Documentos de Académico
Documentos de Profesional
Documentos de Cultura
POR
MISAEL PÉREZ MOTA
PREVIO A CONFERÍRSELE
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.
Al Ing. Sergio Miranda, por compartir sus conocimientos y brindarme todo el apoyo
necesario durante la duración de mi carrera universitaria.
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
V. METODOLOGÍA ................................................................................. 20
5.1 LOCALIZACIÓN ..............................................................................................................20
6.5 COSTO POR HECTÁREA DEL MODELO ESTADÍSTICO UTILIZANDO EL NDVI .........39
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
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 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
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).
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.
1
II. MARCO TEÓRICO
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.
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.
3
de los métodos desarrollados por Chamo (2004), que consisten en el conteo y pesado
de tallos de caña de azúcar.
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).
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.
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
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 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).
7
Figura 1. Espectro electromagnético. Fuente: http://www.upct.es/geat/Descargas
/varios /fund_1.pdf. Universidad Politécnica de Cartagena, (s. f.).
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).
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
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.
2.7 FOTOINTERPRETACIÓN
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.
10
superficies continentales de la Tierra, vista desde el espacio (Instituto Nacional de
Estadística y Geografía, 2011).
El sistema Landsat 8 es robusto, de alto rendimiento y de muy alta calidad de los datos,
tales como:
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.
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.
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).
A continuación, Alva (s. f.) describe brevemente el significado de cada una de las
bandas y su aplicación:
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.
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.
14
Cuadro 1. Combinación de bandas multiespectrales.
Agricultura 652
Tierra/agua 564
Fuente: http://www.cartografia.cl/beta/index.php/home/percepcion/830-2013-08-21-02-
17-46.
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).
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).
16
radiación reflejada sobre la radiación entrante en cada banda espectral (Universidad de
Piura, 2011). Figura 2.
17
III. PLANTEAMIENTO DEL PROBLEMA
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
4.2 ESPECÍFICOS
19
V. METODOLOGÍA
5.1 LOCALIZACIÓN
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.
20
con nubes e influencia de sombras que las nubes proyectaron y por último, el cálculo
de NDVI por lote.
5.5 PROCEDIMIENTO
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:
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.
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.
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.
24
5.6 VARIABLES DE ESTUDIO
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.
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.
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.
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.
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).
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
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.
y= 28.366x + 93.244
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.
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.
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.
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.
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.
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.
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.
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
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:
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 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.
41
modelo de regresión lineal simple y = 32.943x + 94.524, desarrollado con los
rendimientos de finca Limones.
42
VIII. RECOMENDACIONES
Se recomienda evaluar otras aplicaciones para las imágenes satelitales Landsat 8 en el
cultivo de la caña de azúcar en Guatemala.
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
44
Clement, H. (1980). Sugarcane crop logging and crop control. Pitman Publishing.
Hawaii. 157 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
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.
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
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
47
Consultado el 28 de septiembre. Disponible en: http://es.slideshare.
net/DARIO_PAEZ/fotointerpretacion
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
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.
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 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