR A TRAVÉS DE

IMÁGENES DE SATÉLITE EN INGENIO MADRE TIERRA
TESIS DE GRADO

MISAEL PÉREZ MOTA

CARNET 23489-11

ESCUINTLA, MAYO DE 2017

SEDE REGIONAL DE ESCUINTLA
 UNIVERSIDAD RAFAEL LANDÍVAR
FACULTAD DE CIENCIAS AMBIENTALES Y AGRÍCOLAS
LICENCIATURA EN CIENCIAS AGRÍCOLAS CON ÉNFASIS EN CULTIVOS TROPICALES

MODELO DE ESTIMACIÓN DE LA PRODUCCIÓN DE CAÑA DE AZÚCAR A TRAVÉS DE

IMÁGENES DE SATÉLITE EN INGENIO MADRE TIERRA
TESIS DE GRADO

TRABAJO PRESENTADO AL CONSEJO DE LA FACULTAD DE

CIENCIAS AMBIENTALES Y AGRÍCOLAS

POR
MISAEL PÉREZ MOTA

PREVIO A CONFERÍRSELE

EL TÍTULO DE INGENIERO AGRÓNOMO CON ÉNFASIS EN CULTIVOS TROPICALES EN EL GRADO

ACADÉMICO DE LICENCIADO

ESCUINTLA, MAYO DE 2017

SEDE REGIONAL DE ESCUINTLA
 AUTORIDADES DE LA UNIVERSIDAD RAFAEL LANDÍVAR

RECTOR: P. MARCO TULIO MARTINEZ SALAZAR, S. J.

VICERRECTORA ACADÉMICA:
VICERRECTOR DE
INVESTIGACIÓN Y
PROYECCIÓN:
VICERRECTOR DE
INTEGRACIÓN UNIVERSITARIA:
VICERRECTOR
ADMINISTRATIVO:
SECRETARIA GENERAL:
DRA. MARTA LUCRECIA MÉNDEZ GONZÁLEZ DE PENEDO
ING. JOSÉ JUVENTINO GÁLVEZ RUANO
P. JULIO ENRIQUE MOREIRA CHAVARRÍA, S. J.
LIC. ARIEL RIVERA IRÍAS
LIC. FABIOLA DE LA LUZ PADILLA BELTRANENA DE
LORENZANA

AUTORIDADES DE LA FACULTAD DE CIENCIAS AMBIENTALES Y AGRÍCOLAS

DECANO: DR. ADOLFO OTTONIEL MONTERROSO RIVAS

VICEDECANA: LIC. ANNA CRISTINA BAILEY HERNÁNDEZ

SECRETARIO: MGTR. LUIS MOISES PEÑATE MUNGUÍA

DIRECTOR DE CARRERA: MGTR. JOSÉ MANUEL BENAVENTE MEJÍA

NOMBRE DEL ASESOR DE TRABAJO DE GRADUACIÓN

MGTR. BRAULIO RAMIRO VILLATORO VILLATORO

TERNA QUE PRACTICÓ LA EVALUACIÓN

MGTR. OSCAR MANUEL OSORIO TELETOR
ING. MANUEL RODRIGO SALAZAR RECINOS
ING. OSMAN ESTUARDO CIFUENTES SOTO
 AGRADECIMIENTOS

En primer lugar doy infinitamente gracias a Dios, por haberme dado fuerza y valor
para culminar esta etapa de mi vida.

Agradezco también la confianza y el apoyo brindado por parte de mis padres, que
sin duda alguna en el trayecto de mi vida me han demostrado su amor, corrigiendo
mis faltas y celebrando mis triunfos.

A la Dra. María Antonieta Alfaro, por todo el acompañamiento durante el desarrollo

de mi proyecto de investigación.

A Universidad Rafael Landívar, Facultad de Ciencias Ambientales y Agrícolas por

ser parte de mi formación.

Al Ing. Braulio Villatoro, asesor de tesis, por su valiosa guía y asesoramiento en la

realización de la misma.

Agradecimiento especial a Ingenio Madre Tierra, por facilitarme el desarrollo de mi

investigación.

Al Ing. Sergio Miranda, por compartir sus conocimientos y brindarme todo el apoyo
necesario durante la duración de mi carrera universitaria.

Gracias a todas las personas que ayudaron directa e indirectamente en la

realización de este proyecto.
 DEDICATORIA

Dedico este trabajo principalmente a Dios, por haberme dado la vida y permitirme
el haber llegado hasta este momento tan importante de mi formación profesional.
A mis padres Manuel Pérez y Carmen Mota, por ser el pilar más importante y por
demostrarme siempre su apoyo incondicional en cada reto que me he propuesto.
A mi hermano y hermanas por su ejemplo de honradez y esfuerzo. A Reina
Mariela Lorente por ser un gran apoyo durante todo este proceso. A todos los
educadores que han contribuido a mi formación personal y profesional. A Marvin
Lara, Rodolfo Fuentes y Lesly Moreno, que junto a todos mis compañeros y
amigos me brindaron su ayuda he hicieron más amena esta experiencia.
 ÍNDICE
RESUMEN ................................................................................................... i

SUMMARY ................................................................................................. ii

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

II. MARCO TEÓRICO................................................................................ 2

2.1 IMPORTANCIA DE LA CAÑA DE AZÚCAR ..................................................................... 2

2.2 ESTIMADO DE PRODUCCIÓN EN EL CULTIVO DE CAÑA DE AZÚCAR ...................... 2

2.3 METODOLOGÍA DE MUESTREO ESTRATIFICADO EN BASE A PESO UTILIZADA EN

INGENIO MADRE TIERRA .................................................................................................... 3

2.4 AGRICULTURA DE PRECISIÓN (AP) ............................................................................. 5

2.5 TELEDETECCIÓN ........................................................................................................... 6

2.5.1 Radiación electromagnética ....................................................................................... 6

2.5.2 Espectro electromagnético ......................................................................................... 7

2.5.3 Interacción de la vegetación con la radiación electromagnética ................................. 8

2.5.4 Sensores remotos ...................................................................................................... 9

2.6 FOTOGRAMETRÍA .......................................................................................................... 9

2.7 FOTOINTERPRETACIÓN ...............................................................................................10

2.8 PROGRAMA LANDSAT ..................................................................................................10

2.9 IMÁGENES SATELITALES .............................................................................................12

2.9.1 Sensores de Landsat 8 para Imágenes satelitales ....................................................12

2.9.2 Combinación de bandas multiespectrales .................................................................13

2.10 ÍNDICE DE VEGETACIÓN DE DIFERENCIA NORMALIZADA (NDVI) ..........................15

III. PLANTEAMIENTO DEL PROBLEMA ................................................. 18

3.1 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN ...............................................18

IV. OBJETIVOS ........................................................................................ 19

4.1 GENERAL .......................................................................................................................19
 4.2 ESPECÍFICOS ................................................................................................................19

V. METODOLOGÍA ................................................................................. 20
5.1 LOCALIZACIÓN ..............................................................................................................20

5.2 SUJETOS Y/O UNIDADES DE ANÁLISIS .......................................................................20

5.3 TIPO DE INVESTIGACIÓN .............................................................................................20

5.4 INSTRUMENTO (TÉCNICA, CUESTIONARIO, REGISTROS) ........................................20

5.5 PROCEDIMIENTO ..........................................................................................................21

5.5.1 Consulta documental ................................................................................................21

5.5.2 Fase de laboratorio ...................................................................................................21

5.6 VARIABLES DE ESTUDIO ..............................................................................................25

5.6.1 Índice de vegetación de diferencia normalizada (NDVI) ............................................25

5.6.2 Rendimiento en toneladas de caña por hectárea (TCH) ............................................25

5.7 ANÁLISIS DE LA INFORMACIÓN ...................................................................................25

VI. RESULTADOS Y DISCUSIÓN ............................................................ 27

6.1 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA ....................................27

6.2 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA POR ESTRATO ..........34

6.3 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA POR FINCA................36

6.4 VALIDACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA .....................................39

6.5 COSTO POR HECTÁREA DEL MODELO ESTADÍSTICO UTILIZANDO EL NDVI .........39

VII. CONCLUSIÓN ................................................................................... 41

VIII. RECOMENDACIONES ..................................................................... 43

IX. BIBLIOGRAFÍA ................................................................................... 44

X. ANEXOS ............................................................................................. 50
 ÍNDICE DE CUADROS
Cuadro 1. Combinación de bandas multiespectrales.….....…..…………………………..15

Cuadro 2. Análisis estadístico del modelo de regresión para las variables NDVI y
rendimiento de las temporadas 2013-2014 y 2014-2015............…………...33

Cuadro 3. Resumen de modelos de regresión lineal simple generados analizando

quince escenarios........................................................................…………...38

Cuadro 4. Presupuesto para desarrollar metodología de estimado de producción

utilizando el NDVI........................................................................…………...40
 ÍNDICE DE FIGURAS
Figura 1. Espectro electromagnético ............................................................................... 8

Figura 2. Cálculo de NDVI ............................................................................................. 17

Figura 3. Proceso para la descarga, corrección atmosférica y limpieza por nubes de

imágenes multiespectrales Landsat 8 ........................................................... 23

Figura 4. Proceso para el cálculo del NDVI en ArcInfo v.10.1 ....................................... 24

Figura 5. Ejemplo de las bases de datos que se analizaron y algunos valores de

NDVI con sus respectivos valores de TCH real que fueron reportados
para la temporada 2013-2014 ....................................................................... 26

Figura 6. Modelo de regresión lineal simple aplicado a la relación entre el índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2013-2014............................................27

Figura 7. Modelo de regresión lineal simple aplicado a la relación entre el índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2013-2014 1er. Tercio (Nov. y
Dic). ............................................................................................................... 28

Figura 8. Modelo de regresión lineal simple aplicado a la relación entre el índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2013-2014 2do. Tercio (Ene. y
Feb.). ............................................................................................................. 29

Figura 9. Modelo de regresión lineal simple aplicado a la relación entre el índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2013-2014 3er. Tercio (Mar. y
Abr.) .............................................................................................................. 29

Figura 10. Modelo de regresión lineal simple aplicado a la relación entre el índice
de vegetación de diferencia normalizada y el rendimiento en toneladas
de caña de azúcar por hectárea. Temporada 2014-2015....................................30

Figura 11. Modelo de regresión lineal simple aplicado a la relación entre el índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2014-2015 1er. Tercio (Nov. y
Dic). ............................................................................................................... 31

Figura 12. Modelo de regresión lineal simple aplicado a la relación entre el índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de
 caña de azúcar por hectárea. Temporada 2014-2015 2do. Tercio (Ene.
y Feb.).......................................................................................................... 31

Figura 13. Modelo de regresión lineal simple aplicado a la relación entre el índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2014-2015 3er. Tercio (Mar.
y Abr.). ......................................................................................................... 32

Figura 14. Modelo de regresión lineal simple aplicado a la relación entre el índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de
caña de azúcar por hectárea. Temporada 2013-2014 y 2014-2015............ 32

Figura 15. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH para el estrato medio ................................................................ 34

Figura 16. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH para el estrato bajo ................................................................... 35

Figura 17. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH para el estrato litoral ................................................................. 35

Figura 18. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH en finca Limones para la zafra 2014-2015 ................................. 36

Figura 19. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH en finca Canoas para la zafra 2014-2015 .................................. 37

Figura 20. Modelo de regresión lineal simple aplicado a la relación entre el

NDVI/TCH en finca San Francisco para la zafra 2014-2015........................ 37

Figura 21. Gráfica de regresión lineal simple para analizar la dispersión de los
valores de rendimientos (TCH) estimados con los rendimientos (TCH)
reales ........................................................................................................... 39
 MODELO DE ESTIMACIÓN DE LA PRODUCCIÓN DE CAÑA DE
AZÚCAR A TRAVÉS DE IMÁGENES DE SATÉLITE EN INGENIO
MADRE TIERRA

RESUMEN

El objetivo principal de la investigación desarrollada en el ingenio Madre Tierra, fue

evaluar un modelo de estimado de producción obtenido de imágenes satelitales
Landsat 8 para caña de azúcar, variedad CP72-2086. Se correlacionó la variable índice
de vegetación de diferencia normalizada (NDVI) con la variable rendimiento en
toneladas de caña por hectárea (TCH). Analizando de esta forma 3,748 observaciones
entre las zafras 2013-2014 y 2014-2015. Con esta información se generó un modelo de
regresión lineal simple para quince escenarios distintos, entre los cuales está un
modelo individual por zafra, por tercio de zafra, un modelo utilizando las dos zafras, uno
por estrato altitudinal en dos zafras y por ultimo tres modelos más específicos a nivel
de finca. Dentro de todos los escenarios analizados, el modelo con mayor coeficiente
de determinación (R²=0.1070) fue el evaluado para la finca Limones temporada 2014-
2015. Según los coeficientes de determinación de los quince modelos de regresión
lineal simple, los resultados obtenidos bajo los escenarios analizados, no fueron
concluyentes para las condiciones del Ingenio Madre Tierra. Sin embargo el costo por
hectárea del estimado por NDVI (Q.9.59/ha.) es más bajo que el tradicional
(Q.11.21/ha.) Por lo que se recomienda evaluar otras aplicaciones para las imágenes
satelitales y hacer investigación sobre el uso de imágenes obtenidas a través de
drones, debido a que estos pueden brindar mayor variabilidad temporal y espacial.

i
 ESTIMATION MODEL OF SUGAR CANE PRODUCTION THROUGH
SATELLITE IMAGES IN MADRE TIERRA MILL

SUMMARY

The main objective of the research in Madre Tierra mill was to evaluate an estimated
production model obtained from Landsat 8 satellite images for sugarcane CP72-2086
variety. Vegetation Index of normalized difference variable (NDVI) was correlated with
the yield variable in tons of cane per hectare (TCH). Analyzing this way 3,748
observations between the harvests 2013-2014 and 2014-2015. With this information a
simple linear regression model was generated for fifteen different scenarios, among
which is an individual model by harvest, by harvest third, a model using the two
harvests, one by altitudinal stratum in two harvests and finally three models more
specific at farm level. Within all the scenarios analyzed, the model with the highest
determination coefficient (R² = 0.1070) was the one evaluated for the Lemons farm in
the season 2014-2015. According to the determination coefficients of the fifteen simple
linear regression models, the results obtained under the scenarios analyzed were not
conclusive for the conditions of Madre Tierra Mill. However, the estimated cost per
hectare of NDVI (Q.9.59 / ha.) is lower than the traditional (Q.11.21 / ha.) Therefore, it
is recommended to evaluate other applications for satellite images and to do research
on the images use obtained through drones, since these can provide greater temporal
and spatial variability.

ii
 I. INTRODUCCIÓN
La agroindustria azucarera guatemalteca ha crecido en área y productividad desde
1960. El aumento en la productividad ha sido más notable en los últimos 20 años.
Actualmente se siembran 230,000 hectáreas de caña de azúcar a nivel nacional,
generando un aproximado de 65,000 empleos directos y 350,000 empleos indirectos.
Guatemala se encuentra como el quinto país exportador de azúcar a nivel mundial y
tercer lugar en productividad de azúcar por hectárea, por lo tanto, uno de los objetivos
primordiales de la agroindustria es mantener la productividad (Melgar, 2012).

En Guatemala se encuentra el Centro Guatemalteco de Investigación y Capacitación

de la Caña de Azúcar (CENGICAÑA), como brazo tecnológico de la Agroindustria
Azucarera de Guatemala (Maddaleno, 2014). Este centro de investigación cuenta con
el área de Agricultura de Precisión. Utilizando esta técnica, se pretende desarrollar
metodologías que puedan ser aplicables en algunas etapas del proceso productivo en
el cultivo de caña de azúcar.

Una de las etapas que cuenta con un alto interés en el ciclo de producción, es la
estimación de la producción de caña de azúcar que se obtendrá al momento de la
cosecha. Según Aguilar, Galindo, Fortanelli y Contreras (2011), esta actividad es
llevada a cabo, basándose en la experiencia de técnicos —a través de observaciones
de campo y muestreos, utilizando datos estadísticos de años anteriores— sin
considerar la distribución espacial del área sembrada y su variabilidad como resultado
de diversos factores ambientales, lo que trae como consecuencia errores en los
estimados de producción, principalmente en zonas agrícolas de gran heterogeneidad.

El presente trabajo de investigación hizo uso de técnicas de teledetección satelital con

la finalidad de evaluar un modelo de predicción de cosecha en el cultivo de caña de
azúcar, variedad CP72-2086, en el ingenio Madre Tierra. La técnica se basó en el
cálculo de índices de vegetación obtenido de imágenes multiespectrales, captadas por
el satélite Landsat 8.

1
 II. MARCO TEÓRICO

2.1 IMPORTANCIA DE LA CAÑA DE AZÚCAR

Según los datos de FAO (2002) citados por USAID (2011), en el mundo se sembraron
unas 21,032,610 hectáreas de caña de azúcar en el 2009, siendo Brasil el de mayor
área con 8,598,440 ha, seguido por India (4,400,000 ha), China (1,630,520 ha) y
Pakistán (1,029,000 ha). La distribución porcentual según FAOSTAT (2002), está dada
de la siguiente manera: Asia 42.5 por ciento, América 47.7 por ciento y en África y
Oceanía cultivan 7.4 por ciento y 2.4 por ciento, respectivamente.

Actualmente para el área centroamericana, la producción de caña de azúcar, es el

rubro agroindustrial más estable debido al colapso reciente de la producción de café,
igualmente para el resto de América es un cultivo de suma importancia (Díaz &
Portocarrero, 2002). El total de producción en América Central es de 395,000
hectáreas, teniendo un rendimiento promedio de 84 ton/ha de caña, la producción es
liderada por Guatemala (FAOSTAT, 2002).

2.2 ESTIMADO DE PRODUCCIÓN EN EL CULTIVO DE CAÑA DE AZÚCAR

Entre las labores agrícolas en el cultivo de caña de azúcar, una de las más difícil de
realizar satisfactoriamente es determinar el estimado de producción. Esta actividad ha
sido objeto de múltiples investigaciones en todos los sectores azucareros del mundo.
En el año 1980, Clement realizó una investigación con el objetivo de desarrollar un
modelo con el cual predecir producciones en caña de azúcar, tomando en cuenta una
serie de variables climáticas, las cuales correlacionó con los rendimientos obtenidos al
final del ciclo de producción. Sus resultados más ajustados fueron obtenidos al
correlacionar la velocidad del viento y la humedad relativa al dato de producción,
encontrando con esta metodología un coeficiente de determinación (R²) = 0.538.

Una aportación importante para esta actividad fueron los datos obtenidos por Chamo
en 2004, quien evaluó 20 métodos para el estimado de producción de caña de azúcar
en pie. Esto lo realizó en unidades experimentales, obteniendo coeficientes de
correlación más altos. Estos datos fueron obtenidos con los métodos de conteo y

2
pesado de tallos, los cuales consisten en pesar 15 tallos y contar la población de tallos
molederos de tres surcos; pesar 20 tallos y contar la población de los dos surcos
exteriores, pesar 25 tallos y contar la población de tallos de los dos surcos exteriores y
pesar 30 tallos y contar la población de tallos de los dos surcos exteriores. Estos
métodos se consideran confiables ya que son los que poseen los coeficientes de
determinación más altos: 0.75615, 0.75590, 0.76877, y 0.77189, respectivamente. A
pesar de estos avances, Chamo (2004), advierte que, aunque estos métodos son
confiables, su precisión no es muy aceptable para unidades productivas con mayor
área y climas más diversos. Las cuales son características que comparten la mayoría
de zonas productivas de caña de azúcar.

En 2008, Arias realizó una investigación buscando desarrollar también un modelo para
estimaciones de producción en caña de azúcar, aplicando un análisis estadístico a
través de regresiones sobre múltiples factores climatológicos, tales como temperatura
máxima, temperatura mínima, radiación solar, etc., con datos comprendidos entre el
período 1999 y 2007. Sus resultados al igual que los de Clement (1980), mostraron que
ninguno de los análisis brindó un coeficiente confiable para implementar el modelo,
debido a que, con la variable más ajustada solo se obtuvo un R² = 0.48.

En esta línea de investigación de predicciones de cosecha, Lobato, Camargo y Vieira

(2011), analizaron la correlación entre el Índice de vegetación de diferencia
normalizada (NDVI) y las producciones promedio de los cañaverales de veinte
municipios, en Sao Pablo, Brasil. En su investigación basada en información espectral
obtenida de imágenes SPOT Vegetation, evaluaron distintos escenarios con
producciones entre 1999 y 2006. Su coeficiente de determinación (R²) más alto fue de
0.489.

2.3 METODOLOGÍA DE MUESTREO ESTRATIFICADO EN BASE A PESO

UTILIZADA EN INGENIO MADRE TIERRA

La metodología empleada para estimar la producción de los lotes de caña de azúcar

que utilizan las zonas productivas del Ingenio Madre Tierra, es una adaptación de uno

3
de los métodos desarrollados por Chamo (2004), que consisten en el conteo y pesado
de tallos de caña de azúcar.

La metodología de muestreo estratificado en base a peso, descrita por Montenegro

(2015), consiste en definir planes y logística de las áreas a muestrear considerando lo
siguiente:

 Variedades de caña de azúcar diferentes dentro del lote

 Edad del cañal
 Resiembras
 Topografía del lote
 Inundaciones o malos drenajes
 Método de riego
 Daño por plagas
 Escape de malezas
 Daño por herbicidas
 Daño por madurantes
 Fertilizantes (dosis)
 Lotes aplicados con cachaza
 Condiciones del suelo

Según Montenegro (2015), también es importante que el personal que conoce los
campos, (mayordomos y caporales mayores) sean los que realicen la estratificación
previa del lote, a efecto de realizar muestreos en los lugares más representativos.
Luego se debe realizar una muestra por cada 2.10 ha, pero si el lote es homogéneo
puede incrementarse el número de hectáreas por muestra realizada (1 muestra por
cada 2.8 o 3.40 ha).

Al momento de tener definida el área de muestreo y la cantidad de muestras a realizar,

se miden 20 metros lineales de la ronda hacia adentro del cultivo paralelo al surco, a
continuación se miden otros 10 metros lineales que definen el área a muestrear, y se
cuentan los tallos molederos en esos 10 metros, (contar solo tallos molederos de 1 m.

4
de caña dulce en adelante, dependiendo la época del muestreo con respecto a la
cosecha o bien al madurador) para determinar el promedio de tallos por metro.

Luego se cortan y se pesan las cañas o tallos en los extremos de los 10 m. Es

importante definir el distanciamiento entre surcos para hacer la proyección de la
cosecha. Cuando la siembra está a 1.50 m entre surcos una hectárea tendrá 6,666.6 m
y cuando la siembra es de 1.75 m entre surcos la hectárea tendrá 5,714.28 m, para
calcular proporcionalmente los datos resultantes de la muestra.

Montenegro (2015), explica que el tonelaje que proporciona el muestreo es por la

influencia de todas las condiciones climáticas y de manejo hasta ese momento, sin
embargo, de la fecha del muestreo a la cosecha (75 u 80 días después del muestreo
para el caso de lotes aplicados con maduradores) estas condiciones climáticas o de
manejo pueden influir favorablemente o en contra de la producción final, es por ello que
se deben considerar estas influencias al comparar las producciones reales contra los
estimados.

2.4 AGRICULTURA DE PRECISIÓN (AP)

La agricultura de precisión es una estrategia de administración que utiliza tecnología de

la información y las comunicaciones para recolectar datos útiles desde diferentes
fuentes con el fin de apoyar decisiones asociadas a producción de cultivos (García &
Flego, s.f)

En el año 2012, Ezcaray define la Agricultura de precisión como la utilización y

aplicación de las nuevas tecnologías, teniendo en cuenta la diversidad del suelo, el
entorno ambiental y las necesidades de las plantas con el fin de gestionar y optimizar la
aplicación de insumos (semillas, fertilizantes, fitosanitarios, riego, etc.) para obtener
una producción rentable, de calidad y respetuosa con el medio ambiente.

La Agricultura de Precisión emplea una serie de herramientas para hacer más

eficientes las labores en el cultivo de caña de azúcar. Ezcaray (2012) menciona entre
estas herramientas, las siguientes:

 Sistema de localización GPS y DGPS

5
  Monitores de rendimiento
 Otros captadores de adquisición de información
 Cartografías de contenido de elementos minerales
 Fotos aéreas de satélites
 Sistemas de información geográfica (SIG)

2.5 TELEDETECCIÓN

El término teledetección indica la adquisición de información sobre un objeto a

distancia, sin un contacto material entre el objeto observado y el observador. En este
caso el objeto observado es la superficie terrestre o marina y la atmósfera, el
observador por su parte es un sensor situado en el aire o el espacio capaz de detectar
y almacenar la información para su posterior análisis. Este análisis permite el
reconocimiento de las características de la superficie terrestre y de los fenómenos que
en ella se producen (Universidad de Murcia, 2003).

La adquisición de información a distancia implica la existencia de un flujo de

información entre el objeto observado y el sensor. El portador de esta información es la
radiación electromagnética, esta puede ser emitida por el objeto o proceder de otro
cuerpo y haber sido reflejada por este. Todos los cuerpos (planetas, seres vivos,
objetos inanimados) emiten radiación electromagnética; la cantidad y tipo de esta
radiación emitida depende fundamentalmente de su temperatura. El principal emisor de
radiación en el sistema solar es el propio Sol cuya radiación, reflejada por la Tierra y los
objetos situados en ella, es la más comúnmente utilizada en teledetección (Universidad
de Murcia, 2003). Anexo 1.

2.5.1 Radiación electromagnética

La radiación electromagnética es el producto de la variación periódica de los campos
eléctrico y magnético. Un campo es una región del espacio en la que la materia está
sometida a algún tipo de fuerza. En el caso de la radiación electromagnética, los
campos son producidos por las partículas cargadas en movimiento (Universidad
Politécnica de Cartagena, s.f.).

6
La luz visible es un tipo de radiación electromagnética. A veces se comporta como una
onda que se propaga en el espacio, y otras veces se comporta como un conjunto de
fotones (García, s.f.).

La longitud de onda es la distancia entre dos máximos consecutivos de la onda. Se

mide en unidades de distancia: por ejemplo, metros (m) o cualquiera de sus
submúltiplos, como el angstrom (Universidad Politécnica de Cartagena, s.f.).

La radiación que fluye entre estos dos elementos puede ser de tres tipos:

Radiación solar, reflejada por los objetos (luz visible e infrarrojo reflejado)
Radiación terrestre, emitida por los objetos (infrarrojo térmico)
Radiación emitida por el sensor y reflejada por los objetos (radar) (Universidad
de Murcia, 2006).

2.5.2 Espectro electromagnético

El espectro electromagnético es el conjunto de la radiación electromagnética de todas
las longitudes de onda. El significado de los diferentes rangos de longitud de onda está
en el mecanismo de interacción entre la radiación electromagnética y los materiales
observados. En el rango visible e infrarrojo, la energía medida por un sensor depende
de propiedades tales como la pigmentación, el contenido de humedad y la estructura
celular para el caso de la vegetación (Universidad Politécnica de Cartagena, s.f.).

En orden creciente de frecuencias (y, por lo tanto, de energía) el espectro está

compuesto por las ondas de radio, el infrarrojo, la luz visible, el ultravioleta, los rayos X
y los rayos gamma (Universidad Politécnica de Cartagena, s. f.). Figura 1.

7
Figura 1. Espectro electromagnético. Fuente: http://www.upct.es/geat/Descargas
/varios /fund_1.pdf. Universidad Politécnica de Cartagena, (s. f.).

2.5.3 Interacción de la vegetación con la radiación electromagnética

En 2006, la Universidad de Murcia afirma que, en la identificación de objetos y
procesos en la superficie terrestre, lo que interesa es la reflectividad de estos objetos
respecto a las diferentes longitudes de onda. Cada tipo de material, suelo, vegetación,
agua, etc. refleja la radiación incidente de forma diferente, lo que permite distinguirlo de
los demás si se mide la radiación reflejada. El gráfico que, para cada longitud de onda,
da la reflectividad en tanto por ciento, se conoce como firma espectral y constituye una

8
marca de identidad de los objetos. Resulta así fácil, por ejemplo, distinguir entre suelo y
vegetación, e incluso entre diferentes tipos de suelo o diferentes tipos de vegetación.
Anexo 2.

La vegetación tiene una reflectividad baja en el visible, aunque con un pico en el color
verde debido a la clorofila. La reflectividad es muy alta en el infrarrojo reflejado o
próximo debido a la escasa de absorción de energía por parte de las plantas en esta
banda. En el infrarrojo medio hay una disminución especialmente importante en
aquellas longitudes de onda en las que el agua de la planta absorbe la energía
(Gonzaga, 2014).

Esta curva tan contrastante se debilita en el caso de la vegetación enferma, en la que

disminuye el infrarrojo y aumenta la reflectividad en el rojo y azul. Se observa también
que la reflectividad de una planta depende de su contenido de agua. Cuando el
contenido de agua aumenta disminuye la reflectividad ya que aumenta la absorción de
radiación por parte del agua contenida en la planta (Universidad de Murcia, 2006).

2.5.4 Sensores remotos

Según la Comisión Nacional de Actividades Espaciales (2009), los sensores son
dispositivos que reciben la energía, la convierten en valores digitales y la presentan en
forma adecuada para obtener información sobre la zona observada.

Los sensores se dividen en sensores activos y sensores pasivos. Los sensores pasivos
detectan la radiación electromagnética emitida o reflejada de fuentes naturales;
mientras que los sensores activos poseen fuentes internas que generan artificialmente
la radiación, como por ejemplo el radar (Comisión Nacional de Actividades Espaciales,
2009).

2.6 FOTOGRAMETRÍA

Se deriva de tres palabras griegas:

Foto = luz; Grama = dibujar; Metrón = medir (Polanco, 2006)

9
Herrera (1987), define la fotogrametría como el arte, ciencia y tecnología orientada a
obtener información relevante de diversos objetos físicos de la corteza terrestre y de su
medio ambiente, a través de procesos de medición e interpretación de imágenes
fotográficas y de patrones de energía electromagnética radiante.

Actualmente las técnicas de la fotogrametría se consideran integradas con las técnicas

de percepción remota y las de fotointerpretación, tres técnicas que se complementan
entre sí, no obstante, se puede afirmar que la fotogrametría se concreta en la
interpretación cuantitativa de fotografías aéreas y otros materiales aerofotográficos con
el objetivo primordial de obtener mapas (Otero, Ezquerra, Martín, Bachiller &
Rodríguez-Solano, s. f.).

2.7 FOTOINTERPRETACIÓN

Polanco (2006), define la fotointerpretación, como, la técnica o arte apropiada de

examinar imágenes fotográficas de un área u otros elementos, con el propósito de
identificar diferentes componentes captados por la película, que se encontraban sobre
la superficie al momento de fotografiarla. Sus aplicaciones dependen del interés,
capacidad y necesidades del fotointérprete.

2.8 PROGRAMA LANDSAT

LANDSAT (LAND=tierra y SAT=satélite). Éste fue el primer satélite enviado por los
Estados Unidos para el monitoreo de los recursos terrestres (Instituto Nacional de
Estadística y Geografía, 2011). Según NASA (2015), el programa Landsat ha
proporcionado más de 42 años de datos espaciales calibrados con alta resolución de la
superficie de la Tierra a una comunidad de usuarios amplia y variada, incluyendo
agroindustria.

La misión del Programa Landsat es proporcionar datos repetitivos multiespectrales de

la superficie de la Tierra, con una adquisición de resolución moderada. Landsat
representa la única fuente de calibrado, medición global, resolución moderada de la
superficie de la Tierra que son conservadas en un archivo nacional y de libre acceso al
público. Los datos de la nave espacial Landsat, constituyen el registro más largo de las

10
superficies continentales de la Tierra, vista desde el espacio (Instituto Nacional de
Estadística y Geografía, 2011).

Para Zanter (2015), Landsat 8 es el último satélite en esta serie. Lanzado el 11 de

febrero de 2013. El primero fue lanzado en 1972 con visión de dos imágenes de la
Tierra - un vidicón de haz de retorno (RBV) y una de 80 metros de 4 bandas escáner
multiespectral (MSS). Por último, Landsat 7 fue lanzado en 1999 hasta que falló en
mayo de 2003.

El sistema Landsat 8 es robusto, de alto rendimiento y de muy alta calidad de los datos,
tales como:

 Proporciona una recopilación sistemática mundial, de alta resolución, con datos

multiespectrales.
 Proporciona un alto volumen de datos. A diferencia de las misiones anteriores,
Landsat 8, ahora supera el medio de cobro de 400 escenas por día. Landsat 8
supera habitualmente 650 escenas por día fotografiado y recogido en el archivo
del USGS.
 Utiliza la predicción de nubosidad para evitar la adquisición de datos menos
útiles.
 Asegura que todos los datos fotografiados sean recogidos por una estación en
tierra estadounidense. Esta es un observatorio donde todos los datos son
administrados por el United States Geological Survey (USGS), y colocados en la
web (www.earthexplorer.usgs.gov), para los usos que los usuarios interesados le
deseen dar (Zanter, 2015).

Según NASA (2015), el satélite Landsat 8 tiene una órbita sincronizada con el sol a una
altitud de 705 kilómetros, cubriendo una banda de 190 x 180 kilómetros, con un ciclo de
repetición de 16 días, en órbita alrededor de la Tierra por completo cada 98,9 minutos.
Cuenta con una capacidad de almacenamiento en su estado sólido de 3,14 terabits.

11
2.9 IMÁGENES SATELITALES

El Instituto Nacional de Estadística y Geografía (s. f.), define una imagen satelital, como
una representación visual de los datos reflejados por la superficie de la tierra, que
captura un sensor montado en un satélite artificial, mediante la captación de la
radiación electromagnética emitida o reflejada por un cuerpo celeste. Los datos son
enviados a una estación terrestre en donde se procesan y se convierten en imágenes,
enriqueciendo nuestro conocimiento de las características de la Tierra en diferentes
escalas espaciales.

Existen diferentes tipos de imágenes satelitales, dependiendo del tipo de sensor y de la

finalidad de captación con la que fue construido. Desde las primeras cámaras
fotográficas montadas en satélites en la década de los sesenta hasta los más
sofisticados y sensibles sensores hiperespectrales del día de hoy, existe una muy
amplia gama de tipos de imágenes satelitales que hoy se utilizan en las más diversas
áreas, dependiendo de su resolución espacial así como de la información espectral que
poseen, ejemplo, el monitoreo del cambio climático, monitoreo de incendios e
inundaciones, evaluaciones multiespectrales de vegetación entre otras (Teledet, s. f.).

Según Villatoro (2015), con los avances tecnológicos que se han tenido en materia de
teledetección y fotogrametría y las imágenes multiespectrales que se pueden obtener
de la plataforma (observatorio) de Landsat 8, es posible realizar un análisis más
variado, puntual y preciso sobre el comportamiento multitemporal y espacial en el
cultivo de caña de azúcar.

2.9.1 Sensores de Landsat 8 para Imágenes satelitales

Según Zanter (2015), el satélite Landsat 8 lleva una carga útil de dos sensores: el
Operacional Land Imager (OLI). El sensor OLI recoge datos de imagen durante nueve
bandas espectrales de onda corta, con una resolución espacial de 30 m para todas las
bandas, excepto la banda pancromática 15 m. Las anchuras de varias bandas OLI se
refinan para evitar características de absorción atmosférica dentro de las bandas
ETM+.

12
El sensor infrarrojo térmico (TIRS) es también un sensor de empuje escoba empleando
un plano focal con largas series de detectores fotosensibles como lo hace OLI. TIRS
mide la energía de onda larga térmica de infrarrojos (TIR) emitida por la superficie de la
Tierra, la intensidad es una función de la temperatura superficial. Tanto los sensores
OLI y TIRS capturan imágenes de forma simultánea, pero son capaces de funcionar de
manera independiente si existiera algún problema con alguno de los dos sensores
(Zanter, 2015).

2.9.2 Combinación de bandas multiespectrales

Las imágenes satelitales suelen ser multiespectrales, es decir que son registradas
simultáneamente en varias regiones del espectro electromagnético. Estas imágenes
pueden ser estudiadas individualmente en escalas de grises o en imágenes coloreadas
obtenidas a partir de las primeras. Estas últimas se generan según el modelo de color
RGB (del inglés Red, Green, Blue). Este hace referencia a la composición del color en
términos de la intensidad de los colores primarios. Existen varias escalas de colores
primarios, cuando se utiliza rojo, verde y azul, se llama: colores primarios en la luz
(Teledet, s. f.).

A continuación, Alva (s. f.) describe brevemente el significado de cada una de las
bandas y su aplicación:

Banda 1 (Costera/aerosol): usada para el mapeo de aguas costeras, diferenciando

entre suelo y vegetación; mapeo de tipo de forestación o agricultura, y detecta centros
poblacionales.

Banda 2 (Azul): corresponde a la reflectancia del verde de la vegetación vigorosa o

saludable. También es usada para la identificación de centros poblados.

Banda 3 (Verde): es usada para la discriminación de especies de plantas, la

determinación de límites de suelos y delineaciones geológicas, así como modelos
culturales.

Banda 4 (Rojo): determina la cantidad de biomasa presente en un área, enfatiza el

contraste de zonas de agua-tierra, suelo-vegetación.

13
Banda 5 medidas del infrarrojo cercano, o NIR: esta parte del espectro es
especialmente importante para la ecología porque las plantas sanas reflejan el agua en
sus hojas y dispersan las longitudes de onda de nuevo en el cielo. Comparando con
otras bandas, se tienen índices como NDVI, que permiten una medida más precisa de
la sanidad vegetal, que si sólo se toma el verdor visible.

Bandas 6 y 7 de la cubierta son diferentes rebanadas de infrarrojos de onda corta. Son

particularmente útiles para evaluar y separar la tierra mojada de la tierra seca, y para la
geología: las rocas y suelos que parecen similares en otras bandas de frecuencia
tienen fuertes contrastes en estas bandas.

Banda 8 es la pancromática - o simplemente pan - banda. Funciona como una película

en blanco y negro. En lugar de recoger colores visibles por separado, los combina en
un solo canal. Debido a que este sensor puede ver más luz a la vez, es la más aguda
de todas las bandas, con una resolución de 15 metros (50 pies).

Banda 9 es una de las características más interesantes del Landsat 8. Cubre una
rebanada muy delgada de longitudes de onda: solamente 1370 ± 10 nanómetros. Esta
puede utilizarse para localización de zonas con nube.

Bandas 10 y 11 se encuentran en el infrarrojo térmico, o TIR. En lugar de medir la

temperatura del aire, como las estaciones meteorológicas, éstas informan sobre el
terreno en sí, que es a menudo mucho más caliente.

Las bandas se pueden combinar de maneras diferentes para revelar diferentes

características en el paisaje. Algunas de estas combinaciones se presentan en el
cuadro 1.

14
Cuadro 1. Combinación de bandas multiespectrales.

Característica del paisaje Combinación de bandas

Color natural 432

Falso color (urbano) 764

Color infrarrojo (vegetación) 543

Agricultura 652

Penetración atmosférica 765

Vegetación saludable 562

Tierra/agua 564

Natural con remoción atmosférica 753

Infrarrojo de onda corta 754

Análisis de vegetación 654

Fuente: http://www.cartografia.cl/beta/index.php/home/percepcion/830-2013-08-21-02-
17-46.

2.10 ÍNDICE DE VEGETACIÓN DE DIFERENCIA NORMALIZADA (NDVI)

El NDVI (Normalized Difference Vegetation Index) es una medida utilizada para estimar
la cantidad, calidad y desarrollo de la vegetación, basándose específicamente en la
cantidad de radiación que las plantas emiten o reflejan (Escribano, Hernández &
Tarquis, 2014). Los usos más frecuentes, en cultivos, está enfocado en medir el vigor
de las plantas, producción o porcentaje de biomasa y discriminación de cubiertas
vegetales (Gonzaga, 2014).

Los valores del NDVI están en función de la energía absorbida o reflejada por las
plantas en diversas partes del espectro electromagnético. La respuesta espectral que
tiene la vegetación sana, muestra un claro contraste entre el espectro visible,
especialmente la banda roja y el Infrarrojo Cercano (IRC). En el espectro visible, los
pigmentos de la hoja, absorben la mayor parte de la energía que reciben, en el IRC, las

15
paredes celulares de las hojas, que se encuentran llenas de agua, reflejan la mayor
cantidad de energía. Cuando la vegetación sufre algún tipo de estrés, la cantidad de
agua disminuye en las paredes celulares por lo que la reflectividad disminuye en el IRC
y aumenta paralelamente en el rojo al tener menor absorción clorofílica (Martínez, s. f.).
Anexo 3 y 4.

Prácticamente todos los Índices de Vegetación por satélite emplean la misma fórmula
para medir la densidad de crecimiento de la vegetación. El resultado de esta fórmula es
lo que se denomina NDVI (Aulasat, 2013).

Lobato, Vieira y Camargo (2011), argumentan que en la práctica, la importancia del

índice de vegetación NDVI, es su relación con la existencia de varios parámetros
biofísicos de la vegetación, es decir, la posibilidad de estimar parámetros tales como el
índice de área foliar (IAF), la biomasa y la productividad. Se podría añadir también la
correlación de los índices de vegetación con otros parámetros tales como la radiación
fotosintéticamente activa absorbida (PAR), la fracción de radiación fotosintéticamente
activa absorbida por el dosel (FAPAR) y el porcentaje cobertura verde (COV). La
biomasa verde de una comunidad vegetal puede estar directamente relacionado con el
índice de área foliar que, a su vez, se correlaciona positivamente con la cantidad de
clorofila por unidad de área y también para el grado de cobertura del suelo.

Basándose en la diferencia de reflectancia que la vegetación verde muestra en la

banda visible (± 20 %) y en el infrarrojo cercano (± 60 %) se obtiene el Índice de
Vegetación por Diferencia Normalizada (NDVI). El intervalo de valores obtenidos del
NDVI, varía entre (–1) y (1). De ellos sólo los valores positivos corresponden a zonas
de vegetación (Lobato, et al., 2011).

Los valores negativos generados por una mayor reflectancia en el visible que en el
infrarrojo, pertenecen a nubes, nieve, agua, zonas de suelo desnudo y rocas. El valor
del NDVI puede variar en función del uso del suelo, estación fenológica, situación
hídrica del territorio y ambiente climático de la zona (Gómez, 2005).

El rango de valores de las reflexiones espectrales se encuentra entre el 0 y el 1; ya

que, tanto la reflectividad del infrarrojo cercano como la del rojo, son cocientes de la

16
radiación reflejada sobre la radiación entrante en cada banda espectral (Universidad de
Piura, 2011). Figura 2.

Figura 2. Cálculo de NDVI. Fuente: http://es.slideshare.net/JacoboMartinez1/

presentacion-ndvi

17
 III. PLANTEAMIENTO DEL PROBLEMA

3.1 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN

Las actuales técnicas de estimar la producción de caña de azúcar, deberían presentar

un bajo costo y no variar más del 5 por ciento de la producción real de toneladas de
caña por hectárea (TCH) al finalizar el ciclo del cultivo cuando se analiza lote por lote.

Las variaciones entre el estimado de producción y la producción final, están dadas en

parte por la heterogeneidad edafoclimática, la extensión geográfica de las áreas
cañeras del Ingenio Madre Tierra, cambios de variedad y la diversidad de criterios que
se utilizan al momento de realizar el estimado de producción.

La estimación de la producción de caña de azúcar es de gran importancia para

planificar las diferentes actividades en el ingenio Madre Tierra, como son la elaboración
del presupuesto de operación, programación de la cosecha, el transporte y la molienda
de la caña, el cumplimiento de las entregas de las cuotas pactadas de azúcar, así
como los ingresos, producto del azúcar y otros subproductos. Por lo que lograr un
estimado más ajustado a las producciones finales, permitiría hacer más eficientes las
labores pre y post cosecha.

El elevado costo del método tradicional que se utiliza como herramienta para predecir
la cosecha, y el recorte del presupuesto para los muestreos pre-cosecha de la
temporada 2015-2016, hace necesario buscar métodos de estimado más económicos y
precisos.

Por lo tanto, se espera que el estimado de producción, a través del uso de imágenes
obtenidas por el satélite Landsat 8, sea una herramienta que ayude a ajustar en mayor
medida la precisión en esta importante labor.

18
 IV. OBJETIVOS

4.1 GENERAL

Evaluar un modelo de estimado de la producción de caña de azúcar a través de

imágenes del satélite Landsat 8 en Ingenio Madre Tierra.

4.2 ESPECÍFICOS

Determinar el Índice de vegetación de diferencia normalizada (NDVI) que presenta la

variedad de caña CP72-2086, en fincas de Ingenio Madre Tierra.

Evaluar un modelo de estimado de producción para las zafras 2013-2014 y 2014-2015,

correlacionando el rendimiento en toneladas de caña por hectárea con el NDVI de la
variedad CP72-2086 en fincas del Ingenio Madre Tierra.

Validar el modelo de estimado de producción obtenido en las zafras 2013-2014 y 2014-

2015 con los datos de producciones reales de la zafra 2015-2016 en caña de azúcar
variedad CP72-2086 en el Ingenio Madre Tierra.

Realizar un comparativo entre el costo por hectárea, entre el método utilizado

actualmente para la predicción de la cosecha en Ingenio Madre Tierra y el método de
predicción, por el cálculo del NDVI.

19
 V. METODOLOGÍA

5.1 LOCALIZACIÓN

El ingenio Madre Tierra es uno de los 9 ingenios que componen la agroindustria

azucarera en la costa sur de Guatemala. Esta localizado en el kilómetro 94.5 carretera
que conduce a Mazatenango, en el municipio de Santa Lucia Cotzumalguapa. Su
ubicación geográfica se encuentra a 14º20'46'' Latitud Norte y 91º04'01.8'' Longitud
Oeste. A una altura sobre el nivel del mar de 316 m, con una precipitación anual que va
desde 3,500 hasta 4,000 mm en promedio y una temperatura anual media de 28 ºC.
Sus fincas están distribuidas a lo largo de todos los estratos, desde la zona longitudinal
este hasta el oeste y con respecto a la altitud, desde el estrato litoral (< 40 msnm.)
hasta el estrato alto (> 300 msnm). La ubicación geográfica del ingenio en la división
política de Guatemala se presenta en el anexo 4.

5.2 SUJETOS Y/O UNIDADES DE ANÁLISIS

La evaluación se realizó a los lotes que han sido cultivados con la variedad CP72-2086,
esta variedad con 398 lotes y 6,668.36 hectáreas cultivadas en la temporada 2013-
2014, fue la que mayor porcentaje de área sembrada obtuvo en el ingenio Madre
Tierra.

5.3 TIPO DE INVESTIGACIÓN

La investigación de tesis fue de carácter descriptivo. Se evaluó un modelo con

información histórica de los rendimientos de caña por hectárea en los lotes sembrados
con la variedad CP72-2086, durante las zafras 2013-2014 y 2014-2015 y su Índice de
vegetación de diferencia normalizada (NDVI), luego se validó el modelo con las
producciones de la zafra 2015-2016.

5.4 INSTRUMENTO (TÉCNICA, CUESTIONARIO, REGISTROS)

Las técnicas para la realización de la investigación incluyeron: descarga de imágenes

multiespectrales, corrección atmosférica con el método FLASSH, eliminación de zonas

20
con nubes e influencia de sombras que las nubes proyectaron y por último, el cálculo
de NDVI por lote.

5.5 PROCEDIMIENTO

5.5.1 Consulta Documental

Como lo describieron Villatoro y Meneses (2013), las bases de datos sobre
producciones que fueron utilizadas para el presente proyecto, se encuentran de forma
electrónica en la página web de CENGICAÑA www.cengicana.org. Se puede acceder a
la base de datos dando un ―click‖ en el ítem ―Análisis de Productividad‖; posterior a esto
se necesita contar con credenciales de acceso al sistema a través de una dirección de
correo electrónico y una contraseña proporcionada por el área de Análisis de
Productividad.

Se revisó la información sobre las producciones en los históricos de la base de datos

de productividad, se extrajo solo la información de áreas sembradas con la variedad
CP72-2086 para las temporadas bajo estudio. Luego se efectuó el acercamiento con
cada encargado de área, para corroborar que la información registrada en cada unidad
productiva, coincidiera con la que estuvo en el campo.

5.5.2 Fase de laboratorio

En esta etapa se utilizó el método FLASSH presentado por Villatoro en el año 2015, el
cual inicia con:

 Descarga de imágenes

Las imágenes multiespectrales están disponibles de forma gratuita, con una frecuencia
de 16 días en los servidores del observatorio del United States Geological Survey
(USGS, www.earthexplorer.usgs.gov). Luego de acceder a la página anterior, antes de
iniciar la descarga de imágenes, se creó una cuenta de usuario. Al terminar este paso,
se procedió con la descarga de la siguiente manera:

 Se accedió a la ventana SearchCriteria

 Se seleccionó la pestaña Path/Row

21
  Se seleccionó en la pestaña Type el sistema de referencia mundial WRS2
 En los campos de los ítems Path (columna) y Row (fila) se introdujeron los
valores de la zona de interés. Para el caso particular de Guatemala, se
encuentra en dos zonas (columna 20 y 21) y en la fila número 50.
 Luego de llenados los campos anteriores, se ingresó a la ventana Data Sets
para seleccionar en el ítem Landsat Archive el campo L8 OLI/TIRS.
 Por último, se presionó el botón Results, y en base a la fecha de interés, se
seleccionaron las imágenes multiespectrales.

Cuando ya se dispuso de la imagen, se procedió a realizarle el post proceso, el cual se

divide en dos fases.

 Post-proceso 1

La primera fase consiste en realizar una corrección atmosférica a la imagen. Por las
características del satélite Landsat 8, ya trae implícitas la corrección radiométrica y
geométrica. Existen muchos métodos para realizar la corrección atmosférica, aunque
CENGICAÑA recomienda el método FLASSH (Fast Line-of-sight Atmospheric Anaysis
of Hypercubes). Éste es un componente del software ENVI v.5.3 desarrollado por
EXELIS. El método FLASSH se ajusta de mejor manera para este tipo de corrección,
debido a todas las variables que toma en cuenta (hora en que se tomó la imagen,
ubicación de la imagen, la fecha, elevación media de la imagen, el tamaño de pixel, el
tipo de sensor, vapor de agua y la temperatura de la superficie del aire, entre otras.).

 Post-proceso 2

Esta fase se realiza con el objetivo de tener una imagen más fina, libre de nubes y la
sombra que éstas proyectan, esto debido a que, condiciones de nubosidad sobre las
áreas bajo estudio, influirían de manera negativa sobre la determinación del NDVI.

En esta etapa se hizo uso del software ArcInfo, en su versión 10.1, del software ArcGis
de ESRI. Las imágenes que ya tenían su corrección atmosférica, se cargaron a la
plataforma de ArcInfo v.10.1, en la cual, usando la herramienta Model Builder, se
procesaron y limpiaron las zonas con influencia de nubes. Los lotes que estaban bajo la

22
influencia de estas zonas nubosas, se excluyeron de la evaluación. El resumen de
estos post-procesos se presenta en la siguiente figura.

Figura 3. Proceso para la descarga, corrección atmosférica y limpieza por nubes de

imágenes multiespectrales Landsat 8.
El proceso de cálculo de NDVI promedio que presentó cada lote de caña de azúcar fue
el siguiente:

 En la plataforma ArcInfo v.10.1 se agregó la imagen multiespectral y los

shapefile de los lotes de las temporadas en estudio.
- Haciendo uso de ArcToolbox, se abrió la herramienta Analyst Tools, luego
Zonal, luego Zonal estatistics as table y en este punto se creó una tabla con
datos estadísticos de cada valor de pixel referido al NDVI mostrado por cada
lote de caña de azúcar.

23
  La tabla creada se exportó como Data Base para lograr abrirla usando Excel, y
desde ahí, se seleccionaron los datos promedios de NDVI que se utilizaron para
el análisis.

Figura 4. Proceso para el cálculo del NDVI en ArcInfo v.10.1.

Utilizando este procedimiento se comparó y evaluó el valor de NDVI con la producción
de toneladas de caña por hectárea (TCH), para la temporada 2013-2014 y 2014-2015,
con esto se obtuvo un modelo estadístico que se utilizó para predecir las toneladas de
caña por hectárea, para la zafra 2015-2016. Al finalizar la cosecha de los lotes que
estaban bajo estudio en la zafra 2015-2016, se correlacionaron los valores de
rendimiento en TCH reales con su respectivo NDVI, de esta manera se evaluó y validó
el modelo estadístico, para determinar el porcentaje de acierto que se alcanzó con el
modelo en la predicción de la cosecha.

24
5.6 VARIABLES DE ESTUDIO

5.6.1 Índice de vegetación de diferencia normalizada (NDVI)

Los valores de NDVI fluctúan entre el rango de -1 a 1. Entre más cercano este el valor
a 1, mayor vegetación saludable habrá en el área de estudio. Los valores que se
tomaron en consideración para el análisis estuvieron entre 0 y 1, debido a las
características y el estado fenológico avanzado de los lotes de caña de azúcar que se
estudiaron.

5.6.2 Rendimiento en toneladas de caña por hectárea (TCH)

El rendimiento en el cultivo de caña de azúcar es tan variable y difícil de predecir que
es necesario ir corrigiendo durante el desarrollo del cultivo, si el presupuesto así lo
permite. Éste está influido por todas las labores que se le realizan al cultivo, tanto de
pre cosecha como post cosecha. Por lo tanto, al analizar la base de datos de
CENGICAÑA (2016), se tomaron en cuenta para este estudio, solo los lotes reportados
con la variedad CP72-2086, que presentaron un rendimiento en el rango de 55 a 200
TCH y fueron cosechados con una edad fenológica de 10 a 12 meses.

5.7 ANÁLISIS DE LA INFORMACIÓN

Las imágenes multiespectrales del satélite Landsat 8 que se seleccionaron, fueron las
que coincidían con la edad fenológica de maduración de los lotes con la variedad
CP72-2086. Se seleccionaron, utilizando la fecha de la imagen, la edad de corte y un
calendario, en el cual se retrocedía 6 u 8 semanas, para definir la imagen que se utilizó.

En el programa de Excel versión 2010, usando la herramienta de ―consulta v‖, se

hicieron coincidir las bases de datos de productividad de cada temporada con las bases
de datos que contenían los valores de NDVI calculados en ArcInfo v.10.1 y exportados
a Excel v.2010. Esto fue posible usando como dato en común, la columna con el código
de lote. De esta manera se consolidó una base de datos de las temporadas 2013-2014
y 2014-2015, dejando solamente las columnas de interés.

25
 Lote Finca Zafra Variedad NDVI TCH
07-0082201 Mixqueno 2013-2014 CP72-2086 0.7666 112.89
07-0082202 Mixqueno 2013-2014 CP72-2086 0.7783 115.64
07-0590601 San Miguel 2013-2014 CP72-2086 0.7260 103.81
07-0660506 Rio Lindo 2013-2014 CP72-2086 0.8288 149.06
07-0660713 Rio Lindo 2013-2014 CP72-2086 0.8030 116.38
07-0710306 La Encantadora 2013-2014 CP72-2086 0.7854 112.04
07-0766301 Pangola 2013-2014 CP72-2086 0.7655 73.77
07-1740304 Covadonga 2013-2014 CP72-2086 0.7240 96.25
07-0590701 San Miguel 2013-2014 CP72-2086 0.7352 64.39
07-0590901 San Miguel 2013-2014 CP72-2086 0.7177 65.75
07-0766101 Pangola 2013-2014 CP72-2086 0.7221 88.85
07-0766501 Pangola 2013-2014 CP72-2086 0.8076 91.71
07-0766601 Pangola 2013-2014 CP72-2086 0.7962 117.02
07-0540501 La Garrucha 2013-2014 CP72-2086 0.5675 85.52
07-0660307 Rio Lindo 2013-2014 CP72-2086 0.8000 150.62
07-0710401 La Encantadora 2013-2014 CP72-2086 0.8096 111.01
07-0710402 La Encantadora 2013-2014 CP72-2086 0.8130 100.22
07-0763701 Pangola 2013-2014 CP72-2086 0.7633 118.55
07-0766201 Pangola 2013-2014 CP72-2086 0.7673 71.45
07-0780116 Laureles 2013-2014 CP72-2086 0.7490 114.57
07-1760302 Las Flores 2013-2014 CP72-2086 0.7136 99.67
07-1770301 La Primavera 2013-2014 CP72-2086 0.7894 126.82
07-0660507 Rio Lindo 2013-2014 CP72-2086 0.8141 140.85

Figura 5. Ejemplo de una de las bases de datos que se analizaron y algunos valores de
NDVI con sus respectivos valores de TCH real que fueron reportados para la
temporada 2013-2014.
El análisis de las imágenes multiespectrales y los valores de NDVI determinados para
los ciclos de desarrollo del cultivo de caña de azúcar, en los periodos del 2013-2014 y
2014-2015 se correlacionaron con las respectivas producciones (TCH) de los periodos
mencionados. Con esto se seleccionó un modelo de regresión lineal simple para
validarlo con los valores de la zafra 15-16.

Luego se evaluó el porcentaje de certeza del modelo, al predecir la producción para la

temporada 2015-2016. Se utilizó Excel v.2010 para el cálculo del coeficiente de
determinación (R²), para analizar la relación existente entre el Índice de vegetación de
diferencia normalizada con la variable rendimiento en toneladas de caña por hectárea.

26
 VI. RESULTADOS Y DISCUSIÓN
Como resultado de la depuración del shapefile de lotes afectados por nubes y sombras
proyectadas por estas, se obtuvieron un total de 3,748 valores de NDVI para los lotes
sembrados con caña de azúcar variedad CP72-2086. Para la zafra 2013-2014 se
tomaron los valores de las imágenes satelitales de fecha 01 de octubre de 2013 a la
imagen del 11 de abril del 2014 y para la zafra 2014-2015 se tomó la imagen de fecha
18 de septiembre del 2014 a la imagen de fecha 14 de abril del 2015.

6.1 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA

La relación de los valores de NDVI y las toneladas de caña por hectárea de las dos
zafras indicadas anteriormente, se realizó bajo diferentes escenarios de análisis, con lo
cual se obtuvieron diferentes modelos de regresión lineal simple que se muestran en
los gráficos de dispersión a continuación.

Figura 6. Modelo de regresión lineal simple aplicado a la relación entre el Índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2013-2014.
En el gráfico se evaluó la posible relación existente entre los valores de NDVI y sus
respectivos rendimientos, para toda la temporada de cosecha. Correlacionando estas
variables en el modelo de regresión lineal simple, el coeficiente de determinación de

27
0.0283, indica que, al tomar todos los valores de manera general, éste no logra explicar
si existen influencia de la variable NDVI sobre la variable TCH.

Para la misma temporada 2013-2014, se decidió analizar los valores de manera más
puntal, por lo que se agruparon en tres escenarios distintos, referidos a los tres tercios
en los que se divide la temporada de cosecha. Esto porque, según Saenz (2004), la
división de la zafra por tercios implica que los lotes cosechados en distintos tercios, se
ven afectados por variables climáticas y de manejo agrícola un poco distintas, por lo
que con esta evaluación se esperaba que esta influencia se distinguiera e identificara
por los números digitales de las imágenes satelitales Landsat 8.

Los tres tercios en los que se divide la zafra o temporada de cosecha son:
 Primer tercio, va de noviembre a diciembre.
 Segundo tercio, está en los meses de enero y febrero.
 Tercer tercio, son los meses de marzo y abril (Saenz, 2004).

Figura 7. Modelo de regresión lineal simple aplicado a la relación entre el Índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2013-2014 1er. Tercio (Nov. y Dic).

28
Figura 8. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2013-2014 2do. Tercio (Ene. y Feb.).

Figura 9. Modelo de regresión lineal simple aplicado a la relación entre el Índice de

vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2013-2014 3er. Tercio (Mar. y Abr.).

29
Para las condiciones de las fincas de caña de azúcar cultivadas con la variedad CP72-
2086, administradas por el Ingenio Madre Tierra, los resultados de los análisis de los
modelos para la zafra 2013-2014 y sus escenarios por tercio, han mostrado una baja
correlación entre las variables NDVI y rendimiento en toneladas de caña por hectárea
(TCH).

La metodología antes desarrollada se aplicó para analizar las variables NDVI y TCH
para la temporada 2014-2015, dando como resultado los modelos que se muestran en
los gráficos de dispersión siguientes.

Figura 10. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2014-2015.
Al analizar este escenario de manera general, el coeficiente de determinación, muy
bajo, indica que bajo esta condición, el modelo no es apto para utilizarse en una
predicción de producción. Sin embargo, para la misma temporada 2014-2015 se
analizaron tres escenarios más, utilizando los tercios de la zafra.

30
Figura 11. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2014-2015 1er. Tercio (Nov. y Dic).

Figura 12. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2014-2015 2do. Tercio (Ene. y Feb.).

31
Figura 13. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea. Temporada 2013-2014 3er. Tercio (Mar. y Abr.).
Los modelos obtenidos de los tres escenarios analizados de la zafra 2014-2015 no
fueron concluyentes en sus resultados, al mostrar sus coeficientes de determinación
muy bajos.

Tomando en cuenta que los resultados de los análisis por zafra y por tercio
individuales, no fueron concluyentes y que por lo tanto ninguno de los modelos de
regresión lineal simple sería aplicable, se decidió hacer un análisis utilizando todos los
datos de la zafra 2013-2014 y 2014-2015.

32
Figura 14. Modelo de regresión lineal simple aplicado a la relación entre el Índice de
vegetación de diferencia normalizada y el rendimiento en toneladas de caña de azúcar
por hectárea obtenido de dos temporadas de producción.
La gráfica de dispersión que se presenta en la figura 14, muestra una alta
concentración de valores de NDVI entre el rango de 0.45 a 0.85 y entre 65 y 150
toneladas de caña por hectárea, para los lotes cultivados con la variedad CP72-2086.
Cada punto en la gráfica muestra la relación entre el NDVI y su respectivo valor de
TCH. También se muestra la línea de tendencia que tiene una baja pendiente positiva,
efecto que es provocado por una alta dispersión entre los datos del modelo.

La fórmula matemática del modelo de regresión lineal anteriormente descrito es la

siguiente:

y= 28.366x + 93.244

Donde ―y‖, es la variable dependiente, siendo esta, el rendimiento en toneladas de caña

por hectárea esperado. Y ―x‖, es la variable independiente, siendo esta el valor de NDVI
calculado de la imagen satelital.

También están los coeficientes de la ecuación, 28.366 y 93.244, siendo el primero

quien muestra la pendiente o inclinación de la línea del modelo, el segundo muestra el
origen (o constante) de la ecuación de la recta de regresión y representa el valor
predicho en ―y‖ cuando la variable ―x‖ es igual a 0.

Con el análisis estadístico se obtuvieron los siguientes datos:

Cuadro 2. Análisis estadístico del modelo de regresión para las variables NDVI y
rendimiento de las temporadas 2013-2014 y 2014-2015.

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.1591
Coeficiente de determinación R^2 0.0253
R^2 ajustado 0.0251
Error típico 19.4746
Observaciones 3748

33
Con el resumen estadístico del modelo, se logró determinar que al hacer la relación de
las variables NDVI y rendimiento (TCH), tomando en cuenta todos los estratos
altitudinales y longitudinales, estas no muestran una alta relación, porque se obtuvo un
coeficiente de determinación R² igual a 0.0253 lo cual indica que el modelo no resulta
representativo de la realidad. Y que la variable dependiente TCH no se ve afectada por
la variable independiente NDVI.

6.2 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA POR ESTRATO

La evaluación del modelo de predicción de cosecha sin dividir los lotes de caña de
azúcar de la variedad CP72-2086 por estrato, no mostró resultados concluyentes, por
lo que se realizó un análisis, evaluando el comportamiento que presenta la relación
NDVI/TCH por estrato altitudinal, tomando en cuenta que, a diferente estrato, el cultivo
de caña de azúcar tiene una respuesta diferente debido a los cambios en las variables
edafoclimáticas por las que se ve afectado.

Para la generación del modelo de predicción de cosecha para los estratos litoral, bajo y
medio se siguió la misma metodología que se utilizó para generar el modelo general
antes descrito, obteniendo con este análisis un gráfico por estrato.

Figura 15. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
para el estrato medio.

34
Figura 16. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
para el estrato bajo.

Figura 17. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
para el estrato litoral.
Los gráficos de dispersión generados por estrato mostraron una alta dispersión en los
datos y una baja correlación entre las variables NDVI y rendimiento.

El coeficiente de determinación de 0.0202 obtenido de la relación del NDVI con el

rendimiento de los lotes de caña cultivados en el estrato litoral, junto con los
coeficientes (0.0217 y 0.0229) obtenidos del estrato bajo y medio respectivamente,

35
muestran que al introducir la variable altitud al modelo, éste no logra explicar la relación
existente entre el NDVI y los rendimientos de toneladas de caña por hectárea de la
variedad CP72-2086.

6.3 EVALUACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA POR FINCA

Luego de los análisis realizados de forma general, se evaluaron tres escenarios más,
con el propósito de evitar la influencia de la variabilidad espacial y edafoclimatica. Los
análisis se realizaron en tres fincas ubicadas en diferente estrato altitudinal. Estas
fincas con características de suelo, clima, manejo agronómico y cantidad de radiación
solar más homogénea, fueron las fincas Limones, para el estrato medio, la finca
Canoas para el estrato bajo y la finca San Francisco que se encuentra en el estrato
litoral. Obteniéndose de esta forma, los modelos de regresión lineal simple que se
muestran en las gráficas a continuación.

Figura 18. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
en finca Limones para la zafra 2014-2015.

36
Figura 19. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
en finca Canoas para la zafra 2014-2015.

Figura 20. Modelo de regresión lineal simple aplicado a la relación entre el NDVI/TCH
en finca San Francisco para la zafra 2014-2015.
El análisis de la correlación entre el índice de vegetación y las toneladas de caña por
hectárea reportadas para la finca Limones, Canoas y San Francisco durante la zafra
2014-2015, muestra un coeficiente de determinación (0.1070) para el modelo de finca
Limones, para la finca Canoas el R² es igual a 0.0927 y para la finca San Francisco el
modelo mostro un R² igual a 0.0119. Estos coeficientes de determinación generados

37
por los modelos en escenarios más ajustados, no son capaces de explicar si existe
influencia de una variable sobre otra.

Para la evaluación de un modelo estadístico que explicara la relación entre las

variables NDVI y rendimiento en toneladas de caña por hectárea, se analizaron quince
escenarios distintos para las mismas variables. Los cuales se muestran en el resumen
del cuadro 3.

Cuadro 3. Resumen de modelos de regresión lineal simple generados analizando

quince escenarios.
Coeficiente
No. de Modelo de Regresión
Descripción del escenario Temporada de producción de
escenario Lineal Simple
determinación
1 Temporada completa 2013-2014 y = 25.598x + 92.379 R² = 0.0283
2 1er. Tercio (Nov. y Dic.) 2013-2014 y = 34.315x + 93.319 R² = 0.0365
3 2do. Tercio (Ene. y Feb.) 2013-2014 y = 14.143x + 105.46 R² = 0.0101
4 3er. Tercio (Mar. y Abr.) 2013-2014 y = 18.390x + 93.18 R² = 0.0175
5 Temporada completa 2014-2015 y = 52.002x + 81.674 R² = 0.0504
6 1er. Tercio (Nov. y Dic.) 2014-2015 y = 61.355x + 75.721 R² = 0.0493
7 2do. Tercio (Ene. y Feb.) 2014-2015 y = 16.564x + 109.26 R² = 0.0069
8 3er. Tercio (Mar. y Abr.) 2014-2015 y = 49.325x + 78.586 R² = 0.0405
9 Las dos temporadas completas 2013-2014 y 2014-2015 y = 28.366x + 93.244 R² = 0.0253
10 Estrato Medio 2013-2014 y 2014-2015 y = 29.069x + 86.451 R² = 0.0229
11 Estrato Bajo 2013-2014 y 2014-2015 y = 25.959x + 88.078 R² = 0.0217
12 Estrato Litoral 2013-2014 y 2014-2015 y = 24.400x + 98.415 R² = 0.0202
13 Finca Limones 2014-2015 y = 32.943x + 94.524 R² = 0.1070
14 Finca Canoas 2014-2015 y = 65.603x + 75.067 R² = 0.0927
15 Finca San Francisco 2014-2015 y = 15.091x + 111.73 R² = 0.0119

Con los quince escenarios que se presentaron en el cuadro anterior y donde se

analizaron evaluando distintos factores y tratando de reducir la influencia que estos
podrían ocasionar a las variables bajo estudio (NDVI/TCH), no ha sido posible
determinar la existencia de la relación entre dichas variable. Debido a que el modelo
con el mayor coeficiente de determinación fue el analizado sobre la finca Limones con
producciones de la temporada 2014-2015 alcanzando un valor de 0.1070.

Los resultados obtenidos bajo los escenarios analizados en esta investigación, están
alejados de los obtenidos por Lobato et. al., (2011). Las razones de esta variación
pueden ser la amplitud del rango del histórico de temporadas analizadas, la distinta
variabilidad espacial (1 km por 1 km) y temporal (diario) de las imágenes que

38
proporciona el satélite SPOT Vegetation con respecto a las imágenes satelitales de
Landsat 8.

6.4 VALIDACIÓN DEL MODELO DE PREDICCIÓN DE COSECHA

La validación del modelo para la zafra 2015-2016, se realizó utilizando el modelo de

regresión lineal simple y= 28.366x + 93.244 debido a que este tomo en cuenta los
valores de las dos temporadas de cosecha.

TCH

NDVI

Figura 21. Grafica de regresión lineal simple para analizar la dispersión de los valores
de rendimientos (TCH) estimados con los rendimientos (TCH) reales.
En la gráfica 16 se puede notar la línea de tendencia que marca el modelo al predecir
las producciones de los lotes que fueron cosechados con la variedad CP72-2086.
También queda identificada la alta dispersión que existe entre los datos con los
reportes reales de la producción para la zafra 2015-2016 y los estimados por el modelo.

6.5 COSTO POR HECTÁREA DEL MODELO ESTADÍSTICO UTILIZANDO EL NDVI

Para cuantificar la implementación del modelo estadístico utilizando el NDVI calculado

de las imágenes satelitales para estimar las producciones de las unidades productivas

39
de caña de azúcar, fue necesario realizar un presupuesto básico enlistando el costo
total de todos los factores involucrados en el desarrollo de esta metodología. El listado
se muestra en el cuadro 4.

Cuadro 4. Presupuesto para desarrollar metodología de estimado de producción

utilizando el NDVI.

Costo unitario
Cantidad Descripción
(Q.)
12 Imágenes multiespectrales Ladsat 8 0.00
1 Licencia de ArcGis Desktop ArcInfo v.10.1 61,300.00
1 Licencia software ENVI v.5.3 de EXELIS 50,625.00
1 Persona encargada de calcular información 49,000.00
1 Computadora DELL PRECISION T1650 19,750.00
1 Disco duro portatil Backup Plus Slim 2 TB 500.00
Total del Proyecto 181,175.00

El presupuesto mostrado en el cuadro anterior, muestra la inversión necesaria para

desarrollar la metodología de estimado de producción mediante el uso del índice de
vegetación, calculado a través de las imágenes multiespectrales obtenidas de forma
gratuita en la página del USGS (www.earthexplorer.usgs.gov). Tambien se deben
adquirir las licencias de los software ArcGis v.10.1 y ENVI v.5.3 y contar con una
persona capacitada en el uso de estos programas. Igual de importante es contar con
una computadora con las caracteristicas necesarias como una DELL PRECISION
modelo T1650 y un disco externo para el almacenamiento de las imágenes y los
productos que se generen de estas.

La inversión para el proyecto sería de Q. 181,175.00, en su primer año de ejecucion, y

por el area a la que se estimaría la producción, se obtuvo un costo por hectárea de Q.
9.59/Ha, este costo esta Q.1.62/Ha mas bajo que el costo del método de muestreo para
el estimado en base a peso y conteo de tallos, descrito por Montegro (2015). Según
argumenta, Montenegro (2015), con la metodolgía de peso y conteo de tallos, han
obtenido una eficienca de 30 Ha/día, y al calcular los jornales de los trabajadores que
desarrollan esta labor, el costo por hectarea llega hasta los Q. 11.21/Ha.

40
 VII. CONCLUSIÓN
Los resultados de la relación entre los valores de NDVI obtenidos de imágenes del
satélite Landsat 8 y los rendimientos en toneladas de caña por hectárea de los lotes
cosechados con la variedad CP72-2086, no han sido concluyentes. Los valores de
NDVI se ven afectados por diversos factores:

 iluminación asociada a la topografía (pendiente y orientación)

 la posición del sol durante el año (elevación y azimut)

 humedad del suelo y la vegetación (Hernández & Montaner (2009)

En el análisis de los modelos por zafra, el que mayor coeficiente de determinación

brindo fue, el modelo de regresión lineal simple de la zafra 2014-2015, su fórmula fue
y= 52.002x + 81.674 con un coeficiente de determinación R² igual a 0.0504.

El análisis de los modelos por zafra y tercio, el que mayor coeficiente de determinación
brindo fue, el modelo de regresión lineal simple de la zafra 2014-2015 del 1er. Tercio
(Nov. y Dic.) donde y = 61.355x + 75.721 y el factor R² fue igual a 0.0493.

El modelo de regresión lineal simple obtenido de la relación del NDVI y el rendimiento

en toneladas de caña por hectárea de las zafras 2013-2014 y 2014-2015, fue y=
28.366x + 93.244 con un coeficiente de determinación R² igual a 0.0253.

El modelo de regresión lineal simple para el estrato medio fue y= 29.069x + 86.451 con
un coeficiente de determinación R² igual a 0.0229.

Para el estrato bajo el modelo de regresión lineal simple fue y= 25.959x + 88.078 con
un coeficiente de determinación R² igual a 0.0217.

El modelo de regresión lineal simple para el estrato litoral fue y= 24.400x + 98.415 con
un coeficiente de determinación R² igual a 0.0202.

El análisis realizado de forma más específica a nivel de finca, no mostro resultados

aceptables para la correlación del NDVI y el rendimiento (TCH) durante la zafra 2014-
2015, debido a que el mayor coeficiente de determinación fue de 0.1070, para el

41
modelo de regresión lineal simple y = 32.943x + 94.524, desarrollado con los
rendimientos de finca Limones.

En los análisis realizados sobre quince escenarios, los modelos obtenidos no

demostraron relación entre el NDVI y la producción de caña de azúcar en las
condiciones del ingenio Madre Tierra, para la estimación de la productividad a 6 y 8
semanas antes de la cosecha de cada lote sembrado con la variedad CP72-2086.

En el presupuesto del proyecto de estimado de producción a través del NDVI se

determinó un costo por hectárea de Q. 9.59/ha., mientras que el estimado utilizado por
el Ingenio Madre Tierra tiene un costo de Q. 11.21/ha según Montenegro (2015). Sin
embargo, la falta de correlación entre las variables analizadas (NDVI/TCH) indican que
a pesar del costo más elevado del método tradicional utilizado en Ingenio Madre Tierra,
esta es la mejor opción técnica para realizar una predicción de cosecha más apegada a
las producciones reales.

42
 VIII. RECOMENDACIONES
Se recomienda evaluar otras aplicaciones para las imágenes satelitales Landsat 8 en el
cultivo de la caña de azúcar en Guatemala.

Se recomienda investigar la relación del rendimiento en toneladas de caña por hectárea

con el NDVI obtenido de imágenes tomadas a través de drones y comparar con los
resultados obtenidos en el presente trabajo.

43
 IX. BIBLIOGRAFÍA
Aguilar, N., Galindo, G., Fortanelli, J. y Contreras, C. (2011). Análisis de la zafra
azucarera de la Huesteca Potosina por técnicas geomáticas (en línea). San Luis
Potosí, México. Consultado el 25 septiembre de 2015. Disponible en:
http://www.inegi.org.mx/eventos/2011/Conf_Ibero/doc/ET3_21_AGUILAR.pdf

Alva, M. (s. f.). Combinaciones de bandas espectrales para interpretación de recursos

naturales, sensores Landsat TM y ETM+. UNMSM -Facultad CCSS - Escuela
académico profesional de Geografía. Laboratorio de Geomática. Lima, Perú.
Consultado el 26 de septiembre de 2015. Disponible en:
https://es.scribd.com/doc/86702331/4-Combinacion-Bandas-TM-ETM

Arias, E. (2008). Diagnóstico de rendimiento de caña de azúcar utilizando factores

climatológicos múltiples. Tesis Ing. en Administración de Agronegocios Zamorano,
Honduras. Zamorano. 4 p.

Aulasat (2013). El índice NVDI -Analizando el crecimiento de la vegetación- (en línea).

Consultado el 04 de octubre de 2015. Disponible en: http://aulasat.wikispaces
.com/nvdi

Cartografia.cl (2013). Combinación de bandas para Landsat 8 (en línea). Santiago de

Chile, Chile. Consultado el 3 de octubre de 2015. Disponible en:
http://www.cartografia.cl/beta/index.php/home/percepcion/830-2013-08-21-02-17-
46

CENGICAÑA, (2016). SIAP Análisis de productividad: Base de datos (en línea).

Escuintla, Guatemala. Consultado el 20 de mayo de 2016. Disponible en:
http://productividad.cengicana.org/

Chamo, J. (2004). Evaluación de veinte métodos de estimación de la producción de

caña en pie de unidades experimentales en ensayos de caña de azúcar
(Saccharumsp.); Chicacao, Suchitepéquez. Tesis Ing. Agr. Guatemala,
Guatemala. USAC. vii p.

44
Clement, H. (1980). Sugarcane crop logging and crop control. Pitman Publishing.
Hawaii. 157 p.

Comisión Nacional de Actividades Espaciales (2009). Conocimientos básicos sobre

teleobservación satélites NOAA (en línea). Buenos Aires, Argentina. Consultado
el 27 de septiembre de 2015. Disponible en: http://www.produccion-
animal.com.ar/produccion_y_manejo_ pasturas/indice_ verde/01-didacticas.pdf. p
8.

Comparini, S. (2006). Evaluación de variedades de caña de azúcar (Saccharum spp.)

en el Ingenio La Unión, Santa Lucia Cotzumalguapa. Tesis Ing. Agr. USAC,
Guatemala. Guatemala. 19 p.

Diaz, L. y Portocarrero, E. (2002). Manual de Producción de Caña de Azúcar

(Saccharum officinarum L.). Tesis Ing. Agr. Zamorano, Honduras. Zamorano. 1 p.

Escribano, J., Hernández, C. y Tarquis, A. (2014). Selección de índices de vegetación

para la estimación de la producción herbácea en Dehesas. España. Pastos. Vol.
44 No.2 6-18 p.

Ezcaray, I. (2012). Agricultura de precisión: Elaboración de mapas de consumo y

resbalamiento. Tesis Ing. Agr. Navarra, España. Universidad Pública de Navarra.
2 p.

FAOSTAT, (2002). Datos Agrícolas: Cultivos primarios caña de azúcar (en línea).
Consultado el 22 de septiembre de 2015. Disponible en: http://apps.fao.org
/page/form?collection=Production.Crops.Primary&Domain=Production&servlet=1
&language=ES&hostname=apps.fao.org&version=default

García, E. y Flego, F (s.f.). Agricultura de precisión (en línea). Barrio Porteño de

Palermo, Argentina. Consultado el 5 de octubre de 2015. Disponible:
http://www.palermo.edu/ingenieria/downloads/pdfwebc&T8/8CyT12.pdf

García, S. (s.f.). Instrumentos de observación (en línea). Murcia, España. Consultado el

22 de septiembre de 2015. Disponible en: http://webs.um.es/gregomc/

45
 IntroduccionAstronomia/Temas/04%20INSTRUMENTOS%20DE%20OBSERVAC
ION.pdf

Gómez, M. (2005). Índice de vegetación en áreas del bosque seco del Noroeste del
Perú a partir de imágenes satelitales. Tesis Ing. Industrial y de Sistemas.
Universidad de Piura. Piura, Perú. p 43.

Gonzaga, C. (2014). Aplicación de índices de vegetación derivados de imágenes

satelitales Landsat 7 ETM+ y ASTER para la caracterización de la cobertura
vegetal en la zona centro de la provincia de Loja, Ecuador. Tesis de Maestría en
Geomática. Buenos Aires, Argentina. Universidad De La Plata. p 28.

Hernández, J. y Montaner, D. (2009). Patrones de Respuesta Espectral. Lab.

Geomática y Ecología del Paisaje (GEP). Facultad de Ciencias Forestales
Universidad de Chile. Chile. 4-5 p.

Herrera, B. (1987). Elementos de fotogrametría. Ed Limusa. México.

Instituto Nacional de Estadística y Geografía, (2011). Aspectos técnicos de las

imágenes Landsat (en línea). Aguascalientes, México. Consultado el 28 de
septiembre de 2015. Disponible: http://www.inegi.org.mx/geo/ contenidos
/imgpercepcion/imgsatelite/ doc/aspectostecnicosdeimageneslandsat.pdf.

Instituto Nacional de Estadística y Geografía, (s.f.). Imágenes de satélite (en línea).

Aguascalientes, México. Consultado el 30 de septiembre de 2015. Disponible en:
http://www.inegi.org.mx/ geo/contenidos/imgpercepcion/imgsatelite/

Lobato, J., Camargo, R. y Vieira, J. (2011). Estimativa de Productividad da cana-de-

Açúcar por meio de série temporais de imagens vegetación punto. Campinas, SP
Brasil. Sci. Agric. Vol.68 no.2. Cosultado el 22 de septiembre de 2015. Disponible
en: http://dx.doi.org/10.1590/S0103-90162011000200002

Maddaleno, C. (2014). Caracterización molecular de cien variedades de caña de azúcar

con marcadores de secuencia simple repetida para favorecer el programa de

46
 fitomejoramiento de la agroindustria azucarera. Santa Lucía Cotzumalguapa,
Escuintla. Tesis Ing. Agr. Escuintla, Guatemala. URL. p 22.

Martínez, J. (s. f.). Normalized Difference Vegetation Index -NDVI- (en línea).
Consultado el 5 de octubre de 2015. Disponible en: http://es.slide
share.net/JacoboMartinez1/presentacion-ndvi

Melgar, M. (2012) Desarrollo tecnológico de la agroindustria azucarera y perspectivas;

El cultivo de la caña de azúcar en Guatemala; Melgar, M.; Meneses, A.; Orozco,
H.; y Espinosa, R. (eds.). Guatemala.

Mejicanos, G. (2014). Experiencias en el cultivo de caña de azúcar variedad CP72-

2086, Ingenio Magdalena, S.A., La Democracia, Escuintla (2005-2010). Estudio
de Caso Ing. Agr. URL, Sede Regional de Escuintla. Guatemala. p. 22.

Montenegro, O. (2015). Metodología de muestreo estratificado con base a peso, para

estimados de producción (TCH), en el cultivo de caña de azúcar (entrevista).
Santa Lucía Cotzumalguapa, Escuintla, Guatemala, Ingenio Madre Tierra.

NASA, (2015). Landsat Science, Landsat 8 (en línea). Estados Unidos De Norte
América. Consultado el 30 de Septiembre de 2015. Disponible en:
http://landsat.gsfc.nasa.gov/?page_id=4071

Orozco, H., Catalán, M., Castro, O. y Queme, J. (2004). Catálogo de variedades

promisorias de caña de azúcar de la agroindustria azucarera guatemalteca,
morfología y productividad. Versión 1. CENGICAÑA. Guatemala. p. 7.

Otero, I., Ezquerra, A., Martín, L., Bachiller, I. y Rodríguez-Solano, R. (s.f.).

Fotogrametría (en línea). Madrid, España. Consultado el 29 de septiembre de
2015. Disponible en: http://ocw.upm.es/ingenieria-cartografica-geodesica-y
fotogrametria/topografia-cartografia ygeodesia/contenidos/TEMA_11_FOTOGRA
METRIA_Y_TELEDETECCION/Fotogrametria/fotogrametria_cap_libro.pdf

Polanco, M. (2006). Fotointerpretación y Mapificación. Modulo, primera edición.

Universidad Nacional Abierta y a Distancia (UNAD). Bogotá, Colombia. 8-9 p.

47
 Consultado el 28 de septiembre. Disponible en: http://es.slideshare.
net/DARIO_PAEZ/fotointerpretacion

Saenz, S. (2004). Experiencias en la optimización de la maduración inducida, en el

cultivo de la caña de azúcar (Saccharum officinarum L.) en Guatemala. Tesis Ing.
Agr. Guatemala, Guatemala. USAC. 56 p.

Teledet, (s.f.). Imágenes satelitales (en línea). Consultado el 30 de septiembre de 2015.

Disponible en: http://www.teledet.com.uy/imagen-satelital.htm

Teledet, (s.f.). Percepción remota satelital, combinación de colores (en línea).

Consultado el 01 de octubre de 2015. Disponible en: http://www.teledet.com.uy
/tutorial-imagenes-satelitales/combinaciones-colores.ht

Universidad de Murcia, (2003). Teledetección (en línea). Espinardo, Murcia, España.

Consultado el 25 de septiembre de 2015. Disponible en: http://www.um.es/
geograf/sigmur/teledet/ intro.pdf

Universidad de Murcia, (2006). Fundamentos de la Teledetección (en línea). Espinardo,

Murcia, España. Consultado el 25 de septiembre de 2015. Disponible en:
http://www.um.es/ geograf/sigmur/temariohtml/node69ct.html

Universidad de Piura, (2011). Índices de vegetación (en línea). Piura, Perú. Consultado
el 03 de octubre de 2015. Disponible en: http://www.biblioteca.udep.edu.pe/
BibVirUDEP/tesis/pdf/1_59_185_24_508.pdf

Universidad Politécnica de Cartagena, (s.f.). Propiedades de la radiación

electromagnética (en línea). Cartagena, Murcia, España. Consultado el 27 de
septiembre de 2015. Disponible en: http://www.upct.es/geat/Descargas/varios
/fund_1.pdf

USAID, (2011). Caña de azúcar análisis de la cadena de valor en Concepción y

Canindeyú (en línea). Concepción, Paraguay. Consultado el 25 de septiembre de
2015. Disponible en: https://www.usaid.gov/sites/default /files/documents/1862/
cana_de_azucar.pdf. p 15.

48
Villatoro, B. (2015). Procesamiento de imágenes Landsat 8 para estimación de NDVI
para análisis multitemporal en el cultivo de caña de azúcar. Escuintla, Guatemala:
ATAGUA.

Villatoro, B. y Meneses, A. (2013). Manejo agronómico por ambiente (Mapa) Enfoque

para aumentar la productividad de la agroindustria azucarera de Guatemala.
Escuintla, Guatemala: CENGICAÑA. 328 p.

Zanter, K. (2015). Landsat 8 (L8). Versión 1. United States Geological Survey (USGS).
Sioux Falls, Dakota del Sur, Estados Unidos de Norte América. 4 p.

49
 X. ANEXOS

Anexo 1. Proceso y los elementos básicos involucrados en la percepción remota o

teledetección de recursos naturales. Fuente: http://www.produccion-animal.com.ar
/produccion_y_manejo_pasturas/indice_verde/01-didacticas.pdf

Anexo 2. Presenta la respuesta de objetos (1.- Agua clara; 2.- Vegetación; 3.- Suelo) de
la superficie terrestre a la radiación incidente, captada por sensores colocados en
distintos satélites. Fuente: http://www.produccion-animal.com.ar/producciónymanejo
_pasturas/indice_verde/01-didacticas.pdf

50
Anexo 3. Firmas espectrales. Variaciones en la cantidad de radiación emitida y
reflejada de las coberturas en diferentes longitudes de onda. Fuente: (Hernandez &
Montaner, 2009).

51
Anexo 4. Mapa de ubicación de Ingenio Madre Tierra.

52