Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ACCESO ABIERTO
Remote Sens. 2013, 5, 1588-1602; doi:10.3390/rs5041588
Teledetección
ISSN 2072 -4292
www.mdpi.com/journal/remotesensing
Artículo
1. Introducción
2. Material y metodología
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).
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.
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).
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.
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.
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
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/).