Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTADO POR:
Thiara Alexia Fuentes Cervantes
Fernando Lezana Duran
César Valentín Hernández Estrada
ASESORA:
Dra. Alejandra Aurelia López Caloca
Queremos mostrar nuestro aprecio y más sincero agradecimiento a la Dra. Alejandra, por su
gran apoyo e interés en este proyecto. Desde un inicio nos encaminó y nos organizó
acertadamente, brindándonos sus valiosos consejos y siempre dispuesta a orientarnos.
Manifestamos también nuestra gratitud a la Coordinación del Posgrado del CentroGeo, por
siempre auxiliarnos prontamente como alumnos del centro.
2
RESUMEN
3
ÍNDICE
AGRADECIMIENTOS 2
RESUMEN 3
ÍNDICE 4
1. INTRODUCCIÓN 6
1.1. Milpa Alta, lugar de agricultura 6
1.2. Importancia del maíz y del nopal en Milpa Alta 6
2. JUSTIFICACIÓN 8
2.1. Problemática y relevancia 8
2.2. Una propuesta: Agricultura de precisión 10
2.3. Objetivo general 12
2.4. Objetivos específicos 12
2.5. Alcances 12
3. MODELO CONCEPTUAL 13
3.1. Modelo de conocimiento 13
3.1.1. El maíz 13
3.1.2. El nopal 14
3.1.3. Índices de vegetación 17
3.2. Modelo geográfico 21
3.2.1. Alcaldía Milpa Alta 21
3.2.2. Área de estudio 23
3.3. Modelo computacional 24
3.3.1. Datos satelitales 24
3.3.2. Datos fotogramétricos (VANT) 25
3.3.3. Datos climáticos 26
4. SOLUCIÓN COLABORATIVA 28
4.1. Metodología general 28
4.2. Metodología: Análisis satelitales 31
4.2.1. Preprocesamiento 32
4.2.2. Procesamiento 34
4.3. Metodología: Vuelos fotogramétricos 37
4.3.1. Recolección de datos 37
4
4.3.2. Procesamiento fotogramétrico 40
4.3.3. Pseudoíndices de vegetación 43
4.4. Metodología: Trabajo etnográfico 45
4.5. Metodología: Climatología 46
5. RESULTADOS 48
5.1. Análisis satelital 48
5.2. Vuelos fotogramétricos 52
5.3. Trabajo etnográfico 64
5.4. Climatología 73
6. CONCLUSIONES 78
7. REFERENCIAS 80
APÉNDICE 85
5
1. INTRODUCCIÓN
1. INTRODUCCIÓN
La agricultura ha sido una actividad primordial para el desarrollo de las grandes civilizaciones.
En México, la aparición de la agricultura se remonta miles de años atrás con la domesticación
del maíz, del frijol, de la calabaza, del nopal, del chile, del amaranto, entre otros. El maíz y el
nopal fueron cultivos de suma importancia para el desarrollo de las primeras culturas, siendo
motivo de asentamientos humanos y con atribuciones sociales y religiosas. Por poner un
ejemplo, a diversos pueblos se les llamó por derivados de las palabras náhuatl nohpalli (nopal)
o nochtli (tuna), como Nopala en Hidalgo, Nochistlán en Zacatecas o Tenochtitlán, hoy Ciudad
de México (INEGI, 2007).
Durante la época colonial, los cultivos de maíz y nopal prosperaron en las haciendas, ranchos y
casas de los peones (INEGI, 2007). Pero fue hasta el siglo XX que el crecimiento de la
población incrementó fuertemente la demanda, por lo que se implementó la producción de
manera intensiva (Fierro-Álvarez, 2006).
En Milpa Alta, alcaldía de la Ciudad de México, el cultivo del nopal se inició en 1938 por el
señor Florentino Flores Torres del barrio de la Concepción (González-Quintero, 1976). Los
milpaltenses adoptaron rápidamente el cultivo de nopal al percatarse de que es más rentable
que otros cultivos como el maguey pulquero o el maíz. Desde entonces la producción de nopal
se ha convertido en el eje de la economía de los agricultores de esta región
(González-Quintero, 1976).
En la actualidad, y desde hace al menos varias décadas, Milpa Alta es uno de los principales
productores de nopal a nivel nacional y probablemente mundial. Las particularidades del suelo
y su singular clima templado han convertido a 7 de los 12 pueblos milpaltenses en los
principales productores de esta cactácea: Villa de Milpa Alta, San Francisco Tecoxpa, San
Jerónimo Miacatlán, San Juan Tepenahuac, Santa Ana Tlacotenco, San Agustín Atenco y San
Lorenzo Tlacoyucan (INECC, 2004).
De acuerdo con datos del Servicio de Información Agroalimentaria y Pesquera1 (SIAP), tan solo
en el 2020, se cosecharon 2,234 ha de nopal en Milpa Alta, siendo así el segundo municipio
1
https://www.gob.mx/siap
6
1. INTRODUCCIÓN
con más superficie cosechada del país, solo después de Tlalnepantla, Morelos, con 3,050 ha.
En Milpa Alta, el valor económico de esta producción de nopal en 2020 fue de casi 600 mdp.
Por su parte, la superficie cosechada de maíz en Milpa Alta durante 2020 fue de 1,585 ha
(considerando maíz grano, maíz forrajero y elote). Esto representó un valor de producción de
casi 20 mdp. Si bien la producción en Milpa Alta no se acerca a la de los grandes municipios
productores de maíz del país, quienes llegan a producir más de 20 veces esa cantidad, el
cultivo de este grano es una de las principales actividades económicas en la alcaldía.
En la Fig. 1.2 se evidencia la importancia del cultivo de nopal y maíz en Milpa Alta respecto a
otros cultivos. Durante el período 2003-2020, en total se cosecharon 66,039 ha de nopal, lo que
corresponde a un valor total de producción de más de 12,000 mdp. Cifra que contrasta con el
valor total de producción del maíz, el cual fue de casi 274 mdp durante el mismo período, no
obstante haberse cosechado una superficie no tan lejana a la del nopal con 41,254 ha de maíz.
Por lo tanto, el nopal se cotiza muy bien en el mercado y es una fuente importante de desarrollo
económico para la alcaldía.
Fig. 1.2. Superficie cosechada total y valor de producción total para los principales cultivos en Milpa Alta
durante el período 2003-2020. Creación propia; datos del SIAP.
7
2. JUSTIFICACIÓN
2. JUSTIFICACIÓN
Al sur de la Ciudad de México existen aún los remanentes de los sistemas de producción
agrícola que durante siglos contribuyeron al desarrollo y crecimiento de la capital del país. Un
caso muy importante y que refleja estos sistemas de producción es el cultivo tradicional de
maíz y de nopal en la alcaldía Milpa Alta.
Las técnicas de cultivo basadas en la experiencia se han mantenido a lo largo de los años y
han pasado por generaciones de productores milpaltenses. Muchos de ellos han comenzado a
beneficiarse introduciendo la tecnología como parte de su estrategia de cultivo, como las
máquinas para deshierbar y empaquetar. Sin embargo, los cambios de clima y la cada vez más
notable escasez de agua, exigen nuevos métodos que permitan mantener la producción.
Aunado a esto, las plagas y enfermedades son un problema recurrente en el campo, pues no
sólo afectan la calidad de los cultivos, sino que también reducen la producción agrícola, lo cual
supone grandes repercusiones económicas sobre el sector rural (Agroasemex, 2019).
Si se analiza una serie de tiempo de la producción agrícola de los últimos años (Figs. 2.1A y
2.1B) se pueden dilucidar dos sucesos importantes para la agricultura milpaltense. El primero
es un decremento importante en la superficie cosechada de maíz de 2012 (Fig. 2.1A), muy
probablemente debido a la sequía más severa de las últimas décadas, que tuvo lugar entre
2011 y 2012 la cual afectó al 80% del país (Ortega-Gaucin, 2018). El segundo evento es una
reducción notable de la superficie cosechada de nopal a partir de 2014, posiblemente para dar
espacio a otros cultivos, con lo que se redujo poco después la producción de nopal respecto a
los años anteriores (Fig. 2.1B). Ambos cultivos no se han recuperado de estos eventos, y en el
caso del nopal, la superficie ha tendido a reducirse aún más, información preocupante, ya que
es el cultivo más importante en Milpa Alta (Fig. 1.2). Encima, muy probablemente el sector
agrícola se vio duramente afectado por la reciente sequía de 2021 (CONAGUA, s.f.). Estos
datos resaltan la importancia de estudiar estrategias que ayuden a la recuperación del sector.
Si bien los métodos agrícolas tradicionales siguen siendo funcionales y útiles, con la tecnología
de hoy en día el sector se puede beneficiar de metodologías que permiten identificar, de forma
remota, zonas en donde los cultivos requieren esfuerzos específicos para la mejora del cultivo,
como poda, aplicación de fertilizantes, riego, etc.; todo esto de un modo cuantificable y que,
año con año, podría traer más beneficios a través del análisis de los datos a largo plazo.
Además, contar con perspectivas a futuro sobre los efectos que traerá el cambio climático,
como la severidad o frecuencia de las sequías, ayudaría a la toma informada de decisiones
para el futuro.
8
2. JUSTIFICACIÓN
Fig. 2.1A. Superficie cosechada en hectáreas de nopal, maíz (grano, forrajero y elote) y otros (el resto de
cultivos, sin contar ornamentales) en Milpa Alta. Creación propia; datos del SIAP.
Fig. 2.1B. Producción en toneladas de nopal, maíz (grano, forrajero y elote) y otros (el resto de cultivos,
sin contar ornamentales) en Milpa Alta. Creación propia; datos del SIAP.
9
2. JUSTIFICACIÓN
La oferta y la demanda de productos agrícolas aumenta día a día, y tanto los cultivos intensivos
como los pequeños agricultores requieren de calendarios y prácticas de propagación,
plantación, poda, fertilización, manejo de plagas y cosecha que optimicen la producción con
métodos que no dañen al producto y garanticen una calidad adecuada (CONABIO, 2022).
Otra ventaja de una buena práctica de la agricultura de precisión es que permite optimizar la
utilización de fertilizantes, abonos, pesticidas o riego (Lago-González et al., 2011), siendo
además una opción más sustentable pues minimiza los recursos invertidos y mejora la
producción. En consecuencia, el uso extendido de la agricultura de precisión puede ayudar a
reducir las emisiones de carbono asociadas al cambio climático (Balafoutis et al., 2017).
En la Fig. 2.2 se mencionan algunas de las problemáticas que tiene el sector agrícola propias
del agricultor y del cultivo. Para atacar estas problemáticas, en este trabajo se proponen
algunas técnicas modernas de extracción y análisis de la información a través de cuatro
diferentes fuentes: imágenes tomadas por drones o vehículos aéreos no tripulados (VANT),
imágenes satelitales, trabajo etnográfico y modelos climáticos globales. Con estos cuatro
conjuntos de datos, se cuenta con suficiente información como para generar recomendaciones
relevantes para los agricultores de maíz y nopal en Milpa Alta (Fig. 2.2).
10
2. JUSTIFICACIÓN
Cabe mencionar que, por cuestiones de tiempo y recursos, las técnicas aquí utilizadas no
abarcan todos los posibles medios de la agricultura de precisión. No se consideran, por
ejemplo, mediciones en campo de las propiedades del suelo y del aire (e.g. Narayan &
Nageshwari, 2021) u optimizaciones por automatizaciones con tecnología agrícola moderna
(e.g. Zaman et al., 2011).
11
2. JUSTIFICACIÓN
Examinar las capacidades que tiene la agricultura de precisión en los cultivos de maíz y de
nopal en la alcaldía Milpa Alta mediante la aplicación de índices de vegetación y un algoritmo
de clasificación sobre imágenes satelitales e imágenes obtenidas por vehículos aéreos no
tripulados, así como mediante el estudio de escenarios climáticos futuros; con el fin de emitir
recomendaciones que aumenten la productividad y fortalezcan la economía de los productores.
2.5. Alcances
La meta de este trabajo es elaborar diagnósticos sobre cultivos de maíz y nopal en Milpa Alta,
que sean útiles en la concepción de estrategias y recomendaciones que mejoren el rendimiento
de los cultivos y, como consecuencia, impulsen el crecimiento económico de los productores.
Se pretende que estas recomendaciones mejoren las capacidades de mano de obra y
económicas de los productores permitiendo que enfoquen sus esfuerzos en zonas específicas
donde la vegetación requiera su atención particular.
Las personas que se verían directamente beneficiadas son los productores agrícolas de Milpa
Alta. Además de ellos, si se mejorara la productividad y esto a largo plazo permitiera reducir los
precios de venta en el mercado, también se beneficiaría indirectamente a los consumidores, los
cuales incluyen diferentes sectores más allá del consumo alimenticio, como son los colorantes
textiles, los tratamientos de belleza, los combustibles, etc. (INEGI, 2007).
12
3. MODELO CONCEPTUAL
3. MODELO CONCEPTUAL
3.1.1. El maíz
El maíz (Zea mays ssp. mays) es un pasto de la familia botánica Poaceae o Gramineae, que se
originó como cultivo mediante el proceso de domesticación (hace aproximadamente 10,000
años) que llevaron a cabo los antiguos habitantes de Mesoamérica, a partir de los teocintles,
parientes silvestres del maíz, que crecen de manera natural en la región (CONABIO, 2020).
El maíz ha estado presente desde los inicios de las culturas mesoamericanas, muchas de las
cuales se fundamentaron en el cultivo y aprovechamiento de este grano, entrelazando así su
cultivo con los mitos y leyendas de los grupos aztecas, mayas, zapotecas, mixtecas,
purhépechas, totonacas, mazatecas, chinantecas, zoques, etc. (CONABIO. 2020). Los
vestigios más antiguos relacionados al maíz datan de hace siete milenios y se encontraron
dentro de una cueva en Coaxcatlán, región de Tehuacán, Puebla (GOB, 2019). Por su parte,
los mexicas contaban que el maíz fue un regalo de Quetzalcóatl, quien se las ingenió para
extraer un grano del interior de una montaña.
En América Latina se han descrito cerca de 220 razas de maíz, de las cuales 64 se han
identificado en México y 59 se pueden considerar nativas (Ureta, 2012; CONABIO, 2020). Por
lo tanto, en México probablemente se concentra la mayor diversidad de maíz del mundo (Fig.
3.1A). En este país el maíz forma parte de la alimentación diaria. Siendo el cultivo de mayor
presencia, constituye un insumo para la ganadería y para la obtención de numerosos productos
industriales, por lo que, desde el punto de vista alimentario, económico, político y social, es el
cultivo agrícola más importante (CONABIO, 2020).
Actualmente, el cultivo del maíz en México se realiza en un amplio rango de altitudes (desde el
nivel del mar hasta los 3,400 m s.n.m) y ecorregiones. Se siembra en zonas tórridas con
escasa precipitación, en regiones templadas, en las faldas de las altas montañas, en ambientes
muy cálidos y húmedos, en escaso suelo, en pronunciadas laderas o en amplios valles fértiles,
en diferentes épocas del año y bajo múltiples sistemas de manejo y desarrollo tecnológico
(CONABIO, 2020).
México es el quinto productor global pero sólo aporta 2% del maíz que se produce
mundialmente. Sinaloa es el principal estado productor con 26%, seguido de Jalisco con 12.6%
y Estado de México con 6.5% (GOB, 2019). Casi todos los estados son productores de maíz.
13
3. MODELO CONCEPTUAL
3.1.2. El nopal
Los nopales son el género de mayor distribución de la familia de las cactáceas. Son utilizados
desde la época prehispánica para el consumo humano. Actualmente se reconocen cerca de
220 especies, de las cuales entre 60 y 90 se pueden encontrar en México (CONABIO, 2021).
En particular, el género Opuntia tiene una amplia distribución en el país.
Son tres las principales estructuras de los nopales que se consumen: el cladodio, la tuna y el
xoconostle (CONABIO, 2021). El nopal cuenta con beneficios nutricionales importantes: aporta
calcio, proteínas, carbohidratos, hierro, ácido ascórbico y vitamina C (INEGI, 2007; Maki-Díaz
et. al, 2015; FND, 2020). Tiene también diversos usos medicinales, por mencionar algunos:
ayuda a disminuir los niveles de azúcar en la sangre, previene el desarrollo de osteoporosis,
además de que, debido a su abundancia en fibra, contribuye a controlar la gastritis y la acidez
estomacal (INEGI, 2007; FND, 2020).
El nopal verdura (Opuntia ficus-indica), también llamado nopalitos (Fig. 3.1B), es una cactácea
de amplio consumo y gran tradición en México, además, es uno de los recursos de mayor
importancia económica de la flora mexicana (CONABIO, 2021), como ejemplo, en 2006, el
14
3. MODELO CONCEPTUAL
México es el productor principal de nopal verdura con cerca del 74% de la producción mundial
(Maki-Díaz et. al, 2015) y es también el consumidor más importante en su forma fresca y
procesada. De la producción total el 78% es de tuna, cerca del 20% de nopalito y menos de 2%
de xoconostle (CONABIO, 2021). La calidad del nopal verdura que se comercia incluye
características físicas y químicas, como su apariencia (frescura, turgencia y color), sus
dimensiones (delgados, chicos o medianos) o su acidez (Maki-Díaz et. al, 2015).
Las condiciones climáticas adecuadas son una pieza clave para que cualquier cultivo prospere,
pues diferentes factores pueden limitar el crecimiento de las plantas, siendo el agua el principal,
aunque otras características también pueden causar graves limitaciones, como los vientos
fuertes, los cambios extremos de temperatura o la deficiencia de nutrientes en el suelo. En el
caso del nopal verdura, el rango óptimo de temperatura es entre 16°C y 28°C, soportando
temperaturas máximas de entre 35°C y hasta 65ºC por períodos cortos de tiempo, aunque en
este rango la brotación se ve afectada. Su tolerancia a temperaturas mínimas está en el orden
de 10° a 0°C. Existe un aumento en la producción asociado con el aumento de temperatura y
viceversa (INECC, 2004; Almaguer-Sierra et. al, 2014).
El nopal verdura prospera con precipitaciones medias anuales de 150 mm hasta 800 mm,
aunque para una producción continua en cultivos requiere precipitaciones regulares o riego
(INECC, 2004). Un factor muy importante es la humedad relativa. Cuando es demasiado alta, la
planta es más propensa al ataque de plagas y enfermedades. Cuando es demasiado baja,
deshidrata los tejidos de la planta (INECC, 2004).
En general, los nopales se desarrollan en suelos volcánicos, pero también prosperan en los
suelos calcáreos de textura franca; con un pH entre 6.5 y 8.5 (INECC, 2004).
Según INECC (2004), la cosecha se lleva a cabo cuando los brotes alcanzan un peso
aproximado de entre 100 y 120 g cada uno o que midan de 10 a 15 cm de largo; aunque no
siempre se sigue este patrón de cosecha, pues el tamaño puede variar según las exigencias
del mercado (INECC, 2004).
15
3. MODELO CONCEPTUAL
De acuerdo con Ortiz-Martínez (2018), la temporada de floración del nopal Opuntia decumbens
cubre desde las primeras semanas de enero hasta la primera semana de abril (Fig. 3.1C),
momento en que se observan los primeros frutos maduros. El mes de marzo presenta el mayor
número de estructuras reproductivas (botones, flores y restos florales). El crecimiento de las
plantas, evidenciado como el surgimiento de nuevos cladodios, se registra de noviembre a
abril, siendo noviembre el mes con mayor crecimiento, es decir, posterior a la temporada de
lluvias.
De las plagas más importantes que atacan este cultivo están el picudo barrenador
(cactophagus spinulae gyll), el picudo de las espinas (cylindrocoptorus biradiatus champs), el
gusano blanco del nopal (lanifera cyclades druce), el gusano cebra (olycella nephelepsa dyar) y
la grana cochinilla (dactylopius indicus green). Estas plagas atacan principalmente en estado
larvario, por lo que es importante determinar su ciclo biológico para proceder a su control
(INECC, 2004).
Algunas de las enfermedades más importantes son la mancha bacteriana (bacterium sp.),
mancha o secamiento de la penca (alternaria sp.), la pudrición de la epidermis, la antracnosis,
el oro del nopal, el engrosamiento de cladodios y la mancha negra (Fig. 3.1B) provocada por el
hongo pseudocercospora opuntiae (INECC, 2004).
Fig. 3.1B. (Izquierda) Nopal verdura con grana cochinilla. Fotografía propia. (Derecha) Nopales enfermos
con mancha negra. Fotografía de SEDEMA (2020).
16
3. MODELO CONCEPTUAL
Fig. 3.1C. Fenología reproductiva de Opuntia decumbens durante la temporada de floración de 2017 en
San Sebastián del Monte, Oaxaca. Imagen de Ortiz-Martínez (2018).
En espectroscopía, las ondas electromagnéticas que abarcan las longitudes de onda del
infrarrojo cercano (o NIR, por sus siglas en inglés) son ampliamente utilizadas para determinar
parámetros de cultivos, como el contenido de agua, el contenido de azúcar y otros indicadores
de madurez, así como para medir la fluorescencia de la clorofila para determinar la necesidad
de fertilizantes a base de nitrógeno, entre otras aplicaciones (Avantes, s.f.).
Existen gran cantidad de índices espectrales. Algunos de ellos son comúnmente utilizados para
la detección y resalte de propiedades de la vegetación. En años recientes, se han combinado
exitosamente el estudio de índices de vegetación con los vuelos aéreos no tripulados (VANT)
para estudiar los cultivos en la agricultura. Por ejemplo, Zhou et al. (2021) utilizaron pequeños
VANT y plataformas a nivel de suelo con cámaras térmicas para capturar imágenes de diversos
cultivos y calcular su índice de estrés hídrico. Por su parte, Marques et al. (2020) estimaron,
bajo diferentes esquemas de riego, la temperatura de cultivos de olivo en Portugal utilizando
imágenes térmicas obtenidas con VANT. La diferencia de temperatura del dosel y la
temperatura del aire se utilizaron para establecer correlaciones con indicadores medidos de
17
3. MODELO CONCEPTUAL
Para dar mayor sustento a los índices de vegetación utilizados en este trabajo, a continuación
se explican brevemente cada uno de ellos.
Con este índice es posible conocer en qué estado de salud se encuentra la vegetación, así
como detectar cambios anormales en el proceso de crecimiento (MappingGIS SLU, s.f.). Se
calcula como:
𝑁𝐼𝑅−𝑅
𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅+𝑅
, (1)
donde NIR es la banda del infrarrojo cercano en una imagen espectral y R la del rojo. En el
caso de las imágenes de Sentinel-2, el cálculo se hace con los números de bandas
correspondientes (B#, donde # es el número de banda), tal que:
𝐵8−𝐵4
𝑁𝐷𝑉𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙−2 = 𝐵8+𝐵4
. (2)
18
3. MODELO CONCEPTUAL
El NDVI puede tomar valores entre -1 y 1 (Fig. 3.1D). Los valores negativos suelen
corresponder a áreas con superficies de agua, estructuras artificiales, rocas, nubes o nieve; el
suelo desnudo generalmente cae dentro del rango de 0.1 a 0.2; y las plantas casi siempre
tendrán valores positivos entre 0.2 y 1. El dosel de vegetación sano y denso debería estar por
encima de 0.5. Sin embargo, estos valores son únicamente una regla generalizada y siempre
se debe tener en cuenta el tipo de planta y las peculiaridades regionales para entender
exactamente qué significan los valores del NDVI en cada situación (TYC GIS, 2021).
El Índice de Vegetación de Diferencia Normalizada Verde o GNDVI, por sus siglas en inglés
(Green Normalized Difference Vegetation Index), puede ser más sensible a la variación de la
clorofila en cultivos con canopeo2 denso o en etapas avanzadas de desarrollo, a diferencia del
NDVI es adecuado para estimar el vigor del cultivo durante las etapas iniciales (Auravant, s.f.).
El GNDVI se calcula como:
𝑁𝐼𝑅−𝐺
𝐺𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅+𝐺
, (3)
𝐵8−𝐵3
𝐺𝑁𝐷𝑉𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙−2 = 𝐵8+𝐵3
, (4)
2
Arreglo espacial de las hojas de los individuos de un cultivo.
19
3. MODELO CONCEPTUAL
El Índice de Clorofila Verde o GCI, por sus siglas en inglés (Green Coverage Index), se usa
para estimar el contenido de clorofila de las hojas. El contenido de clorofila refleja el estado
fisiológico de la vegetación; disminuye en plantas estresadas y, por lo tanto, puede usarse
como una medida de la salud de las plantas. La ecuación del GCI es:
𝑁𝐼𝑅
𝐺𝐶𝐼 = ( 𝐺
) − 1, (5)
𝐵8
𝐺𝐶𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙−2 = ( 𝐵3 ) − 1 . (6)
Kaufman y Tanré (1992) corrigieron el NDVI para mitigar los efectos de dispersión atmosférica
lo cual dio origen al Índice de Vegetación Resistente a la Atmósfera o ARVI, por sus siglas
en inglés (Atmospherically Resistant Vegetation Index). El ARVI es más útil en regiones de alto
contenido de aerosoles atmosféricos. Varía entre -1 y 1; generalmente la vegetación verde se
encuentra entre valores de 0.2 a 0.8. El ARVI se calcula como:
𝑁𝐼𝑅−2𝑅+𝐵
𝐴𝑅𝑉𝐼 = 𝑁𝐼𝑅+2𝑅+𝐵
, (7)
𝐵8−2𝐵4+𝐵2
𝐴𝑅𝑉𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙−2 = 𝐵8+2𝐵4+𝐵2
, (8)
El Índice de Vegetación Ajustado al Suelo o SAVI, por sus siglas en inglés (Soil Adjusted
Vegetation Index), fue diseñado para minimizar las influencias del brillo del suelo; este índice se
utiliza para el análisis de cultivos jóvenes, para regiones áridas con vegetación escasa (menos
del 15% del área total) y superficies expuestas del suelo (MappingGIS SLU, s.f.). Su ecuación
es:
𝑆𝐴𝑉𝐼 = ( 𝑁𝐼𝑅−𝑅
𝑁𝐼𝑅+𝑅+𝐿 )(1 + 𝐿) , (9)
20
3. MODELO CONCEPTUAL
𝑆𝐴𝑉𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙−2 = ( 𝐵8−𝐵4
𝐵8+𝐵4+0.428 )(1. 428) . (10)
Además de los índices de vegetación que utilizan las bandas espectrales, existen métricas con
las que se pueden estimar algunas propiedades de las plantas. Una propiedad particularmente
importante es el área foliar, esto es, la superficie sobre la que se intercambia energía y materia
entre una planta y la atmósfera. El área foliar es considerada como una variable clave para
modelar el crecimiento de los árboles y de las condiciones de un bosque (Hernández et. al
2021).
La alcaldía Milpa Alta se ubica al sureste de la Ciudad de México (Fig. 3.2A). Abarca una
superficie de 228 km² y limita al norte con las alcaldías Tláhuac y Xochimilco, al oeste con la
alcaldía Tlalpan, al este con los municipios mexiquenses de Chalco, Tenango del Aire y
Juchitepec, y al sur con los municipios morelenses de Tlalnepantla y Tepoztlán
(Rodríguez-Gamiño, 2012).
21
3. MODELO CONCEPTUAL
22
3. MODELO CONCEPTUAL
Al encontrarse en una zona volcánica, la elevación del terreno en Milpa Alta es muy variable
(Fig 3.2C). Prácticamente toda la zona urbana se encuentra al norte en donde la elevación es
menor, pero muchos poblados se ubican en las faldas de los volcanes, donde los cerros
dificultan la accesibilidad. Particularmente para la agricultura, esto supone una dependencia
casi total de las lluvias para la irrigación de cultivos, ya que la instalación de sistemas de riego
se complica por la elevación del terreno.
Tomando en cuenta los objetivos y alcances de este trabajo, así como por cuestiones prácticas,
de recursos y de seguridad, se consideró inviable realizar vuelos fotogramétricos sobre más
que cuatro parcelas en Milpa Alta. No obstante esta limitante, el procesamiento de imágenes
que se propone en este trabajo es aplicable independientemente del número de parcelas que
se estudien, por consiguiente, el estudio de un área agrícola pequeña de la alcaldía es
suficientemente representativo de lo que se obtendría en cualquier parte de esta, siempre que
se trate de los mismos cultivos.
El área de estudio se localiza en el corazón de la alcaldía Milpa Alta. Se trata de la zona que
rodea el Volcán Cerro de San Miguel, al sur del poblado de Santa Ana Tlacotenco;
específicamente, las parcelas de interés se ubican dentro del polígono de la Fig. 3.2D, el cual
abarca dos parcelas de nopal y dos de maíz.
23
3. MODELO CONCEPTUAL
Las imágenes satelitales constituyen una de las primeras fuentes de información para la
agricultura de precisión y, como tales, han sido utilizadas en incontables ocasiones para
analizar el contexto agrícola (e.g. Brubeck-Hernandez et al., 2019) y las propiedades de la
vegetación (e.g. Clevers et al., 2017).
Sentinel-2 es una misión satelital de observación del planeta Tierra desarrollada por la Agencia
Espacial Europea (ESA). Sentinel-2 proporciona sistemáticamente imágenes multiespectrales
(12 bandas) en alta resolución (10, 20 y 60 m), con una cobertura de 290 km de ancho, de toda
la superficie continental haciendo una contribución significativa a todo tipo de proyectos sobre
cambio climático, monitoreo de la tierra, seguridad, entre otros (ESA, 2015).
Tabla 1. Información sobre las bandas espectrales de imágenes de Sentinel-2 (ESA, 2015).
24
3. MODELO CONCEPTUAL
Los drones o vehículos aéreos no tripulados (VANT) han constituido un pilar importante en el
desarrollo de la agricultura de precisión y son frecuentemente utilizados en campo para obtener
información sobre el terreno y los cultivos (Ríos-Hernández, 2021). En este contexto, los VANT
se pueden utilizar para detectar enfermedades en las plantas de manera directa (e.g. Thalluri et
al., 2021) o apoyándose de algoritmos de lenguaje de máquina (e.g. Nardari et al., 2018;
Ganesh-Babu & Chellaswamy, 2022); así como para identificar diferentes estresantes de la
vegetación como contenido/deficiencia de nutrientes, necesidad de agua o malezas (e.g. de
Castro et al., 2021).
En el mercado actual los VANT para estudios sofisticados, como los antes mencionados, llegan
a adquirir costos inaccesibles para los pequeños y medianos productores agrícolas, quienes
además, se enfrentan al obstáculo tecnológico y científico de aprender a operarlos y a procesar
la información obtenida. Sin embargo, hay evidencias de que los cultivos se pueden monitorear
con drones y cámaras económicas y de fácil adquisición (Bollatti et al., 2019; Aldana, 2020).
Queda, no obstante, mucho por hacer para exhibir ante los agricultores mexicanos las
capacidades de esta tecnología, para de ese modo incentivar el interés en el uso cotidiano de
VANT en la agricultura.
Entrando en detalles técnicos, para la colecta de datos con VANT en campo, es necesario
tomar en cuenta dos aspectos: el levantamiento fotogramétrico y la restitución fotogramétrica.
25
3. MODELO CONCEPTUAL
El resultado del levantamiento fotogramétrico es una imagen compuesta por pixeles, el valor de
cada uno de ellos está determinado por la información de la luz reflejada por los objetos, en
este caso, por las parcelas con los cultivos.
Para estudiar el clima usualmente se cuenta con dos fuentes principales de datos: las
observaciones y las salidas de modelos meteorológicos y climáticos. Sin embargo, las
observaciones suelen ser muy limitadas en el tiempo y el espacio, mientras que los modelos
tienen siempre sesgos importantes debido a las limitaciones teóricas y computacionales
inherentes a la modelación de los procesos físicos y químicos. Una alternativa que ha
demostrado ser muy útil en años recientes son los datos de reanálisis, una sofisticada técnica
estadística que combina modelos atmosféricos globales con observaciones de todo el mundo
para generar un conjunto de datos meteorológicos y climáticos completo y consistente
(Copernicus, 2022).
Si bien, los datos de reanálisis son una excelente opción para estudiar el clima del pasado,
para estudiar el clima futuro se cuenta únicamente con los modelos climáticos globales o
regionales. Los modelos son sofisticadas simulaciones computacionales que simulan las
condiciones climáticas en el pasado y futuro, considerando, entre otros aspectos, la física, la
química, la topografía, la biósfera o incluso las decisiones sociopolíticas.
26
3. MODELO CONCEPTUAL
Para hacer comparables los modelos climáticos, el CMIP6 definió diferentes escenarios futuros
bajo ciertas circunstancias estándares. Estas circunstancias llevan a diferentes caminos que
definirán la gravedad del cambio climático y consideran principalmente aspectos
socioeconómicos. La notación más reciente los llama SSP, siglas del inglés para Vías
Socioeconómicas Compartidas (Shared Socio‐Economic Pathways). Los SSP son usados para
producir escenarios de emisiones con y sin políticas de cambio climático; son utilizados para
evaluar los impactos climáticos y las medidas de adaptación (Riahi et al., 2017).
Existen más de 20 escenarios SSP (Riahi et al., 2017), pero para los fines de este trabajo solo
se consideran tres, uno optimista (SSP126), uno medio (SSP245) y uno pesimista (SSP585),
como se describen a continuación:
27
4. SOLUCIÓN COLABORATIVA
4. SOLUCIÓN COLABORATIVA
Se estudiaron aspectos de la agricultura del maíz y nopal en Milpa Alta desde cuatro frentes
distintos (Fig. 4.1A). En esta primera sección del capítulo, se esbozan las generalidades de
cada uno de estos cuatro frentes, mientras que en las secciones subsecuentes se detallan los
pormenores de las metodologías utilizadas.
Fig. 4.1A. Los cuatros frentes que conforman la metodología general. De arriba a abajo: título (morado),
nombre del frente (azul), extracción de la información (azul claro), procesamiento y análisis de la
información (azul grisáceo), resultados de salida (verde). Creación propia.
28
4. SOLUCIÓN COLABORATIVA
El tercer frente consiste en el trabajo etnográfico que se practicó con un agricultor milpaltense.
En esta parte, se entrevistó al agricultor de acuerdo a una serie de temas propuestos sobre
maíz y nopal, con el objetivo de conocer sus prácticas para documentarlas y compararlas con
las fuentes oficiales citadas en las Secciones 3.1.1 y 3.1.2; pero principalmente para que los
autores se familiarizasen y sentaran bases contextuales sobre las que emitir recomendaciones
de acuerdo a los resultados que se obtuvieran de los otros frentes.
Por último, el cuarto frente es el de la climatología en Milpa Alta. Aquí se trabajaron datos
meteorológicos de temperatura y precipitación para plantear perspectivas del clima pasado
(con datos históricos) y del cambio climático futuro (con datos de simulaciones numéricas) en la
alcaldía. Con esta información se pretende plantear recomendaciones a largo plazo, así como
informar sobre los posibles efectos del cambio climático en la atmósfera y su relación con los
cultivos de maíz y nopal.
29
4. SOLUCIÓN COLABORATIVA
30
4. SOLUCIÓN COLABORATIVA
Fig. 4.2A. Diagrama de procesamiento de imágenes satelitales para la obtención de mapas de índices
de vegetación en series de tiempo. Entre paréntesis se indica la herramienta utilizada en cada proceso.
Creación propia.
31
4. SOLUCIÓN COLABORATIVA
El primer paso fue descargar imágenes satelitales de la misión satelital Sentinel-2 (2A y 2B),
nivel 1-C, desde la plataforma USGS EarthExplorer3, del período comprendido entre el 1º de
mayo de 2022 y el 31 de julio de 2022. Las imágenes seleccionadas, para posteriormente ser
corregidas atmosféricamente, fueron aquellas que presentaron un porcentaje menor o igual al
30% de nubosidad.
4.2.1. Preprocesamiento
Las imágenes remuestreadas se exportan a formato GeoTIFF/BigTIFF. Para esto se siguen dos
pasos:
Paso 2. Dar clic en Subset → Band Subset para seleccionar las bandas que se quieren
exportar. Una vez seleccionadas, dar clic en OK (Fig. 4.2D) y finalmente dar clic en el
botón Export Product.
3
https://earthexplorer.usgs.gov/
32
4. SOLUCIÓN COLABORATIVA
Fig. 4.2C. Ubicación del menú para exportar una imagen satelital a formato
GeoTIFF/BigTIFF en SNAP. Creación Propia.
33
4. SOLUCIÓN COLABORATIVA
Fig. 4.2D. Bandas seleccionadas para ser exportadas en formato GeoTIFF/BigTIFF, con ello se
disminuye el tiempo de procesamiento del software SNAP. Creación propia.
4.2.2. Procesamiento
Para extraer la zona de estudio de las imágenes satelitales utilizamos la ventana ubicada en el
menú: Ráster → Extracción → Cortar ráster por capa de máscara del software QGIS. Una vez
cortadas se procede a calcular los siguientes índices utilizando la Calculadora ráster: NDVI,
GNDVI, GCI, ARVI y SAVI, mediante las ecuaciones (2), (4), (6), (8) y (10), respectivamente
(Fig. 4.2E).
Una vez calculados los índices para todas las imágenes vamos a: Simbología→ Tipo de
renderizador: Pseudocolor monobanda → Introducir mínimo y máximo para cada índice →
Interpolación: Lineal → Label precision: 2 → Modo: Intervalo igual → Clases: 5 → Aceptar;
como se ilustra la Fig. 4.2F.
Se copia el estilo y se pega en todas las imágenes del mismo índice para posteriormente crear
la serie de tiempo de mapas de índices de vegetación. Estos pasos se repiten para cada índice,
tomando en cuenta sus valores máximos y mínimos.
34
4. SOLUCIÓN COLABORATIVA
Fig. 4.2E. Ejemplo del cálculo del índice GCI para el 10 de julio del 2022. Creación propia.
35
4. SOLUCIÓN COLABORATIVA
La última parte del procesamiento de imágenes satelitales consistió en elaborar una serie de
tiempo del índice GNDVI promedio para cada una de las cuatro parcelas, así como para la
zona de estudio completa (véase la Fig. 4.2G). Para esto, se realizó la extracción del índice
GNDVI promedio para cada una de estas regiones. Se inició siguiendo la siguiente línea de
comandos en QGIS: Ráster → Extracción → Cortar ráster por capa de máscara.
Después se calculó el número de píxeles de cada una de las parcelas y de la zona de estudio
como: Procesos → Caja de herramientas → Informe de valores únicos de capa ráster; tal como
se ejemplifica en la Fig. 4.2H.
Siguiendo estos pasos se obtuvo un archivo CSV por cada imagen para cada parcela, el cual
contiene los valores de los píxeles. Seguidamente se calculó el promedio de dichos valores.
Posteriormente, los valores promedio se graficaron para obtener el comportamiento del índice
GNDVI a lo largo del período de tiempo estudiado (mayo a julio).
Fig. 4.2G. La zona de estudio comprende 2 parcelas de nopal: la parcela al norte (lila) y la parcela al sur
(rosa) y 2 parcelas de maíz: la parcela al norte (cuadros) y la parcela al sur (líneas). Creación propia.
36
4. SOLUCIÓN COLABORATIVA
El primer paso para el levantamiento es establecer los parámetros del plan de vuelo. Para esto,
se tomaron waypoints con un receptor GPS móvil sobre los vértices de las parcelas a
sobrevolar y con ellos se digitalizó un polígono en QGIS, se exportó en formato KML y se cargó
37
4. SOLUCIÓN COLABORATIVA
en Pix4DCapture (Fig. 4.3A). En esta aplicación se creó un proyecto a doble malla (double grid)
con las siguientes características:
Fig. 4.3A. Plan de vuelo programado en Pix4DCapture. (Arriba) Parcela de nopal sur.
(Abajo) El resto de las parcelas. Creación propia.
38
4. SOLUCIÓN COLABORATIVA
Una vez configurado el plan de vuelo se deben colocar puntos de control terrestres (Ground
Control Points) sobre el espacio a sobrevolar, estos funcionan como la base para ortorectificar
el modelo fotogramétrico.
Los blancos (targets) se colocaron con marcas en forma de cruz con cal directamente sobre el
suelo y se tomaron las coordenadas este y norte en sistema de coordenadas UTM (Universal
Transverse Mercator), para esto se utilizó un GPS Garmin 64s con antena externa montado
sobre una baliza y sujeto con trípode (Fig. 4.3B). El dispositivo cuenta con un barómetro y una
antena, lo que permite que las mediciones tengan una incertidumbre menor a 50 cm.
En cada una de las parcelas se hicieron dos levantamientos, uno con un dron DJI Phantom 4
Pro con sensor en el espectro visible (RGB), y otro con un dron DJI Phantom 3 con sensor en
el infrarrojo (Fig. 4.3C). En ambos casos se trabajó con el mismo plan de vuelo. Bajo estos
términos, bastó con conectar y cargar la misión al dron y este se vuela de manera automática.
39
4. SOLUCIÓN COLABORATIVA
Fig. 4.3C. “DJI Phantom 3 Professional” (izq.) y “DJI Phantom 4 PRO” (der.). Foto propia.
Para lo que se denominó como “el primer momento” (el día 3 de junio de 2022), se cubrieron
las siguientes superficies: en la primera parcela se voló una superficie de 3,205.18 m² en dos
misiones y en la segunda de 22,957.75 m² en 4 misiones. Para “el segundo momento” (el día 2
de agosto) se realizó un solo levantamiento con el sensor RGB en 4 misiones y otro con el
sensor infrarrojo en 4 misiones, sobre una superficie de 26,594.31 m².
El procesamiento fotogramétrico de las imágenes capturadas con el dron se hizo con ayuda del
software Agisoft Metashape Professional 1.5.1 bajo el siguiente flujo de trabajo:
40
4. SOLUCIÓN COLABORATIVA
❖ Se construye la malla (mesh) desde la nube densa con un tipo de superficie en 2.5D
(Fig. 4.3E).
❖ Se construye la textura en modo de ortofoto (Fig. 4.3E).
❖ Se crea el ortomosaico, con el sistema de coordenadas de salida configurado en EPSG
32614.
❖ Finalmente, se exporta el modelo en formato TIF.
Fig. 4.3D. Se hacen coincidir los puntos de control con las marcas en el terreno. Creación propia.
41
4. SOLUCIÓN COLABORATIVA
Fig. 4.3F. El modelo fotogramétrico se optimizó con base en los puntos de control terrestre.
En todos los casos el error fue menor a 1 m y menor a 1.15 pixeles.
42
4. SOLUCIÓN COLABORATIVA
El procesamiento anterior se realizó para cada uno de los levantamientos, tanto para los datos
del sensor RGB como para los datos del sensor infrarrojo.
Para realizar un buen análisis por índices de vegetación es deseable contar, en una misma
imagen, con las cuatro bandas más utilizadas en estos índices: rojo, verde, azul e infrarrojo
cercano. Se procedió entonces a juntar las bandas de los dos drones.
Una vez terminado el procesamiento fotogramétrico, se cargaron las imágenes resultantes, con
las 4 bandas separadas, a QGIS. Es importante mencionar que como estas imágenes no están
corregidas a reflectancia, no es posible calcular propiamente los índices de vegetación de la
Sección 3.1.3. Sin embargo, se pueden utilizar las mismas ecuaciones sobre las bandas no
corregidas y obtener una muy buena aproximación al índice real. Para diferenciar estos
43
4. SOLUCIÓN COLABORATIVA
resultados de los índices de vegetación tal y como se conocen, en este trabajo se les llamará
como pseudoíndices de vegetación.
Ya en QGIS, se usó la herramienta calculadora ráster para calcular los pseudoíndices utilizando
las ecuaciones (1), (3), (5), (7) y (9), que corresponden al NDVI, GNDVI, GCI, ARVI y SAVI,
respectivamente. Estos resultados, se compararon con los obtenidos por las imágenes
satelitales.
Debido a que la parcela de nopal sur presentó importantes sombras que pueden provocar una
sobreestimación de los pseudoíndices, se obtuvo una máscara de nopal, la cual se utilizó para
auxiliar en el cálculo de estos. Para definir la máscara de nopal, se realizó una clasificación
supervisada empleando el algoritmo de aprendizaje supervisado llamado máquinas de soporte
vectorial (MSV). Por lo cual, en el software QGIS, se definieron 20 sitios de entrenamiento para
cada una de las 7 clases escogidas: suelo desnudo, materia orgánica, matas nopales, matas
maíz, otra vegetación, sombras y otros; se efectuó el siguiente procedimiento :
New shape → Tipo de geometría: Polígono → Definir los campos: CLASE (Tipo:Text Data,
Longitud: 80) y LABEL (Tipo: Whole Number, Longitud: 10) → Agregar campo → Aceptar.
Seleccionar la nueva capa shape creada → Conmutar edición → Añadir polígono → Dibujar el
polígono → Clic derecho para terminar el polígono → Asignar nombre de la CLASE y en LABEL
el valor de la clase a la que pertenece → Clic en el ícono “Guardar capa en edición” →
Conmutar edición.
44
4. SOLUCIÓN COLABORATIVA
Esta imagen fue reclasificada para crear una clasificación binaria, para lo que se continuó con
el procedimiento en QGIS:
Sobre la imagen filtrada se repite el procedimiento descrito para los sitios de entrenamiento
pero solo se crean polígonos de las parcelas de nopal ya que son las que presentan más
sombras. Se corta el ráster por capa de máscara utilizando estos archivos shapes para
después vectorizarlos: Ventana SCP → Postprocesamiento → Clasificación a vectorial → RUN.
Tras analizar el sistema de cultivo de nopal descrito por INEGI (2007), así como considerar las
características del nopal y maíz de las Secciones 3.1.1 y 3.1.2, se propuso un conjunto de
preguntas que permitieran obtener la mayor información por parte del agricultor, sin abusar de
45
4. SOLUCIÓN COLABORATIVA
su tiempo. Se realizaron las siguientes preguntas, a las cuales el Sr. Rigoberto amablemente
brindó su respuesta:
La entrevista con el Sr. Rigoberto se dio durante varias visitas al poblado de Santa Ana
Tlacotenco, durante todas estas se recuperaron datos que posibilitaron tener una aproximación
a los cultivos y al sistema agrícola empleado. Estos se utilizaron, además, para retroalimentar
la entrevista en las visitas subsecuentes, de manera que se asegurara una correcta
comunicación con él.
Las variables se obtuvieron del reanálisis AgERA5 a través de la Climate Data Store (CDS) de
Copernicus Climate Change Service (Copernicus, 2022). El conjunto de datos de AgERA5
cuenta con una resolución de 0.1º x 0.1º (aprox. 10 x 10 km) y el formato de salida es netCDF
(Network Common Data Form).
46
4. SOLUCIÓN COLABORATIVA
Para estudiar los escenarios de cambio climático que se espera tener en un futuro, se utilizaron
datos producidos por un modelo climático global perteneciente al CMIP6. El modelo es el
CNRM-CM6-1-HR del Centro Nacional de Investigaciones Meteorológicas (Centre National de
Recherches Météorologiques) en Francia (Voldoire, 2019). Se eligió por ser un modelo de alta
resolución (0.5º x 0.5º), siendo así más adecuado para estudiar una región pequeña del
planeta.
Posteriormente se agregaron los datos por año, para generar series de tiempo anuales de
ambas variables. Se tomaron los datos históricos (de 1850 a 2014) y los producidos por el
modelo bajo tres escenarios socioeconómicos (SSP) de cambio climático (de 2015 a 2100):
SSP126, SSP245 y SSP585 (véase la Sección 3.3.3).
❖ Días secos: Número de días del año con precipitación menor a 1 mm.
❖ Días húmedos: Número de días del año con precipitación igual o mayor a 1 mm.
❖ Máximo de días secos consecutivos: En un año, el número máximo de días
consecutivos con precipitación menor a 1 mm.
❖ Máximo de días húmedos consecutivos: En un año, el número máximo de días
consecutivos con precipitación igual o mayor a 1 mm.
47
5. RESULTADOS
5. RESULTADOS
Los 5 índices propuestos en este trabajo: NDVI, GNDVI, GCI, SAVI y ARVI permiten diferenciar
espectralmente las parcelas de nopal de las parcelas de maíz además de presentar un
comportamiento similar a través del período de tiempo estudiado (Figs. 5.1A-5.1E).
Los índices NDVI (Fig. 5.1A) y GNDVI (Fig. 5.1B) son prácticamente iguales, incluso toman casi
los mismos valores máximos y mínimos, sin embargo, de acuerdo con la literatura, el GNDVI
mide el contenido de clorofila con mayor precisión que el NDVI razón por la cual decidió
hacerse el análisis detallado del índice GNDVI.
Durante los primeros 6 días del mes de mayo las parcelas de maíz mantuvieron valores entre
0.18 y 0.26 del índice GNDVI (colores rojos y naranjas en la Fig. 5.1B), predominando
notablemente el valor más bajo; esto está relacionado con que este cultivo estaba en
desarrollo, ya que se sembró en el mes de febrero.
Con el paso de los días, hasta el 21 de mayo, los valores para las parcelas de maíz fueron en
“aumento”, fluctuaron entre 0.18 y 0.34 (colores rojos a amarillos), siendo los primeros los
dominantes. Para el 26 de mayo volvieron a disminuir (0.18-0.26); estos valores se mantuvieron
hasta el 10 de julio, fecha en la cual se aprecia el cambio más notable, ya que los valores van
de 0.18 a 0.34 pero con menos de 20 píxeles de 0.18, este aumento en los valores está
fuertemente relacionado con la caída de las primeras lluvias importantes.
De acuerdo con el Sr. Rigoberto el 10 de julio fue la primera lluvia fuerte del mes en la región,
de esta fecha en adelante las lluvias comenzaron a ser más constantes y abundantes respecto
a las lluvias de junio. Se cree que por esta razón para el 20 de julio la parcela norte de maíz,
así como la parcela sur de nopal, alcanzaron valores entre 0.42 y 0.50 (colores verdes), siendo
estos los valores máximos alcanzados en la zona de estudio. Este comportamiento también se
observa en la parcela norte de nopal en la cual pasamos de valores naranjas a amarillos (0.26
a 0.34).
En la única parcela que se aprecia un decremento en los valores es en la parcela sur de maíz,
pasó de colores amarillos-anaranjados (0.26-0.34), con ~12 píxeles en rojo (0.18), a colores
anaranjados-rojos con pocos píxeles amarillos.
Hacia el 30 de julio los valores para las parcelas norte y sur de nopal, así como la norte de
maíz, disminuyeron; al contrario del comportamiento observado para la parcela sur de maíz en
la cual se aprecia un aumento en sus valores.
A partir de julio puede apreciarse un comportamiento espectral distinto entre las parcelas de
maíz, esto puede estar relacionado a que pertenecen a razas diferentes y por lo tanto el tiempo
48
5. RESULTADOS
Lo mismo ocurre en las parcelas de nopal, ambas pertenecen a la misma especie pero el cómo
son cultivadas es distinto; la parcela sur que pertenece al Sr. Rigoberto es una parcela
agroecológica y justo fue esta parcela de nopal la que alcanzó los valores máximos en todos
los índices. Consideramos que la forma en la que fue abonada y cultivada influyó fuertemente
en su comportamiento espectral.
El índice ARVI fue de gran utilidad para esta investigación debido a que la zona de interés,
durante el período de tiempo en la que fue estudiada, se vio afectada por factores atmosféricos
relacionados con el inicio de la temporada de lluvias en el centro del país. En la Fig. 5.1D se
aprecia que la imagen correspondiente al 20 de junio toma valores entre 0.07 y 0.17 (colores
naranjas a amarillos) lo cual confirma la secuencia lógica que se venía observando desde el 6
de mayo; si comparamos esta imagen perteneciente a la serie ARVI con cualquier otra serie se
observa un aumento de valores bajos en las imágenes correspondientes a esta fecha, lo cual
nos indica que ese día fue afectado por nubosidad, alterando los valores de los demás índices.
Lo mismo ocurre para los días 26 de mayo y 30 de julio pero no es tan notorio el cambio.
La gráfica de GNDVI promediado (Fig. 5.1F) ayuda a visualizar de manera más sencilla el
comportamiento que tuvieron las parcelas de forma individual y la zona de estudio en general y
cómo fluctuaron los valores a través del tiempo.
Fig. 5.1A. Serie de tiempo del índice NDVI en el área de estudio. Creación propia.
49
5. RESULTADOS
Fig. 5.1B. Serie de tiempo del índice GNDVI en el área de estudio. Creación propia.
Fig. 5.1C. Serie de tiempo del índice GCI en el área de estudio. Creación propia.
50
5. RESULTADOS
Fig. 5.1D. Serie de tiempo del índice ARVI en el área de estudio. Creación propia.
Fig. 5.1E. Serie de tiempo del índice SAVI en el área de estudio. Creación propia.
51
5. RESULTADOS
Fig. 5.1F. Cambio en el tiempo del índice GNDVI promediado sobre los pixeles de cada una de las
parcelas y sobre el área de estudio completa. Creación propia.
En la Fig. 5.2A se presentan las imágenes en RGB capturadas durante los vuelos sobre el área
de estudio. Se capturaron dos momentos, el 3 de junio (momento 1) y el 2 de agosto (momento
2). Como se observa en los acercamientos, la resolución es suficiente como para distinguir
cada planta individual.
También en esta imagen (Fig. 5.2A) destaca la gran diferencia en el área foliar entre ambos
momentos, particularmente del maíz. Este se sembró en febrero y para junio (momento 1) las
plantas se encontraban en una etapa temprana de su período vegetativo, por esta razón, la
mayor parte de la parcela realza los surcos con suelo desnudo entre las hileras de los cultivos;
pero ya a inicios de agosto (momento 2) se va notando la madurez de las plantas. Por otra
parte, parece ser que entre junio y julio el espacio entre las matas de nopal se vio invadido por
maleza. Cuando se realizaron los vuelos del 2 de agosto aún no se terminaba de limpiar la
parcela, por lo que parte de esa maleza quedó capturada en la imagen.
52
5. RESULTADOS
El algoritmo MSV se aplicó para generar los mapas de clasificación supervisada de las Figs.
5.2B, 5.2C y 5.2D. Estos mapas muestran lo bien que se distinguen los diferentes elementos de
las imágenes fotogramétricas, una vez que han sido clasificados. No obstante, ningún algoritmo
es perfecto y suele existir confusión entre ciertas clases cuando tienen valores digitales muy
similares. En este caso las clases que presentaron mayor confusión son:
❖ Fig. 5.2B:
➢ “Matas de maíz” con “otra vegetación”
➢ “Matas de maíz” con “matas de nopal”
➢ “Otra vegetación” con “matas de nopal”
➢ “Materia orgánica” con “matas de maíz”
❖ Fig. 5.2C:
➢ “Matas de nopal” con “otra vegetación”
➢ “Sombras” con “otros”
❖ Fig. 5.2D:
➢ “Matas de nopal” con “matas de maíz”
➢ “Matas de nopal” con “materia orgánica”
➢ “Matas de maíz” con “otra vegetación”
A pesar de estas confusiones se obtuvieron buenos resultados: Las dos parcelas de nopal
muestran bien definidas las hileras de cultivo (verde) así como sus sombras (gris); el maíz,
aunque abarca una porción muy pequeña del área de la parcela, distingue bien su ubicación en
los pixeles de tono amarillo que pertenecen a la clase “matas de maíz”.
Con la clasificación de la parcela de nopal (Fig. 5.2C) se creó una máscara gracias a la cual se
extrajeron las hileras con las matas de nopal (Fig. 5.2E). Este método resulta particularmente
útil, pues elimina las sombras y otros elementos que pueden sobreestimar los valores a la hora
de implementar los índices de vegetación. A manera de ejemplo, se presenta la Fig. 5.2F, en
donde se aplicó la máscara para comparar los resultados del pseudoíndice GNDVI. Este tipo de
resultados no se continuó para las figuras subsecuentes, pero se deja como una opción viable
para trabajos futuros.
53
5. RESULTADOS
Los cinco pseudoíndices de vegetación se calcularon para los dos momentos capturados. Las
Figs. 5.2G, 5.2H, 5.2I, 5.2J y 5.2K muestran las diferencias que hubo entre ambos momentos,
para cada pseudoíndice. Al igual que en las imágenes satelitales, los pseudoíndices muestran
bastante similitud, sin que alguno destaque particularmente sobre los otros.
Otros detalles que se pueden dilucidar de los pseudoíndices (Figs. 5.2G-5.2K) son las marcas
que forman un patrón regular sobre la parcela de maíz sur, estas son debidas a imperfecciones
durante la restitución fotogramétrica. En general no afectan al análisis visual, pero se deben
tener en mente estas pequeñas alteraciones para una correcta interpretación. Como ilustran las
Figs. 5.2B y 5.2C, en donde no se observan las marcas, el algoritmo de clasificación MSV no
tuvo demasiados problemas para clasificar esas zonas; aunque en la Fig. 5.2D sí se observan
algunas secciones clasificadas como “otros” (en negro) cuya causa podría ser este patrón de
interferencia.
54
5. RESULTADOS
Fig. 5.2A. Parcelas capturadas con el dron RGB. Se incluye un acercamiento a las parcelas de maíz sur
y nopal sur. Para el momento 1 (3 de junio) y para el momento 2 (2 de agosto), el acercamiento
corresponde exactamente al mismo lugar. Creación propia.
55
5. RESULTADOS
56
5. RESULTADOS
Fig. 5.2C. Mapa de clasificación de la parcela de nopal sur (momento 1). Creación propia.
57
5. RESULTADOS
Fig. 5.2D. Mapa de clasificación del área de estudio (momento 2). Creación propia.
58
5. RESULTADOS
Fig. 5.2E. Comparación entre la imagen RGB de la parcela de nopal sur (izquierda), y el corte de la
parcela tras la aplicación de una máscara de nopal (derecha). La máscara se obtuvo de la clasificación
que se muestra en la Fig. 5.2C. Creación propia.
Fig. 5.2F. Comparación del pseudoíndice GNDVI sobre la parcela de nopal sur tras la aplicación de la
máscara de nopal. Creación propia.
59
5. RESULTADOS
La presencia de maleza debe considerarse como una posible fuente espuria de vegetación en
imágenes satelitales o imágenes de VANT con menor resolución, especialmente si son de
lugares en donde se desconocen las condiciones específicas.
En general, todos los índices parecen tener el mismo desempeño sobre ambos cultivos.
Aunque sí hay un par de diferencias significativas para el GNDVI y el GCI sobre el nopal. Estos
dos pseudoíndices permiten diferenciar bastante bien el nopal de la maleza (Fig. 5.2M), en
comparación con los demás pseudoíndices. Curiosamente ambos índices utilizan la banda del
verde, por lo que se deduce que esta es una banda importante para la identificación de nopal.
Fig. 5.2G. Pseudoíndice de vegetación NDVI sobre el área de estudio. Creación propia.
60
5. RESULTADOS
Fig. 5.2H. Pseudoíndices de vegetación GNDVI sobre el área de estudio. Creación propia.
Fig. 5.2I. Pseudoíndice de vegetación GCI sobre el área de estudio. Creación propia.
61
5. RESULTADOS
Fig. 5.2J. Pseudoíndice de vegetación ARVI sobre el área de estudio. Creación propia.
Fig. 5.2K. Pseudoíndice de vegetación SAVI sobre el área de estudio. Creación propia.
62
5. RESULTADOS
Fig. 5.2L. Imagen RGB y pseudoíndices de vegetación en una región de la parcela de maíz sur. La región es igual
que la del acercamiento en la Fig. 5.2A. Creación propia.
Fig. 5.2M. Imagen RGB y pseudoíndices de vegetación en una región de la parcela de nopal sur. La
región es igual que la del acercamiento en la Fig. 5.2A. Creación propia.
63
5. RESULTADOS
El señor Rigoberto Salazar Calderón (Fig. 5.3A) de 56 años es oriundo del poblado de Santa
Ana Tlacotenco, en la alcaldía Milpa Alta. Desde los cinco o seis años comenzó a trabajar en el
campo porque “en ese tiempo no había otra que hacer, entonces los papás o uno mismo
empezaban a andar en el campo”.
Además del campo, también incursionó en el mundo de la música. Junto a sus hermanos
formaron un grupo donde era guitarrista (actualmente toca la batería), se hacían llamar “Los
Salazar''. “Nunca me perdía un baile, yo vi a todos los grupos famosos: Los Yonics, los Bukis,
Los Temerarios… todos los grupos así. Yo me iba a verlos a Morelos, a Toluca, a Tlaxcala, a
donde fuera que se presentaran, yo me iba a verlos en vivo.”
Rigoberto tiene varias parcelas con diferentes productos cultivados en diferentes puntos del
otro lado de la carretera libre Ciudad de México - Oaxtepec, la cual “separa al pueblo del
monte”. Siembra frijoles, maíz, calabaza, forraje, algunos árboles frutales (manzana, durazno,
chicozapote, capulines, ciruelas) y por supuesto, nopal. En su “patio trasero” tiene un puerco
macho que renta como semental, un borrego semental, algunas borregas y también algunos
becerros que se venden cuando “están en edad”.
64
5. RESULTADOS
No siempre sembró nopal, ya que lo más común era sembrar maíz, pero “como en el año de
1978 la gente de acá, sobre todo de Milpa Alta, comenzó a sembrar nopal y veíamos que les
estaba dando resultado, nos metimos al nopal y vimos que era redituable. Yo sembraba y
cultivaba igual que todos, en esos tiempos se usaban muchos químicos en los cultivos, para
que crecieran y para las plagas.”
Rigoberto, como muchas de las personas que se dedican al cultivo en Santa Ana Tlacotenco,
prefieren los sistemas agroecológicos. Esto es, en sus propias palabras, “cultivar sin productos
químicos, todo tiene que ser orgánico. Sí se puede, hay muchas maneras de hacer esto, que
son las que nosotros llevamos.”
Fig. 5.3B. Abeja reina lista para incorporarse a un nuevo panal. Foto propia.
65
5. RESULTADOS
Esta idea surgió de los mismos productores, en un principio como respuesta a los altos precios
de los fertilizantes y abonos de origen químico, pero sobre todo como un sistema de protección
contra las enfermedades derivadas del uso y la aplicación de esos productos. “Posteriormente,
llegaron técnicos a ofrecernos el apoyo técnico, [como] la gente de SAGREB o CORENA4, ellos
nos apoyan para darnos capacitaciones. Por ejemplo, el no usar químicos era con CESAVE5,
ellos nos apoyaron con productos, pero mucha gente no quiso porque no era un apoyo
económico, entonces la gente decía: «mejor no me den nada, nomás me va a quitar tiempo, me
van a dar capacitaciones que yo no necesito, yo ya sé sembrar», pero no es así. [Trabajar] con
CESAVE es por si llegas a usar químicos, es para que los uses con responsabilidad, como
debe de ser. Que no te afectes a ti mismo, porque aquí la gente lo hace sin protegerse, a valor
mexicano, y eso no debe de ser, para eso está el overol, la mascarilla, los guantes; todo bien
protegido, porque el químico es muy malo.”
Los sistemas agroecológicos se utilizan tanto en las actividades agrícolas como en las
pecuarias (Fig. 5.3B), “ahora, por ejemplo, la CORENA está apunto de darme el sello verde
para las abejas porque realmente no uso químicos. Al principio me decían que les tenía que
alimentar con suplementos, pero no tengo tiempo de comprar suplementos y entonces lo que
hago es guardar la misma miel que producen y eso se los doy como alimento.”
Fig. 5.3C. (Izquierda) Planta madre lista para ser plantada. (Derecha) Todos los brotes que se retiran en
las podas se reincorporan al suelo. Fotos propias.
4
Comisión de Recursos Naturales y Desarrollo Rural.
5
Comité Estatal de Sanidad Vegetal del Distrito Federal.
66
5. RESULTADOS
Uno de los principales artículos que produce Rigoberto es el nopal: “Vamos a comenzar por el
principio, para plantar el nopal lo primero que hay que hacer es aflojar la tierra. Luego, en este
caso, se le pone Metarhizium, que es un producto orgánico para las larvas o lo que tenga la
tierra: alguna larva o algún gusano que le afecte al nopal. Después se consigue la planta, ya
sea que la tengas [o la compres], se selecciona y se le pone a orear. Se tiene que poner a
orear aproximadamente un mes, que se oree bien donde la cortaron. Ya cuando se va a plantar,
se tiene que tener listo el caldo bordelés, que es cal hidratada y sulfato de cobre; se prepara en
una [cubeta], se bañan todas las pencas y se escurren. En unos cinco o diez minutos ya se
secaron y ahora sí a plantarlas”.
Hay un proceso de selección para los nopales que se van a plantar, “una planta debe de ser
gruesa, nueva, sin ningún deterioro que tenga: que no esté golpeada, que no esté mocha, que
dé la altura; como mínimo tiene que tener treinta centímetros una planta porque esa va a ser la
planta madre, esa va a ser la que sostendrá toda la planta” (Fig. 5.3C). “Posteriormente vas
rascando, ya sea con un talacho, una yunta o con lo que quieras sembrar (por lo regular se
siembra con talacho), pones tu hilo y vas haciendo tus hoyos. La separación tiene que ser de
unos cincuenta centímetros porque el nopal tiende a extenderse, en el transcurso de un mes ya
tienes los primeros brotes.”
67
5. RESULTADOS
“Aquí se ocupa el abono de caballo, de vaca y de borrego, son abonos naturales” (Fig. 5.3D).
“Ahora lo que estamos implementando es la lombricomposta. La composta que hacemos, la
hacemos con todo lo que hay acá. Otra forma de abonar es con las mismas hierbas que crecen
entre los surcos, en cualquier época salen, pero en esta época más; entonces, lo que tienes
que hacer es tumbar la hierba y dejarla ahí [incluyendo los nopales que fueron retirados en la
poda], porque es materia orgánica y eso hace que el suelo no se haga duro, que tenga una
buena absorción, para que cuando llueva absorba bien el agua y que se mantenga la humedad
en el suelo cuando sea tiempo de secas” (Fig. 5.3C).
También hay un proceso de selección para la cosecha. Todos los tamaños del nopal se venden,
así que la cosecha depende completamente del producto que el agricultor quiera ofrecer en el
mercado. “Desde que el nopal tiene los primeros brotes ya puedes comenzar a cosechar. Hay
personas quienes lo dejan que se enpenque para que la segunda raqueta ya quede como
planta madre también, pero lo que tienes que hacer es ir formandola” (Fig. 5.3E). “Para la
formación, cuando la raqueta tiene varios brotes lo que hay que hacer es que queden aireadas
y quede un espacio bueno para que no se doblen, porque si quedan todas amontonadas se
provoca un microtúnel y se hacen plagas ahí; entonces tienes que ir cuidando que vaya
derecho, que no esté chueco, que tenga buen espacio y que tenga la función de expandirse,
tiene que estar bien alineado para que no estorbe cuando uno pase” (Fig. 5.3F). “Esto se
considera como una poda de formación” (Fig. 5.3E).
68
5. RESULTADOS
Fig. 5.3F. (Izquierda) Parcela de nopal del señor Rigoberto: se aprecia el espacio entre los nopales y el
trabajo de deshierbe y reintegración de la materia orgánica. (Derecha) Un ejemplo de una parcela que no
tiene espacio y no permite que entre el aire. Fotos propias.
“La agroecología también funciona como una forma de prevención y control de plagas. Aquí
usamos lo que se conoce como el policultivo” (Fig. 5.3G). “Para esto tienes que sembrar
plantas que no le gustan a la plaga, por ejemplo, sembrar ajos, sembrar cebollas, sembrar la
69
5. RESULTADOS
flor de muerto, el cempasúchil, estas son plantas que tienen mucho aroma. El cempasúchil es
muy efectivo porque tiene un aroma muy característico que a las plagas no les gusta tanto y
entonces las ahuyenta, el ajo también, y hay otras que hacen eso.”
“Algunas de las plagas son la araña roja, la macha negra, la grana cochinilla, otras son como
una mosca, y lo que hacen es que chupan al nopal, lo hacen viejo, le acortan la vida y los
nopales que salen ya salen así. Eso se quita con el caldo sulfocálcico, es una preparación que
se tiene que hervir y que se aplica con aspersor sobre la planta, esto también se aplica como
un tratamiento preventivo. Cuando se te sale de las manos, en un caso extremo, se puede
utilizar el químico con la debida responsabilidad, pero no se te debe de salir de las manos,
porque para eso haces los preventivos.”
“Cuando hay mucha producción es en los meses de febrero, marzo, abril y mayo, y en junio
comienza a bajar la producción porque el nopal destaca con el calor y viene el brote, y en el
caso de la lluvia se aplaca, se enfrían las plantas y sí hay brote pero en menor cantidad. Por
eso es que el precio del nopal, cuando está más caro, es en el mes de diciembre, porque los
fríos ya están más fuertes, la planta se estresa, ya no produce y ya no hay brote. Entonces la
producción fuerte es en los meses de febrero a mayo, luego, cuando comienzan las lluvias,
baja la producción y después baja mucho más en la temporada de frío.”
“Después de que se plantan los nopales, al mes ya puedes comenzar a cosechar mientras vas
dando forma con la poda de formación, si quieres que sea recta como los surcos. Hay gente
que le gusta que sus nopales se extiendan, pero a mi me gusta que tengan espacio y que no se
hagan microtúneles para que no se formen plagas, yo voy evitando eso, es el sistema que yo
tengo: no dejarlo crecer tanto y mantenerla a un nivel. En la cosecha dejo dos para plantas
madres y dos para cosechar, y las raquetas que se quedan para plantas al medio año ya están
dando brotes, y así se sigue. En mi caso dejo tres o cuatro raquetas para que tengan una altura
de un metro, para mi es el tamaño ideal para trabajarlo, para el deshierbe, para todo.”
“Todos los abonos que se utilizan para el nopal están hechos a base de tierras, o sea que se
usan diferentes tipos de tierras que se combinan [entre sí] y algunas con estiércol de animales.
Se pueden poner en cualquier momento, pero yo lo hago antes de las lluvias, porque los
nutrientes de los abonos se activan con el agua. Uno, por ejemplo, es la mycorrhiza: se abre un
surquito junto a los nopales y se aplica con un aspersor, porque tiene que ir mojado, se tapa y
la raíz lo absorbe.”
“Aquí en Milpa Alta toda la producción es por temporal, no hay sistemas de riego pero
últimamente se están implementado sistemas de ollas para captación de agua, pero no es muy
común porque es muy caro.”
70
5. RESULTADOS
“Para cortar los nopales se hace de acuerdo a lo que se va a vender. Hay cambray,” (Fig.
5.3H), “que es de unos doce centímetros, en 500 [pesos la caja], de quince centímetros en 300,
de veinte centímetros en 200 y grande, que se ocupa para las personas que se dedican a pelar,
lo pican y lo venden ya rebanado por bote, a ellos no les conviene uno de quince o veinte
centímetros. Yo ahorita estoy produciendo y encontré un comprador que me compra el
mediano, que es el de 200 por caja” (Fig. 5.3I). “El nopal se vende en Milpa Alta, en el Acopio,
eso hacen todos los productores. En cada vuelta bajo entre veinte y veinticinco [cajas], y así
cada vez hasta que se acaba con la parcela.”
“Cada una de las plantas de nopal podría durar hasta 45 años, bajo mi experiencia. Lo que
tienes que hacer es la poda de rejuvenecimiento, que es cuando el nopal ya dio lo que tenía
que dar. Se ve porque ya está bien explotado, cada una de las espinas de un nopal es otro
nopal, entonces después de que brota explota y se queda la marca” (Fig. 5.3G). “En la poda de
rejuvenecimiento tienes que cortar hasta la planta madre, y ese nopal que se retiró se usa para
preparar alimento para el ganado.”
Fig. 5.3H. (Izquierda) Brotes tamaño cambray. (Derecha) Las espinas “explotadas” son la huella donde
se han cortado los brotes. Fotos propias.
71
5. RESULTADOS
Rigoberto también siembra maíz. “La tierra para el maíz se prepara desde mucho antes, desde
la temporada de lluvias anterior. Lo que haces es chaponear toda la maleza y se la vas
poniendo a los surcos, le va a caer agua y se va a pudrir, con eso se va creando materia
orgánica. El maíz yo lo bajo en elote y en mazorca, entonces cuando andas pasando por ahí
todo el tiempo, cuando llega el tiempo de la cosecha toda esa hierba ya está más molida, y
todo esto se reintegra al campo otra vez, por ejemplo, el zacate se muele y tambien se
reintegra, entonces con esto la tierra se comienza a preparar para la siguiente siembra.
72
5. RESULTADOS
“Todo el maíz que se siembra es criollo, de colores azul, rojo, blanco y cacahuazintle. Para la
venta de estos productos tenemos el apoyo de la CONABIO6, ellos consiguen compradores
para toda la producción con la condición de que sea un cultivo agroecológico. Cuando ya están
las mazorcas vienen y se llevan algunas para hacer estudios y verificar que estén libres de
químicos. Esto tiene muchísimas ventajas porque así vendo todo.”
Esta temporada “en la mitad de la parcela de maíz se aplicó un producto que se llama lluvia
sólida, se aplica cuando siembras y se supone que mantiene la humedad. Se usa para
temporadas de secas.”
5.4. Climatología
En la Fig. 5.4A se muestra el ciclo anual de temperatura media y precipitación media de los
últimos 20 años. Los promedios climatológicos (líneas sólidas en la Fig. 5.4A) dan una buena
idea de qué esperar cada mes, así, de enero a abril de 2022 ambas variables (líneas
punteadas en la Fig. 5.4A) se mantuvieron cercanas al promedio climatológico; no obstante, el
mes de mayo fue ligeramente más cálido y algo más seco que el promedio, lo que causó
preocupación por la falta de agua para los cultivos de temporal. En contraste, la temperatura
media y precipitación media que se espera tener en un escenario futuro medianamente cercano
(líneas punteadas largas en la Fig. 5.4A) muestra una marcada alteración del ciclo anual. En
este caso las temperaturas aumentarán a lo largo de casi todo el año, salvo en invierno, y las
precipitaciones disminuirán bastante. Este es el escenario de cambio climático SSP585, que es
al cual nos encaminamos de no tomar acciones contundentes contra el cambio climático.
La Fig. 5.4B exhibe los datos históricos de temperatura media (1850-2014) y tres escenarios de
cambio climático (2015-2100) producidos por un modelo climático global. Es preocupante ver
que el aumento de temperatura continuará en los tres escenarios al menos hasta 2050; lo es
más aún ver el enorme aumento de la temperatura para el escenario SSP585.
La Fig. 5.4C es similar a la Fig. 5.4B, pero mostrando datos de precipitación. Para esta variable
atmosférica no parece haber una señal clara de cambio climático, lo que es de esperarse,
puesto que la precipitación es un fenómeno más complejo y difícil de modelar. No obstante, se
puede tener una mejor idea de cómo cambiará la precipitación en el futuro si se estudian
algunos índices climáticos o agroclimáticos como los de las Figs. 5.4D y 5.4E. En la primera de
estas figuras se muestra el número de días secos y el número de días húmedos por año,
ambos índices parecen indicar que los años serán cada vez más secos.
6
Comisión Nacional para el Conocimiento y Uso de la Biodiversidad.
73
5. RESULTADOS
Es importante recalcar que todos los análisis presentados en esta sección se elaboraron
específicamente para la alcaldía Milpa Alta. Aunque, por la naturaleza espacial de los procesos
atmosféricos, las variables climáticas están altamente correlacionadas en el espacio, dando pie
a que los comportamientos descritos sean similares en los lugares aledaños a la alcaldía.
Fig. 5.4A. Ciclos anuales de temperatura media (rojo) y precipitación media (azul) en la
alcaldía Milpa Alta. Datos históricos de AgERA5 (años 2003-2022) y datos del escenario SSP585 del
modelo CNRM-CM6-1-HR (años 2053-2071). Creación propia.
74
5. RESULTADOS
Fig. 5.4B. Temperatura media anual. Datos históricos simulados y tres escenarios de
cambio climático en la alcaldía Milpa Alta. Creación propia.
Fig. 5.4C. Precipitación media anual. Datos históricos simulados y tres escenarios de
cambio climático en la alcaldía Milpa Alta. Creación propia.
75
5. RESULTADOS
Fig. 5.4D. Número anual de días secos y húmedos en la alcaldía Milpa Alta, de acuerdo al histórico
simulado y a dos escenarios de cambio climático. Creación propia.
76
5. RESULTADOS
Fig. 5.4E. Máximo número de días secos y húmedos consecutivos por año en la alcaldía Milpa Alta, de
acuerdo al histórico simulado y a dos escenarios de cambio climático. Creación propia.
77
6. CONCLUSIONES
6. CONCLUSIONES
El presente estudio explora las capacidades que tiene la agricultura de precisión en los cultivos
de maíz y de nopal para cuatro parcelas localizadas en la alcaldía Milpa Alta mediante la
aplicación de índices de vegetación y un algoritmo de clasificación sobre imágenes satelitales e
imágenes obtenidas por vehículos aéreos no tripulados. Durante el trabajo se realizaron
levantamientos fotogramétricos con el equipo de drones que se tenía disponible (RBG e
infrarrojo) para analizar e identificar los cultivos de maíz y de nopal. Estos drones tienen una
muy buena resolución espacial, lo que permitió la creación de máscaras para aislar las matas
de cultivo empleando una clasificación supervisada.
En este estudio se calcularon 5 índices (NDVI, GNDVI, GCI, SAVI y ARVI). Los resultados de
estos índices indican que se logró diferenciar espectralmente las parcelas de nopal de las
parcelas de maíz con datos multiespectrales. Los pseudoíndices (definidos así por no estar
corregidos en reflectancia) obtenidos con datos de drones presentaron un comportamiento
similar a través del período de tiempo estudiado, también mostraron la importancia que tuvo el
inicio de la temporada de lluvia en el aumento de la vegetación. Los resultados mostraron que
el potencial de los datos de drones es bastante aceptable para un primer acercamiento. Para
obtener mejores resultados es necesario contar con otros sensores in situ que permitan llevar a
cabo correcciones en reflectancia, sin embargo estos equipos son muy costosos y asequibles
solamente a los grandes agricultores.
El trabajo etnográfico aportó conocimiento e información para un registro detallado del sistema
de cultivo, con el apoyo del productor agrícola. El trabajo documentó sus técnicas
agroecológicas, las cuales, en un principio, no se esperaba que fueran su principal sistema de
cultivo. Esto resultó muy valioso, se adquirió mucha experiencia e información durante las
conversaciones y durante el monitoreo de parcelas que están basadas en el uso de productos
para la fertilización y el control de plagas de forma natural.
Además de servir como una referencia que se asocia al ritmo de crecimiento de los cultivos, el
análisis de los datos de climatología resulta importante para tener una proyección del
comportamiento de las temporadas seca y húmeda a lo largo del año.
Un diferenciador fundamental de este trabajo radica en que se contó con la suerte de construir
el monitoreo y el registro sobre áreas de trabajo que están basadas en el uso de actividades
agroecológicas. Las características recuperadas de estas parcelas pueden ser extrapoladas a
otros lugares con condiciones diferentes, entonces se podrían establecer comparaciones y
observaciones puntuales en las diferencias fisiológicas que sean producto de los distintos
métodos de agricultura.
78
6. CONCLUSIONES
❖ La gran mayoría de los cultivos en la zona de Milpa Alta son de temporal debido al
obstáculo que representa el relieve para contar con sistemas de riego. Con las
proyecciones climáticas que se presentan en este estudio, se tendrá la posibilidad de
ajustar fechas de siembra para tener un acercamiento a los períodos en que haya más
probabilidad de lluvias, o bien, se podrá considerar rotar cultivos que sean resistentes a
las sequías venideras. Esto podría evitar la pérdida de cultivos y la inversión económica
y laboral causadas por las sequías.
❖ Se sabe que las prácticas agroecológicas no son una regularidad. Los resultados de
este ejercicio pueden reproducirse en otras parcelas para así establecer comparaciones
entre espacios donde se utilicen productos químicos convencionales, para fertilizar y
para el control de plagas, y espacios agroecológicos. Esta comparación podría arrojar
diferencias entre la salud, el desarrollo y la calidad de los cultivos en ambos sistemas
agrícolas.
❖ El Sr. Rigoberto tiene el propósito de utilizar algunos productos para fertilizar (Biol´s) y
“lluvia sólida” para mejorar la humedad de los cultivos. La continuidad de este trabajo y
el monitoreo constante pueden evidenciar los cambios que provocan los diferentes
productos que se apliquen en las parcelas. Esto sería un apoyo adicional para la toma
de decisiones, ya que se sabría cuál de los productos tiene mejores resultados y
cuándo es el momento idóneo para aplicarlo. Para esto, se considera de suma
importancia que se tome en cuenta que los fertilizantes se activan al tiempo de la
temporada de lluvias, pero que también dependen de otros factores como la cantidad de
radiación solar o la calidad de las semillas.
79
7. REFERENCIAS
7. REFERENCIAS
Agrimonti, C., M. Lauro & G. Visioli (2020). Smart agriculture for food quality: facing climate
change in the 21st century. Critical Reviews in Food Science and Nutrition, 61:6, 971-981. DOI:
10.1080/10408398.2020.1749555
Balafoutis, A., B. Beck, S. Fountas, J. Vangeyte, T. van der Wal, I. Soto, M.l Gómez-Barbero,
A. Barnes & V. Eory (2017). Precision Agriculture Technologies Positively Contributing to GHG
Emissions Mitigation, Farm Productivity and Economics. Sustainability, 9, 1339. DOI:
10.3390/SU9081339
Bollatti, P., S. Muñóz & C. Navarro (2019). Introducción al procesamiento de imágenes RGB
tomadas por drones para monitoreo del estado de cultivos. Ministerio de Producción y Trabajo,
Presidencia de la Nación. Secretaría de Agroindustria. Recuperado de
https://inta.gob.ar/documentos/introduccion-al-procesamiento-de-imagenes-rgb-tomadas-por-dr
ones-para-monitoreo-del-estado-de-cultivos
Brundage, R. Mexico City Ambles. (2019). Consultado el 14 de abril del 2022. Recuperado de
https://mexicocityperambulations.blogspot.com/2019/05/original-villages-delegacionalcaldia.html
80
7. REFERENCIAS
de Castro, A.I., Y. Shi, J. Maja & J.M. Peña (2021). UAVs for Vegetation Monitoring: Overview
and Recent Scientific Contributions. Remote Sensing, 13, 2139. DOI: 0.3390/rs13112139
Clevers, J.G.P.W., L. Kooistra & M.M.M. Van den Brande (2017). Using Sentinel-2 Data for
Retrieving LAI and Leaf and Canopy Chlorophyll Content of a Potato Crop. Remote Sensing, 9
(5), 405. DOI: 10.3390/rs9050405
DST (2022). Fotografía NDVI. DST Servicio Técnico Fotografía, Alicante, España.. Consultado
el 14 de abril del 2022. Recuperado de https://dstfotografia.com/ndvi/
ESA (2017). Sentinel-2 User Handbook. European Space Agency Standard Document, Issue 1
Rev 2. 64 pp. Recuperado de:
https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook
Fierro-Álvarez, A. (2006). Cultivo del nopal verdura en el sur del Distrito Federal. Universidad
Autónoma Metropolitana, Unidad Xochimilco, División de Ciencias Biológicas y de la Salud,
Departamento de Producción Agrícola y Animal, pp 11-12.
FND (2020). Cultivos de México para el mundo: el nopal. Financiera Nacional de Desarrollo
Agropecuario, Rural, Forestal y Pesquero. Consultado el 25 de junio de 2022. Recuperado de
https://www.gob.mx/fnd/articulos/cultivos-de-mexico-para-el-mundo-el-nopal
GOB (2019). Maíz, la planta sagrada de México para el mundo. Secretaría de Bienestar.
Recuperado de
https://www.gob.mx/bienestar/es/articulos/maiz-la-planta-sagrada-de-mexico-para-el-mundo
81
7. REFERENCIAS
INECC (2004). Nopal Verdura. Instituto Nacional de Ecología y Cambio Climático. Consultado
el 20 de abril de 2022. recuperado de
http://www2.inecc.gob.mx/publicaciones2/libros/71/nverdura.html
INEGI (2007). Características principales del cultivo de nopal en el Distrito Federal: Caso Milpa
Alta. Censo Agropecuario 2007. Instituto Nacional de Estadística y Geografía. México. 68 pp.
ISBN 978-607-494-544-7.
IPCC (2022). Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of
Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate
Change [H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría,
M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge University
Press. In Press.
Kaufman, Y.J & Tanre, D. (1992). Atmospherically resistant vegetation index (ARVI) for
EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, vol. 30, no. 2, pp.
261-270. DOI: 10.1109/36.134076.
Thalluri, L.N., S.D. Adapa, Priyanka D., S. Nithya N., Yasmeen, A.V.S.Y. Narayana-Sarma & S.
Naga-Venkat (2021). Drone Technology Enabled Leaf Disease Detection and Analysis system
for Agriculture Applications. Proceedings of the Second International Conference on Smart
Electronics and Communication (ICOSEC), 1079-1085. DOI:
10.1109/ICOSEC51865.2021.9591837
MappingGIS SLU (s.f.). Los 6 Índices de Vegetación para completar el NDVI. Consultado el 14
de abril del 2022. Recuperado de https://eos.com/es/blog/ndvi-preguntas-frecuentes/
Marques, P., L. Pádua, T. Brito, J.J. Sousa & A. Fernandes-Silva (2020). Monitoring of olive
trees temperatures under different irrigation strategies by uav thermal infrared imagery. IGARSS
2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI,
USA. DOI: 10.1109/IGARSS39084.2020.9323624
Nafarrate-Hecht, A.C. (2017). Estimación directa e indirecta del índice de área foliar (IAF) y su
modelación con Lidar en un bosque tropical seco de Yucatán. Tesis de Maestría en Ciencias
Biológicas. Centro de Investigación Científica de Yucatán, A. C. 79 pp. Recuperado de
https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/438/1/PCB_RN_M_Tesis_2017_Nafa
rrate_Ana.pdf
82
7. REFERENCIAS
Narayan, R. & Nageshwari (2021). A Wi-Fi based Smart Energy Efficient Wireless Sensor
Network for Yield Prediction in Precision Agriculture. International Conference on Circuits,
Controls and Communications (CCUBE). DOI: 10.1109/CCUBE53681.2021.9702713
Nardari, G.V., R.A.F. Romero, V.C. Guizilini, W.E.C. Mareco, D.M.B.P. Milori, P.R. Villas-Boas &
I.A. Dias-Santos (2018). Crop Anomaly Identification with Color Filters and Convolutional Neural
Networks. 2018 Latin American Robotic Symposium, 2018 Brazilian Symposium on Robotics
and 2018 Workshop on Robotics in Education. DOI 10.1109/LARS/SBR/WRE.2018.00072
Riahi, K. et al. (2017). The Shared Socioeconomic Pathways and their energy, land use, and
greenhouse gas emissions implications: An overview. Global Environmental Change, 42,
153-168. DOI: 10.1016/j.gloenvcha.2016.05.009
SADER. (2020). Maíz forrajero, también es maíz. Secretaría de Agricultura y Desarrollo Rural.
Consultado el 9 de agosto de 2022. Recuperado de
https://www.gob.mx/agricultura/articulos/maiz-forrajero-tambien-es-maiz
SEDEMA (2020). Combate SEDEMA mancha negra en parcelas de nopal. Secretaría del
Medio Ambiente. Consultado el 20 de abril de 2022. Recuperado de
https://www.sedema.cdmx.gob.mx/comunicacion/nota/combate-sedema-mancha-negra-en-parc
elas-de-nopal
SPC CDMX (2014). Atlas de Peligros y Riesgos de la Ciudad de México: Actualización de los
Mapas de Riesgo: Milpa Alta. Secretaría de Protección Civil CDMX. J.C. Mora-Chaparro
(Director del proyecto). Recuperado de:
http://www.sadsma.cdmx.gob.mx:9000/datos/storage/app/media/docpub/atlasriesgo/MR_Milpa_
Alta.pdf
TYC GIS (2021). NDVI, ¿qué es y para qué sirve?. España. Consultado el 14 de abril del 2022.
Recuperado de https://www.cursosteledeteccion.com/ndvi-que-es-y-para-que-sirve/
Ureta, C., E. Martínez-Meyer, H.R. Perales & E.R. Álvarez-Buylla (2012). Projecting the effects
of climate change on the distribution of maize races and their wild relatives in Mexico. Global
Change Biology 18, 1073–1082, DOI: 10.1111/j.1365-2486.2011.02607.x
83
7. REFERENCIAS
Zaman, Q.U., T.J. Esaua, A.W. Schumann, D.C. Percival, Y.K. Chang, S.M. Read & A.A.
Farooque (2011). Development of prototype automated variable rate sprayer for real-time
spot-application of agrochemicals in wild blueberry fields. Computers and Electronics in
Agriculture. Vol. 76, No. 2, pp. 175-182. DOI: 10.1016/j.compag.2011.01.014
Zhou, Z, Y. Majeed, J. Diverres-Naranjo & E.M.T. Gambacorta (2021). Assessment for crop
water stress with infrared thermal imagery in precision agriculture: A review and future
prospects for deep learning applications. Computers and Electronics in Agriculture 182, 106019.
DOI: 10.1016/j.compag.2021.106019
84
APÉNDICE
APÉNDICE
La ventaja de procesar imágenes de percepción remota utilizando Google Earth Engine (GEE)
es que el cómputo se hace en la nube y no se requiere tener recursos computacionales altos o
software especializado instalado. Asimismo, muchas de las colecciones de imágenes satelitales
disponibles, ya cuentan con correcciones atmosféricas evitando así un preprocesamiento.
El siguiente es un código en lenguaje JavaScript para utilizarse en GEE con el que se calculan
diversos índices de vegetación sobre imágenes de Sentinel-2, cargadas al momento y
recortadas sobre un área de estudio en archivo shapefile. El código da, además, la opción de
descargar los índices a Google Drive en formato ráster. El principio está basado en el código de
Arenas-Herrera (2019). Haciendo unas mínimas modificaciones se puede usar este mismo
código para calcular las relaciones de vegetación sobre las imágenes de dron. Lo único que
haría falta sería cargar a GEE la imagen fotogramétrica correspondiente al área de estudio,
eliminar la parte de despliegue de imagen Sentinel-2, adecuar los números de banda y cambiar
la escala/número de pixeles si se desea exportar.
// ----------------------------------------------------------------------
// ****** Despliegue de imagen Sentinel-2 ******
// Carga de colección Sentinel-2 según fechas
var S2_col = ee.ImageCollection("COPERNICUS/S2")
.filterBounds(areaEstudio)
.filterDate('2022-05-05', '2022-05-07')
.filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'Less_Than', 30);
// Muestra en la consola qué imágenes están dentro de la colección
print(S2_col);
// Seleccionar bandas
var S2_bands = ['B4', 'B3', 'B2'];
// Transformar colección a una sola imagen (usando la mediana p/c/pixel) y recortar
var S2_mosaic = S2_col.median().clip(areaEstudio);
// Parámetros de despliegue de la imagen
var S2_display = {bands: S2_bands, min: 1000, max: 5000, gamma: 1.3};
// ----------------------------------------------------------------------
// ****** Índices de vegetación ******
// ARVI (Atmospherically Resistant Vegetation Index)
var ARVI = S2_mosaic.expression('float ((NIR - 2*R + B) / (NIR + 2*R + B))', {
'NIR': S2_mosaic.select('B8'),
'R' : S2_mosaic.select('B4'),
'B' : S2_mosaic.select('B2')
});
// GCI (Green Coverage Index)
var GCI = S2_mosaic.expression('float (( NIR / G ) - 1)', {
'NIR': S2_mosaic.select('B8'),
'G' : S2_mosaic.select('B3')
});
85
APÉNDICE
// ----------------------------------------------------------------------
// ****** Agregar capas ******
Map.addLayer(areaEstudio, {}, 'AreaEstudio', 0);
Map.addLayer(S2_mosaic, S2_display, 'RGB');
Map.addLayer(SAVI, simbologia, 'SAVI', 0);
Map.addLayer(NDVI, simbologia, 'NDVI', 0);
Map.addLayer(GNDVI, simbologia, 'GNDVI', 0);
Map.addLayer(GCI, simbologia, 'GCI', 0);
Map.addLayer(ARVI, simbologia, 'ARVI', 0);
Map.centerObject(areaEstudio, 17);
// ----------------------------------------------------------------------
// ****** Exportar a Google Drive******
// Fecha de la imagen para el nombre de archivo
var fecha = '20220615';
// Hay que iniciarlos en 'Tasks'
Export.image.toDrive({
image: S2_mosaic.select("B4", "B3", "B2"),
description: fecha+'_RGB',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
Export.image.toDrive({
image: ARVI,
description: fecha+'_ARVI',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
Export.image.toDrive({
image: GCI,
description: fecha+'_GCI',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
Export.image.toDrive({
image: GNDVI,
86
APÉNDICE
description: fecha+'_GNDVI',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
Export.image.toDrive({
image: NDVI,
description: fecha+'_NDVI',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
Export.image.toDrive({
image: SAVI,
description: fecha+'_SAVI',
scale: 10,
maxPixels: 1e13,
region: areaEstudio
});
87