Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

ACCESO ABIERTO
Remote Sens. 2013, 5, 1588-1602; doi:10.3390/rs5041588

Teledetección
ISSN 2072 -4292
www.mdpi.com/journal/remotesensing

Artículo

Estimación de coeficientes de cultivo mediante un índice de

vegetación basado en teledetección
Baburao Kamble1, *, Ayse Kilic1 y Kenneth Hubbard 2
1
Departamento de Ingeniería Civil, 3310 Holdrege Street, Universidad de Nebraska-
Lincoln, Lincoln, NE 68583, EE.UU.; E-Mail: airmak2@unl.edu
2
Escuela de Recursos Naturales, 3310 Holdrege Street, Universidad de Nebraska -Lincoln,
Lincoln, NE 68583, EE.UU.; E-Mail: khubbard1@unl.edu

* Autor a quien debe dirigirse la correspondencia; E-Mail: bkamble3@unl.edu.

Recibido: 11 de enero de 2013; en versión revisada: 13 de marzo de 2013 / Aceptado: 15 de marzo de

2013 /
Publicado: 26 de marzo de 2013

Resumen: La estimación de la evapotranspiración de los cultivos basada en el

coeficiente de cultivo ( Kc ) es uno de los métodos más utilizados para la gestión del agua
de riego. Sin embargo, las incertidumbres del método del coeficiente de cultivo dual
generalizado ( Kc ) del Documento nº 56 de Riego y Drenaje de la Organización de las
Naciones Unidas para la Agricultura y la Alimentación pueden contribuir a que las
estimaciones de la evapotranspiración de los cultivos difieran sustancialmente de
la evapotranspiración real de los cultivos. Las similitudes entre la curva de coeficiente de
cultivo y un índice de vegetación obtenido por satélite mostraron el potencial para
modelizar un coeficiente de cultivo en función del índice de vegetación. Por lo tanto,
se investigó la posibilidad de estimar directamente el coeficiente de cultivo a partir de la
reflectancia satelital de un cultivo. Los datos Kc utilizados en el desarrollo de la
relación con el NDVI se obtuvieron a partir de cálculos retrospectivos del
procedimiento de coeficientes de cultivo duales FAO -56 utilizando datos de
campo obtenidos durante 2007 de sistemas de cultivo representativos de EE.UU.
en las Altas Llanuras a partir de sitios AmeriFlux. Un modelo de regresión l inear
simple (𝐾𝑐𝑁𝐷𝑉𝐼 = 1,457 𝑁𝐷𝑉𝐼 - 0.1725) se desarrolla para establecer una relación
general entre un índice de vegetación de diferencia normalizada (NDVI ) a partir de
datos de satélite de resolución moderada (MODIS) y el coeficiente de cultivo ( Kc )
calculado a partir de los datos de flujo medidos para diferentes cultivos y prácticas de
cultivo utilizando torres AmeriFlux. Hubo una fuerte correlación lineal entre el Kc
estimado por NDVI y el Kc medido, con una r2 de 0,91 y 0,90, mientras que el error
cuadrático medio (RMSE) para Kc en 2006 y 2007 fue de 0,16 y 0,19, respectivamente.
El procedimiento para cuantificar los coeficientes de cultivo a partir de datos de
NDVI presentado en este trabajo debería ser útil en otras regiones del planeta para
comprender el consumo regional de agua de riego.
Teledetección. 2013, 1589
5
Palabras clave: coeficiente de cultivo; evapotranspiración; teledetección; MODIS; NDVI ; Nebraska

1. Introducción

La estimación de la evapotranspiración de los cultivos (ETc) basada en el coeficiente de

cultivo ( Kc ) es uno de los métodos más utilizados para la gestión del agua de riego a escala de
campo. La evapotranspiración del cultivo (ETc) puede calcularse utilizando el Kc definido como la
relación entre la evapotranspiración del cultivo y cierta evapotranspiración de referencia (ETo)
definida por datos meteorológicos [1,2] . En este marco, los valores de Kc son específicos de cada
cultivo (y del método utilizado para la ETo) y se han obtenido tradicionalmente a partir de conjuntos de
datos , en los que la ETc medida para un cultivo bien regado se divide por una ETo de
referencia estándar (normalmente hierba, pero a veces alfalfa y , más recientemente, no
específica de un cultivo, sino sólo de un cultivo alto o corto [3]). Los coeficientes de cultivo
representativos de condiciones bien regadas se tabulan con fines prácticos de gestión del agua de
cultivo entre ingenieros, agricultores y gestores de riego [3-5]. Durante la estación de crecimiento del
cultivo, el valor de Kc para la mayoría de los cultivos agrícolas aumenta desde un valor mínimo en la
emergencia, en relación con los cambios en el desarrollo del dosel, hasta que se alcanza un máximo
de Kc aproximadamente en la cobertura total del dosel. Una curva de coeficiente de cultivo es la
distribución estacional de Kc , a menudo expresada como una función continua suave en el tiempo
o algún otro índice relacionado con el tiempo. El Kc tiende a declinar en un punto después de que se
alcanza la plena cobertura en la temporada de cultivo. El grado de declinación depende
principalmente de las características particulares de crecimiento del cultivo [6,7] y de la gestión
del riego durante el final de la temporada [1]. Los coeficientes de los cultivos dependen
principalmente de la dinámica de los doseles, la absorción de luz por el dosel, la rugosidad del
dosel , que afecta a la turbulencia, la fisiología del cultivo, la edad de las hojas y la humedad
de la superficie [4]. A medida que el dosel de un cultivo se desarrolla, la relación entre
transpiración y evapotranspiración aumenta , hasta que la mayor parte de la evapotranspiración
proviene de la transpiración, y la evaporación del suelo es un componente menor. Esto ocurre porque la
interceptación de la energía radiante por el follaje aumenta hasta que la mayor parte de la luz es
interceptada antes de llegar al suelo. Además, las relaciones entre los índices espectrales y los
coeficientes de cultivo suelen observarse para el coeficiente de cultivo único. El índice de vegetación
de diferencia normalizada ( NDVI) se ha utilizado ampliamente para el seguimiento de la vegetación, la
evaluación del rendimiento de los cultivos y la detección de la sequía [4,6-8]. Un mayor NDVI indica un
mayor nivel de actividad fotosintética [ 8,9]. El aumento del coeficiente de cultivo causado por el
aumento de la temperatura provoca una disminución del agua del suelo y un descenso del NDVI,
mientras que la vegetación densa induce una mayor evapotranspiración y disminuye la temperatura de
la superficie terrestre [10]; o el dosel transpirante es más fresco [11]. A escala regional, el
procedimiento actual para estimar el Kc y el uso consuntivo del agua resultante tiene limitaciones. El Kc
varía en el espacio y en el tiempo, debido a la variabilidad inherente a la fecha de aparición, al patrón
de uso de la tierra, a la precipitación precedente, a la emisividad, a la cantidad de vegetación y a
las condiciones atmosféricas límite, como la temperatura del aire, la velocidad del viento y el
déficit de presión de vapor.
Teledetección. 2013, 1590
5 Varios investigadores han utilizado índices de vegetación multiespectrales derivados de la
teledetección para estimar los valores de Kc a escala de campo para el maíz [11-15], el trigo, el algodón
[11] y las judías [13,14]. Bausch y Neale demostraron la aplicación de la técnica de teledetección
física terrestre para relacionar el NDVI estacional con Kc [15-17]. Varios investigadores [ 8,15-22] han
demostrado que los índices de vegetación obtenidos por teledetección podrían utilizarse para predecir
los coeficientes "basales" de los cultivos agrícolas. Bastiaanssen ha discutido en detalle la necesidad
de desarrollar una metodología para determinar los valores del coeficiente de cultivo aéreo
Teledetección. 2013, 1591
5
para diferentes pautas y prácticas de uso del suelo agrícola [12]. Las relaciones entre los
parámetros de crecimiento de los cultivos, las variaciones meteorológicas y las prácticas de
labranza animan a los investigadores a estudiar la recuperación experimental de los coeficientes
de los cultivos a escala de campo o regional. El índice de área foliar ( LAI) ha sido estimado por varios
investigadores utilizando el NDVI [23,24], a pesar de que los cultivos que estaban monitorizando
estaban tanto estresados como no estresados y, a veces, eran cultivos diferentes. Del mismo modo,
estamos estudiando los cultivos de secano y de regadío para determinar si el NDVI explica las
variaciones entre los coeficientes de los cultivos. Se necesitan técnicas para cartografiar el Kc
semanal o quincenalmente con el fin de calcular el uso consuntivo del agua a escala de campo o
regional. Con el lanzamiento del satélite MODERate resolution Imaging Spectroradiometer
(MODIS) de la NASA, se dispone de un nuevo conjunto de datos para su utilización en el
seguimiento diario de los cultivos para la gestión del agua. El satélite Terra-MODIS proporciona
imágenes compuestas de ocho días con una combinación de bandas espectrales y térmicas. Las
imágenes compuestas de ocho días se tratan como productos libres de nubes para monitorizar
la actividad terrestre de la Tierra [7,20].
El objetivo de este estudio era investigar la aplicabilidad de las series temporales de datos
MODIS de 250 m de índice de vegetación de diferencia normalizada (NDVI) para el desarrollo
de Kc espacialmente representativos. A continuación se expone un enfoque de regresión
simple para la recuperación de Kc y se proporciona una breve justificación de varios
componentes del procedimiento. Los objetivos específicos de este estudio eran
(a) analizar la dinámica estacional de los coeficientes de cultivo ( Kc ) y del índice de vegetación
(NDVI ),
(b) desarrollar un modelo de regresión para establecer la relación entre el NDVI y los valores
de Kc para los sistemas de producción agrícola y (c) evaluar el rendimiento del nuevo modelo para
estimar Kc utilizando un conjunto de datos independiente para el sur-centro de Nebraska. En
nuestra investigación está implícita la suposición de que el NDVI es específico del cultivo
situado en cada píxel.

2. Material y metodología

2.1. Zona de estudio y conjunto de datos de evapotranspiración de los cultivos

Este estudio se realiza utilizando datos de tres lugares diferentes para las condiciones climáticas en
las Altas Llanuras de EE.UU., situadas en el Medio Oeste , entre los densos bosques del este y las
montañas y desiertos del oeste. Esta zona se centra en la producción agrícola y se compone de
ranchos y granjas , donde los sistemas agrícolas de regadío y de secano presentes [25]. Según el
último censo agrícola de 2007, había 2,2 millones de explotaciones agrícolas, con una superficie de
373,12 millones de hectáreas. Los principales cultivos en esta zona son el maíz, el sorgo, la alfalfa, la
soja, el trigo y el algodón. El primer conjunto de datos procede de campos de producción agrícola
y forma parte de un programa de investigación sobre secuestro de carbono en curso en el
Centro de Investigación y Desarrollo Agrícola (ARDC) de la Universidad de Nebraska-Lincoln,
cerca de Mead, NE (sistema de producción continua de maíz de regadío (pivote central) de Mead
(48,7 ha) , rotación maíz-soja de regadío (pivote central) de Mead (52,4 ha) y rotación maíz-soja de
secano de Mead (65,4 ha)). Todos los emplazamientos de Mead se encuentran en un radio de
Teledetección. 2013, 1592
1,6
5 km entre sí y se encuentran en suelos franco arcillosos limosos. Obtuvimos el producto de
datos de Nivel 4 para los sitios AmeriFlux durante el periodo de 2007 de la página web de
AmeriFlux (http://public.ornl.gov/ameriflux ) (Tabla 1). El segundo conjunto de datos procede
de una pradera de secano en Cottonwood, Dakota del Sur. Ambos sitios, Mead y
Cottonwood, forman parte de la red AmeriFlux [26], con actividades de medición detalladas. El
tercer emplazamiento es un campo agrícola de regadío en el Laboratorio Agrícola del Centro Sur
(SCAL) (16 ha) situado cerca de Clay Center, NE, EE.UU. [26,27].
Teledetección. 2013, 1593
5
La precipitación media anual de Mead es de 704 mm , y la precipitación anual para 2007 es de
927 mm ; mientras que la precipitación durante la estación de crecimiento (290-350 mm) recibida en
los tres sitios durante las estaciones de crecimiento de 2006 y 2007 (Tabla 1; Figuras 1 y 2) fue
significativamente grande, los campos de secano no se estresaron mucho y, por lo tanto, se
consideraron similares a los campos de regadío.
El campo del South Central Agricultural Laboratory (SCAL) es una rotación maíz-soja de
regadío con un sistema de riego por pivote central. La Tabla 1 muestra los detalles de cada
campo. Obtuvimos los datos horarios de temperatura y flujo de calor latente en 4 sitios AmeriFlux
[25,27] para la estación de crecimiento de 2007 del repositorio de datos del Laboratorio Nacional Oak
Ridge (Figura 1; Tabla 1).

Tabla 1. Tipo de vegetación, localización geográfica y patrones de cultivo de los

lugares de estudio utilizados para desarrollar la relación entre el índice de
vegetación de diferencia normalizada (NDVI ) y el coeficiente de cultivo (Kc ).
Marques
Año Nombre Latitud Longitud Elevación Tipo de vegetación Cultivos
ina
(m)
Altura
Regadío de Agricultura
2007 41.1649 -96.4701 362 1.83 m Maíz
Mead (rotación maíz-soja)
Rotación
2007 Mead Rainfed 41.1797 -96.4396 363 1.71 m Agricultura (maíz) Maíz
Regadío de Mead
2007 41.1651 -96.4766 361 2.90 m Agricultura (maíz continuo) Maíz
Continuo
2007 Cottonwood 43.95 -101.8466 744 20-40 cm Pastizales Hierba
Laboratorio
Agricultura
2007 Agrícola del Centro- 40.56667 -98.1333 552 N/A Maíz
Soja/maíz
Sur,
Centro de arcilla
Laboratorio
Agricultura
2006 Agrícola del Centro- 40.56667 -98.133333 552 N/A Soja
(soja/maíz)
Sur,
Centro de arcilla

Figura 1. Progresión estacional de los datos meteorológicos (temperatura máxima

(rojo) y mínima (gris), precipitación (azul)) en los lugares de calibración del modelo: (a)
Mead Irrigated Rotation, NE, EE.UU. (Año 2007); (b) Mead Irrigated, NE, EE.UU. (Año
2007); (c) Mead Rainfed, NE, EE.UU. (Año 2007); (d)Cottonwood, SD, EE.UU. (Año
2007).
Teledetección. 2013, 1594
5
Figura 1 Cont.

Figura 2 Progresión estacional de los datos meteorológicos [temperatura máxima (rojo) y

mínima (gris), precipitaciones (azul)] en los lugares de validación del modelo ( a)
Laboratorio Agrícola del Centro Sur (Año 2007), (b) Laboratorio Agrícola del Centro Sur
(Año 2006).

Las Figuras 1 y 2 muestran los datos diarios de temperatura máxima (rojo) y mínima (gris) y
precipitación (azul) en los sitios de calibración y validación del modelo, respectivamente. Los sitios
se distribuyen a lo largo de las Altas Llanuras de EE.UU. y cubren una amplia gama de tipos de
vegetación agrícola (Tabla 1). También utilizamos un conjunto de datos publicados de
coeficientes de cultivo de SCAL [28], obtenidos de NEBFLUX (Nebraska Water and Energy
FLux Measurement, Modeling and Research Network) [13]. Ambas redes disponen de torres
micrometrológicas que se utilizan para monitorizar los flujos sobre emplazamientos agrícolas.

2.2. Desarrollo y validación de los modelos NDVI y Kc

La ecuación de Hargreaves y Samani (1985) es un método empírico basado en la temperatura

desarrollado en Davis, California , utilizando datos de lisímetros [29,30]. La ecuación de
Hargreaves y Samani (1985) se desarrolló originalmente para periodos de tiempo de cinco días o
más para reducir la influencia del rango de temperaturas, las grandes variaciones de la velocidad del
viento o la nubosidad. No obstante, varios estudios han demostrado que la ecuación de Hargreaves
proporciona estimaciones fiables de la ETo diaria [14,30]. Los valores diarios de
evapotranspiración de referencia de los cultivos se calcularon a partir de las ecuaciones presentadas por
Teledetección. 2013, 1595
Hargreaves
5 y Samani:

0 𝐸𝑇= 0,0135 1𝐾𝑇 × 𝑅𝑎 × [(𝑇𝑚𝑎𝑥 - 𝑇𝑚𝑖𝑛)0.5 ] ×. 𝑇𝑚𝑒𝑎𝑛 + 17.8 (1)

Teledetección. 2013, 1596
5
donde 𝐸𝑇0 es la evapotranspiración de referencia de la hierba (mmd-1), Tmax es la temperatura máxima
diaria del aire (°C), Tmin es la temperatura mínima diaria del aire (°C), Tmean es la temperatura
media diaria del aire (°C) y Ra es la radiación extraterrestre (MJ -m-2-d-1).
KT es un coeficiente empírico , que es función de la diferencia de temperatura
𝐾𝑇 = 0,00185 × (𝑇𝑚𝑎𝑥 - 𝑇𝑚𝑖𝑛)2 - 0,0433(𝑇𝑚𝑎𝑥 - 𝑇𝑚𝑖𝑛) + 0,423 (2)
� �se calculó para cada día utilizando la ecuación y la metodología de Duffie y Beckman [31]. ��0
para los cuatro sitios se estimó utilizando la ecuación anterior a lo largo de la temporada de crecimiento de
2007.
El instrumento MODIS ofrece nuevas posibilidades para la cartografía de cultivos en grandes
áreas al proporcionar una cobertura mundial diaria de datos de alta calidad y resolución intermedia
(250 m) desde febrero de 2000 sin coste alguno para el usuario final. En un análisis de un compuesto
de reflectancia superficial MODIS de 8 días, se descargaron imágenes de 250 m (MOD09) del Land
Process Distributed Active Archive Center (LPDAAC) de la National Aeronautic and Space
Administration (NASA) (https://lpdaac.usgs.gov/lpdaac/get data/data pool) para la zona de estudio. El
índice de vegetación de diferencia normalizada (NDVI) [32] se obtuvo a partir de los datos de
teledetección descargados utilizando las bandas del infrarrojo cercano y del rojo. El índice de vegetación de
diferencia normalizada (NDVI) utiliza la reflectancia del dosel en las bandas de infrarrojo cercano (NIR) y
rojo (R) del espectro [32]. Este índice de vegetación viene dado por
𝑁𝐼𝑅 - 𝑅
���� = (3)
��� + �
donde NIR es la reflectancia en el infrarrojo cercano y R es la reflectancia en la región roja del espectro.
Los valores de NDVI están bien correlacionados con los parámetros de la vegetación, como el
índice de área foliar, la productividad primaria neta y la productividad primaria bruta [23,33].
El coeficiente de cultivo ( Kc ) se utiliza para calcular la evapotranspiración. La relación ET
c/ETo se denomina comúnmente coeficiente de cultivo [1]. Para desarrollar una relación NDVI -Kc se
requieren datos reales sobre el terreno de los valores Kc medidos. Hemos utilizado los datos de
AmeriFlux para modelar la relación NDVI -Kc (Tabla 1), y los valores de Kc de SCAL para 2006 y
2007 se utilizaron con fines de validación [28]. Los valores diarios de Kc de cinco localidades
(Tabla 1) para mayo, junio, julio y agosto se muestrearon para un Día del Año (DOY) concreto
cuando los valores de NDVI estaban disponibles. Para evitar la mezcla de píxeles problema s,
hemos utilizado NDVI píxeles situados lo más cerca posible del centro del campo. El NDVI y el día de
paso del satélite para las respectivas geolocalizaciones de las estaciones (véase la Tabla 1) en
2006 y 2007 se extrajeron del conjunto de datos de teledetección analizados utilizando el software
ENVI. Para cada fecha de paso del satélite, creamos un conjunto de datos específico del lugar y del
uso del suelo. El modelo de regresión lineal NDVI -Kc puede utilizarse para identificar la relación entre
una única variable de predicción NDVI y la variable de respuesta Kc cuando todas las demás
variables de predicción del modelo se "mantienen fijas". El objetivo del análisis de regresión es
�
expresar la variable de respuesta en función de las variables predictoras. Hemos utilizado el análisis
= 𝛽0 + ∑ 𝛽j𝑁𝐷𝑉𝐼𝑖 ,j + 𝜀𝑖 (4)
de regresión lineal simple para desarrollar
𝐾𝑐𝑖𝑁𝐷𝑉𝐼 una relación entre NDVI y Kc , que puede aplicarse a una
j=1
imagen de satélite:
Teledetección. 2013, 1597
donde,
5 para el i-ésimo caso, 𝐾𝑐 es la variable de respuesta, 𝑁𝐷𝑉𝐼𝑖,1 , 𝑁𝐷𝑉𝐼𝑖 ,2 , ... , 𝑁𝐷𝑉𝐼𝑖,𝑛 son n
𝑖𝑁𝐷𝑉𝐼
represores y 𝜀𝑖 es un término de error medio cero. Las cantidades 𝛽0 y 𝛽j son coeficientes
desconocidos, cuyos valores se determinan por regresión de mínimos cuadrados, donde 𝛽0 es la
intercepción y𝛽j es la pendiente para el j-ésimo término en el
Teledetección. 2013, 1598
5
regresión. Los coeficientes de la ecuación anterior se determinaron mediante el uso de
cuatro conjuntos de datos de uso de tierras agrícolas diferentes y DOY a lo largo de la temporada, de
modo que la ecuación anterior es aplicable a una amplia gama de uso de tierras agrícolas a lo largo de
la temporada de crecimiento. El coeficiente de determinación (r2 ) representa la proporción de
variabilidad en ��� que puede atribuirse a la combinación lineal de las variables independientes.
El coeficiente de determinación se utiliza para evaluar el grado de ajuste ( r2 = 0, ningún ajuste; r2 = 1,
ajuste perfecto) del modelo lineal mostrado en la ecuación (4):
2
𝑛
(𝐾
�= 𝑐 -
∑1 ̅𝐾 𝑐
̅ ) (𝑁𝐷𝑉𝐼- ̅𝑁̅ 𝐷̅ 𝑉̅ 𝐼)
�2 =𝑛 [ ] (5)
∑[(𝐾 - ̅𝐾 )̅ 2 (𝑁𝐷𝑉𝐼 - ̅𝑁 𝐷
̅ 𝑉
̅ 𝐼)
̅̅ 2 ]1/2
�=1 � �

Para desarrollar la relación NDVI -Kc antes mencionada, no realizamos ninguna visita a los
campos. En su lugar, cuantificamos el �� , el NDVI , sus interacciones y los valores reales de
evapotranspiración para las condiciones naturales de los campos, tal y como se reflejan en las
imágenes de satélite MODIS [7,20]. El modelo NDVI -Kc se evaluó utilizando datos de otra
temporada completa de maíz cultivada en los años 2006 y 2007 en el Centro de Arcilla (Tabla
1). Se utilizó el análisis de regresión y el error cuadrático medio para evaluar el modelo. El
análisis de regresión da información sobre la relación entre la variable Kc observada y la variable Kc
predicha en la medida en que la información está contenida en los datos. Para la validación,
utilizamos un gráfico del Kc observado frente al Kc predicho (utilizando la ecuación (4)). A
continuación, se calculó la correlación entre los valores Kc reales y predichos para evaluar la
bondad del ajuste. El coeficiente de determinación (r2 ), que se utilizó como índice relativo del
rendimiento del modelo , y el error cuadrático medio (RMSE) (referencia) se utilizaron para comparar
los coeficientes de cultivo Kc observados y Kc predichos. Así se obtuvo una indicación tanto del
sesgo como de la varianza con respecto a la línea 1:1. El RMSE proporciona una buena
medida de la concordancia entre dos conjuntos de datos independientes.

3. Resultados y debate

3.1. Patrones estacionales de NDVI y coeficiente de cultivo para tierras agrícolas seleccionadas agrícolas

Utilizamos los sitios de Ameriflux Mead y el sitio de Cottonwood en 2007 como el conjunto de
datos de desarrollo del modelo, mientras que los conjuntos de datos de validación del modelo
incluyeron el laboratorio de Agricultura Sur-Central de la UNL en 2006 y 2007. Los resultados de la
progresión temporal del NDVI y los coeficientes de cultivo para los cuatro sitios seleccionados
para la validación y el modelado muestran que la fenología de los cultivos puede ser rastreada
por el NDVI basado en MODIS (Tabla 1). Las Figuras 3 y 4 muestran los patrones de NDVI de los
diferentes usos agrícolas de la tierra seleccionados para el modelado y la validación. El maíz de
regadío de SCAL (Figura 4) muestra una intensidad de verdor suave y creciente, con tendencia a bajar
al final del verano.
También se observa un aumento de la actividad de la vegetación antes de la temporada de
cultivos, debido al crecimiento de la vegetación al inicio de la temporada de lluvias de
primavera. La fluctuación respectiva de los coeficientes de cultivo para la agricultura y los
pastos se observa a lo largo de toda la se asión, lo que muestra la fuerte correlación entre el NDVI y
los coeficientes de cultivo. El NDVI máximo de la rotación de regadío, del maíz de regadío y
Teledetección. 2013, 1599
de
5 secano alcanza un máximo de 0,84 a finales de julio (DOY 215) y de 0,77 (DOY 221),
respectivamente. Es evidente que el NDVI del maíz de regadío es mayor que el del maíz de
secano durante todo el periodo vegetativo (Figura 4). El maíz suele plantarse a finales de abril o
principios de mayo y cosecharse a finales de septiembre o principios de noviembre.
Teledetección. 2013, 1600
5
Figura 3. Progresión estacional de NDVI y Kc en los sitios de calibración del
modelo: (a) Rotación de regadío de Mead, NE, EE.UU. (Año 2007); (b) Regadío de
Mead, NE, EE.UU. (Año 2007);
(c) Mead Rainfed, NE, EE.UU. (Año 2007); (d) Cottonwood, SD, EE.UU. (Año 2007).

Figura 4. Progresión estacional de NDVI y Kc en los sitios de validación del

modelo: (a) Laboratorio Agrícola del Centro Sur (Año 2006) ; (b) Laboratorio
Agrícola del Centro Sur (Año 2007).

Es interesante observar que la desviación estándar para el NDVI , así como para Kc , del maíz de
regadío y de la rotación de regadío son casi las mismas, mientras que para el secano el NDVI y Kc
son más bajos en el Centro de Arcilla para 2006 y ligeramente más altos en 2007 , pero la
desviación estándar del coeficiente de cultivo es casi la misma (Tabla 2). Durante el período
vegetativo, el coeficiente de cultivo ( Kc ) para el maíz de regadío fue de aproximadamente
0,3 ± 0,5 a principios de temporada y 1,00 ± 0,05 a mediados de temporada. En las condiciones
de Mead Irrigated (a) y (b) (Figura 4), cuando el NDVI es alto y la vegetación no está estresada, el
coeficiente de cultivo es en promedio 1 y puede llegar a 1,2, lo que muestra que la ET real puede ser
mayor que la ET de referencia, que se define para la condición de buen riego. Mientras que la
Teledetección. 2013, 1601
condición
5 en Mead Rainfed, Cottonwood y SCAL
Teledetección. 2013, 1602
5
(Figura 3) muestra que los NDVI más bajos están asociados a la condición de secano, debido a las
cubiertas poco desarrolladas y a la menor capacidad de absorción de la radiación fotosintéticamente
activa. Debido a tal condición, el coeficiente de cultivo es inferior a 1,1 , lo que muestra que la ET real
puede ser inferior a la ET de referencia.

Tabla 2. Estadísticas de NDVI y Kc para la calibración del modelo.

Media Max Min Desviación
Sitios
típica
NDVI Kc NDVI Kc NDVI Kc NDVI Kc
Cottonwood, SD, EE.UU. 0.318 0.279 0.490 0.693 0.257 0.103 0.083 0.208
Rotación de regadío de Mead, NE, 0.676 0.822 0.822 5.302 0.309 0.293 0.209 0.316
EE.UU.
Regadío de Mead, NE, EE.UU. 0.706 0.905 0.894 1.212 0.277 0.323 0.218 0.323
Mead Rainfed, NE, EE.UU. 0.676 0.763 0.785 1.086 0.442 0.300 0.104 0.240
SCAL-2007 0.767 1.034 0.866 1.271 0.502 0.257 0.111 0.320
SCAL-2006 0.636 0.635 0.852 0.984 0.330 0.133 0.200 0.323

3.2. Desarrollo de la relación entre el NDVI y el coeficiente de cultivo

En el desarrollo del modelo NDVI -Kc para estimar el coeficiente de cultivo a partir del NDVI de
teledetección, simplificamos un paisaje agrícola como una mezcla de agricultura de regadío,
agricultura de secano y pastizales. El conjunto de datos de mediciones sobre el terreno de los
coeficientes de cultivo se obtuvo de Ameriflux para la temporada de cultivo de 2007 y de SCAL
para la temporada de cultivo de 2006 [28]. Utilizamos los sitios de Mead y Cottonwood en 2007
como el conjunto de datos de desarrollo del modelo, mientras que los conjuntos de datos de validación
del modelo se utilizaron de SCAL en 2006 y 2007 . Las estadísticas (máximo, mínimo, media y CV)
para el NDVI y los valores del coeficiente de cultivo se dieron para cada año para cada sitio
(Tabla 2). Con el NDVI obtenido mediante teledetección y el coeficiente de cultivo correspondiente
obtenido mediante mediciones de campo, se desarrolló una ecuación de regresión lineal simple.
La figura 5 muestra la relación entre el índice NDVI y el coeficiente de cultivo para la
agricultura de regadío, la agricultura de secano y la relación combinada para los cultivos de
regadío y secano. Se observa una fuerte correlación entre el índice NDVI y el coeficiente de cultivo
para todos los cultivos representados en la figura. La relación combinada entre el NDVI y el
coeficiente de cultivo para la agricultura de secano y de regadío de todos los lugares de
modelización es:
𝑐 𝐾𝑁𝐷𝑉𝐼 = 1,4571 (𝑁𝐷𝑉𝐼) - 0,1725 (6)
donde 1,4571 y 0,1725 representan los coeficientes de pendiente e intercepto. El coeficiente de
correlación ( r2 ) es 0,8259, que es muy informativo sobre la cantidad de varianza que el NDVI
puede explicar en el conjunto de datos Kc , independientemente de si su distribución conjunta es
normal. Se observó una fuerte correlación entre el NDVI y el coeficiente de cultivo para todos los
cultivos representados en la Figura 5. La relación NDVI -Kc para la agricultura de regadío y la
agricultura de secano es idéntica. No hay diferencias significativas en los coeficientes de regresión,
pendiente e intercepción para los datos de la agricultura de regadío y de secano. El maíz, tanto de
regadío como de secano, indica una relación más fuerte que en el caso de la soja. Además, la variación
Teledetección. 2013, 1603
en
5 NDVI y �� ���� fue mayor durante la mitad y el final de la estación en los campos de maíz de
secano que en los de regadío. Esto podría atribuirse a la variación de la ETo, que aumenta las tasas de
evapotranspiración durante el desarrollo y la senescencia de los cultivos, y también a que la condición
de riego frecuente en los campos de regadío hace que los campos sean más evaporativos, en
comparación con la condición de secano, que dependía completamente de las precipitaciones.
Teledetección. 2013, 1604
5
Figura 5. Relación entre el NDVI de Terra-MODIS y los coeficientes de cultivo medidos por
AmeriFlux en condiciones de cultivo de regadío y de secano.

3.3. Validación de la relación entre el NDVI y el coeficiente de cultivo

En esta sección, presentamos el rendimiento del modelo NDVI -Kc (Ecuación (6)) para
campos de maíz y soja en el sitio SCAL Bowen-Ratio Energy Balance System (BREBS). Utilizamos
los sitios de Mead y Cottonwood en 2007 como el conjunto de datos de desarrollo del modelo ,
mientras que los conjuntos de datos de validación del modelo se utilizaron de SCAL en 2006 y 2007 .
Este sitio de validación es independiente de los sitios de calibración, Mead y Cottonwood. El modelo
de regresión NDVI -Kc (Ecuación (6)) desarrollado en este estudio se utilizó para calcular Kc a
partir de los valores de NDVI para los conjuntos de datos de validación de SCAL de 2006 y
2007. La progresión del NDVI y el coeficiente de cultivo muestra la relación lineal. La Figura 6
muestra la relación de regresión lineal entre el coeficiente de cultivo medido y los valores de
coeficiente de cultivo predichos a partir del modelo para los años 2006 y 2007.
Obviamente, la mayoría de las estimaciones de los coeficientes de cultivo son precisas, con
análisis de regresión cercanos al 90% para ambos campos, donde las estimaciones proceden
de la ecuación (6). Los coeficientes de determinación ( �2 ) entre los valores de los coeficientes
de cultivo medidos y simulados para 2006 y 2007 fueron, respectivamente, de aproximadamente
0,91 y 0,90. El RMSE entre los coeficientes de cultivo medidos y predichos por los valores del
modelo NDVI -Kc fue, respectivamente, de aproximadamente 0,16 y 0,19 para 2006 y 2007 para SCAL.
Los resultados estadísticos adicionales presentados en la Tabla 3 confirman un rendimiento
razonable del modelo NDVI -Kc . La Figura 7 ilustra el curso temporal de los coeficientes de
cultivo medidos y predichos por el modelo NDVI -Kc para el maíz y la soja, respectivamente. Sin
embargo, todavía pueden observarse algunas discrepancias entre los coeficientes de cultivo
medidos y los predichos por el modelo NDVI -Kc (Figura 7).
Teledetección. 2013, 1605
5
Figura 6. Validación del modelo NDVI -K Validación del modelo NDVI -Kc : (a) maíz de
regadío para la temporada de cultivo de 2006 y (b) soja para 2007 en datos SCAL. El
gráfico muestra diagramas de dispersión de regresión del coeficiente de cultivo
estimado frente al observado.

Tabla 3. Rendimiento del modelo NDVI -Kc para datos SCAL: 2006 y 2007.
Índice estadístico 2006 2007
Error medio 0.12 -0.09
Error absoluto medio 0.14 0.17
Error cuadrático medio 0.02 0.03
Error cuadrático medio 0.16 0.19
Relación de desviaciones típicas 0.9 0.51
Eficiencia de Nash-Sutcliffe 0.75 0.62
Índice Willmott de acuerdo 0.93 0.84
Coeficiente de persistencia -0.01 0.62
Coeficiente de correlación producto-momento de 0.95 0.95
Pearson
Coeficiente de determinación 0.91 0.90

Figura 7. Progresión estacional del K medidoc y del K estimadoc : (a) maíz regado para
la estación de crecimiento en 2006 y (b) soja para 2007 en datos SCAL.
Teledetección. 2013, 1606
5
3.4. Incertidumbres, errores y precisiones de la relación entre el NDVI y el coeficiente de cultivo

La comparación del índice de vegetación de diferencia normalizada (NDVI ) a partir de datos

de satélite de resolución moderada (MODIS) y el coeficiente de cultivo ( Kc ) indican una relación
útil dentro de los límites de los errores o incertidumbres estimados. La precisión de las estimaciones
del Kc a partir de teledetección fue de ±9% con un nivel de confianza del 90%. El Kc a partir de
estimaciones de precisión por teledetección se basa en incertidumbres asociadas a los datos de
entrada, la resolución y la precisión de los datos de satélite. El procedimiento estadístico utilizado para
calcular la precisión se explica en la sección anterior. Nuestros resultados muestran que los modelos
NDVI -Kc estiman Kc en ±0,2 (véase RMSE en la Tabla 3) , con la estimación NDVI de baja
resolución. Al modelizar Kc , es inevitable que tanto el modelo como los datos de entrada presenten
cierta incertidumbre. Sea cual sea el modelo utilizado, los errores en la entrada se propagarán a la
salida del Kc calculado. Sin embargo, el NDVI y el Kc utilizados en la calibración y validación de este
modelo suelen observarse con suficiente exactitud como para evitar grandes errores en el residuo.
Faltan en la bibliografía otras estimaciones independientes de Kc a partir de teledetección, por lo que no
podemos contrastar los resultados de otros estudios. Para obtener valores realistas del coeficiente de
cultivo a partir de datos de teledetección, las entradas y salidas del modelo deben estar
correlacionadas. Es de vital importancia modelizar y evaluar las correlaciones de las variables de
entrada. Ignorar la correlación entre los parámetros de entrada (NDVI ) añadirá ruido a la salida
del modelo. Otra razón de los errores en la estimación de Kc podría deberse a programas de
riego desconocidos y a una alta evaporación, debido a las precipitaciones. Como ya se ha sugerido
en investigaciones destacadas, se considera que un error de predicción del ±10% de los valores de Kc
representa los niveles de ET en condiciones de crecimiento prístinas. En el caso anterior, la
inexactitud de los resultados de las mediciones se expresa como error admisible. Los datos
estadísticos muestran algunas discrepancias menores entre el Kc observado y el estimado (Tabla
3). El coeficiente de determinación y el RMSE entre 𝐾𝑐 𝑁𝐷𝑉𝐼y 𝐾𝑐 observado utilizando BREBS fueron
excepcionalmente bajos. El índice de concordancia de Willmott es alto, 0,93 y 0,84,
respectivamente, para los años 2006 y 2007. Esto es un indicio de la precisión del modelo , lo que
sugiere que puede utilizarse para estimar Kc con diferentes prácticas de gestión. Los sesgos en las
estimaciones del modelo fueron consistentes en el tiempo y del mismo orden para los cultivos de
regadío y de secano que la incertidumbre NDVI - Kc , por lo que se concluyó que la técnica es valiosa
para estimar el Kc a partir de los datos de teledetección.

4. Conclusión

Este estudio desarrolló un modelo de regresión l inear simple ( 𝐾𝑐𝑁𝐷𝑉𝐼 = 1,457 𝑁𝐷𝑉𝐼 -
0,1725 ) para establecer una relación general entre un índice de vegetación de diferencia
normalizada (NDVI ) a partir de datos de satélite de resolución moderada (MODIS) y el coeficiente de
cultivo ( Kc ). Además, como el NDVI es específico del cultivo en cada píxel, Kc es una representación
directa de las condiciones reales de crecimiento del cultivo en el campo. Los coeficientes de cultivo se
estimaron espacial y temporalmente utilizando el modelo de teledetección aplicado a imágenes
MODIS tomadas durante el año 2007. Los resultados mostraron que las variaciones en Kc se
explican bien por las variaciones en NDVI , especialmente para sistemas de cultivo agrícola bien
regados. Kc presentaba una fuerte relación con el NDVI durante los periodos de entretiempo.
Teledetección. 2013, 1607
5 El NDVI es un indicador de la densidad de la cubierta vegetal y del vigor de la planta; por lo tanto, no
es sorprendente que capte la mayor parte de la variación observada en Kc cuando no hay condiciones
de estrés hídrico. La validación del modelo de regresión simple arrojó una r2 de,90 y un RMSE inferior
a 0,17 para un maíz de regadío.
Teledetección. 2013, 1608
5
campo en SCAL en NE durante dos años consecutivos (2006 y 2007). El sesgo sistemático (±5%)
puede deberse a efectos húmedos (2006) y secos (2007) en la evaporación del cultivo, no
representados en esta formulación Kc . El procedimiento para cuantificar los coeficientes de los
cultivos a partir de los datos de NDVI presentado en este trabajo debería ser útil en otras regiones
del planeta para comprender el consumo regional de agua de riego. Los sesgos y las
incertidumbres en las estimaciones del modelo fueron coherentes a lo largo del tiempo y del mismo
orden para los cultivos de regadío y de secano que el modelo NDVI -Kc , por lo que se concluyó
que la técnica es valiosa para estimar el Kc a partir de los datos de teledetección. Hemos
aportado pruebas de que los coeficientes de cultivo cuantificados a partir de la teledetección
utilizando esta ecuación NDVI -Kc pueden ser útiles para la programación del riego, la evaluación del
rendimiento del riego/proyecto, los presupuestos hídricos agrícolas y la estimación de la eficiencia del
uso del agua. El modelo NDVI -Kc es prometedor para la conservación del agua en la agricultura a
escala local, regional y continental.

Referencias

1. Allen, R.G.; Pereira, L.S.; Raes, D.; Smith, M. Crop Evapotranspiration -Guidelines for Computing
Crop Water Requirements -FAO Irrigation and Drainage Paper 56 ; FAO: Roma, Italia, 1998.
2. Allen, R.G.; Pereira, L.S.; Smith, M.; Raes, D.; Wright, J.L. The FAO -56 dual crop
coefficient method for predicting evaporation from soil and application extensions. J. Irrig.
Drain. Eng. 2005, 131, 2-13.
3. Allen, R.G.; Walter, I.A.; Elliot, R.L.; Howell, T.A.; Itenfisu, D.; Jensen, M.E .; Snyder, R.L.
The ASCE Standardized Reference Evaportranspiration Equation ; American Society of Civil
Engineers: Danvers, MA, USA, 2005; p. 59.
4. Justice, C.O.; Townshend, J.R.G. Número especial sobre el espectrorradiómetro de
imágenes de resolución moderada (MODIS): A new generation of land surface monitoring.
Remote Sens. Environ. 2002, 83, 1-2.
5. Doorenbos, J.; Pruitt, W.O. Guidelines for Predicting Crop Water Requirements; Irrigation and
Drainge Paper 24; FAO: Roma, Italia, 1975.
6. Kamble, B.; Chemin, Y.H. GIPE en GRASS Raster Addons . Disponible en línea:
https://svn.osgeo.org/ grass/grass-addons/grass6/imagery/gipe/i.vi.grid/description.html
(consultado el 1 de octubre de 2012).
7. Kamble, B.; Irmak, A. Assimilating Remote Sensing -Based ET into SWAP Model for
Improved Estimation of Hydrological Predictions. En Proceeding of the 2008 IEEE
International Geoscience and Remote Sensing Symposium, Boston, MA, USA, 7-11 July
2008; Volume 3, doi: 10.1109/IGARSS.2008.4779530.
8. Sellers, P.J. Reflectancia del dosel, fotosíntesis y transpiración. Int. J. Remote Sens. 1985, 6,
1335-1372.
9. Tucker, C.J. Combinaciones lineales de infrarrojos rojos y fotográficos para el seguimiento de
la vegetación.
Remote Sens. Environ. 1979, 8, 127-150.
10. Boegh, E.; Soegaard, H.; Hanan, N.; Kabat, O.; Lesch, L. A remote sensing study of the NDVI -Ts
relationship and the transpiration from sparse vegetation in the Sahel based on high resolution
data. Remote Sens. Environ. 1998, 69, 224-240.
Teledetección. 2013, 1609
11.
5 Hunsaker, D.J.; Pinter, P.J.; Jr.; Kimball, B.A. Coeficientes de cultivo basal del trigo
determinados por el índice de vegetación de diferencia normalizada. Irrig. Sci . 2005, 24, 1-
14.
Teledetección. 2013, 1610
5
12. Bastiaanssen, W.G.M. SEBAL -based sensible and latent heat fluxes in the irrigated Gediz Basin,
Turkey. J. Hydrol. 2000, 229, 87-100.
13. Irmak, S. Nebraska water and energy flux measurement, modeling, and research
network (NEBFLUX). Trans. ASABE 2010, 53, 1097-1115.
14. Jensen, M.E., Burman, R.D., Allen, R.G., Eds. Evapotranspiration and Irrigation Water
Requirements; ASCE: Reston, VA, USA, 1990.
15. Bausch, W.C.; Neale, C.M.U. Spectral inputs improve Maize crop coefficients and
irrigation scheduling. Trans. ASAE 1989, 32, 1901-1908.
16. Jayanthi, H.; Neale, C.M.U.; Wright, J.L. Seasonal Evapotranspiration Estimation Using Canopy
Reflectance: A Case Study Involving Pink Beans. En Proceedings of Remote Sensing
and Hydrology 2000, Santa Fe, NM, EE.UU., 2-7 de abril de 2000; pp. 302-305.
17. Irmak, A.; Ratcliffe, I.; Ranade, P.; Hubbard, K.; Singh, R.K.; Kamble, B.; Kjaersgaard, J.
Estimation of land surface evapotranspiration with a satellite remote sensing procedure.
Great Plains Res. 2011, 21, 73-88.
18. Benedetti, R.; Rossinni, P. On the use of NDVI profiles as a tool for agricultural statistics:
The case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sens. Environ .
1993, 45, 311-326.
19. Choudhury, B.J.; Ahmed, N.U.; Idso, S.B.; Reginato, R.J.; Daughtry, C.S.T. Relations between
evaporation coefficients and vegetation indices studies by model simulations. Remote
Sens. Environ. 1994, 50, 1-17.
20. Irmak, A.; Kamble, B. Evapotranspiration data assimilation with genetic algorithms and
SWAP model for on-demand irrigation. Irrig. Sci. 2009, 28, 101-112.
21. Hubbard, K.G., Sivakumar, M.V.K., Eds. Estaciones meteorológicas automatizadas para
aplicaciones en agricultura y gestión de recursos hídricos: Current Use and Future
Perspectives. En Proceedings of an International Workshop, Lincoln, NE, USA, 6-10 de
marzo de 2000.
22. Allen, R.G.; Clemmens, A.J.; Burt, C.M.; Solomon, K.; O'Halloran, T. Prediction accuracy
for projectwide evapotranspiration using crop coefficients and reference evapotranspiration.
J. Irrig. Drain. Eng. 2005, 131, 24-36.
23. Gamon, J.A.; Field, C.B.; Goulden, M .; Griffn, K.; Hartley, A.; Joel, G.; Penuelas, J.; Valentini, R .
Relationships between NDVI, canopy structure and photosynthesis in three Californian vegetation
types. Ecol. Appl. 1995, 5, 28-41.
24. Tasumi, M.; Allen, R.; Trezza, R.; Wright, J. Satellite -Based energy balance to assess
within-population variance of crop coefficient curves. J. Irrig. Drain. Eng. 2005, 131, 94-109.
25. Hubbard, K.G. Factores climáticos que limitan la evapotranspiración diaria del so rghum. Clim. Res.
1992, 2, 73-80.
26. Baldocchi, D.; Falge, E.; Gu, L.H.; Olson, R.; Hollinger, D.; Running, S.; Anthoni, P.;
Bernhofer, C.; Davis, K.; Evans, R.; et al. FLUXNET: A new tool to study the temporal and
spatial variability of ecosystem -scale carbon dioxide, water vapor, and energy flux densities.
Bull. Am. Meteorol. Soc. 2001, 82, 2415-2434
27. Verma, S.B.; Dobermann, A.; Cassman, K.G.; Walters, D.T.; Knops, J.M.H.; Arkebauer,
T.J.; Suyker, A.E.; Burba, G.G.; Amos, B.; Yang, H.S. Annual carbon dioxide exchange in
irrigated and rainfed maize based agro-ecosystems. Agric. For. Meteorol. 2005, 131, 77-96.
Teledetección. 2013, 1611
5
28. Singh, R.; Irmak, A. Estimation of crop coefficients using satellite remote sensing. J. Irrig. Drain.
Eng. 2009, 135, 597-608.
29. Hargreaves, G.H.; Samani, Z.A. Reference crop evapotranspiration from temperature. Appl. Eng.
Agric. 1985, 1, 96-99.
30. Hargreaves, G.H.; Allen, R.G. Historia y evaluación de la ecuación de evapotranspiración de
Hargreaves.
J. Irrig. Drain. Eng . 2003, 129, 53-63.
31. Duffie, J.A.; Beckman, W.A. Solar Engineering of Thermal Processes ; John Wiley & Sons:
Nueva York, NY, EE.UU., 1980.
32. Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring Vegetation Systems in the Great
Plains with ERTS. En Proceedings of Third ERTS Symposium, Washington, DC, EE.UU.,
10-14 de diciembre de 1973; Volumen 1, pp. 309-317.
33. Gitelson, A.; Vina, A.; Masek, J.; Verma, S.; Suyker, A. Synoptic monitoring of gross
primary productivity of maize using Landsat data. IEEE Geosci. Remote Sens. Lett. 2008, 5,
133-137.

2013 por los autores; licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (http://creativecommons.org/licenses/by/3.0/).