Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis Maestria Geomatica Jhon Montero
Tesis Maestria Geomatica Jhon Montero
Tesis de investigación presentada como requisito parcial para optar al título de:
Magister en Geomática
Director (a):
M.Sc. Luis Joel Martinez Martinez
Codirector (a):
M.Sc Jorge Luis Torres León
Línea de Investigación:
Geoinformación para el uso sostenible de los recursos naturales
He obtenido el permiso del autor o editor para incluir cualquier material con derechos de
autor (por ejemplo, tablas, figuras, instrumentos de encuesta o grandes porciones de
texto).
Nombre
Fecha 10/08/2021
Fecha
Agradecimientos
A Edna Margarita quien con su apoyo incondicional me abrió las puertas del sector de la
palma de aceite.
A Cenipalma por el apoyo financiero y en especial al ingeniero Jorge Luis Torres León por
su confianza, apoyo, abrir un espacio en Cenipalma para la presente investigación e
incluirme en el grupo de Geomática de Cenipalma como uno más del equipo.
Un profundo agradecimiento al profesor Luis Joel Martínez, mi tutor y director de tesis, con
el cual tuve la posibilidad de compartir en los largos viajes, las largas jornadas obteniendo
los datos de campo y quien me apoyó de manera incondicional en este proceso.
Resumen y Abstract VI
Resumen
Palabras clave: palma de aceite, nitrógeno, potasio, índices espectrales, PLSR, UAV,
espectrorradiómetro.
Resumen y Abstract VII
Abstract
The present investigation was carried out in the Guaicaramo plantation located in the
municipality of Cabuyaro department of Meta, with the objective of determining the
relationship between the spectral responses and the nitrogen and potassium content in the
oil palm cultivation (Hybrid OxG, Coarí x LaMé) for non-destructive nutritional diagnostic
purposes. For the above, a completely randomized design was used, with six treatments of
different doses of nitrogen and potassium. 3 samplings were carried out, for each one seven
palms were sampled per treatment for a total of 42 palms per sample and from each palm
the data of 6 leaflets were analyzed. In each of the samplings aerial photographs were
taken with UAV integrating the MicaSense multispectral camera with 5 bands (red, blue,
green, RedEdge and NIR); leaf content analyzes were carried out in the laboratory; The
reflectance of 6 leaflets was measured with the FieldSpect4 spectroradiometer; edaphic
analysis where done for the second sampling. It was found that for a lower nitrogen content,
the reflectance was greater in the visible range; Based on the reflectance measurements
with the spectroradiometer, for the first sampling the highest number of indices with
significant correlations for foliar nitrogen were obtained, highlighting the Datt vegetation
index, as the one with the best performance in these tests; for potassium and foliar
phosphorus, in none of the three samplings there were correlations greater than 0.5
between the spectral indices from reflectance measurements with the spectroradiometer
and the concentration of potassium and foliar phosphorus; for the construction of the PLSR
models, the wavelength of greatest influence is close to 718 nm, where the model
generated for nitrogen can make quantitative predictions; It was found that the correlations
for the spectral indices and the Nitrogen content from the aerial photographs were better
than those obtained from the reflectance measurements with the spectroradiometer for the
three samplings.
Contenido
Pág.
Resumen......................................................................................................................... VI
Introducción .................................................................................................................... 1
2. Objetivos ................................................................................................................ 11
2.1 General ............................................................................................................. 11
2.2 Específicos ....................................................................................................... 11
3. Materiales y métodos............................................................................................. 12
3.1 Esquema metodológico de la investigación....................................................... 12
3.2 Área de estudio ................................................................................................. 13
3.3 Características Climáticas................................................................................. 14
3.4 Unidades experimentales.................................................................................. 14
3.5 Muestreo foliar .................................................................................................. 16
3.6 Medidas vegetativas de la palma de aceite ....................................................... 18
3.7 Muestreo edáfico .............................................................................................. 20
3.8 Medición de respuestas espectrales en laboratorio ........................................... 21
3.9 Obtención de fotografías con UAV .................................................................... 23
3.10 Análisis estadístico ........................................................................................... 28
3.10.1 Normalidad Shapiro-Wilk ............................................................................... 28
3.10.2 ANOVA.......................................................................................................... 28
3.10.3 Test de Duncan ............................................................................................. 28
3.10.4 Pretratamientos ............................................................................................. 29
3.10.5 Generación de modelos predictivos con base en Regresión de Mínimos
cuadrados parciales (PLSR) .................................................................................... 29
3.10.6 Cálculo de índices de vegetación .................................................................. 33
4. Resultados ............................................................................................................. 34
4.1 Clima ................................................................................................................ 34
Contenido IX
E. Anexo: ANOVA para los índices a partir de fotografías aéreas ........................ 193
Lista de figuras
Pág.
Lista de tablas
Pág.
Tabla 4-15: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el tercer muestreo ................................................................... 70
Tabla 4-16: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el tercer muestreo ........................................................................... 70
Tabla 4-17: Resultado de los 20 mejores modelos predictivos con PLS para N ............. 78
Tabla 4-18: Resultado del modelo predictivo con suavizado Savitzky Golay y
Normalización por rango ................................................................................................. 82
Tabla 4-19: Resultados Rango 2 con preprocesamiento SG&NR entre los datos de
predicción y los de referencia .......................................................................................... 82
Tabla 4-20: Resultado de los 20 mejores modelos predictivos con PLS para K .............. 83
Tabla 4-21: Resultado del modelo predictivo con Normalización Máxima ....................... 86
Tabla 4-22: Resultados Rango 2 con preprocesamiento NM entre los datos de predicción
y los de referencia ........................................................................................................... 86
Tabla 4-23: Resultado de los 20 mejores modelos predictivos con PLS para P .............. 88
Tabla 4-24: Resultado del modelo predictivo con suavizado Savitzky Golay y
Normalización por rango ................................................................................................. 91
Tabla 4-25: Resultados Rango 1 con preprocesamiento SG&NR entre los datos de
predicción y los de referencia .......................................................................................... 91
Tabla 4-26: Bandas de la cámara multiespectral Micasense .......................................... 93
Tabla 4-27: Índices de vegetación adaptados................................................................. 93
Tabla 4-28: Resumen del análisis de varianza para los índices de vegetación que fueron
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42) ................. 95
Tabla 4-29: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el primer muestreo .................................................................. 96
Tabla 4-30: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el primer muestreo .......................................................................... 99
Tabla 4-31: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el segundo muestreo (n = 42) .............................................................. 102
Tabla 4-32: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el segundo muestreo............................................................. 103
Tabla 4-33: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el segundo muestreo ..................................................................... 106
Tabla 4-34: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el tercer muestreo (n = 42)................................................................... 109
Tabla 4-35: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el tercer muestreo ................................................................. 110
Tabla 4-36: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el tercer muestreo ......................................................................... 112
Contenido XV
Actualmente, las respuestas espectrales son una estrategia importante para el diagnóstico
nutricional de los cultivos. En un estudio de Selvaraja, Balasundram, Vadamalai, & Husni
(2013) encontraron que con las mediciones de la reflectancia se pueden identificar y
discriminar los síntomas de deficiencia de K y la enfermedad de manchado naranja (OS
por sus siglas en ingles) en la palma de aceite. Este estudio, también encontró que la
región de radiación fotosintética activa (PAR) (400-700 nm) era adecuada para la
discriminación entre hojas sintomáticas infectadas con OS y las que presentaban
deficiencias de K.
2 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Thenkabail et al. (2000, 2002) estudiaron numerosos cultivos como algodón (Gossypium),
papa (Solanum Erianthum), soja (Glycine max), maíz (Zea mays), girasol (Helianthus),
cebada (Hordeum vulgare L.), trigo (Triticum aestivum L.), lentejas (Lens esculenta
Moench), comino (Cuminum cyminum L.), garbanzo (Cicer arietinum L.) y vicia (Vicia
narbonensis L.); realizaron miles de mediciones espectrales para correlacionar con
algunos parámetros, como el índice de área foliar (m2/m2), biomasa húmeda (kg/m), altura
de la planta (m), contenido de proteína cruda de la planta (%), nitrógeno (%). Encontraron
que el ancho de banda y la cantidad de bandas que se tengan tienen una mayor influencia
en la exactitud en la evaluación de la deficiencia de nitrógeno en dichos cultivos.
Investigadores como Che Man & Mirghani (2000) se basaron en respuestas espectrales
para determinar el contenido de humedad en el aceite crudo de palma, mientras que
Ammawath, Man, Rahman, & Baharin (2006) las utilizaron para determinar
Butilhidroxitolueno (BHT) en oleína de aceite y niveles de yodo en el aceite de palma. Shafri
& Hamdan (2011) utilizaron la respuesta espectral para detectar Ganoderma en palma.
También, se han hecho investigaciones sobre la evaluación de datos obtenidos de
diferentes fuentes, como sensores proximales, remotos y fotografías tomadas de
aeronaves no tripuladas, para generar información sobre el estado nutricional o sanitario
de los cultivos, buscando la eficiencia y sostenibilidad como propósito final (Martínez,
2017).
Existen diversos estudios que identifican las respuestas espectrales que presentan
distintos objetos. Mulyadi, Hariyandi, Sudradjat, & Kustiyo (2017) informan que
naturalmente, las plantas absorben, transmiten y reflejan la luz que reciben las superficies
de la planta, especialmente las hojas. La magnitud de absorción, transmisión y reflectancia
depende en gran medida de la disponibilidad de pigmentos absorbentes como la clorofila.
Las hojas con alto contenido de nitrógeno y clorofila absorben más luz en la región visible,
tienen menor absorción y por lo tanto mayor reflectancia en el infrarrojo (Figura 1-2).
Capítulo 1 5
Figura 1-3: Terminología de imágenes digitales. Tomado de Jensen & Lulla. (1987)
Con la teledetección, se pueden identificar los cambios en la región del infrarrojo cercano,
que son invisibles para el ojo humano, antes de que aparezcan los síntomas cloróticos
(insuficiencia de clorofila). Por lo tanto, el analista puede determinar si los cultivos están
en el nivel de estrés o no. Se han utilizado imágenes multiespectrales para detectar el
estrés de nutrientes en la palma de aceite, según Rendana et al. (2015) se ha venido
haciendo uso de estas imágenes en algunas fincas de palma de aceite en Malasia, para el
mapeo del estado de los nutrientes, el conteo de palmas, el monitoreo del crecimiento de
los cultivos y el pronóstico del rendimiento.
Además, las nuevas cámaras multiespectrales, nuevos canales como el borde rojo, que es
una región espectral, ubicada entre el rojo y el infrarrojo cercano y que es muy importante
para la estimación de la clorofila y otras características de la vegetación. La presencia de
Capítulo 1 7
una banda de borde rojo es una característica única que distingue estas cámaras de la
mayoría de los otros satélites multiespectrales o cámaras RGB (Rendana et al., 2015).
Dicha banda proporciona información más precisa sobre el estado del N, ya que es una de
las áreas del espectro donde la clorofila absorbe fuertemente la luz y en el NIR es donde
la estructura de la célula de la hoja produce un fuerte reflejo. Sin embargo, el estudio sobre
la detección del estrés nutricional en la palma de aceite utilizando estos sensores requiere
de mayor investigación.
Algunos estudios han encontrado que la banda de borde rojo, es apropiada para obtener
información sobre los contenidos de clorofila y del N de los cultivos (Eitel et al., 2007). Las
bandas del infrarrojo cercano son sensibles a la estructura y el grosor de las hojas y la
arquitectura del cultivo ofreciendo una gran oportunidad para el monitoreo local de las
plantaciones debido a la resolución espacial y temporal de las imágenes tomadas con UAV
que además permiten superar el efecto de las nubes en comparación con las imágenes
satelitales. Por otra parte, las bandas del borde rojo, de cámaras como la MicaSense son
de gran utilidad para establecer correlaciones con el estado de la vegetación y más
específico con los contenidos de clorofila.
El PLSR es similar al PCR, en que los datos espectrales son asumidos como una función
de unas pocas variables subyacentes. La regresión de componentes principales reduce la
data espectral a unas pocas combinaciones de valores de absorción que valen para la
mayoría de la información espectral. El PLSR reduce la data a unas pocas combinaciones
de absorciones que no solo hacen valer mucho la información espectral, sino que también
relacionan con los datos de referencia. El algoritmo PLSR relaciona una variable a la vez.
La validación cruzada es recomendada para estimar el número óptimo de términos para la
calibración (Infrasoft International, 2005).
La regresión de mínimos cuadrados parcial, PLSR por sus siglas en ingles Partial Least
Squares, Regression fue desarrollado entre 1975 y 1982 por Herman Wold y colaboradores
y desde entonces, este modelo ha sido ampliamente estudiado, aplicado, contrastado y
divulgado (Martens & Næs, 1984). Permite hacer la estimación de una variable respuesta
Y a partir de variables predictoras X. Este método no solo permite trabajar con datos que
presentan una alta colinealidad, sino que además proporciona una matriz de regresores
robustos ya que son calculados teniendo en cuenta la descomposición espectral de la
matriz X y Y conjuntamente, es decir, maximizando la covarianza entre X y Y.
Capítulo 1 9
Según lo descrito por Pereda, (2016), el método de regresión PLSR también está basado
en una reducción de variables, sin embargo, a diferencia del PCR, la descomposición de
la matriz espectral se realiza simultáneamente con la matriz de la propiedad a determinar.
Como se observa;
𝑋 = 𝑇𝑃 𝑇 + 𝐸
𝑌 = 𝑈𝑄𝑇 + 𝐹
Dónde X es la matriz de datos espectrales y Y la matriz de la propiedad a determinar, T y
U son las matrices de scores, P y Q las matrices de loadings y E y F las matrices de
residuales.
La validación cruzada solo puede ser usada con los métodos PCR, PLSR y MPLS. Un
número por defecto de grupos de validación cruzada son mostrados por el software. Sin
embargo, un mínimo de tres validaciones cruzadas es recomendado y más pueden ser
usados si el tiempo para los cálculos no es limitado. El error de validación cruzada (SECV)
es un verdadero estimador de la exactitud de predicción de la calibración. El error de
validación cruzada siempre será mayor al error de calibración (Infrasoft International,
2005).
Es posible considerar como ejemplo a Tamburini et al. (2015) quién estableció la relación
entre los valores NIR y los datos obtenidos por química húmeda usando el método de
10 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
regresión de Partial Least Squares (PLSR). Además, detectó outliers mediante un software
basado en el criterio de la distancia de Mahalanobis y realizó la validación cruzada
utilizando los parámetros por defecto del software. Para cuantificar la probabilidad de
autocorrelación entre las series de espectro dadas, aplicó el test Durbin-Watson (DW) a
los residuales de la regresión PLS.
Por otro lado se tienen estudios como el de Botero Herrera et al. (2009) que utilizaron el
método PLSR para determinar niveles de nutrición foliar en banano, encontrando que la
longitud de onda de 888 nm explicaría concentraciones de nitrógeno con R2 de 0.8941 y
5 componentes o factores; también recomiendan realizar recalibración a los modelos
constantemente y continuar la investigación de otros posibles pretratamientos que ayuden
a mejorar los modelos predictivos. En el caso de palma de aceite los investigadores Crespo
Gonzalez et al. (2020) encontraron que de los pretratamientos de Absorbancia, Savitzky-
Golay 1, Savitzky-Golay 2, MSC, SNV, Savitzky-Golay 2 + MSC, Savitzky-Golay 2 + SNV,
MSC+Savitzky-Golay 2, SNV+Savitzky-Golay 2, el pretratamiento que mejor resultados
arrojo para la creación de un modelo de predicción de contenidos de nitrógeno foliar, fue
utilizando el pretratamiento de variable normal estándar (SNV) con R2 de 0.51 y RMSE de
0.256.
2. Objetivos
2.1 General
Determinar la relación entre las respuestas espectrales y el contenido nitrógeno y potasio
en el cultivo de palma de aceite (Híbrido O x G) con fines de diagnóstico nutricional no
destructivo.
2.2 Específicos
Identificar los cambios de la respuesta espectral de las palmas de aceite por efecto de los
diferentes tratamientos de nitrógeno y potasio.
Analizar la potencialidad del uso de fotografías aéreas multiespectrales tomadas con UAVs
para la estimación del contenido de nitrógeno y potasio en los diferentes tratamientos.
3. Materiales y métodos
El tipo de suelo en el área de estudio es clasificado por el IGAC como Typic Hapludox,
moderadamente profundo, con régimen de humedad údico que da cuenta de un suelo que
aunque se encuentra húmedo la mayor parte del año (Soil Survey Staff, 2014), es bien
14 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
El experimento se hizo en 6 parcelas, cada una conformada por 32 palmas (8 palmas línea
x 4 palmas línea), para una extensión aproximada de 5 ha, distribuidas como se muestra
en la Figura 3-3.
Figura 3-3: Distribución de las parcelas con los distintos tratamientos en la zona
experimental
Cada tratamiento constaba de 32 palmas, se descartaron las externas para evitar el efecto
borde, quedando 12 palmas efectivas, de las cuales se muestrearon siete por tratamiento
para un total de 42 palmas. Este número se calculó a partir de las 12 palmas efectivas, con
un nivel de confianza del 99% dando como resultado que el número representativo de
palmas eran 7 por tratamiento, como se presenta en la Tabla 3-2.
Confianza
80% 85% 90% 95% 99%
1% 3.59 4.21 4.97 6.01 7.63
Error Muestral
El muestreo se realizó según lo propuesto por Munévar et al. (2008), tomando de la parte
central de la hoja los foliolos, 100 foliolos de cada una de las palmas para completar los
foliolos necesarios de una muestra (Figura 3-4), cincuenta de cada lado del raquis, de los
cuales, 8 foliolos previamente identificados, fueron llevados al laboratorio de la Universidad
Nacional de Colombia para tomar la respuesta espectral con el equipo FieldSpec 4,
(descripción que se abordará más adelante) y los foliolos restantes se identificaron y
empacaron aparte en bolsas plásticas para realizar la preparación de las muestras.
Munévar, Franco, & Arias (2008) recomiendan que se tomen las muestras foliarles entre
las 7 y las 11 de la mañana y tomar las muestras cuando las hojas se encuentren secas;
adicionalmente recomiendan que en palmas adultas (mayores de cuatro años después de
la siembra), el muestreo se debe realizar en la hoja número 17 (H17), se recomienda la
H17 ya que ha sido la principal elección para la evaluación de nutrientes basada en
investigaciones anteriores como la hoja representativa dentro de la palma de aceite debido
a que generalmente esta es la hoja central (James et al., 2017) por tal motivo después de
estar en cada una de las palmas escogidas se procedió a identificar la hoja número 17 de
acuerdo a la filotaxia de la palma (Figura 3-5).
a) b)
nervadura central de cada segmento y de esta forma, se repitió el procedimiento para cada
una de las muestras recolectadas, hasta finalizar el proceso de preparación y proceder a
la remisión de las muestras al laboratorio de Cenipalma para los respectivos análisis de
laboratorio (Tabla 3-4)
A medida que se fue realizando el muestreo foliar, se procedió a tomar las medidas
vegetativas según (Rey et al., 2006), como la altura del estípite donde se identifica la hoja
41 según la filotaxia de la palma y se midió la distancia desde la base peciolar de la hoja
41 hasta la superficie del suelo (Figura 3-6a); al mismo tiempo se aprovecha la obtención
de la hoja número 17 para el muestreo foliar y en esta misma hoja se procedió a tomar
datos como longitud del raquis que se mide desde que inician los foliolos rudimentarios
(espinas) hasta el ápice de la hoja.
A partir de las medidas vegetativas se calculó el peso seco foliar (PSF) según Rey et al.
(2006):
𝑃𝑆𝐹 (𝑘𝑔) = 0.1023 ∗ (𝑎𝑛𝑐ℎ𝑜 𝑑𝑒𝑙 𝑝𝑒𝑐í𝑜𝑙𝑜(𝑐𝑚 ) ∗ 𝑒𝑠𝑝𝑒𝑠𝑜𝑟 𝑑𝑒𝑙 𝑝𝑒𝑐í𝑜𝑙𝑜(𝑐𝑚 )) + 0.2062
% 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜
𝐸𝑥𝑡𝑟𝑎𝑐𝑐𝑖ó𝑛(𝑔/ℎ𝑜𝑗𝑎) = 𝑃𝑆𝐹 ∗ ∗ 1000
100
Se realizó un muestreo en la segunda etapa de campo, para conocer las condiciones del
suelo de cada una de las palmas muestreadas. Se hizo con barreno (Figura 3-7),
eliminando la primera capa y se repitió el proceso para tomar la muestra a una profundidad
de 20 cm; este procedimiento se realizó varias veces en cada plato de las palmas
seleccionadas, para obtener las suficientes submuestras que se mezclaron hasta tener
una muestra homogenizada por cada palma.
Después de tener las bolsas de plástico con las muestras de suelo y su debida etiqueta se
procedió al envió de las muestras al laboratorio de Cenipalma para que se les realizaran
los respectivos análisis de laboratorio (Tabla 3-5).
Capítulo 3 21
Técnica de
Parámetro Medio o extracción
detección
Textura Bouyoucos
pH Relación 1:1 Agua: Potenciometría
suelo
Carbono Orgánico Método Walkley Black Volumetría
Nitrógeno total Nt = M.O / 20 (Castro Franco,
1998)
Fósforo Bray II Colorimetría
Acidez Intercambiable Cloruro de potasio 1N Volumetría
Bases Intercambiables (Ca, Mg, K, Acetato de amonio pH Absorción Atómica
Na) 7
Capacidad de Intercambio Acetato de amonio pH Volumetría
Catiónico 7
Conductividad Eléctrica Relación 1:1 Agua: Conductimetría
suelo
Fuente: (Resultados entregados por Cenipalma)
Para reducir la reflectancia de la luz producida por otros objetos con características
diferentes a la de los foliolos, que hubieran podido influir durante la detección, se tomó la
reflectancia con la sonda de contacto como lo muestra la Figura 3-9. La respuesta
espectral que se obtuvo por foliolo es el resultado de un promedio de 29 reflectancias
simultaneas a la misma zona.
Capítulo 3 23
Para la toma de fotografías se programaron 3 vuelos, uno por cada muestreo realizado; el
programa utilizado para la realización de las misiones de vuelo fue mission planer, que es
open source y se pueden cargar las misiones al dron para que haga el recorrido por el lote
de estudio de manera automática; la cámara fue transportada por un cuadricóptero (Figura
3-10). La altura de vuelo fue entre los 40 y 60 metros con el fin de tener una buena
combinación de resolución espacial y cobertura. Alturas inferiores pueden ser riesgosas
por la altura de las palmas y se tendría mucha información que podría tener ruido, a alturas
mayores de 100m se puede tener pixeles de mayor tamaño donde se puede estar
perdiendo información. Razón por la cual se escogió este rango de altura con el fin de
analizar la viabilidad en el uso de fotografías aéreas multiespectrales en la estimación del
contenido de nitrógeno y potasio en los diferentes tratamientos.
24 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Para los vuelos también se tuvo en cuenta que el traslape fuera del 80%, lo suficiente para
que al momento de generar el ortofotomosaico el software pueda crear una nube de puntos
robusta; los vuelos se realizaron el mismo día que se realizaron los muestreos foliares y
se tomaron las respuestas espectrales; además de esto, se trabajó con el software Pix4d
y Metashape para la generación de los ortomosaicos.
Debido a los reiterativos problemas que tienen las imágenes satelitales con las nubes, se
implementó la obtención de imágenes multiespectrales a partir de la cámara MicaSense,
la cual ha sido diseñada para embarcarla en vehículos aéreos no tripulados, esta cámara
permite el estudio de plantas y cultivos, además tiene 5 bandas espectrales (Tabla 3-7)
para captura simultánea, en donde se aprovechó al máximo el borde rojo e infrarrojo
cercano, y por medio de esta alternativa se logró mejorar estas deficiencias de calidad en
las imágenes satelitales.
Para la calibración radiométrica de las fotografías se convierten los valores de píxeles sin
procesar de una imagen en valores absolutos de radiancia espectral, con unidades de W /
26 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
m2 / sr / nm. De esta forma se compensa el nivel de negro del sensor, la sensibilidad del
sensor, los ajustes de exposición y ganancia del sensor y los efectos de viñeta de la lente.
Todos los parámetros utilizados en el modelo quedan grabados en un archivo de
metadatos XMP dentro del archivo TIFF guardado por la cámara MicaSense; La fórmula
para calcular la radiancia espectral L a partir del valor de píxel p usada, fue:
𝑎1 𝑝 − 𝑃𝐵𝐿
𝐿 = 𝑉(𝑥,𝑦) ∗ ∗
𝑔 𝑡𝑒 + 𝑎2 𝑦 − 𝑎3 𝑡𝑒 𝑦
Dónde,
p es el valor de píxel sin procesar normalizado
pBL es el valor del nivel de negro normalizado (se puede encontrar en las etiquetas de
metadatos)
a1 a2, a3 son los coeficientes de calibración radiométrica
V (x, y) es la función polinomial de viñeta para la ubicación de píxeles (x, y)
te es el tiempo de exposición de la imagen
g es la configuración de ganancia del sensor (se puede encontrar en las etiquetas de
metadatos)
x, y son la columna de píxeles y el número de fila, respectivamente
L es el resplandor espectral en W / m2 / sr / nm
Modelo de viñeta
𝑟 = √(𝑥 − 𝑐𝑥 )2 + (𝑦 − 𝑐𝑦 )2
𝑘 = 1 + 𝑘0 ∗ 𝑟 + 𝑘1 ∗ 𝑟 2 + 𝑘2 ∗ 𝑟 3 + 𝑘3 ∗ 𝑟 4 + 𝑘4 ∗ 𝑟 5 + 𝑘5 ∗ 𝑟 6
𝐼(𝑥, 𝑦)
𝐼𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑒𝑑 (𝑥, 𝑦) =
𝑘
Dónde,
r es la distancia del píxel (x, y) desde el centro de la viñeta, en píxeles
(x, y) es la coordenada del píxel que se está corrigiendo
k es el factor de corrección por el cual se debe dividir el valor de píxel sin procesar para
corregir la viñeta
I (x, y) es la intensidad original del píxel en x, y
Icorrected (x, y) es la intensidad corregida del píxel en x, y en el cálculo de radiancia
anterior
V (x, y) es igual a 1 / k.
3.10.2 ANOVA
Al determinar que había normalidad en los datos, se realizó el análisis de varianza
(ANOVA) para todas las variables que tuvieron normalidad, para saber si hubo diferencias
entre los tratamientos y que nivel de significancia, para lo cual también se realizaron dos
hipótesis:
H0: No hay diferencias significativas entre los tratamientos.
H1: Existen diferencias significativas entre los tratamientos.
Para las pruebas se trabajó con una diferencia significativa en el nivel de 0.05 y altamente
significativa en el nivel de 0.01.
3.10.4 Pretratamientos
Antes de empezar el análisis de mínimos cuadrados parciales (PLS Según sus siglas en
ingles), se realizó una corrección de dispersión multiplicativa (MSC por sus siglas en
ingles), la primera y segunda derivada y Variable Normal Estándar (SNV por sus siglas en
ingles), el filtro gaussiano, se le aplico el filtro Savitzky Golay, se calculó el Log 1/R y por
último se realizaron varios tipos de normalización a los datos como lo era normalización
por área, por unidad de vector, por promedios, por máximos y por rangos.
Datos sin ningún preprocesamiento, son el resultado del promedio de las respuestas
obtenidas con el espectroradiómetro FieldSpect4.
MSC se diseñó originalmente para tratar solo la dispersión multiplicativa. Sin embargo,
varios efectos similares se pueden tratar con éxito con MSC, como problemas de longitud
del camino, cambios de compensación, interferencia, etc.
30 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Variable normal estándar (SNV) es una transformación orientada a filas que centra y escala
los espectros individuales. Cada valor en una fila de datos se transforma de acuerdo con
la fórmula:
Al igual que MSC, el resultado práctico de SNV es que elimina los efectos de dispersión
de los datos espectrales.
Un efecto de SNV es que, en la escala vertical, cada espectro está centrado en cero y
varía aproximadamente de –2 a +2. Aparte de las diferentes escalas, el resultado es similar
al de MSC. La diferencia práctica es que SNV estandariza cada espectro usando solo los
datos de ese espectro; no utiliza el espectro medio de ningún conjunto. La elección entre
SNV y MSC es cuestión de gustos (Camo Software SA, 2006).
Log 1/R
Esta transformación normaliza un espectro X calculando el área bajo la curva del espectro.
Intenta corregir los espectros para una longitud de trayectoria indeterminada cuando no
hay forma de medirla, o aislar una banda de un constituyente constante.
𝑋𝑖
𝑛𝑢𝑒𝑣𝑜 𝑋𝑖 =
∑𝑗 𝑥𝑖,𝑗
32 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
La propiedad del área bajo la curva es que se vuelve la misma para todas las muestras.
En la práctica, la normalización del área y la normalización media solo se diferencian por
un factor multiplicativo constante (Camo Software SA, 2006).
𝑋𝑖
𝑛𝑢𝑒𝑣𝑜 𝑋𝑖 = 2
𝑆𝑄𝑅𝑇 ∑𝑗 𝑥𝑖,𝑗
Este es el caso más clásico de normalización el cual consiste en dividir cada fila de una
matriz de datos por su promedio, neutralizando así la influencia del factor oculto.
Equivale a reemplazar las variables originales por un perfil centrado alrededor de 1: solo
se utilizan los valores relativos de las variables para describir la muestra, y se descarta la
información contenida en su nivel absoluto. Esto se indica en el caso específico en el que
todas las variables se miden en la misma unidad y se asume que sus valores son
proporcionales a un factor que no se puede tener en cuenta directamente en el análisis
(Camo Software SA, 2006).
Esta es una alternativa a la normalización clásica que divide cada fila por su valor absoluto
máximo en lugar del promedio.
La propiedad de la normalización es que si todos los valores son positivos: el valor máximo
se convierte en +1, si todos los valores son negativos: el valor mínimo se convierte en -1 y
por último si el signo de los valores cambia sobre la curva: el valor máximo se convierte en
+1 o el valor mínimo convierte en -1 (Camo Software SA, 2006).
Capítulo 3 33
Aquí cada fila se divide por su rango, ejemplo, valor máximo - valor mínimo, con la
propiedad que el tramo de la curva se convierte en 1 (Camo Software SA, 2006).
4.1 Clima
El clima ambiental del área de estudio es cálido húmedo, la precipitación es de régimen
monomodal, con promedio anual superiores a los 2000 mm de lluvia, (Figura 4-1).
3500
3000
2500
Precipitación (mm)
2000
1500
1000
500
0
1998
2006
2013
2014
1994
1995
1996
1997
1999
2000
2001
2002
2003
2004
2005
2007
2008
2009
2010
2011
2012
2015
2016
2017
2018
2019
Figura 4-1: Precipitación de los años 1994 a 2019
La mayor precipitación se observa en los meses de abril, mayo y junio con valores
promedio superiores a los 300mm mensuales, la menor corresponde a los meses de enero,
febrero y diciembre con promedio mensual inferior a los 55mm siendo también los meses
con menor número de días lluviosos. Los meses con mayor promedio de días lluviosos son
mayo, junio y julio, siendo julio el que presenta el mayor número de días lluviosos (Figura
4-2).
Capítulo 4 35
450 25
22
400 21 20
350 18 18 20
Precipitación (mm) 16 16
300
15
Días de lluvia
250 12
11
200
10
150
100 4 5
3 5
50
0 0
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
pmm 26.4 39.2 139.3 305.5 388.7 327.0 267.4 241.8 246.9 279.9 177.4 51.8
Núm. Días 3 4 11 18 22 21 20 18 16 16 12 5
Por otro lado, en la Figura 4-3 se ve que la evaporación fue mayor que la precipitación en
los meses de enero, febrero y diciembre, lo que genera un déficit hídrico. Para el periodo
entre abril y noviembre se tiene un posible exceso hídrico, que corresponde a una zona
húmeda y por lo tanto se pueden encontrar suelos con un régimen de humedad údico, que
permanecen más de 90 días acumulativos con agua en su sección control y se confirma el
régimen monomodal de la zona de estudio.
450
Precipitación y Evaporación
400
350
300
250
(mm)
200
150
100
50
0
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
Prec. (mm) 26.4 39.2 139.3 305.5 388.7 327.0 267.4 241.8 246.9 279.9 177.4 51.8
Eva. (mm) 159.1 153.1 137.5 109.7 107.3 92.6 98.5 108.8 124.1 126.6 124.1 133.2
En la Figura 4-4, se observa una diferencia más amplia entre la temperatura máxima y
mínima en el mes enero de 12°C, en comparación a los otros meses y fue el mes con
temperaturas más bajas; para mayo, junio y julio este rango se ve más estrecho con una
diferencia entre 8.5 y 8°C; la temperatura promedio es, en general, mayor a los 24°C.
20
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
A partir de las medidas vegetativas se calculó el área foliar y la extracción de NPK, debido
a que en algunos estudios se encontraron resultados positivos entre las relaciones de la
concentración de NPK y área foliar medida; cabe resaltar que, para la presente
investigación, el área foliar fue calculada (no medida) lo cual pudo influir en que no
presentarán correlaciones significativas con los tratamientos, por lo cual no se incluyeron
los resultados.
En la Tabla 4-1 se tienen los resultados de la prueba de normalidad por Shapiro – Wilk, se
muestra que para el contenido de N hubo normalidad en todos los tratamientos en los
distintos muestreos, ya que se tienen valores de p value > 0.05, con lo cual se pude
proceder a ejecutar la prueba de ANOVA para todos los datos.
Tabla 4-1: Prueba de la normalidad Shapiro-Wilk para contenidos de N en los foliolos por
tratamientos en los tres muestreos (n=42).
Tabla 4-2: Análisis de varianza para contenidos de N en los foliolos por tratamientos en
los tres muestreos (n=42).
Los resultados obtenidos de las comparaciones múltiples entre medias muestrales para el
primer muestreo (Figura 4-5a), muestran cuatro grupos. El grupo a, que fueron los que
presentaron mayores contenidos de N foliar, incluye los tratamientos NbKb, NaKb y NmKb
que corresponden a las dosis medias y altas de nitrógeno, pero también se encuentra un
tratamiento de baja dosis de nitrógeno; el grupo b con el tratamiento NbKm; el grupo bc
con el tratamiento NbKa; por último, el grupo c donde se encuentra el tratamiento N0K0
que presentó el menor contenido de N foliar.
Capítulo 4 39
40 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Para el segundo muestreo (Figura 4-5b) se observaron tres grupos, el a con solo un
tratamiento NbKb; que presentó el mayor contenido de N, el grupo ab con los tratamientos
NaKb, NmKb, N0K0, NbKm y por último el grupo b con el tratamiento NbKa con el menor
contenido de N foliar.
En el tercer muestreo (Figura 4-5c) se vuelve a tener cuatro grupos de tratamientos con
aumento en la media de la mayoría de ellos, a excepción de NmKb y N0K0 donde la media
bajó; en el grupo a está el NbKb, se tiene el grupo ab con del tratamiento NaKb; el grupo
bc con los tratamientos NbKm y NmKb y el grupo c con los tratamientos NbKa y N0K0 con
los menores contenidos de N foliar.
De forma general para los tres muestreos, se observó con la ANOVA que hubo diferencias
entre los tratamientos, siendo altamente significativos para el primer y tercer muestro y la
prueba de Duncan indico que estos muestreos estaban divididos en 4 grupos y para el
segundo muestreo solo en tres grupos, siendo de forma gradual (a, ab, b) evidenciando
que es el muestreo con menores diferencias entre los tratamientos. Las mayores
diferencias en el contenido de N en las hojas, entre tratamientos, se presentaron en el
primer muestreo posiblemente relacionado con la fecha de fertilización que se hizo dos
meses antes del muestreo.
Con los valores anteriores, se obtuvo el promedio de contenido nutricional foliar de N para
cada dosis en cada uno de los muestreos (Tabla 4-3). Se observó que el N se encontró en
Capítulo 4 41
nivel medio para las dosis bajo, medio y alto para el primer muestreo y bajo en N.A; y para
los siguientes muestreos todas las dosis tuvieron concentraciones bajas de N. Los valores
promedio más altos se encontraron en el primer muestro, para el segundo muestreo se
presentó una disminución de la concentración, y para el último muestreo se aumentó con
respecto al segundo, sin alcanzar los valores del primer muestreo a excepción de N.A que
la concentración continuó en decrecimiento.
Tabla 4-3: Promedio de los contenidos nutricionales de los foliolos en cada dosis para N
(%)
Para la interpretación de los resultados del análisis foliar se tuvieron en cuenta los niveles
críticos de referencia (Munévar, 2001); para N (Figura 4-6) se considera un nivel bajo
valores menores a 2.33%, medio entre 2.34 y 2.59%, y alto para valores mayores a 2.60%.
Los resultados anteriores indican una relación de las fechas de muestreo con las de
fertilización, los valores más altos para el primer muestreo indican en efecto de la
fertilización efectuada dos meses antes, el segundo muestreo que tuvo los menores
contenidos foliares muestran el poco efecto residual de la fertilización que se había hecho
5 meses antes y el muestreo tres efectuado a los 24 días de la fertilización tuvo valores
medios tal vez porque no era suficiente tiempo para que se manifieste el efecto o también
porque según Ollagnier et al. (1970) cuando la palma presenta síntomas de deficiencia de
N la reacción a la fertilización con N es rápida (semanas), sin embargo no se refleja esta
reacción en el contenido de N en la hoja pero si aumenta el vigor vegetativo, lo cual explica
que aunque se realizó la fertilización en época de lluvia y el muestreo se hizo 24 días
después de la fertilización se ve un cambio entre el segundo y tercer muestreo aumentando
44 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
En la Tabla 4-4 se tienen los resultados de la prueba de normalidad por Shapiro – Wilk,
donde se muestra que hay normalidad en todos los tratamientos en los distintos muestreos,
debido a que se presentaron valores de p value mayores a 0.05 y se pueden incluir todos
los datos a la prueba ANOVA.
Tabla 4-4: Prueba de la normalidad Shapiro-Wilk para contenidos de K en los foliolos por
tratamientos en los tres muestreos (n=42).
Los resultados de la ANOVA para K (Tabla 4-5) muestran que no hubo diferencias
significativas o posiblemente significativas (p > 0.1) por efecto de los tratamientos para
cada muestreo, razón por la cual, no se realizó la prueba Duncan para este elemento.
Capítulo 4 45
Tabla 4-5: Análisis de varianza para contenidos de K en los foliolos por tratamientos en
los tres muestreos (n=42).
Con los valores anteriores, se obtuvo el promedio de contenido nutricional foliar de K para
todos los tratamientos en cada uno de los muestreos (Figura 4-8). Se observó que el K se
encontró en un nivel bajo para los tres muestreos. Los valores promedio más altos se
encontraron en el primer muestro, para el segundo muestreo se presentó una disminución
de la concentración, y para el último muestreo se aumentó con respecto al segundo, sin
alcanzar los valores del primer muestreo.
Con los valores anteriores, se obtuvo el promedio de contenido nutricional foliar de K para
cada dosis en cada uno de los muestreos (Tabla 4-6). Se observó que el K se encontró en
nivel bajo para todas las dosis en los tres muestreos. Los valores promedio más altos se
encontraron en el primer muestro, para el segundo muestreo se presentó una disminución
de la concentración a excepción del N.A que aumentó la concentración, y para el último
muestreo se aumentó con respecto al segundo, sin alcanzar los valores del primer
muestreo a excepción de la dosis media que mantuvo la del segundo muestreo.
46 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Tabla 4-6: Promedio de los contenidos nutricionales en los foliolos para K (%)
En la Figura 4-8, se observó que en el primer muestreo se tenían niveles de K foliar más
alto en los tratamientos NbKa, NbKm, NbKb y NaKb, de mayor a menor respectivamente,
aunque las diferencias no fueron significativas. Al comparar el K foliar (Figura 4-8) con el
contenido de K en el suelo (Figura 4-9) para el caso del tratamiento NbKa es el de mayor
contenido de K en el suelo, pero en los foliolos a pesar de ser el tratamiento con mayor
porcentaje de K en el suelo, tuvo un nivel bajo que indico que a pesar de que hubo K en el
suelo este no se vio reflejado en los foliolos.
Para los tres muestreos, los contenidos de K foliar fueron bajos, se presentaron algunas
diferencias entre los tratamientos, pero estas no fueron estadísticamente significativas, lo
que indica que no hubo relación con la aplicación de fertilizante, lo cual es respaldado por
algunas investigaciones (Teoh & Chew, 1980), donde se encontró que el K se almacena
principalmente en el raquis y no en los folios.
Capítulo 4 47
Los niveles de K en el suelo (Figura 4-9) son de medios a altos en los tratamientos, siendo
los tratamientos N0K0 y NaKb los de menor contenido y el tratamiento N bKa el de mayor
contenido, lo que indicaría que se podría tener niveles altos de K en los foliolos, sin
embargo, con los resultados de K encontrados en los foliolos, se descartó esta hipótesis.
Según Owen (1992) el K es el elemento que más absorbe el cultivo de palma de aceite y
para corregir la sintomatología de deficiencias se requieren de 2 a 8 meses, por otro lado
los investigadores Teoh & Chew (1980) encontraron que el K se almacena en otros sitios
de la palma como lo es el raquis por lo cual a pesar de ser el elemento de mayor absorción
en palmas y que hay gran cantidad de K en el suelo, para el material objeto de la presente
investigación, hibrido OxG, no se evidenció su concentración por medio de los análisis de
laboratorio a los foliolos por lo cual se pueden realizar otras investigaciones a futuro
analizando otras zonas de palma u otras hojas para tener un dato más real y a su vez
obtener las respuestas espectrales de dichas zonas para analizar su correlación.
para conocer si había alguna relación entre las respuestas espectrales y los contenidos de
P foliar.
Para la interpretación de los resultados del análisis foliar se tuvieron en cuenta los niveles
críticos de referencia (Munévar, 2001); para P se considera un nivel bajo valores menores
a 0.15%, medio entre 0.16 y 0.17%, y alto para valores mayores a 0.18%.
Con los valores anteriores, se obtuvo el promedio de contenido nutricional foliar de P para
todos los tratamientos en cada uno de los muestreos (Tabla 4-7). Donde se observó que
el P se encontró en concentraciones bajas para los tres muestreos. Los valores promedio
más altos se encontraron en el primer muestro, para el segundo muestreo se presentó una
disminución de los elementos, y para el último muestreo se aumentó con respecto al
segundo, sin alcanzar los valores del primer muestreo.
Tabla 4-7: Promedio de los contenidos nutricionales en los foliolos para fósforo (%)
Al revisar los resultados foliares (Figura 4-10), se observó que este elemento a pesar de
que tenía altas cantidades de P en el suelo, no estaba disponible para la planta ya que los
valores foliares no son adecuados, marcando una baja concentración en todos los
tratamientos a excepción del tratamiento NmKb en el primer muestreo, para los demás fue
bajo para los tres muestreos incluyendo en donde no se aplica (entre 0.12 y 0.16% lo que
mostro que no hay mayor diferencia).
Capítulo 4 49
Para el primer muestreo, se encontraron niveles medios para el tratamiento NmKb y valores
bajos para los demás tratamientos, N0K0, NaKb, NbKa, NbKm y NbKb.
Para el segundo muestreo hubo una disminución en los niveles de P, dejando a todos los
tratamientos en concentraciones bajas, siendo el tratamiento N0K0 el de menor
concentración y los demás tratamientos con el mismo promedio.
Por otro lado la baja respuesta a la fertilización fosfórica que se observó en la figura anterior
concuerda con la investigación de Ataga (1978), el cual encontró que suelos con
contenidos relativamente altos (>10 ppm) tienen una baja o no respuesta a la fertilización
fosfórica y Owen (1992) evidencio de igual manera que solamente se obtiene respuesta a
la fertilización fosfórica en suelos con contenidos muy bajos de P, siendo este el elemento
mayor con menor absorción por la palma.
4.3 Efectos de los tratamientos en las respuestas
espectrales
4.3.1 Muestreo 1
En la Figura 4-12 se muestran las medianas de la reflectancia por tratamiento, se observó
que hubo diferencias en la reflectancia por efecto de los tratamientos a lo largo de todo el
rango del espectro medido.
Analizando la Figura 4-13 entre los 540 y 560 nm, se observó diferencias entre los
tratamientos, la mayor reflectancia fue para el tratamiento NbKa que tuvo el contenido de N
más bajo; el tratamiento con menor reflectancia es NmKb, seguido del tratamiento NbKb que
presentó el mayor contenido de N foliar. Por otro lado, hubo valores intermedios para los
tratamientos N0K0 y NbKm que tienen un comportamiento similar, y por último el NaKb. El
mayor efecto se debió principalmente a los contenidos de N y no a los de K.
52 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Se calculó la primera derivada para todo el rango del espectro ya que otros investigadores,
han evaluado la relación entre la posición del punto de inflexión en el borde rojo REP
(posición del borde rojo) o REIP (punto de inflexión del borde rojo) y varias características
de la planta. El REIP se encuentra entre la máxima absorción de rojo (~ 680 nm) y la
máxima reflectancia del NIR (~ 740 nm) (Anatoly A. Gitelson et al., 2014), el punto de
pendiente máximo (punto de inflexión) se define como el REP o longitud de onda del borde
rojo. El REIP fue definido por (Liang, 2004)) como “la longitud de onda alrededor de 720
nm a la cual la primera derivada de la curva de reflectancia espectral alcanza su valor
máximo”. El REP se ve afectado por parámetros bioquímicos y biofísicos y se ha utilizado
como un medio para estimar el contenido de clorofila y N en las hojas (Cho & Skidmore,
2006); (Curran et al., 1991).
Con base en lo anterior, se analizó la primera derivada del rango visible e infrarrojo ya que,
cuando se producen cambios en la respuesta espectral de forma creciente, la derivada va
a ser grande positiva y cuando la respuesta tiene un cambio decreciente la derivada va a
ser grande pero negativa, por lo cual se puede utilizar para detallar pequeñas variaciones
que de otra forma son difíciles de identificar (Castaño Vidriales, 1991).
Capítulo 4 53
Figura 4-14: Mediana de la primera derivada del primer muestreo en el rango visible (n =
42 palmas x 6 foliolos cada una)
Figura 4-15: Mediana de la primera derivada del primer muestreo en el rango del
infrarrojo (n = 42 palmas x 6 foliolos cada una)
Según Boochs et al. (1990) hubo una relación entre la fertilización con N y el aumento de
la concentración de clorofila en las hojas, esta concentración de clorofila es un factor que
influye fuertemente en el REIP y en la longitud de onda donde se encuentra el valor máximo
de la primera derivada en el rango visible (520 y 580 nm). Los resultados obtenidos
concuerdan con Liang (2004) quien evidenció que la clorofila a + b y el agua tienen fuertes
absorciones en varias regiones espectrales pequeñas y que toda la reflectancia en el rango
visible o del infrarrojo cercano disminuye significativamente cuando aumenta la
concentración de clorofila a + b o el contenido de agua, debido a la absorción de los
pigmentos y al mismo tiempo a la estructura celular de las hojas que se expresa en el
rango del infrarrojo cercano; y se encontró que el vapor de agua, proteínas y la química
foliar afecta la reflectancia a partir del infrarrojo cercano hasta el infrarrojo medio.
Capítulo 4 55
Figura 4-16: Mediana de las respuestas espectrales para los contenidos altos, medios y
bajos de N en el primer muestreo (n = 42 palmas x 6 foliolos)
Al analizar las gráficas anteriores, se observó que la manera más fácil de diferenciar los
contenidos nutricionales fue a partir de la reflectancia en el rango visible, debido a que en
la Figura 4-13 el tratamiento con menor contenido de N fue el de mayor reflectancia y el
de mayor contenido de N estuvo con baja reflectancia a los 550nm lo cual se confirma con
la Figura 4-16 que en los 550nm se diferencia la reflectancia según los contenidos de N,
lo cual por medio de la primera derivada varias respuestas tenían comportamientos
similares lo que dificultó la diferenciación.
De acuerdo con la prueba de ANOVA (ANEXO C) se encontró que las diferencias fueron
altamente significativas P<0.01 para 29 variables (Tabla 4-8) y significativas para 14
variables, P<0.05, indicando que los tratamientos tuvieron un efecto importante en los
índices espectrales y estos pueden ser potencialmente útiles para realizar estimaciones de
los contenidos de N.
Tabla 4-8: Resumen del análisis de varianza para los índices de vegetación que fueron
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42)
La prueba Duncan fue realizada para las variables con diferencias significativas y
altamente significativas de la prueba anterior, con el fin de identificar como fue la
agrupación de los tratamientos según los índices de vegetación, encontrando una similitud
entre los grupos de REP_LE y mND705 respecto a la prueba Duncan para N en el mismo
muestreo (Tabla 4-9). Los índices que mostraron diferencias entre los tratamientos,
usualmente se basan en las longitudes de onda en el RedEdge o el NIR complementando
la ecuación con longitudes de onda en el rango visible.
Tabla 4-9: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el primer muestreo
Tabla 4-10: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el primer muestreo
Los índices que mostraron diferencias entre los tratamientos y altas correlaciones,
usualmente incluyen longitudes de onda en el RedEdge; para el caso de Boochs solo tiene
en cuenta la derivada de la reflectancia a los 703nm, entre Datt, Maccioni y Normalized
Difference 925/710 Normalized Difference Chlorophyll tienen en cuenta para los tres
índices, la longitud de onda de los 710nm, lo que permite identificar que las longitudes de
onda cercanos a los 710nm, son importantes para la relación entre los índices y los
contenidos de N en palma de aceite.
4.3.2 Muestreo 2
Para el segundo muestreo (Figura 4-17) se observó que la reflectancia del tratamiento
NbKb se encontró por debajo de los demás tratamientos a partir de los 900 hasta los
1400nm, este tratamiento fue el de mayor contenido de N para este muestreo.
En la Figura 4-18 se ve una marcada diferencia en el tratamiento N aKb que tuvo mayor
reflectancia con contenido bajo de N, seguido por los tratamientos N0K0, NbKa y NbKm los
cuales tienen contenidos bajos de N y finalmente entre los 520 y 550 nm se encontró NbKb
con menor reflectancia siendo el que tiene el mayor promedio de N.
El valor máximo de la primera derivada en el visible (Figura 4-19), se encontró a los 528nm
en el tratamiento NbKa que fue el que presentó la menor concentración de N, para los
tratamientos NmKb el valor máximo se encontró a los 518nm, N0K0 el máximo fue a los
521nm y para el NbKm a los 522nm, con un comportamiento similar y por debajo de los
demás tratamientos se encontraron NbKb y NaKb con valores máximos en los 523nm los
cuales son los de mayor concentración de N.
Capítulo 4 61
Figura 4-19: Mediana de la primera derivada del segundo muestreo en el rango visible (n
= 42 palmas x 6 foliolos)
En la primera derivada del rango infrarrojo (Figura 4-20) el tratamiento de mayor valor al
igual que en el rango visible es el tratamiento NaKb, en los 725nm, por otro lado, se observó
que NbKb que es el tratamiento de mayor concentración de N, su valor máximo estaba en
los 725nm y se encontraba por debajo de los tratamientos restantes los cuales tienen
comportamientos similares.
Figura 4-20: Mediana de la primera derivada del segundo muestreo en el rango del
infrarrojo (n = 42 palmas x 6 foliolos cada una)
62 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Figura 4-21: Mediana de las respuestas espectrales para los contenidos medios y bajos
de N en el segundo muestreo (n = 42 palmas x 6 foliolos cada una)
En la mayoría de las figuras anteriores, se observó que los tratamientos con mayores
concentraciones de N, tienen menor reflectancia en el visible y que a partir de la primera
derivada en el rango infrarrojo es más fácil de observar a partir del REIP los valores
máximos ligados a bajas concentraciones de N.
De acuerdo con la prueba de ANOVA se encontró que las diferencias fueron altamente
significativas P<0.01 para 16 variables (Tabla 4-11) y significativas para 23 variables,
P<0.05. Confirmando que los tratamientos tuvieron un efecto importante en los índices
espectrales.
Tabla 4-11: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el segundo muestreo (n = 42)
Razón -
Variable Razón - P Variable
P
Boochs 0.0004** MCARI 0.0213*
Capítulo 4 63
Razón -
Variable Razón - P Variable
P
Boochs2 0.0002** MSAVI 0.0456*
CCCI 0.005** MSI 0.0482*
CARI 2 0.0257* MTVI1 0.0013**
Coloration Index 0.0376* NDVI3 0.0127*
Corrected Transformed Vegetation
NDWI
Index 0.0171* 0.0028**
D1 0.0126* PWI 0.0004**
D2 0.02* RDVI 0.0071**
Datt 0.0276* SAVI 0.0118*
Datt3 0.0043** SPVI 0.005**
Datt4 0.001** SR5 0.0458*
Datt5 0.0153* SR8 0.0279*
DDn 0.0093** SRWI 0.0026**
Difference 800/550 0.0151* Sum_Dr1 0.0022**
Difference 800/680 0.0058** Sum_Dr2 0.0018**
DWSI1 0.0437* TCARI 0.0446*
DWSI4 0.0116* TGI 0.0260*
DWSI5 0.019* TVI 0.0003**
EGFN 0.0368* Vogelmann3 0.0244*
GI 0.0128*
*. Diferencia significativa en el nivel 0.05, **. Diferencia altamente significativa en el nivel
0.01
La prueba Duncan fue realizada para las variables con diferencias significativas y
altamente significativas de la prueba anterior, con el fin de identificar como fue la
agrupación de los tratamientos según los índices de vegetación, encontrando una similitud
entre los grupos de NDVI3, Datt5, SR8 y EGFN respecto a la prueba de Duncan para N en
el mismo muestreo (Tabla 4-12). Se repiten algunos índices que tuvieron buenas
correlaciones para el primer muestreo como lo fueron Datt y Boochs, los cuales hacen uso
de longitudes de onda en el RedEdge.
Tabla 4-12: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el segundo muestreo
donde se obtuvo nuevamente el índice Datt; por otra parte, para P y K no se encontraron
variables con buena correlación como se observó en la Tabla 4-13.
Tabla 4-13: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el segundo muestreo
De igual manera que en el primer muestreo estos índices tienen en cuenta en su ecuación
longitudes de onda del RedEdge, lo que demuestra la importancia de esta zona en el
cálculo de los índices, para obtener mejores correlaciones entre los índices y los
contenidos de N.
4.3.3 Muestreo 3
Para el tercer muestreo se tiene la Figura 4-22, se observó una pequeña diferencia en los
900 nm por el tratamiento NbKb el cual es el de mayor concentración de N, por otro lado,
no se ven diferencias significativas en los tratamientos restantes.
66 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Para la primera derivada en el rango visible sigue siendo el tratamiento N bKb el de mayor
valor en los 518nm y se observa que otros tratamientos tienen su punto máximo de
reflectancia más a la derecha o izquierda de los demás tratamientos como es el caso de
los tratamientos NmKb que el punto máximo está más cercano a los 510nm, el de N0K0 está
más cercano a los 530nm, los demás tratamientos tuvieron un comportamiento similar
(Figura 4-24).
Figura 4-24: Mediana de la primera derivada del tercer muestreo en el rango visible (n =
42 palmas x 6 foliolos cada una)
Para la primera derivada en el rango del infrarrojo cercano (Figura 4-25) no se logró ver
una diferencia clara como en los muestreos anteriores, a pesar de esto, a los 728nm se
detalló que el tratamiento con mayor concentración de N está por debajo de los demás
tratamientos (NbKb) y el tratamiento de menor concentración de N (N0K0) cerca a los 530nm
está por encima de los demás tratamientos y su punto de reflectancia máximo está más a
la derecha del resto.
68 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Figura 4-25: Mediana de la primera derivada del tercer muestreo en el rango del
infrarrojo (n = 42 palmas x 6 foliolos cada una)
Figura 4-26: Mediana de las respuestas espectrales para los contenidos medios y bajos
de N en el tercer muestreo (n = 42 palmas x 6 foliolos cada una)
Capítulo 4 69
Al analizar las gráficas anteriores, se observó que la manera más fácil de diferenciar los
contenidos nutricionales fue a partir de la reflectancia en el rango visible, debido a que en
la Figura 4-13 el tratamiento con menor contenido de N fue el de mayor reflectancia y el
de mayor contenido de N estuvo con baja reflectancia a los 550nm lo cual se confirma con
la Figura 4-16 que en los 550nm se diferencia la reflectancia según los contenidos de N,
lo cual por medio de la primera derivada varias respuestas tenían comportamientos
similares lo que dificultó la diferenciación.
De acuerdo con la prueba de ANOVA se encontró que las diferencias fueron altamente
significativas P<0.01 para 7 variables (Tabla 4-14) y significativas para 13 variables,
P<0.05. Lo anterior confirma que los tratamientos tuvieron un efecto importante en los
índices espectrales para los tres muestreos.
Tabla 4-14: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el tercer muestreo (n = 42)
La prueba Duncan fue realizada para las variables con diferencias significativas y
altamente significativas de la prueba anterior, con el fin de identificar como fue la
agrupación de los tratamientos según los índices de vegetación, encontrando que no hay
una similitud entre los grupos de índices, respecto a la prueba de Duncan para N en el
mismo muestreo (Tabla 4-15) como se observó con el primer y segundo muestreo.
70 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Tabla 4-15: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el tercer muestreo
Por medio de la correlación de Pearson, se obtuvieron las variables con mayor correlación
entre el índice de vegetación y los contenidos nutricionales, donde se evidenció que solo
1 variable dio una correlación negativa baja <-0.35 y significativa para N, por otra parte,
para P y K no se encontraron variables con buena correlación como se observa en la Tabla
4-16.
Tabla 4-16: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el tercer muestreo
De los tres muestreos, el primer muestreo evidencio la mayor cantidad de índices con
diferencias altamente significativas y significativas en la prueba ANOVA, de igual manera
en dicho muestreo, se tuvo la mayor cantidad de índices con una alta correlación con el N
foliar. Por otro lado, el índice Datt fue de los de mayor correlación para el primer y segundo
muestreo, este índice se puede adaptar para utilizarlo por medio de las imágenes
multiespectrales logrando obtener buenos resultados para la predicción de N a partir de
las imágenes multiespectrales; a pesar que en el tercer muestreo el índice Datt no mostro
diferencias entre los tratamientos su correlación fue de 0.597.
Para ninguno de los tres muestreos se presentó correlaciones mayores a 0.5 entre los
índices y contenido de K y P foliar y solamente para el tercer muestreo no se tuvo
correlaciones mayores a 0.5 para N.
Figura 4-27: Promedio de las respuestas espectrales para los muestreos realizados (n =
42 palmas x 6 foliolos por muestreo)
Figura 4-28: Promedio de las respuestas espectrales en el rango visible para los
muestreos realizados (n = 42 palmas x 6 foliolos por muestreo)
Para el rango del infrarrojo cercano (Figura 4-29) se observó una relación positiva, a
mayores valores de NPK (primer muestreo) se evidenció una mayor reflectancia a partir de
los 730nm hasta lo 780nm y para el muestreo con los contenidos de NPK más bajos
(segundo muestreo) a partir de los 730nm la curva de la reflectancia se encuentra por
debajo de la del primero y tercer muestreo.
Figura 4-29: Promedio de las respuestas espectrales en el rango infrarrojo para los
muestreos realizados (n = 42 palmas x 6 foliolos por muestreo)
4.4 Modelos de predicción
El número final de muestras seleccionadas para la creación de los modelos PLSR fue de
126, que se dividieron en el conjunto de datos de calibración del modelo compuesto de
100 muestras (80% del total) y el grupo de validación externa con 26 muestras (20% del
total) que se definen como un conjunto de datos que no intervienen en la generación del
modelo ((Bagchi et al., 2016)) y se utilizó para evaluar la capacidad predictiva de cada uno
de los modelos obtenidos. La selección de las muestras para el grupo de validación externa
se hizo a partir de los contenidos de NPK, eligiendo al azar una de cada 5 muestras de los
datos organizados de menor a mayor concentración. De esta forma se garantizó que los
datos de la validación externa representaran el intervalo de variabilidad del conjunto de
datos (Hruschka, 2001); por otro lado, para la generación de los modelos se evaluaron 3
rangos de las respuestas espectrales como se observa en la Figura 4-30.
Después de tener todas las palmas con sus respectivas respuestas espectrales y los
contenidos de N, se almacenaron en una matriz dentro de una hoja de Excel para hacer
un manejo más sencillo de los datos y se importó al software Unscrambler (licencia de
prueba), se hicieron los análisis de preprocesamiento y se generaron los modelos
predictivos para cada uno de los rangos espectrales utilizados.
Capítulo 4 75
Se probaron 84 modelos para cada elemento (N, P y K), que resultaron de la combinación
de los 3 rangos definidos con los grupos de preprocesamiento establecidos. Para la
selección de los modelos se utilizaron los resultados de la validación externa y teniendo
en cuenta los estadísticos R2ve, RPDve y RERve.
Datt Boochs
2.9 2.9
2.7 2.7
2.5 2.5
2.3 2.3
2.1 2.1
1.9 1.9
y = 4.4716x - 1.3232
1.7 1.7 y = -87.784x + 3.0522
R² = 0.4136
R² = 0.4071
1.5 1.5
0.75 0.8 0.85 0.9 0.005 0.007 0.009 0.011
76 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Figura 4-31: Regresión entre contenidos de Nitrógeno con Datt, Boochs, Maccioni y
Normalized Difference 925/710 Normalized Difference Chlorophyll para el primer
muestreo (n = 42)
Para el segundo muestreo se realizaron regresiones lineales a partir de los índices con
mayor correlación que fueron; Vogelmann3, Datt, Datt3 y CCCI y se encontró que el
Vogelmann fue el que presento mayor R2. Este índice involucra en su fórmula la derivada
de dos longitudes de onda en el infrarrojo cercano como la D 715 y la D705, y el índice Datt
fue el segundo con mayor correlación (Figura 4-32).
Vogelmann3 Datt
2.5 2.5
2.3 2.3
2.1 2.1
1.9 1.9
Datt3 CCCI
2.5 2.5
y = 2.5919x + 0.6538
2.3 2.3 R² = 0.26
2.1 2.1
1.9 1.9
Figura 4-32: Regresión entre contenidos de Nitrógeno con Vogelmann3, Datt, Datt3 y
CCCI para el segundo muestreo (n = 42)
Para el tercer muestreo se realizó la regresión lineal a partir del índice con mayor
correlación LWVI1 encontrando un R2 de 0.149, el cual se considera como un valor
inaceptable para hacer uso de este índice (Figura 4-33).
LWVI1
2.7
y = -13.256x + 2.5265
2.5 R² = 0.1488
2.3
2.1
1.9
1.7
1.5
0.015 0.02 0.025 0.03 0.035 0.04 0.045
Figura 4-33: Regresión entre contenidos de N con el índice LWVI1 para el tercer
muestreo (n = 42)
De los análisis anteriores se deduce que, el índice Datt fue el que tuvo un mejor desempeño
para dos muestreos siendo el de mayor potencial para la estimación de los contenidos de
N a partir de índices de vegetación obtenidos con los datos del espectroradiómetro. Según
B. Datt (1999) este índice se basa en las siguientes tres regiones del espectro: cerca de
los 680nm que es la absorción máxima de clorofila a; la de 710nm que corresponde al
límite entre la absorción de clorofila a y la dispersión por la estructura interna de la hoja y
la reflectancia máxima cerca de 850 nm la cual se ve menos afectada por las absorciones
de pigmentos o agua. Por lo tanto, utiliza más información espectral del infrarrojo cercano
que los índices basados en longitudes de onda únicas o relaciones de reflectancia simples,
78 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Por su parte el índice Volgelmann 3 tuvo un buen desempeño para el segundo muestreo,
aunque inferior al Datt, cuyo cálculo se basa en parte del espectro correspondiente al
RedEdge.
Según (Williams & Sobering, 1996)) los modelos cuyo RPD están entre 2 y 3 permiten
realizar predicciones aproximadas, y aquellas cuyo RPD era entre 1,5 y 2 sólo se pudieron
utilizar con fines de clasificación en grupos de bajo, medio y alto contenido nutricional (N,
P o K). Igualmente, los valores de RER obtenidos con las distintas ecuaciones de
calibración con buena capacidad predictiva debían ser mayores de 10.
Tabla 4-17: Resultado de los 20 mejores modelos predictivos con PLS para N
R2 RMSEC R2 RMSEP
Rango 2 SG1&NR 4 0.65 0.12 0.76 0.11 2.03 8.82
Rango 2 NR 4 0.65 0.12 0.76 0.11 2.03 8.82
Rango 1 SG1&NR 3 0.62 0.13 0.70 0.13 1.97 8.55
Rango 1 SG1&NR 4 0.65 0.12 0.74 0.12 1.97 8.55
Rango 1 NR 4 0.63 0.13 0.74 0.12 1.96 8.51
Rango 2 NUV 4 0.66 0.12 0.73 0.12 1.93 8.38
Rango 2 NA 4 0.65 0.12 0.73 0.12 1.93 8.38
Rango 2 NP 4 0.65 0.12 0.73 0.12 1.93 8.38
Rango 1 MSC 4 0.64 0.13 0.73 0.12 1.91 8.32
Rango 1 SG1&MSC 4 0.61 0.13 0.73 0.12 1.91 8.29
Rango 1 SG1 3 0.62 0.13 0.69 0.13 1.90 8.25
Rango 2 SG1&MSC 3 0.61 0.13 0.72 0.12 1.89 8.21
Rango 2 MSC 3 0.61 0.13 0.72 0.12 1.89 8.20
Rango 1 SNV 3 0.55 0.14 0.68 0.13 1.89 8.20
Rango 3 SG1 4 0.65 0.13 0.72 0.12 1.88 8.17
Rango 2 SNV 3 0.60 0.13 0.72 0.12 1.88 8.16
Rango 2 NM 4 0.64 0.13 0.72 0.12 1.87 8.14
Rango 2 FG 4 0.61 0.13 0.72 0.12 1.87 8.12
Rango 3 SG1 3 0.63 0.13 0.71 0.12 1.87 8.12
Rango 1 NUV 3 0.61 0.13 0.67 0.13 1.87 8.11
En la Figura 4-34 se presentan las respuestas espectrales para los datos de calibración
del modelo luego de efectuada la transformación SG&NR para el rango 2, se observan
algunos valores superiores a 1 lo cual no se logró observar con los datos en crudo, debido
a que en el preprocesamiento de NR, la firma es dividida por el rango lo cual aumenta los
valores de reflectancia en cada longitud de onda.
1.2
0.8
Reflectancia
0.6
0.4
0.2
0
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
Longitud de Onda (nm)
80 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
En la Figura 4-35 se muestra la relación entre el N estimado y los valores reales de N para
la calibración del mejor modelo seleccionado en la etapa anterior. Se realizó con 96 datos
después realizar las pruebas de outliers y se obtuvo una correlación de 0.807, un R2ca de
0.651 y un RMSEC de 0.123 con 4 factores.
2.8
Elementos: 96
Correlación: 0.8071
2.6 R2: 0.6515
RMSEC: 0.1235
Predicción (Nitrógeno %)
2.4
2.2
1.8
1.6
1.6 1.8 2 2.2 2.4 2.6 2.8
Referencia (Nitrógeno %)
Figura 4-35: relación predicción y datos reales para el modelo de calibración con
preprocesamiento de Savitzky Golay y normalización por rangos para N
La Figura 4-36 muestra que la longitud de onda que mayor influencia tuvo en el modelo
predictivo fue la de 718 nm que corresponde a parte del RedEdge.
Capítulo 4 81
0.04
0.02
Coeficiente de Regresión (B)
0
-0.02
-0.04
-0.06
-0.08
-0.1 718nm
-0.12
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
X-Variables (Nitrógeno, Factor-4)
En la Figura 4-37 se muestra la relación entre el N estimado y los valores reales para la
validación externa. Se obtuvo una correlación de 0.870 un R2ve de 0.757 y un RMSEP de
0.112 lo cual indica que indica que hubo una alta exactitud predictiva si se tiene en cuenta
que los datos utilizados (26 datos) para la validación son diferentes a los utilizados para la
generación del modelo.
3
Elementos: 26
2.8 Correlación: 0.8701
R2: 0.7571
RMSEC: 0.1125
Predicción (Nitrógeno %)
2.6
2.4
2.2
1.8
1.6
1.4
1.6 1.8 2 2.2 2.4 2.6 2.8
Referencia (Nitrógeno %)
Por otro lado, la Tabla 4-18 muestra el resumen de los parámetros de calibración,
validación cruzada y validación externa. En general se observó que la validación externa
82 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
tuvo mejor desempeño que la validación cruzada, y el modelo tuvo un buen desempeño
para la predicción ya que el R2ve fue de 0.76, el RPD de 2.03 y por último el RER con valor
de 8.82 que como se dijo anteriormente son indicadores de un buen modelo.
Tabla 4-18: Resultado del modelo predictivo con suavizado Savitzky Golay y
Normalización por rango
Calibración Validación cruzada Validación externa
RPD RER
Correla. R2 RMSEC Correla. R2 RMSECV Correla. R2 RMSEP
0.81 0.65 0.12 0.78 0.61 0.13 0.87 0.76 0.11 2.03 8.82
Se presentó la Tabla 4-19 donde se observó que para los niveles bajos de contenido de N
hubo una diferencia entre los datos de predicción y de validación que va de 0.02 a 0.21,
en los niveles medios la diferencia va de 0.00 a 0.15 y para los niveles altos va de 0.09 a
0.19.
Tabla 4-19: Resultados Rango 2 con preprocesamiento SG&NR entre los datos de
predicción y los de referencia
Para el modelo obtenido, se observó una mejor predicción para los niveles bajos
considerados por Cenipalma como bajos, medios y altos de N. Cabe resaltar que la mayor
parte de los datos para la validación corresponden a niveles bajos de N (18) seguidos por
los contenidos medios (6) y por ultimo los contenidos altos (2) de N.
Tabla 4-20: Resultado de los 20 mejores modelos predictivos con PLS para K
En la Figura 4-38 se presentan las respuestas espectrales para los datos de calibración
del modelo luego de efectuada la transformación NM para el rango 2.
1.2
0.8
Reflectancia
0.6
0.4
0.2
0
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
Longitud de Onda (nm)
En la Figura 4-39 se muestra la relación entre el K estimado y los valores reales de K para
la calibración del mejor modelo seleccionado en la etapa anterior. Se realizo con 96 datos
después de realizar las pruebas de outliers y se obtuvo una correlación de 0.447, un R2ca
de 0.200, un RMSEC de 0.104 y 3 factores.
Capítulo 4 85
0.9
Elementos: 96
0.85 Correlación: 0.4473
R2: 0.2000
Predicción (Potasio %) RMSEC: 0.1044
0.8
0.75
0.7
0.65
0.6
0.55
0.5
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Referencia (Potasio %)
Figura 4-39: Relación predicción y datos reales para el modelo de calibración con
preprocesamiento de Normalización Máxima para K
En la Figura 4-40 muestra que las longitudes de onda de mayor influencia tuvieron en el
modelo predictivo, fueron las de 548 nm, 719 nm que corresponde al RedEdge y en los
1397nm.
0.04
548nm 719nm
0.03
Coeficiente de Regresión (B)
0.02
0.01
-0.01
-0.02
1397nm
-0.03
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
X-Variables (Potasio, Factor-3)
En la Figura 4-41 se muestra la relación entre el K estimado y los valores reales para la
validación externa. Se obtuvo una correlación de 0.347 un R2ve de 0.1207 y un RMSEP
de 0.1125 lo cual indica que hay baja exactitud predictiva si se tiene en cuenta que los
86 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
datos utilizados (26 datos) para la validación son diferentes a los utilizados para la
generación del modelo.
0.9
Elementos: 26
0.85 Correlación: 0.3475
R2: 0.1207
RMSEC: 0.1518
0.8
Predicción (Potasio %)
0.75
0.7
0.65
0.6
0.55
0.5
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4
Referencia (Potasio %)
Por otro lado, la Tabla 4-21 muestra el resumen de los parámetros de calibración cruzada
y validación externa. En general se observó que ni en la validación cruzada o externa hubo
un buen desempeño del modelo de predicción ya que el valor de R2ve va de 0.12, un RPD
de 1.09 y por último el RER con valor de 5.60 que a pesar de ser un valor que se puede
utilizar para distinguir entre valores altos, medios y bajos, lo mejor es no hacer uso de este
modelo de predicción ya que las demás variables demuestran lo contrario.
Se presento la Tabla 4-22 donde se observó que para los niveles bajos de contenido de K
se presentó una diferencia entre los datos de predicción y de validación que va de 0.02 a
0.29 y para los niveles altos es de 0.5.
Tabla 4-22: Resultados Rango 2 con preprocesamiento NM entre los datos de predicción
y los de referencia
Capítulo 4 87
Para el modelo obtenido, se observó una mejor predicción para los niveles bajos
considerados por Cenipalma, cabe resaltar que en la mayor parte de los datos
corresponden niveles bajos de K (25) y los contenidos altos (1) de K.
partir del rango que el anterior con la normalización pro rangos, pero sin la aplicación del
filtro Savitzky Golay, con resultados muy similares a la combinación de SG1&NR con un
R2ve de 0.44 un RPD de 1.36 y un RER de 5.80, lo cual indica que como para el caso de
N no sería necesario hacer el suavizado de los datos para tener mejores resultados. La
diferencia entre el primer y el segundo modelo se obtuvo por variaciones muy pequeñas
en los parámetros utilizados para la selección de los modelos, indicando que ninguno de
los dos podría tener un buen desempeño. Los 18 modelos restantes presentaron R 2ve
inadecuados con RPD que están por debajo de 1.5 como se presenta en la Tabla 4-23.
Tabla 4-23: Resultado de los 20 mejores modelos predictivos con PLS para P
En la Figura 4-42 se presentan las respuestas espectrales para los datos de calibración
del modelo luego de efectuada la SG&NR en el rango 1, también se detalló que, de igual
manera que con el resultado de la respuesta espectral para N con la misma combinación
de preprocesamientos, para estos datos hay reflectancia por encima de 1 debido al
preprocesamiento de NR.
Capítulo 4 89
1.2
0.8
Reflectancia
0.6
0.4
0.2
0
350 550 750 950 1150 1350 1550 1750 1950 2150 2350
Longitud de Onda (nm)
En la Figura 4-43 se muestra la relación entre el P para la calibración del mejor modelo
seleccionado en la etapa anterior. se realizó con 96 datos después de realizar las pruebas
de outliers y se obtuvo una correlación de 0.729, un R2ca de 0.532 y un RMSEC de 0.008
con 3 factores.
0.16
Elementos: 96
0.155 Correlación: 0.7294
R2: 0.5319
RMSEC: 0.0082
0.15
Predicción (Fósforo%)
0.145
0.14
0.135
0.13
0.125
0.12
0.11 0.12 0.13 0.14 0.15 0.16 0.17
Referencia (Fósforo %)
Figura 4-43: Relación predicción y datos reales para el modelo de calibración con
preprocesamiento de Savitzky Golay y Normalización por rangos para P
La Figura 4-44 muestra que la longitud de onda que mayor influencia tuvo en el modelo
predictivo fue la de 720nm, que corresponde a parte del RedEdge.
90 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
0.003
0.002
0.001
Coeficiente de Regresión (B)
0
-0.001
-0.002
720nm
-0.003
-0.004
-0.005
-0.006
-0.007
-0.008
350 550 750 950 1150 1350 1550 1750 1950 2150 2350
X-Variables (Fósforo, Factor-3)
En la Figura 4-45 se muestra la relación entre el P estimado y los valores reales para la
validación externa. Se obtuvo una correlación de 0.663 un R2ve de 0.440 y un RMSEP de
0.009 lo cual indica que hubo una moderada exactitud predictiva si se tiene en cuenta que
los datos utilizados (26 datos) para la validación son diferentes a los utilizados para la
generación del modelo.
0.16
Elementos: 26
0.155 Correlación: 0.6636
R2: 0.4403
RMSEC: 0.0099
0.15
Predicción (Fósforo %)
0.145
0.14
0.135
0.13
0.125
0.12
0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18
Referencia (Fósforo %)
Por otro lado, la Tabla 4-24 muestra el resumen de los parámetros de calibración,
validación cruzada y validación externa. En general se observó que la validación cruzada
tuvo mejor desempeño que la validación externa, y el modelo no tuvo un buen desempeño
para la predicción ya que el R2ve de 0.44, el RPD de 1.36 y por último el RER con valor de
5.81 que a pesar que con este valor se pueda utilizar para distinguir entre valores altos,
medios y bajos, lo mejor es no hacer uso de estos modelos ya que las demás variables
demuestran lo contrario.
Tabla 4-24: Resultado del modelo predictivo con suavizado Savitzky Golay y
Normalización por rango
Se presento la Tabla 4-25 donde se observó que para los niveles bajos de contenido de P
hubo una diferencia entre los datos de predicción y de validación que va de 0.00 a 0.03 y
para los niveles medios esta entre 0.01 y 0.02.
Tabla 4-25: Resultados Rango 1 con preprocesamiento SG&NR entre los datos de
predicción y los de referencia
Para el modelo obtenido, se observó una mejor predicción para los niveles considerados
por Cenipalma como bajos, medios y altos de P. Cabe resaltar que la mayor parte de los
datos para la validación corresponden a niveles bajos de P (23) seguidos por los
contenidos medios (3), para este elemento no se encontraron contenidos altos en los datos
de validación externa.
4.5 Procesamiento de imágenes tomadas con UAV
Para el cálculo de los índices se procedió a extraer los valores de los pixeles, mediante
tres métodos, a saber: puntos colocando 6 puntos de manera manual en seis hojas de las
palmas analizadas, dona se realizaron dos buffers a partir del centro de las palmas, el
primero a 0.6m y el segundo a 3m, obteniendo un polígono con forma de dona descartando
los pixeles del centro de la palma, ya que la sombra de esta zona pude generar un sesgo
en los datos, además los datos se tomaron descartando el suelo. El otro método utilizado
se denominó random y consistió en obtener puntos aleatorios dentro de la dona generada
en el paso anterior.
4.5.1 Muestreo 1
Para los índices calculados con las imágenes multiespectrales, se realizó la prueba de
ANOVA (ANEXO E y Tabla 4-28) y se encontró que las diferencias por el método de dona
fueron altamente significativas P<0.01 para 19 variables; por el método de puntos las
diferencias fueron altamente significativas P<0.01 para 13 variables y significativas para 8
variables, P<0.05. Para el método random las diferencias fueron altamente significativas
P<0.01 para 8 variables y significativas para 8 variables, P<0.05. Lo anterior indica que los
cálculos de los índices a partir de las imágenes tomadas con UAV tienen potencialidad
para determinar diferencias en el contenido de N foliar en la palma. Igualmente se encontró
que los tres métodos utilizados para extraer los valores de los pixeles son apropiados para
el cálculo de los índices de vegetación.
Tabla 4-28: Resumen del análisis de varianza para los índices de vegetación que fueron
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42)
Método Dona
Variable Razón - P Variable Razón - P
Carter4 0.0029** Leaf Chlorophyll Index 0.0000**
CCCI 0.0000** mND705 0.0000**
CIRE 0.0000** MTCI 0.0000**
Normalized Difference
Chlorophyll vegetation index NIR/Rededge Normalized
0.0081** Difference Red-Edge 0.0000**
Datt 0.0000** Norm NIR 0.0063**
Datt2 0.0000** PanNDVI 0.0019**
Green-Blue NDVI 0.0084** Red-Blue NDVI 0.0004**
Green-Red NDVI 0.0063** REP_Li 0.0000**
Intensity 0.0000** TCARI 0.0007**
96 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Método Puntos
Variable Razón - P Variable Razón - P
Carter4 0.0010** Intensity 0.0085**
CCCI 0.0006** Leaf Chlorophyll Index 0.0012**
CIG 0.0279* mND705 0.0008**
CIRE 0.0009** MTCI 0.0006**
Normalized Difference NIR/Green
Datt
0.0007** Green NDVI 0.0290*
Normalized Difference
Datt2 NIR/Rededge Normalized
0.0009** Difference Red-Edge 0.0008**
Datt4 0.0178* Norm NIR 0.0328*
Green-Blue NDVI 0.0219* PanNDVI 0.0433*
Green-Red NDVI 0.0328* REP_Li 0.0006**
Green Vegetation Index 0.0279* TCARI 0.0073**
Método Random
Variable Razón - P Variable Razón - P
Carter4 0.0361* MTCI 0.0062**
Normalized Difference
CCCI NIR/Rededge Normalized
0.0085** Difference Red-Edge 0.0076**
CIRE 0.0126* Norm NIR 0.0148*
Chlorophyll vegetation index 0.0002** PanNDVI 0.0490*
Datt 0.0437* Red-Blue NDVI 0.0101*
Datt2 0.0126* REP_Li 0.0062**
Green-Red NDVI 0.0148* TCARI 0.0054**
mND705 0.0029**
*. Diferencia significativa en el nivel 0.05, **. Diferencia altamente significativa en el nivel
0.01
La prueba Duncan se realizó para las variables con diferencias significativas y altamente
significativas de la prueba anterior, con el fin de identificar grupos del efecto de los
tratamientos para cada índice de vegetación (Tabla 4-29).
Tabla 4-29: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el primer muestreo
Tabla 4-30: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el primer muestreo
Por el método dona, el índice de mayor correlación fue el Red-Blue NDVI y para el método
punto y random el de mayor correlación fue el CCCI. Se observó que por el método punto
se obtuvo el mayor número de índices (8) con correlaciones mayores de >0.6. Este
resultado indica que la selección manual de las zonas para extraer los valores de los
pixeles con relación a los otros métodos tuvo el mayor número de índices y mejores
correlaciones con el contenido de N.
Se realizó la regresión lineal para el índice CCCI (método puntos) que fue el que presentó
la mayor correlación, y se halló su ecuación con un R2 = 0.43 (Figura 4-46). Estos
resultados indican que el R2 encontrado, para este índice, a partir de las imágenes
multiespectrales fue superior a todos los índices obtenidos con base en las medidas de
reflectancia con el espectroradiómetro (Figura 4-31). Lo anterior indica una buena
potencialidad de las imágenes multiespectrales para la estimación del estado nutricional
de la palma con relación a N.
Capítulo 4 101
CCCI
2.8
y = -2.1869x + 1.0164
2.7 R² = 0.4369
2.6
2.5
2.4
2.3
2.2
2.1
2
-0.8 -0.75 -0.7 -0.65 -0.6 -0.55 -0.5 -0.45
Figura 4-46: Regresión entre contenidos de Nitrógeno con el índice de mayor correlación
(CCCI) para el primer muestreo (n = 42)
En la Figura 4-47 se muestra el índice CCCI para dos palmas, con contenidos diferentes
de N. Se puede ver que la palma que tiene el menor contenido de N (Figura 4-47a)
presentó coloraciones más rojas correspondientes a valores mayores del índice CCCI
comparados con la palma de la derecha cuyo contenido de N fue mayor
a) b)
Figura 4-47: Índice de vegetación CCCI para el primer muestreo con el método puntos
(n= 42); (a) palma con bajo contenido de N, (b) palma con alto contenido de N
102 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
4.5.2 Muestreo 2
De acuerdo con la prueba ANOVA se encontró que para el método de dona las diferencias
fueron altamente significativas P<0.01 para 20 variables y significativas para 1 variable,
P<0.05; para el método de puntos las diferencias fueron altamente significativas P<0.01
para 15 variables y significativas para 3 variables, P<0.05; por último, para el medo random
las diferencias fueron altamente significativas P<0.01 para 17 variables y significativas para
1 variable, P<0.05 (Tabla 4-31). Lo anterior indica que los índices calculados permiten
establecer diferencias en el contenido de N foliar por efecto de los tratamientos al igual que
en el primer muestreo.
Tabla 4-31: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el segundo muestreo (n = 42)
Método Dona
Variable Razón - P Variable Razón - P
Carter4 0.0000** Leaf Chlorophyll Index 0.0000**
CCCI 0.0000** mND705 0.0001**
CIG 0.0003** MTCI 0.0002**
Normalized Difference NIR/Green
CIRE
0.0003** Green NDVI 0.0001**
Normalized Difference
Datt NIR/Rededge Normalized
0.0000** Difference Red-Edge 0.0002**
Datt2 0.0003** Norm NIR 0.0000**
Datt4 0.0071** PanNDVI 0.0000**
Green-Blue NDVI 0.0000** Red-Blue NDVI 0.0000**
Green-Red NDVI 0.0000** REP_Li 0.0002**
Green Vegetation Index 0.0003** TCARI 0.0173*
Intensity 0.0074**
Método Puntos
Variable Razón - P Variable Razón - P
Carter4 0.0015** Leaf Chlorophyll Index 0.0046**
CCCI 0.0003** mND705 0.0000**
CIG 0.0362* MTCI 0.0006**
Normalized Difference NIR/Green
CIRE
0.0002** Green NDVI 0.0252*
Normalized Difference
Datt NIR/Rededge Normalized
0.0001** Difference Red-Edge 0.0002**
Datt2 0.0002** Norm NIR 0.0030**
Green-Blue NDVI 0.0027** PanNDVI 0.0014**
Green-Red NDVI 0.0036** Red-Blue NDVI 0.0026**
Green Vegetation Index 0.0362* REP_Li 0.0006**
Capítulo 4 103
Método Random
Variable Razón - P Variable Razón - P
Carter4 0.0058** Leaf Chlorophyll Index 0.0114*
CCCI 0.0005** mND705 0.0005**
CIG 0.0076** MTCI 0.0024**
Normalized Difference NIR/Green
CIRE
0.0054** Green NDVI 0.0083**
Normalized Difference
Datt NIR/Rededge Normalized
0.0023** Difference Red-Edge 0.0030**
Datt2 0.0054** Norm NIR 0.0006**
Green-Blue NDVI 0.0003** PanNDVI 0.0001**
Green-Red NDVI 0.0006** Red-Blue NDVI 0.0007**
Green Vegetation Index 0.0076** REP_Li 0.0021**
*. Diferencia significativa en el nivel 0.05, **. Diferencia altamente significativa en el nivel
0.01
La prueba Duncan se realizó para las variables con diferencias significativas y altamente
significativas de la prueba anterior, (Tabla 4-32). Para este muestreo se encontraron que
varios índices que presentaron diferencias en los tratamientos, también se encontraron en
el primer muestreo como el Red-Blue NDVI por el método dona y el CCCI por el método
puntos, estos dos con cinco grupos y por el método random se repite el índice CCCI, pero
solamente con dos grupos.
Tabla 4-32: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el segundo muestreo
Por medio de las correlaciones de Pearson (Tabla 4-33) se encontró que el método de la
dona tuvo el mayor número de índices de vegetación (9) con correlaciones altamente
significativas mayores a 0.5 para N. Siendo el Red-Blue NDVI el que tuvo mayor
correlación. El índice CCCI presentó correlación altamente significativa al igual que para
el primer muestreo, y el valor de correlación a partir de las imágenes fue superior que el
calculado con base en las medidas de reflectancia a partir del espectroradiómetro para el
segundo muestreo.
Tabla 4-33: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el segundo muestreo
Se realizó la regresión lineal para el índice Red-Blue NDVI que tuvo la mayor correlación
por el método random, se obtuvo un R2 = 0.37 (Figura 4-48) que fue superior al obtenido
a partir de la medición de la reflectancia con el espectroradiómetro (Figura 4-32), lo cual
indica la potencialidad de las imágenes multiespectrales para la estimación del estado
nutricional de N. Aunque en este muestreo la mayor correlación la presentó el Red-Blue
NDVI, el CCCI presentó también valores altamente significativos al igual que para el primer
muestreo, lo cual indica que son dos índices promisorios para la estimación de los
contenidos de N a partir de las imágenes multiespectrales.
RedBlueNDVI
2.5
y = -2.339x + 3.0167
2.4 R² = 0.3741
2.3
2.2
2.1
2
1.9
1.8
1.7
1.6
0.25 0.3 0.35 0.4 0.45 0.5
Figura 4-48: Regresión entre contenidos de Nitrógeno con el índice de mayor correlación
(Red-Blue NDVI) para el segundo muestreo (n = 42)
En la Figura 4-49 se muestra el índice Red-Blue NDVI para dos palmas, con contenidos
diferentes de N. se puede ver que la palma que tiene el mayor contenido de N (Figura
4-49a) presentó coloraciones más amarillas correspondientes a valores menores del índice
Red-Blue NDVI comparados con la palma de la derecha cuyo contenido de N fue menor.
108 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
a) b)
Figura 4-49: Índice de vegetación Red-Blue NDVI para el segundo muestreo con el
método random (n= 42); (a) palma con alto contenido de N, (b) palma con bajo contenido
de N
Para los tres métodos el índice de mayor correlación fue el Red-Blue NDVI, también se
observó que para el segundo muestreo el método random fue el que tuvo el índice con
mayor correlación, con una correlación positiva moderada (>0.6) y altamente significativa
para N. para este muestreo el método dona fue el que más índices tuvo con correlaciones
>0.5 pero fue el método random el que obtuvo la correlación más alta.
4.5.3 Muestreo 3
De acuerdo con la prueba ANOVA se encontró que para el método de dona las diferencias
fueron altamente significativas P<0.01 para 10 variables y significativas para 4 variables,
P<0.05; para el método de puntos las diferencias fueron altamente significativas P<0.01
para 6 variables y significativas para 14 variables, P<0.05; por último, para el medo random
las diferencias fueron altamente significativas P<0.01 para 10 variables y significativas para
2 variables, P<0.05 (Tabla 4-34). Confirmando que los tratamientos tuvieron un efecto
importante en los índices espectrales para los tres muestreos.
Capítulo 4 109
Tabla 4-34: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el tercer muestreo (n = 42)
Método Dona
Variable Razón - P Variable Razón - P
Carter4 0.0025** mND705 0.0024**
CCCI 0.0008** MTCI 0.0026**
Normalized Difference
CIRE NIR/Rededge Normalized
0.0026** Difference Red-Edge 0.0018**
Datt 0.0017** Norm NIR 0.0371*
Datt2 0.0026** PanNDVI 0.0151*
Intensity 0.0155* Red-Blue NDVI 0.0114*
Leaf Chlorophyll Index 0.0034** REP_Li 0.0026**
Método Puntos
Variable Razón - P Variable Razón - P
Carter4 0.0231* Leaf Chlorophyll Index 0.0180*
CCCI 0.0020** mND705 0.0120*
CIG 0.0320* MTCI 0.0134*
Normalized Difference NIR/Green
CIRE
0.0123* Green NDVI 0.0282*
Normalized Difference
Datt NIR/Rededge Normalized
0.0149* Difference Red-Edge 0.0165*
Datt2 0.0123* Norm NIR 0.0061**
Datt4 0.0156* PanNDVI 0.0061**
Green-Blue NDVI 0.0104* Red-Blue NDVI 0.0042**
Green-Red NDVI 0.0061** REP_Li 0.0135*
Green Vegetation Index 0.0320* TCARI 0.0020**
Método Random
Variable Razón - P Variable Razón - P
Carter4 0.0028** Leaf Chlorophyll Index 0.0025**
CCCI 0.0003** mND705 0.0004**
CIRE 0.0024** MTCI 0.0032**
Normalized Difference
NIR/Rededge Normalized
Chlorophyll vegetation index 0.0314* Difference Red-Edge 0.0036**
Datt 0.0000** Red-Blue NDVI 0.0167*
Datt2 0.0024** REP_Li 0.0029**
*. Diferencia significativa en el nivel 0.05, **. Diferencia altamente significativa en el nivel
0.01
La prueba Duncan se realizó para las variables con diferencias significativas y altamente
significativas de la prueba anterior, (Tabla 4-35). Para este muestreo se encontraron que
varios índices que presentaron diferencias en los tratamientos, también se encontraron en
110 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
el primer y segundo muestreo como el Red-Blue NDVI y el CCCI, el Red-Blue NDVI tuvo
4 grupos por los métodos dona y puntos y 5 por el método random, el CCCI tuvo 4 grupos
para los métodos dona y random y 3 para el método punto.
Tabla 4-35: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el tercer muestreo
Por medio de las correlaciones de Pearson (Tabla 4-36), se encontró que el método de la
dona tuvo el mayor número de índices de vegetación (13) al igual que para el segundo
muestreo con correlaciones altamente significativas mayores a 0.5 para N. Siendo el CCCI
el que tuvo mayor correlación. El índice Red-Blue NDVI presentó correlación altamente
significativa al igual que para el primer y segundo muestreo, y el valor de correlación a
partir de las imágenes fue superior que el calculado con base en las medidas de
reflectancia a partir del espectroradiómetro para los tres muestreos.
Tabla 4-36: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el tercer muestreo
CCCI
2.7
y = -1.9193x + 0.972
R² = 0.5052
2.5
2.3
2.1
1.9
1.7
1.5
-0.75 -0.7 -0.65 -0.6 -0.55 -0.5 -0.45 -0.4 -0.35 -0.3
Figura 4-50: Regresión entre contenidos de Nitrógeno con el índice de mayor correlación
(CCCI) para el tercer muestreo (n = 42)
114 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
En la Figura 4-51 se muestra el índice CCCI para dos palmas, con contenidos diferentes
de N. Se puede ver que la palma que tiene el mayor contenido de N (Figura 4-51a)
presentó coloraciones más amarillas correspondientes a valores menores del índice CCCI
comparados con la palma de la derecha cuyo contenido de N fue menor
a) b)
Figura 4-51: Índice de vegetación CCCI para el tercer muestreo con el método dona (n=
42); (a) palma con alto contenido de N, (b) palma con bajo contenido de N
Para los tres muestreos, los índices CCCI y Red-Blue NDVI fueron los de mayor correlación
con el contenido de N, y se observó que, dependiendo del método utilizado en un mismo
índice, este puede tener mejor o menor correlación con el contenido de N; solamente para
el tercer muestreo se presentó correlaciones altas (>0.66) entre algunos índices y el
contenido de N.
También se encontró que las correlaciones para los índices de vegetación a partir de las
fotografías fueron mejores que las obtenidas a partir de las respuestas espectrales para
los tres muestreos; por otro lado, con las firmas espectrales para el ultimo muestreo fueron
menores los índices con correlaciones >0.5, en cambio con las fotografías en ultimo
muestreo fue donde se obtuvo la correlación más alta; el índice CCCI con respuestas
espectrales se encontró en el segundo muestreo como uno de los índices con mayor
correlación y con fotografías para el primer y tercer muestreo fue el índice con mayor
correlación.
Capítulo 4 115
Osco et al. (2020) y Santana et al. (2021) al evaluar la concentración de N en las hojas
utilizando imágenes multiespectrales basadas en UAV, encontraron resultados similares
donde los contenidos de N se correlacionaron inversamente con los índices de vegetación,
donde no se esperaba esto, ya que el contenido de N está estrechamente relacionado con
la influencia de la clorofila sobre algunos índices de vegetación. Los valores de R2
encontrados en esta investigación son mayores a los reportados por Santana et al. (2021),
pero más bajos que los resultados reportados por He et al.(2016) y Schlemmera et al.
(2013)
Se encontró que las correlaciones para los índices de espectrales calculados a partir de
las fotografías tomadas con UAV fueron mejores que las obtenidas con base en las
respuestas espectrales medidas con el espectroradiómetro para los tres muestreos. El
índice CCCI calculado a partir de las mediciones con espectroradiómetro presentó la mayor
correlación con el contenido de N foliar en el segundo muestreo y el obtenido a partir de
las fotografías aéreas fue el mejor para el primer y tercer muestreo.
dos meses después de la aplicación del fertilizante. Se considera que fue el tiempo más
apropiado para el muestreo ya que permitió una respuesta más clara de los tratamientos
en los índices espectrales. En este muestreo se encontraron las mayores diferencias en el
contenido de N en las hojas, entre tratamientos.
Osco et al. (2020) y Santana et al. (2021) encontraron que los contenidos de N presentaron
correlaciones inversas con las bandas del NIR y del verde y los índices de vegetación
NDVI, NDRE, GNDVI, SAVI calculados con imágenes multiespectrales tomadas en UAV.
Los valores de R2 encontrados en esta investigación son mayores a los reportados por
Santana et al. (2021), pero más bajos que los resultados reportados por He et al.(2016) y
Schlemmera et al. (2013)
Se hizo uso de la PLSR que es uno de los métodos más empleados en aplicaciones en
quimiometría, ya que reduce los datos espectrales a unas pocas combinaciones de valores
de reflectancia que representan la mayoría de la información espectral y que se relacionan
con los datos de referencia. Se puede decir que el método PLSR está basado en una
reducción de variables, encontrando que las longitudes de onda que mayor influencia
tuvieron en los modelos obtenidos para NPK fueron las cercanas a los 718 nm. El modelo
PLSR para el N tuvo un RPD de 2.03 y un RER de 8.82 lo cual significa que se pueden
realizar predicciones cuantitativas con buena confiabilidad para los contenidos de N foliar.
Resultados similares fueron reportados por Botero Herrera et al. (2009) que utilizaron el
método PLSR para determinar niveles de nutrición foliar en banano, encontrando que la
longitud de onda de 888 nm explicaría concentraciones de nitrógeno con R 2 de 0.8941 y 5
componentes o factores. En el caso de palma de aceite los investigadores Crespo
Gonzalez et al. (2020) encontraron que, de los pretratamientos de Absorbancia, Savitzky-
Golay 1, Savitzky-Golay 2, MSC, SNV, Savitzky-Golay 2 + MSC, Savitzky-Golay 2 + SNV,
MSC+Savitzky-Golay 2, SNV+Savitzky-Golay 2, el pretratamiento que mejor resultados
arrojo para la creación de un modelo de predicción de contenidos de nitrógeno foliar, fue
utilizando el pretratamiento de variable normal estándar (SNV) con R 2 de 0.51 y RMSE de
0.256.
Del análisis de las fotografías tomadas con UAV se encontraron correlaciones altamente
significativas entre los índices espectrales CCCI y Red-Blue NDVI y el contenido de N
foliar. Estos índices tienen en cuentan en sus cálculos las bandas del RedEdge y el NIR,
118 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
que son una región espectral muy importante para la estimación de la clorofila y otras
características de la vegetación y por lo tanto proporcionan información más precisa sobre
el estado del N. El RedEgde es una parte del espectro donde la clorofila absorbe
fuertemente la luz y en el NIR es donde la estructura de la célula de la hoja produce una
fuerte reflectancia (Geipel et al., 2016; Prey et al., 2018).
Los resultados obtenidos con estos índices fueron superiores a los obtenidos a partir de
las mediciones de la reflectancia con el espectrorradiómetro para los tres muestreos. Por
otro lado, con las mediciones de reflectancia para el ultimo muestreo el número de índices
con correlaciones mayores de 0.5 fue menor, mientras que con las fotografías aéreas en
este muestreo se obtuvo la correlación más alta 0.711. Lo anterior permite concluir que las
fotografías aéreas en la banda del Red Edge y del NIR tienen un gran potencial para
estimación de contenido nutricional de la palma de aceite y hay otros estudios que apoyan
esto, que, aunque realizados en otros cultivos los principios bioquímicos que gobiernan la
respuesta espectral se pueden aplicar a la palma de aceite (Rao et al., 2007, Haboudane
et al., 2004)
Se pudo concluir que la banda del RedEdege fue la parte del espectro que mayor influencia
tuvo para la estimación de los contenidos de N foliar, lo cual coincide con otras
investigaciones donde han encontrado que la banda del RedEdge, es apropiada para
obtener información sobre los contenidos de clorofila y del N de los cultivos (Eitel et al.,
2007), debido a que las bandas del RedEdge, son de gran utilidad para establecer
correlaciones con el estado de la vegetación y más específico con los contenidos de
clorofila.
Para el caso de P foliar tampoco se presentaron correlaciones mayores a 0.5 debido a que
se el experimento no tuvo diferentes dosis para este elemento y su aplicación fue uniforme
para todos los tratamientos. Aunque en el suelo hubo diferencias en el contenido de P
fueron altos. Ataga (1978), encontró que en suelos con contenidos relativamente altos (>10
ppm) no hubo respuesta a la fertilización fosfórica y Owen (1992) evidenció que solamente
se obtiene respuesta a la fertilización de P cuando el contenido en el suelo es muy bajo,
siendo este el elemento mayor con menor absorción por la palma (Owen, 1992).
6. Conclusiones y recomendaciones
6.1 Conclusiones
• Para ninguno de los tres muestreos se presentó correlaciones mayores a 0.5 entre
los índices a partir de las respuestas espectrales y contenidos de potasio y fósforo
foliar y solamente para el tercer muestreo no se tuvo correlaciones mayores a 0.5
para nitrógeno.
6.2 Recomendaciones
10(4).
Blackburn, G. A. (1998). Quantifying chlorophylls and carotenoids at leaf and
canopy scales: An evaluation of some hyperspectral approaches. Remote
Sensing of Environment, 66(3), 273–285. https://doi.org/10.1016/S0034-
4257(98)00059-5
Boochs, F., Kupfer, G., Dockter, K., & Kuhbaüch, W. (1990). Shape of the red
edge as vitality indicator for plants. International Journal of Remote Sensing,
11(10), 1741–1753. https://doi.org/10.1080/01431169008955127
Botero Herrera, J. M., Parra Sánchez, L. N., & Cabrera Torres, K. R. (2009).
Determinación del nivel de nutrición foliar en banano por espectrometría de
reflectancia. Revista Facultad Nacional de Agronomía Medellín, 62(2), 5089–
5098.
https://doi.org/https://revistas.unal.edu.co/index.php/refame/article/view/2491
9
Broge, N. H., & Leblanc, E. (2001). Comparing prediction power and stability of
broadband and hyperspectral vegetation indices for estimation of green leaf
area index and canopy chlorophyll density. Remote Sensing of Environment,
76(2), 156–172. https://doi.org/10.1016/S0034-4257(00)00197-8
Buchanan, G. M., Butchart, S. H. M., Dutson, G., Pilgrim, J. D., Steininger, M. K.,
Bishop, K. D., & Mayaux, P. (2008). Using remote sensing to inform
conservation status assessment: Estimates of recent deforestation rates on
New Britain and the impacts upon endemic birds. Biological Conservation,
141(1), 56–66. https://doi.org/10.1016/j.biocon.2007.08.023
Camo Software SA. (2006). The Unscrambler Methods. 288.
Carter, G.A., Dell, T. R., & Cibula, W. G. (1996). Spectral reflectance
characteristics and digital imagery of a pine needle blight in the southeastern
United States. Can. J. Forest Res., 26, 402–407.
Carter, Gregory A. (1994). Ratios of leaf reflectances in narrow wavebands as
indicators of plant stress. International Journal of Remote Sensing, 15(3),
517–520. https://doi.org/10.1080/01431169408954109
Castaño Vidriales, J. L. (1991). Espectrometria Derivada En Quimica Clinica.
Bibliografía 125
Cozzolino, D., & Moron, A. (2004). Exploring the use of near infrared reflectance
spectroscopy (NIRS) to predict trace minerals in legumes. Animal Feed
Science and Technology, 111(1–4), 161–173.
https://doi.org/10.1016/j.anifeedsci.2003.08.001
Crespo Gonzalez, J. J., Ruiz Villadiego, O. S., & Ospino Villalba, K. S. (2020).
Determinación de nitrógeno foliar en palma de aceite con espectroscopía en
el infrarrojo medio (mir) y cercano (nir) por el método de regresión de
mínimos cuadrados parciales de componentes principales (pls). Revista de
Investigación Agraria y Ambiental, 11(2), 43–57.
https://doi.org/10.22490/21456453.3206
Curran, P. J., Dungan, J. L., Macler, B. A., & Plummer, S. E. (1991). The effect of
a red leaf pigment on the relationship between red edge and chlorophyll
concentration. Remote Sensing of Environment, 35(1), 69–76.
https://doi.org/10.1016/0034-4257(91)90066-F
Dash, J., & Curran, P. J. (2004). The MERIS terrestrial chlorophyll index.
International Journal of Remote Sensing, 25(23), 5403–5413.
https://doi.org/10.1080/0143116042000274015
Datt, B. (1999). Visible/near infrared reflectance and chlorophyll content in
eucalyptus leaves. International Journal of Remote Sensing, 20(14), 2741–
2759. https://doi.org/10.1080/014311699211778
Datt, Bisun. (1998). Remote sensing of chlorophyll a, chlorophyll b, chlorophyll
a+b, and total carotenoid content in eucalyptus leaves. Remote Sensing of
Environment, 66(2), 111–121. https://doi.org/10.1016/S0034-4257(98)00046-
7
Daughtry, C. S. T., Walthall, C. L., Kim, M. S., De Colstoun, E. B., & McMurtrey, J.
E. (2000). Estimating corn leaf chlorophyll concentration from leaf and canopy
reflectance. Remote Sensing of Environment, 74(2), 229–239.
https://doi.org/10.1016/S0034-4257(00)00113-9
Eitel, J. U. H., Long, D. S., Gessler, P. E., & Smith, A. M. S. (2007). Using in-situ
measurements to evaluate the new RapidEyeTM satellite series for prediction
of wheat nitrogen status. International Journal of Remote Sensing, 28(18),
Bibliografía 127
4183–4190. https://doi.org/10.1080/01431160701422213
Elvidge, C. D., & Chen, Z. (1995). Comparison of broad-band and narrow-band
red and near-infrared vegetation indices. Remote Sensing of Environment,
54(1), 38–48. https://doi.org/10.1016/0034-4257(95)00132-K
Escadafal, R., Belghith, A., & Ben Moussa, H. (1994a). Indices spectraux pour la
dégradation des milieux naturels en Tunisie aride. 6ème Symp. Int. Mesures
Physiques et Signatures En Télédétection, ISPRS-CNES, 253–259.
Escadafal, R., Belghith, A., & Ben Moussa, H. (1994b). Indices spectraux pour la
dégradation des milieux naturels en Tunisie aride. 6ème Symp. Int. Mesures
Physiques et Signatures En Télédétection, ISPRS-CNES, 253– 259.
Filella, I., & Peñuelas, J. (1994). The red edge position and shape as indicators of
plant chlorophyll content, biomass and hydric status. International Journal of
Remote Sensing, 15(7), 1459–1470.
https://doi.org/10.1080/01431169408954177
Foody, G. M., Cutler, M. E., Mcmorrow, J., Pelz, D., Tangki, H., Boyd, D. S., &
Douglas, I. A. N. (2001). Mapping the biomass of Bornean tropical rain forest
from remotely sensed data ESTIMATION AND MAPPING. 379–387.
Frampton, W. J., Dash, J., Watmough, G., & Milton, E. J. (2013). Evaluating the
capabilities of Sentinel-2 for quantitative estimation of biophysical variables in
vegetation. ISPRS Journal of Photogrammetry and Remote Sensing, 82, 83–
92. https://doi.org/10.1016/j.isprsjprs.2013.04.007
Galvão, L. S., Formaggio, A. R., & Tisot, D. A. (2005). Discrimination of sugarcane
varieties in Southeastern Brazil with EO-1 Hyperion data. Remote Sensing of
Environment, 94(4), 523–534. https://doi.org/10.1016/j.rse.2004.11.012
Gamon, J., Nuelas, J. P., & Field, C. (1992). A narrow-waveband spectral index
that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of
Environment, 41(1), 35–44. https://doi.org/10.1088/0305-4470/24/13/001
Gandia, S., Fernández, G., García, J. C., & Moreno, J. (2004). Retrieval of
vegetation biophysical variables from CHRIS/PROBA data in the SPARC
campaing. European Space Agency, (Special Publication) ESA SP, 578, 40–
48.
128 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Gao, B.-C. (1996). NDWI - A normalized difference water index for remote sensing
of vegetation liquid water from space. Remote Sensing of Environment, 58(3),
257–266.
Garrity, S. R., Eitel, J. U. H., & Vierling, L. A. (2011). Disentangling the
relationships between plant pigments and the photochemical reflectance
index reveals a new approach for remote estimation of carotenoid content.
Remote Sensing of Environment, 115(2), 628–635.
https://doi.org/10.1016/j.rse.2010.10.007
Gitelson, A. A, & Merzlyak, M. N. (1997). Remote estimation of chlorophyll content
in higher plant leaves. International Journal of Remote Sensing, 1812(July
2015), 2691–2697. https://doi.org/10.1080/014311697217558
Gitelson, A., & Merzlyak, M. N. (1994). Quantitative estimation of chlorophyll-a
using reflectance spectra: Experiments with autumn chestnut and maple
leaves. Journal of Photochemistry and Photobiology, B: Biology, 22(3), 247–
252. https://doi.org/10.1016/1011-1344(93)06963-4
Gitelson, Anatoly A., Buschmann, C., & Lichtenthaler, H. K. (1999). The
chlorophyll fluorescence ratio F735F700 as an accurate measure of the
chlorophyll content in plants. Remote Sensing of Environment, 69(3), 296–
302. https://doi.org/10.1016/S0034-4257(99)00023-1
Gitelson, Anatoly A., Gritz, Y., & Merzlyak, M. N. (2003). Relationships between
leaf chlorophyll content and spectral reflectance and algorithms for non-
destructive chlorophyll assessment in higher plant leaves. Journal of Plant
Physiology, 160(3), 271–282. https://doi.org/10.1078/0176-1617-00887
Gitelson, Anatoly A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green
channel in remote sensing of global vegetation from EOS- MODIS. Remote
Sensing of Environment, 58(3), 289–298. https://doi.org/10.1016/S0034-
4257(96)00072-7
Gitelson, Anatoly A., Keydan, G. P., & Merzlyak, M. N. (2006). Three-band model
for noninvasive estimation of chlorophyll, carotenoids, and anthocyanin
contents in higher plant leaves. Geophysical Research Letters, 33(11), 2–6.
https://doi.org/10.1029/2006GL026457
Bibliografía 129
Gitelson, Anatoly A., Peng, Y., & Huemmrich, K. F. (2014). Relationship between
fraction of radiation absorbed by photosynthesizing maize and soybean
canopies and NDVI from remotely sensed data taken at close range and from
MODIS 250m resolution data. Remote Sensing of Environment, 147, 108–
120. https://doi.org/10.1016/j.rse.2014.02.014
Gitelson, Anatoly A., Viña, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., &
Leavitt, B. (2003). Remote estimation of leaf area index and green leaf
biomass in maize canopies. Geophysical Research Letters, 30(5), n/a-n/a.
https://doi.org/10.1029/2002gl016450
Guyot, G., & Frederic, B. (1988). Utilisation de la Haute Resolution Spectrale pour
Suivre L’etat des Couverts Vegetaux. Proceedings of the 4th International
Colloquium on Spectral Signatures of Objects in Remote Sensing Aussios,
France, 18-22 January 1988, 287, 279.
Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., & Strachan, I. B.
(2004). Hyperspectral vegetation indices and novel algorithms for predicting
green LAI of crop canopies: Modeling and validation in the context of
precision agriculture. Remote Sensing of Environment, 90(3), 337–352.
https://doi.org/10.1016/j.rse.2003.12.013
Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., & Dextraze, L.
(2002). Integrated narrow-band vegetation indices for prediction of crop
chlorophyll content for application to precision agriculture. Remote Sensing of
Environment, 81(2–3), 416–426. https://doi.org/10.1016/S0034-
4257(02)00018-4
He, L., Zhang, H. Y., Zhang, Y. S., Song, X., Feng, W., Kang, G. Z., Wang, C. Y.,
& Guo, T. C. (2016). Estimating canopy leaf nitrogen concentration in winter
wheat based on multi-angular hyperspectral remote sensing. European
Journal of Agronomy, 73, 170–185. https://doi.org/10.1016/j.eja.2015.11.017
Henrich, V., Krauss, G., Götze, C., & Sandow, C. (2011). The IndexDatabase.
Hernández-Clemente, R., Navarro-Cerrillo, R. M., Suárez, L., Morales, F., &
Zarco-Tejada, P. J. (2011). Assessing structural effects on PRI for stress
detection in conifer forests. Remote Sensing of Environment, 115(9), 2360–
130 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
2375. https://doi.org/10.1016/j.rse.2011.04.036
Hernández-Clemente, R., Navarro-Cerrillo, R. M., & Zarco-Tejada, P. J. (2012).
Carotenoid content estimation in a heterogeneous conifer forest using
narrow-band indices and PROSPECT+DART simulations. Remote Sensing of
Environment, 127, 298–315. https://doi.org/10.1016/j.rse.2012.09.014
Hruschka, E. (2001). Data analysis: wavelength selection methods. Chapter 3.
Near Infrared Technology in Agriculture and Food Industries, 2nd Edn (Eds P.
Williams \& K. Norris), 39–160.
Huete, A. (1998). A soil-adjusted vegetation index (SAVI). Remote Sensing of
Environment, 25(0), 295–309.
Huete, A. R., Liu, H. Q., Batchily, K., & VanLeeuwen, W. (1997). A comparison of
vegetation indices global set of TM images for EOS–MODIS. Remote
Sensing of Environment, 59(3), 440–451. https://doi.org/doi:10.1016/s0034-
4257(96)00112-5
Hunt, E. R., Doraiswamy, P. C., McMurtrey, J. E., Daughtry, C. S. T., Perry, E. M.,
& Akhmedov, B. (2012). A visible band index for remote sensing leaf
chlorophyll content at the Canopy scale. International Journal of Applied Earth
Observation and Geoinformation, 21(1), 103–112.
https://doi.org/10.1016/j.jag.2012.07.020
Hunt, E. R., & Rock, B. N. (1989). Detection of changes in leaf water content using
Near- and Middle-Infrared reflectances. Remote Sensing of Environment,
30(1), 43–54. https://doi.org/10.1016/0034-4257(89)90046-1
Infrasoft International. (2005). WinISI III Manual.
James, H., Nawi, N. M., Wan, W. I., Mohamed, A., Juva, V., & Arulandoo, X.
(2017). Application of Spectroscopy for Nutrient Prediction of Oil Palm.
Journal of Experimental Agriculture International, 15(3), 1–9.
https://doi.org/10.9734/JEAI/2017/31502
Jensen, J. R., & Lulla, K. (1987). Introductory digital image processing: A remote
sensing perspective. In Geocarto International (Vol. 2, Issue 1).
https://doi.org/10.1080/10106048709354084
Jordan, C. F. (1969). Derivation of leaf-area index from quality of light on forest
Bibliografía 131
Remote Early detection of basal stem rot disease ( Ganoderma ) in oil palms
based on hyperspectral reflectance data using pattern recognition algorithms.
June, 37–41. https://doi.org/10.1080/01431161.2014.903353
Liang, S. (2004). Quantitative remote sensing for land surface characterization.
Lichtenthaler, H. K., Lang, M., Sowinska, M., Heisel, F., & Miehé, J. A. (1996).
Detection of vegetation stress via a new high resolution fluorescence imaging
system. Journal of Plant Physiology, 148(5), 599–612.
https://doi.org/10.1016/S0176-1617(96)80081-2
Lobell, D. B., Asner, G. P., Law, B. E., & Treuhaft, R. N. (2001). Subpixel canopy
cover estimation of coniferous forests in Oregon using SWIR imaging
spectrometry. Journal of Geophysical Research Atmospheres, 106(D6),
5151–5160. https://doi.org/10.1029/2000JD900739
Maccioni, A., Agati, G., & Mazzinghi, P. (2001). New vegetation indices for remote
measurement of chlorophylls based on leaf directional reflectance spectra.
Journal of Photochemistry and Photobiology B: Biology, 61(1–2), 52–61.
https://doi.org/10.1016/S1011-1344(01)00145-2
Marten, G., Shenk, J., & Barton, F. (1989). Near infrared reflectance spectroscopy
(NIRS): Analysis of forage quality. Agriculture Handbook No. 63, 643, 1–110.
Martens, H., & Næs, T. (1984). Multivariate Calibration. Chemometrics, 147–156.
https://doi.org/10.1007/978-94-017-1026-8_5
Martínez, L. J. (2017). Relationship between crop nutritional status , spectral
measurements and Sentinel 2 images Relación entre el estado nutricional de
los cultivos , las mediciones espectrales y las imágenes Sentinel 2. 35(2),
205–215. https://doi.org/10.15446/agron.colomb.v35n2.62857
McMorrow, J. (2001). Linear regression modelling for the estimation of oil palm
age from Landsat TM. International Journal of Remote Sensing, 22(12),
2243–2264. https://doi.org/10.1080/01431160117188
McMurtrey, J. E., Chappelle, E. W., Kim, M. S., Meisinger, J. J., & Corp, L. A.
(1994). Distinguishing nitrogen fertilization levels in field corn (Zea mays L.)
with actively induced fluorescence and passive reflectance measurements.
Remote Sensing of Environment, 47(1), 36–44. https://doi.org/10.1016/0034-
Bibliografía 133
4257(94)90125-2
Merzlyak, M. N., Gitelson, A. A., Chivkunova, O. B., & Rakitin, V. Y. (1999). Non-
destructive optical detection of leaf senescence and fruit ripening. Physiologia
Plantarum, 106(1), 135–141.
Metternicht, G. (2003). Vegetation indices derived from high-resolution airborne
videography for precision crop management. International Journal of Remote
Sensing, 24(14), 2855–2877. https://doi.org/10.1080/01431160210163074
Miller, J. R., Hare, E. W., & Wu, J. (1990). Quantitative characterization of the
vegetation red edge reflectance 1. An inverted-gaussian reflectance model.
International Journal of Remote Sensing, 11(10), 1755–1773.
https://doi.org/10.1080/01431169008955128
Mirik, M., Michels, G. J., Kassymzhanova-Mirik, S., & Elliott, N. C. (2007).
Reflectance characteristics of Russian wheat aphid (Hemiptera: Aphididae)
stress and abundance in winter wheat. Computers and Electronics in
Agriculture, 57(2), 123–134. https://doi.org/10.1016/j.compag.2007.03.002
Mulyadi, T., Hariyandi, Sudradjat, & Kustiyo. (2017). Nitrogen Content and Carbon
Stock Prediction in Oil Palm using Satellite Image Analysis. 05(04), 677–683.
Munévar, F. (2001). Palmas. Revista Palmas, 22(4), 9–17.
https://publicaciones.fedepalma.org/index.php/palmas/article/view/888
Munevar, F., Franco, P., & Arias, N. (2008). Guía general para el muestreo foliar y
de suelos en palma de aceite (Issue 37).
Nagler, P. L., Inoue, Y., Glenn, E. P., Russ, A. L., & Daughtry, C. S. T. (2003).
Cellulose absorption index (CAI) to quantify mixed soil-plant litter scenes.
Remote Sensing of Environment, 87(2–3), 310–325.
https://doi.org/10.1016/j.rse.2003.06.001
Ng, P. H. C., Totok, S., S.H., T., & K.J., G. (2013). Remote Sensing and Digital
Technologies for Plantation Management. 34, 259–279.
Ng, S. (2002). Nutrition and nutrient management of oil palm-New thrust for the
future perspective. … of Potassium in India New Delhi. International Potash
…, 415–429. http://www.ipipotash.org/udocs/Nutrition and Nutrient
Management of the Oil Palm.pdf
134 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Nooni, I. K., Duker, A. A., Van Duren, I., Addae-Wireko, L., & Osei Jnr, E. M.
(2014). Support vector machine to map oil palm in a heterogeneous
environment. International Journal of Remote Sensing, 35(13), 4778–4794.
https://doi.org/10.1080/01431161.2014.930201
Ollagnier, M., Ochis, R., & Martin, G. (1970). El abonamiento de la palma de
aceite en el mundo. Fertilite, 36, 30–61.
Oppelt, N., & Mauser, W. (2004). Hyperspectral monitoring of physiological
parameters of wheat during a vegetation period using AVIS data. International
Journal of Remote Sensing, 25(1), 145–159.
https://doi.org/10.1080/0143116031000115300
Osco, L. P., Junior, J. M., Ramos, A. P. M., Furuya, D. E. G., Santana, D. C.,
Teodoro, L. P. R., Gonçalves, W. N., Baio, F. H. R., Pistori, H., Junior, C. A.
da S., & Teodoro, P. E. (2020). Leaf nitrogen concentration and plant height
prediction for maize using UAV-based multispectral imagery and machine
learning techniques. Remote Sensing, 12(19), 1–17.
https://doi.org/10.3390/rs12193237
Owen, E. (1992). Fertilización de la palma africana (Elaeis Guineensis Jacq.) en
Colombia. Palmas, 13(2), 39–64.
http://www.embase.com/search/results?subaction=viewrecord&from=export&i
d=L127279692
Papeş, M., Tupayachi, R., Martínez, P., Peterson, A. T., & Powell, G. V. N. (2010).
Using hyperspectral satellite imagery for regional inventories: A test with
tropical emergent trees in the Amazon Basin. Journal of Vegetation Science,
21(2), 342–354. https://doi.org/10.1111/j.1654-1103.2009.01147.x
Peng, Y., Nguy-Robertson, A., Arkebauer, T., & Gitelson, A. A. (2017).
Assessment of canopy chlorophyll content retrieval in maize and soybean:
Implications of hysteresis on the development of generic algorithms. Remote
Sensing, 9(3). https://doi.org/10.3390/rs9030226
Penuelas, J., Frederic, B., & Filella, I. (1995). Semi-Empirical Indices to Assess
Carotenoids/Chlorophyll-a Ratio from Leaf Spectral Reflectance.
Photosynthetica, 31, 221–230.
Bibliografía 135
Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J., & Field, C. B. (1994).
Reflectance indices associated with physiological changes in nitrogen- and
water-limited sunflower leaves. Remote Sensing of Environment, 48(2), 135–
146. https://doi.org/10.1016/0034-4257(94)90136-8
Peñuelas, J., Piñol, J., Ogaya, R., & Filella, I. (1997). International Journal of
Remote Estimation of plant water concentration by the reflectance Water
Index WI ( R900 / R970 ). International Journal of Remote, 18(13), 2869–
2875.
Pereda, J. (2016). Calibración para determinar composición proximal de la quinua
(Chenopodium quinoa W.) usando la espectroscopía de transmitancia en el
infrarrojo cercano. Universidad Nacional Agraria La Molina.
Perry, C. R., & Lautenschlager, L. F. (1984). Functional equivalence of spectral
vegetation indices. Remote Sensing of Environment, 14(1–3), 169–182.
https://doi.org/10.1016/0034-4257(84)90013-0
Pu, R., Gong, P., & Yu, Q. (2008). Comparative analysis of EO-1 ALI and
Hyperion, and Landsat ETM+ data for mapping forest crown closure and leaf
area index. Sensors, 8(6), 3744–3766. https://doi.org/10.3390/s8063744
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A
modified soil adjusted vegetation index. Remote Sensing of Environment,
48(2), 119–126. https://doi.org/10.1016/0034-4257(94)90134-1
Rao, N. R., Garg, P. K., & Ghosh, S. K. (2007). Development of an agricultural
crops spectral library and classification of crops at cultivar level using
hyperspectral data. Precision Agriculture, 8(4–5), 173–185.
https://doi.org/10.1007/s11119-007-9037-x
Rendana, M., Abdul, S., Lihan, T., Mohd, W., & Ali, Z. (2015). A Review of
Methods for Detecting Nutrient Stress of Oil Palm in Malaysia. J. Appl.
Environ. Biol. Sci. Journal of Applied Environmental and Biological Sciences,
5(6), 60–64. www.textroad.com
Rey, L., Ayala, I., Gómez, P., & Ruiz, R. (2006a). Selección de palmas élite en
plantaciones comerciales. Boletín Técnico, 20, 30.
Rey, L., Ayala, I., Gómez, P., & Ruiz, R. (2006b). Selección de palmas élite en
136 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Shapiro, A. S. S., & Wilk, M. B. (1965). An Analysis of Variance Test for Normality
( Complete Samples ) Published by : Biometrika Trust Stable URL :
http://www.jstor.org/stable/2333709. Biometrika, 52(3/4), 591–611.
Sims, D. A., & Gamon, J. A. (2002). Relationships between leaf pigment content
and spectral reflectance across a wide range of species, leaf structures and
developmental stages. Remote Sensing of Environment, 81(2–3), 337–354.
https://doi.org/10.1016/S0034-4257(02)00010-X
Smith, R. C. G., Adams, J., Stephens, D. J., & Hick, P. T. (1995). Forecasting
wheat yield in a Mediterranean-type environment from the NOAA satellite.
Australian Journal of Agricultural Research, 46(1), 113–125.
https://doi.org/10.1071/AR9950113
Tamburini, E., Ferrari, G., Marchetti, M. G., Pedrini, P., & Ferro, S. (2015).
Development of FT-NIR models for the simultaneous estimation of chlorophyll
and nitrogen content in fresh apple (Malus Domestica) leaves. Sensors
(Switzerland), 15(2), 2662–2679. https://doi.org/10.3390/s150202662
Teoh, K. C., & Chew, P. S. (1980). Fertiliser responses of oil palm on coastal clay
soils in Peninsular Malaysia. Conference on Soil Science and Agricultural
Development in Malaysia. Kuala Lumpur (Malaysia). 12-14 May 1980.
Thenkabail, P. S., Smith, R. B., & De Pauw, E. (2000). Wiegand and Richardson,
† International Center for Agricultural Research in the Dry Areas 1990),
natural vegetation (Friedl et al., 1994), and in (ICARDA). Environ, 71(99),
158–182.
Thenkabail, P. S., Smith, R. B., & De Pauw, E. (2002). Evaluation of narrowband
and broadband vegetation indices for determining optimal hyperspectral
wavebands for agricultural crop characterization. Photogrammetric
Engineering and Remote Sensing, 68(6), 607–621.
Tucker, C. J., Elgin, J. H., McMurtrey, J. E., & Fan, C. J. (1979). Monitoring corn
and soybean crop development with hand-held radiometer spectral data.
Remote Sensing of Environment, 8(3), 237–248.
https://doi.org/10.1016/0034-4257(79)90004-X
Tucker, Compton J. (1979). Red and photographic infrared linear combinations for
138 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Zarco-Tejada, P. J., González-Dugo, V., Williams, L. E., Suárez, L., Berni, J. A. J.,
Goldhamer, D., & Fereres, E. (2013). A PRI-based water stress index
combining structural and chlorophyll effects: Assessment using diurnal
narrow-band airborne imagery and the CWSI thermal index. Remote Sensing
of Environment, 138, 38–50. https://doi.org/10.1016/j.rse.2013.07.024
Zarco-Tejada, P. J., Pushnik, J. C., Dobrowski, S., & Ustin, S. L. (2003). Steady-
state chlorophyll a fluorescence detection from canopy derivative reflectance
and double-peak red-edge effects. Remote Sensing of Environment, 84(2),
283–294. https://doi.org/10.1016/S0034-4257(02)00113-X
Zarco-Tejada, Pablo J., & Miller, J. R. (1999). Land cover mapping at BOREAS
using red edge spectral parameters from CASI imagery. Journal of
Geophysical Research Atmospheres, 104(D22), 27921–27933.
https://doi.org/10.1029/1999JD900161
A. Anexo: Índices de vegetación
analizados
ANOVA de los índices de vegetación por respuestas espectrales para el segundo muestreo
Variable Fuente GL SC MC Razón - F Razón - P
Tratamiento 5 0.0000 0.0000 6.0380 0.0004**
Boochs Residuo 36 0.0000 0.0000
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 6.4130 0.0002**
Boochs2 Residuo 36 0.0000 0.0000
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 1.6590 0.1700
CAI Residuo 36 0.0001 0.0000
Total 41 0.0002
Tratamiento 5 0.0177 0.0035 4.0650 0.005**
CCCI Residuo 36 0.0314 0.0009
Total 41 0.0492
Tratamiento 5 0.0080 0.0016 1.4390 0.2340
CARI Residuo 36 0.0401 0.0011
Total 41 0.0481
Tratamiento 5 0.0259 0.0052 2.9250 0.0257*
CARI 2 Residuo 36 0.0637 0.0018
Total 41 0.0896
Tratamiento 5 0.0357 0.0071 0.9540 0.4580
Carter Residuo 36 0.2695 0.0075
Total 41 0.3053
Tratamiento 5 0.0018 0.0004 1.4380 0.2340
Carter2 Residuo 36 0.0091 0.0003
Total 41 0.0109
Tratamiento 5 0.0013 0.0003 1.2020 0.3280
Carter3 Residuo 36 0.0078 0.0002
Total 41 0.0091
Tratamiento 5 0.0015 0.0003 0.4670 0.7980
Carter4 Residuo 36 0.0229 0.0006
Total 41 0.0244
Tratamiento 5 0.0221 0.0044 0.9580 0.4560
Carter5 Residuo 36 0.1662 0.0046
Total 41 0.1883
Carter6 Tratamiento 5 0.0006 0.0001 0.8510 0.5230
160 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
ANOVA de los índices de vegetación de las respuestas espectrales para el tercer muestreo
Variable Fuente GL SC MC Razón - F Razón - P
Tratamiento 5 0.0000 0.0000 1.1390 0.3580
Boochs Residuo 36 0.0001 0.0000
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 0.8320 0.5360
Boochs2 Residuo 36 0.0000 0.0000
Total 41 0.0000
Tratamiento 5 0.0000 0.0000 1.1360 0.3590
CAI Residuo 36 0.0001 0.0000
Total 41 0.0001
Tratamiento 5 0.0064 0.0013 0.8560 0.5200
CCCI Residuo 36 0.0539 0.0015
Total 41 0.0603
Tratamiento 5 0.0046 0.0009 0.4680 0.7970
CARI Residuo 36 0.0701 0.0019
Total 41 0.0747
Tratamiento 5 0.0143 0.0029 0.8720 0.5090
CARI 2 Residuo 36 0.1177 0.0033
Total 41 0.1319
Tratamiento 5 0.0321 0.0064 0.8760 0.5070
Carter Residuo 36 0.2635 0.0073
Total 41 0.2956
Tratamiento 5 0.0008 0.0002 0.6840 0.6380
Carter2 Residuo 36 0.0082 0.0002
Total 41 0.0090
Tratamiento 5 0.0006 0.0001 0.5820 0.7130
Carter3 Residuo 36 0.0069 0.0002
Total 41 0.0075
Tratamiento 5 0.0027 0.0005 0.6360 0.6740
Carter4 Residuo 36 0.0302 0.0008
Total 41 0.0329
Tratamiento 5 0.0214 0.0043 0.7520 0.5900
Carter5 Residuo 36 0.2051 0.0057
Total 41 0.2266
Tratamiento 5 0.0003 0.0001 0.4290 0.8250
Carter6 Residuo 36 0.0056 0.0002
Total 41 0.0059
Tratamiento 5 0.0018 0.0004 0.8170 0.5450
CASI NDVI
Residuo 36 0.0158 0.0004
170 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Rango 3 SG1 96 4 0.80 0.65 0.13 0.74 0.54 0.14 0.85 0.72 0.12 1.88 8.17
Rango 2 SNV 96 3 0.78 0.60 0.13 0.75 0.56 0.14 0.85 0.72 0.12 1.88 8.16
Rango 2 NM 96 4 0.80 0.64 0.13 0.76 0.58 0.14 0.85 0.72 0.12 1.87 8.14
Rango 2 FG 96 4 0.78 0.61 0.13 0.73 0.54 0.14 0.85 0.72 0.12 1.87 8.12
Rango 3 SG1 96 3 0.79 0.63 0.13 0.72 0.51 0.15 0.85 0.71 0.12 1.87 8.12
Rango 1 NUV 96 3 0.78 0.61 0.13 0.74 0.54 0.14 0.82 0.67 0.13 1.87 8.11
Rango 1 DC 98 3 0.71 0.51 0.15 0.69 0.47 0.53 0.77 0.59 0.15 1.85 8.06
Rango 2 SG2 96 4 0.82 0.67 0.12 0.70 0.48 0.15 0.85 0.72 0.12 1.85 8.05
Rango 2 MSC 96 4 0.80 0.64 0.13 0.76 0.58 0.14 0.84 0.71 0.12 1.85 8.03
Rango 2 SG&MSC 96 4 0.80 0.64 0.13 0.76 0.57 0.14 0.84 0.71 0.12 1.85 8.03
Rango 2 SNV 96 4 0.79 0.62 0.13 0.75 0.56 0.14 0.84 0.71 0.13 1.85 8.03
Rango 3 SG2 96 4 0.79 0.63 0.13 0.66 0.44 0.16 0.84 0.71 0.12 1.84 8.02
Rango 1 FG 96 3 0.73 0.54 0.14 0.71 0.50 0.15 0.76 0.58 0.15 1.84 7.99
Rango 1 MSC 96 3 0.78 0.60 0.13 0.74 0.55 0.14 0.84 0.70 0.12 1.83 7.97
Rango 3 NUV 96 4 0.77 0.59 0.14 0.71 0.52 0.15 0.80 0.55 0.14 1.82 7.90
Rango 1 SG&MSC 96 3 0.76 0.58 0.13 0.72 0.52 0.14 0.83 0.70 0.13 1.82 7.90
Rango 2 SG&NR 96 3 0.79 0.62 0.13 0.74 0.54 0.14 0.84 0.70 0.13 1.82 7.90
Rango 2 NR 96 3 0.79 0.62 0.13 0.74 0.55 0.14 0.83 0.70 0.13 1.81 7.88
Rango 2 SG1 96 4 0.81 0.66 0.12 0.72 0.52 0.15 0.84 0.70 0.13 1.80 7.81
Rango 2 NUV 96 3 0.79 0.62 0.13 0.75 0.56 0.14 0.83 0.69 0.13 1.79 7.80
Rango 1 NM 96 4 0.79 0.62 0.13 0.74 0.55 0.14 0.83 0.69 0.13 1.79 7.77
Rango 1 SG1 96 4 0.81 0.65 0.12 0.74 0.55 0.14 0.85 0.72 0.12 1.78 7.75
Rango 3 SNV 96 3 0.73 0.54 0.14 0.66 0.44 0.16 0.76 0.58 0.14 1.78 7.73
Rango 2 SG2 96 3 0.78 0.61 0.13 0.66 0.43 0.16 0.83 0.69 0.12 1.77 7.71
Rango 1 NP 96 3 0.78 0.61 0.13 0.74 0.54 0.14 0.82 0.68 0.13 1.77 7.70
Rango 1 NA 96 3 0.78 0.61 0.13 0.74 0.55 0.14 0.82 0.68 0.13 1.77 7.70
Rango 1 SNV 96 4 0.76 0.57 0.14 0.70 0.50 0.15 0.85 0.72 0.12 1.77 7.69
Rango 3 FG 96 4 0.78 0.61 0.13 0.75 0.56 0.14 0.82 0.68 0.13 1.76 7.65
Anexo D. Resultados de los modelos PLSR obtenidos 185
Rango 2 SG1 96 3 0.78 0.61 0.13 0.72 0.52 0.15 0.82 0.68 0.13 1.76 7.65
Rango 2 Log 1/R 96 4 0.79 0.62 0.13 0.75 0.57 0.14 0.82 0.68 0.14 1.76 7.65
Rango 3 DC 96 4 0.78 0.61 0.13 0.75 0.56 0.14 0.83 0.69 0.13 1.75 7.62
Rango 3 SG2 96 3 0.77 0.59 0.14 0.68 0.46 0.16 0.81 0.66 0.13 1.75 7.61
Rango 1 NP 96 4 0.80 0.64 0.13 0.76 0.58 0.14 0.83 0.69 0.13 1.75 7.60
Rango 1 NA 96 4 0.80 0.64 0.13 0.75 0.57 0.14 0.83 0.69 0.13 1.75 7.60
Rango 3 SNV 96 4 0.77 0.59 0.13 0.71 0.50 0.15 0.74 0.55 0.15 1.75 7.59
Rango 2 DC 96 4 0.79 0.62 0.13 0.75 0.56 0.14 0.84 0.70 0.13 1.74 7.58
Rango 1 Log 1/R 96 3 0.76 0.58 0.14 0.72 0.52 0.15 0.81 0.65 0.15 1.74 7.58
Rango 2 NP 96 3 0.79 0.62 0.13 0.75 0.56 0.14 0.82 0.67 0.13 1.74 7.57
Rango 2 NA 96 3 0.79 0.62 0.13 0.74 0.54 0.14 0.82 0.67 0.13 1.74 7.57
Rango 1 NR 96 3 0.78 0.61 0.13 0.74 0.55 0.14 0.82 0.67 0.14 1.73 7.54
Rango 1 NUV 96 4 0.81 0.65 0.13 0.76 0.58 0.14 0.85 0.72 0.12 1.73 7.53
Rango 3 FG 96 3 0.78 0.60 0.13 0.75 0.56 0.14 0.82 0.67 0.13 1.73 7.50
Rango 3 NR 96 4 0.76 0.58 0.14 0.67 0.45 0.16 0.81 0.65 0.14 1.70 7.38
Rango 3 SG&NR 96 4 0.76 0.85 0.14 0.68 0.46 0.16 0.81 0.65 0.14 1.69 7.35
Rango 1 Log 1/R 96 4 0.78 0.61 0.13 0.74 0.55 0.14 0.82 0.67 0.14 1.69 7.33
Rango 3 DC 96 3 0.78 0.60 0.13 0.75 0.56 0.14 0.81 0.66 0.13 1.68 7.32
Rango 3 NP 96 4 0.77 0.59 0.14 0.71 0.50 0.15 0.80 0.65 0.14 1.68 7.31
Rango 2 Log 1/R 96 3 0.76 0.58 0.14 0.73 0.54 0.14 0.80 0.65 0.15 1.67 7.27
Rango 3 NM 96 4 0.77 0.59 0.14 0.70 0.49 0.15 0.80 0.55 0.14 1.67 7.27
Rango 3 Log 1/R 96 4 0.77 0.60 0.13 0.73 0.53 0.15 0.80 0.64 0.14 1.67 7.26
Rango 3 NUV 96 3 0.76 0.57 0.14 0.72 0.52 0.15 0.78 0.61 0.15 1.66 7.22
Rango 3 Log 1/R 96 3 0.77 0.59 0.14 0.74 0.54 0.14 0.80 0.64 0.14 1.66 7.21
Rango 1 SG2 96 4 0.86 0.73 0.11 0.73 0.53 0.15 0.77 0.60 0.15 1.65 7.17
Rango 3 NA 96 4 0.78 0.62 0.13 0.72 0.52 0.15 0.78 0.61 0.15 1.59 6.93
Rango 3 NP 96 3 0.75 0.57 0.14 0.72 0.53 0.15 0.78 0.60 0.15 1.58 6.87
Rango 2 NM 96 3 0.77 0.60 0.13 0.73 0.54 0.14 0.78 0.61 0.15 1.58 6.86
186 Relación entre las respuestas espectrales y la fertilización con nitrógeno y potasio en el cultivo de palma de aceite
(Híbrido OxG)
Rango 3 NA 96 3 0.76 0.58 0.14 0.73 0.54 0.14 0.77 0.59 0.15 1.57 6.81
Rango 2 FG 96 3 0.74 0.54 0.14 0.70 0.49 0.15 0.77 0.59 0.15 1.56 6.80
Rango 3 NM 96 3 0.75 0.56 0.14 0.71 0.51 0.15 0.77 0.59 0.15 1.56 6.78
Rango 1 DC 98 4 0.77 0.59 0.14 0.73 0.54 0.14 0.84 0.71 0.12 1.56 6.76
Rango 2 DC 96 3 0.75 0.56 0.14 0.71 0.52 0.15 0.76 0.58 0.15 1.55 6.74
Rango 3 NR 96 3 0.75 0.56 0.14 0.72 0.51 0.15 0.76 0.58 0.15 1.55 6.73
Rango 3 SG&MSC 96 3 0.73 0.54 0.14 0.66 0.44 0.16 0.76 0.58 0.14 1.55 6.72
Rango 3 SG&NR 96 3 0.75 0.56 0.14 0.72 0.51 0.15 0.76 0.58 0.15 1.54 6.72
Rango 1 FG 96 4 0.78 0.62 0.13 0.75 0.56 0.14 0.84 0.70 0.13 1.54 6.71
Rango 1 SG2 96 3 0.81 0.66 0.12 0.71 0.50 0.15 0.80 0.64 0.13 1.54 6.70
Rango 1 NM 96 3 0.76 0.58 0.14 0.72 0.51 0.15 0.77 0.60 0.50 1.54 6.68
Rango 3 MSC 96 3 0.74 0.54 0.14 0.67 0.44 0.16 0.75 0.57 0.15 1.52 6.62
Rango 3 SG&MSC 96 4 0.76 0.58 0.14 0.71 0.51 0.15 0.76 0.57 0.15 1.49 6.47
Rango 3 MSC 96 4 0.76 0.58 0.13 0.70 0.49 0.15 0.75 0.56 0.15 1.46 6.34
POTASIO
Calibración Validación Predicción
Rango Preprocesamiento n Factores RPD RER
Corr R2 RMSEC Corr R2 RMSECV Corr R2 RMSEP
Rango 2 NM 96 3 0.45 0.20 0.10 0.33 0.11 0.11 0.35 0.12 0.15 1.09 5.60
Rango 2 Log 1/R 96 3 0.33 0.11 0.11 0.10 0.01 0.12 0.33 0.11 0.15 1.08 5.55
Rango 1 SG&NR 96 3 0.46 0.21 0.10 0.35 0.12 0.11 0.32 0.10 0.15 1.07 5.54
Rango 2 DC 96 3 0.42 0.18 0.11 0.14 0.02 0.12 0.31 0.10 0.15 1.07 5.52
Rango 2 FG 96 3 0.43 0.18 0.10 0.13 0.02 0.12 0.31 0.10 0.15 1.07 5.51
Rango 1 NA 96 3 0.46 0.21 0.10 0.31 0.10 0.11 0.31 0.10 0.15 1.07 5.51
Rango 1 NP 96 3 0.46 0.21 0.10 0.31 0.09 0.11 0.31 0.10 0.15 1.07 5.51
Rango 1 NM 96 3 0.48 0.23 0.10 0.33 0.11 0.11 0.31 0.09 0.15 1.07 5.50
Rango 2 FG 96 4 0.51 0.26 0.10 0.33 0.11 0.11 0.30 0.09 0.16 1.06 5.45
Anexo D. Resultados de los modelos PLSR obtenidos 187
Rango 1 Log 1/R 96 3 0.31 0.10 0.11 0.05 0.00 0.12 0.26 0.07 0.16 1.05 5.44
Rango 1 NA 96 4 0.51 0.26 0.10 0.36 0.13 0.11 0.29 0.08 0.16 1.05 5.43
Rango 1 NP 96 4 0.51 0.26 0.10 0.36 0.13 0.11 0.29 0.08 0.16 1.05 5.43
Rango 2 NM 96 4 0.49 0.24 0.10 0.34 0.12 0.11 0.28 0.08 0.16 1.05 5.43
Rango 1 DC 98 3 0.41 0.17 0.11 0.12 0.01 0.12 0.27 0.07 0.16 1.05 5.43
Rango 2 NA 96 3 0.46 0.22 0.10 0.33 0.11 0.11 0.26 0.07 0.19 1.05 5.43
Rango 1 FG 96 3 0.45 0.20 0.10 0.13 0.02 0.12 0.26 0.07 0.16 1.05 5.42
Rango 1 SG&NR 96 4 0.52 0.27 0.10 0.36 0.13 0.11 0.28 0.08 0.16 1.05 5.42
Rango 2 NUV 96 3 0.49 0.24 0.10 0.30 0.09 0.11 0.28 0.08 0.16 1.05 5.42
Rango 2 NR 96 4 0.50 0.25 0.10 0.33 0.11 0.11 0.29 0.08 0.16 1.05 5.42
Rango 2 SG&NR 96 4 0.51 0.26 0.10 0.34 0.11 0.11 0.28 0.08 0.16 1.05 5.42
Rango 2 SG&NR 96 3 0.44 0.19 0.10 0.26 0.07 0.11 0.27 0.07 0.16 1.05 5.42
Rango 2 SNV 96 3 0.51 0.26 0.10 0.36 0.13 0.11 0.28 0.08 0.16 1.05 5.41
Rango 2 MSC 96 3 0.51 0.26 0.10 0.38 0.14 0.11 0.28 0.08 0.16 1.05 5.41
Rango 1 NUV 96 3 0.44 0.20 0.11 0.23 0.05 0.12 0.26 0.07 0.16 1.05 5.41
Rango 2 DC 96 4 0.51 0.26 0.10 0.33 0.11 0.11 0.27 0.08 0.16 1.04 5.39
Rango 3 FG 96 4 0.42 0.18 0.10 0.19 0.04 0.12 -0.13 NA 0.17 1.04 5.39
Rango 1 MSC 96 3 0.48 0.23 0.10 0.31 0.09 0.11 0.26 0.07 0.16 1.04 5.39
Rango 2 NR 96 3 0.44 0.20 0.10 0.31 0.10 0.11 0.26 0.07 0.16 1.04 5.38
Rango 1 NR 96 3 0.44 0.19 0.10 0.21 0.04 0.12 0.25 0.06 0.16 1.04 5.38
Rango 1 SG&MSC 96 3 0.51 0.26 0.10 0.32 0.10 0.11 0.26 0.07 0.16 1.04 5.37
Rango 1 SNV 96 3 0.50 0.25 0.10 0.29 0.09 0.11 0.26 0.07 0.16 1.04 5.37
Rango 1 SG2 96 4 0.66 0.43 0.08 0.12 0.02 0.12 0.28 0.08 0.16 1.04 5.37
Rango 2 SG&MSC 96 3 0.51 0.26 0.10 0.39 0.15 0.11 0.25 0.06 0.16 1.04 5.37
Rango 1 NR 96 4 0.50 0.25 0.10 0.28 0.08 0.12 0.26 0.07 0.16 1.04 5.37
Rango 1 NUV 96 4 0.50 0.25 0.10 0.25 0.06 0.12 0.26 0.07 0.16 1.04 5.36
Rango 1 SG1 96 3 0.49 0.24 0.10 0.27 0.07 0.11 0.26 0.07 0.16 1.04 5.36
Rango 2 NP 96 4 0.48 0.23 0.10 0.27 0.07 0.12 0.25 0.06 0.16 1.04 5.35
188 Relación entre las respuestas espectrales y la fertilización con nitrógeno y potasio en el cultivo de palma de aceite
(Híbrido OxG)
Rango 1 NM 96 4 0.50 0.25 0.10 0.31 0.10 0.11 0.24 0.06 0.16 1.04 5.35
Rango 1 DC 98 4 0.49 0.24 0.10 0.27 0.07 0.11 0.24 0.06 0.16 1.03 5.32
Rango 2 NA 96 4 0.52 0.27 0.10 0.36 0.13 0.11 0.27 0.07 0.16 1.03 5.32
Rango 2 NP 96 3 0.45 0.20 0.10 0.27 0.07 0.11 0.22 0.05 0.16 1.03 5.31
Rango 1 FG 96 4 0.50 0.25 0.10 0.33 0.11 0.11 0.22 0.05 0.16 1.03 5.31
Rango 1 SG1 96 4 0.59 0.34 0.09 0.38 0.15 0.11 0.26 0.07 0.16 1.03 5.31
Rango 2 NUV 96 4 0.52 0.27 0.10 0.31 0.10 0.11 0.24 0.06 0.16 1.02 5.29
Rango 2 SG1 96 3 0.49 0.24 0.10 0.27 0.07 0.11 0.22 0.05 0.16 1.02 5.27
Rango 3 NUV 96 3 0.22 0.05 0.11 -0.06 NA 0.11 0.08 0.01 0.16 1.01 5.22
Rango 3 SG&NR 96 3 0.27 0.07 0.11 -0.08 NA 0.12 0.06 0.00 0.16 1.01 5.20
Rango 3 NR 96 3 0.28 0.08 0.11 0.06 0.00 0.11 0.07 0.00 0.16 1.01 5.19
Rango 3 NM 96 3 0.30 0.09 0.11 0.16 0.03 0.11 0.08 0.01 0.16 1.01 5.19
Rango 2 SNV 96 4 0.54 0.30 0.10 0.39 0.15 0.11 0.18 0.03 0.16 1.00 5.16
Rango 2 MSC 96 4 0.54 0.30 0.10 0.40 0.16 0.11 0.18 0.03 0.16 1.00 5.16
Rango 3 NP 96 3 0.21 0.04 0.11 -0.01 NA 0.12 -0.02 NA 0.16 1.00 5.16
Rango 1 SG&MSC 96 4 0.54 0.29 0.10 0.36 0.13 0.11 0.18 0.03 0.16 1.00 5.15
Rango 3 NA 96 3 0.24 0.06 0.11 -0.07 NA 0.12 0.00 NA 0.17 1.00 5.15
Rango 1 SNV 96 4 0.54 0.29 0.10 0.33 0.11 0.11 0.18 0.03 0.17 1.00 5.15
Rango 1 MSC 96 4 0.53 0.28 0.10 0.34 0.12 0.11 0.18 0.03 0.17 1.00 5.14
Rango 2 SG&MSC 96 4 0.55 0.30 0.10 0.41 0.17 0.11 0.16 0.02 0.17 0.99 5.13
Rango 3 FG 96 3 0.34 0.12 0.11 -0.05 NA 0.12 0.02 0.00 0.17 0.99 5.11
Rango 2 SG1 96 4 0.57 0.32 0.10 0.33 0.11 0.11 0.16 0.03 0.17 0.99 5.09
Rango 1 Log 1/R 96 4 0.51 0.26 0.10 -0.05 NA 0.13 0.05 0.00 0.17 0.98 5.04
Rango 3 SG1 96 3 0.30 0.09 0.10 -0.06 NA 0.12 -0.07 NA 0.17 0.97 5.03
Rango 3 Log 1/R 96 3 0.19 0.04 0.11 -0.25 NA 0.12 -0.24 NA 0.17 0.97 5.02
Rango 1 SG2 96 3 0.50 0.25 0.10 0.07 0.01 0.12 0.02 0.00 0.17 0.97 5.01
Rango 3 SG&MSC 96 3 0.31 0.10 0.10 0.06 0.00 0.11 -0.11 NA 0.17 0.97 4.99
Rango 3 Log 1/R 96 4 0.25 0.06 0.11 -0.20 NA 0.13 -0.18 NA 0.17 0.96 4.97
Anexo D. Resultados de los modelos PLSR obtenidos 189
Rango 2 SG2 96 4 0.65 0.43 0.09 0.32 0.10 0.11 0.12 0.01 0.17 0.96 4.96
Rango 3 SG2 96 4 0.51 0.26 0.09 0.01 0.00 0.12 0.02 0.00 0.17 0.96 4.96
Rango 2 Log 1/R 96 4 0.54 0.30 0.10 0.03 0.00 0.13 0.03 0.00 0.17 0.96 4.93
Rango 3 MSC 96 3 0.37 0.14 0.11 0.16 0.03 0.12 -0.08 NA 0.17 0.96 4.93
Rango 3 SNV 96 3 0.39 0.15 0.11 0.22 0.05 0.11 -0.08 NA 0.17 0.95 4.91
Rango 3 SG2 96 3 0.37 0.14 0.10 -0.07 NA 0.12 -0.12 NA 0.17 0.95 4.89
Rango 2 SG2 96 3 0.55 0.30 0.10 0.13 0.02 0.12 0.00 0.00 0.18 0.94 4.83
Rango 3 SG&MSC 96 4 0.39 0.15 0.10 0.11 0.01 0.11 -0.25 NA 0.18 0.93 4.82
Rango 3 SG1 96 4 0.45 0.20 0.10 -0.05 NA 0.12 -0.10 NA 0.18 0.93 4.79
Rango 3 NUV 96 4 0.35 0.12 0.10 0.01 0.00 0.12 -0.35 NA 0.18 0.92 4.72
Rango 3 DC 96 3 0.43 0.19 0.10 0.04 0.00 0.12 -0.20 NA 0.18 0.92 4.72
Rango 3 NM 96 4 0.43 0.18 0.10 0.14 0.02 0.12 -0.31 NA 0.18 0.91 4.69
Rango 3 SG&NR 96 4 0.39 0.15 0.10 0.03 0.00 0.12 -0.35 NA 0.18 0.90 4.66
Rango 3 NR 96 4 0.40 0.16 0.10 0.11 0.01 0.12 -0.35 NA 0.18 0.90 4.65
Rango 3 NP 96 4 0.37 0.14 0.10 0.01 0.00 0.12 -0.34 NA 0.18 0.90 4.65
Rango 3 DC 96 4 0.46 0.21 0.10 0.22 0.05 0.11 -0.29 NA 0.18 0.90 4.63
Rango 3 NA 96 4 0.41 0.17 0.10 0.05 0.00 0.12 -0.34 NA 0.19 0.89 4.59
Rango 3 MSC 96 4 0.49 0.24 0.10 0.30 0.09 0.11 -0.24 NA 0.19 0.89 4.59
Rango 3 SNV 96 4 0.51 0.26 0.10 0.32 0.11 0.11 -0.23 NA 0.19 0.89 4.59
FOSFORO
Calibración Validación Predicción
Rango Preprocesamiento n Factores RPD RER
Corr R2 RMSEC Corr R2 RMSECV Corr R2 RMSEP
Rango 1 SG&NR 96 3 0.73 0.53 0.01 0.67 0.45 0.01 0.66 0.44 0.01 1.36 5.81
Rango 1 NR 96 3 0.73 0.53 0.01 0.66 0.44 0.01 0.66 0.44 0.01 1.36 5.80
Rango 2 Log 1/R 96 4 0.69 0.48 0.01 0.58 0.34 0.01 0.68 0.46 0.01 1.36 5.79
Rango 1 NM 96 3 0.71 0.51 0.01 0.62 0.38 0.01 0.66 0.44 0.01 1.35 5.76
190 Relación entre las respuestas espectrales y la fertilización con nitrógeno y potasio en el cultivo de palma de aceite
(Híbrido OxG)
Rango 1 SG&NR 96 4 0.77 0.60 0.01 0.72 0.52 0.01 0.66 0.43 0.01 1.34 5.72
Rango 1 NR 96 4 0.77 0.60 0.01 0.71 0.51 0.01 0.66 0.43 0.01 1.34 5.71
Rango 1 NM 96 4 0.76 0.58 0.01 0.68 0.47 0.01 0.66 0.43 0.01 1.33 5.68
Rango 1 NUV 96 3 0.73 0.53 0.01 0.65 0.43 0.01 0.64 0.41 0.01 1.32 5.65
Rango 1 NP 96 3 0.72 0.52 0.01 0.66 0.44 0.01 0.64 0.41 0.01 1.32 5.64
Rango 1 NA 96 3 0.72 0.52 0.01 0.63 0.39 0.01 0.64 0.40 0.01 1.32 5.64
Rango 2 SG1 96 4 0.71 0.51 0.01 0.54 0.29 0.01 0.64 0.41 0.01 1.32 5.64
Rango 1 FG 96 4 0.73 0.53 0.01 0.67 0.45 0.01 0.64 0.40 0.01 1.32 5.63
Rango 2 SG&NR 96 3 0.70 0.49 0.01 0.65 0.42 0.01 0.64 0.41 0.01 1.32 5.62
Rango 2 SG&NR 96 4 0.75 0.56 0.01 0.69 0.48 0.01 0.64 0.40 0.01 1.31 5.61
Rango 1 Log 1/R 96 3 0.71 0.51 0.01 0.63 0.40 0.01 0.66 0.43 0.01 1.31 5.60
Rango 1 DC 98 4 0.75 0.56 0.01 0.69 0.47 0.01 0.63 0.39 0.01 1.31 5.58
Rango 1 NUV 96 4 0.78 0.60 0.01 0.71 0.50 0.01 0.63 0.39 0.01 1.29 5.49
Rango 1 Log 1/R 96 4 0.73 0.53 0.01 0.64 0.41 0.01 0.63 0.40 0.01 1.29 5.49
Rango 1 NP 96 4 0.78 0.60 0.01 0.72 0.52 0.01 0.63 0.39 0.01 1.28 5.48
Rango 1 NA 96 4 0.77 0.59 0.01 0.68 0.47 0.01 0.63 0.39 0.01 1.28 5.47
Rango 2 NR 96 3 0.67 0.45 0.01 0.59 0.35 0.01 0.61 0.37 0.01 1.28 5.45
Rango 2 Log 1/R 96 3 0.63 0.40 0.01 0.54 0.30 0.01 0.61 0.37 0.01 1.27 5.42
Rango 1 DC 98 3 0.68 0.46 0.01 0.62 0.38 0.01 0.60 0.35 0.01 1.26 5.39
Rango 1 FG 96 3 0.66 0.43 0.01 0.60 0.36 0.01 0.60 0.36 0.01 1.26 5.38
Rango 3 FG 96 4 0.61 0.37 0.01 0.53 0.28 0.01 0.61 0.38 0.01 1.26 5.38
Rango 3 DC 96 4 0.61 0.37 0.01 0.53 0.28 0.01 0.61 0.38 0.01 1.26 5.38
Rango 1 SG1 96 3 0.80 0.64 0.01 0.74 0.55 0.01 0.60 0.36 0.01 1.26 5.38
Rango 2 NM 96 3 0.66 0.44 0.01 0.60 0.36 0.01 0.61 0.37 0.01 1.26 5.37
Rango 2 NR 96 4 0.72 0.51 0.01 0.64 0.41 0.01 0.58 0.34 0.01 1.25 5.35
Rango 3 Log 1/R 96 4 0.62 0.39 0.01 0.56 0.32 0.01 0.61 0.37 0.01 1.25 5.35
Rango 2 NM 96 4 0.72 0.52 0.01 0.65 0.42 0.01 0.60 0.36 0.01 1.25 5.33
Rango 2 NUV 96 3 0.64 0.41 0.01 0.53 0.28 0.01 0.58 0.33 0.01 1.24 5.30
Anexo D. Resultados de los modelos PLSR obtenidos 191
Rango 2 FG 96 4 0.64 0.42 0.01 0.55 0.31 0.01 0.57 0.33 0.01 1.24 5.30
Rango 2 DC 96 4 0.64 0.42 0.01 0.57 0.32 0.01 0.57 0.33 0.01 1.24 5.30
Rango 2 NA 96 3 0.63 0.40 0.01 0.54 0.29 0.01 0.58 0.33 0.01 1.24 5.29
Rango 2 NP 96 3 0.64 0.41 0.01 0.54 0.29 0.01 0.58 0.33 0.01 1.24 5.29
Rango 2 SG1 96 3 0.62 0.38 0.01 0.51 0.26 0.01 0.57 0.32 0.01 1.24 5.28
Rango 1 SG1 96 4 0.83 0.69 0.01 0.83 0.69 0.01 0.61 0.37 0.01 1.23 5.26
Rango 3 FG 96 3 0.59 0.35 0.01 0.52 0.27 0.01 0.57 0.32 0.01 1.23 5.24
Rango 3 DC 96 3 0.59 0.35 0.01 0.52 0.27 0.01 0.57 0.32 0.01 1.23 5.24
Rango 2 NP 96 4 0.69 0.48 0.01 0.60 0.36 0.01 0.56 0.31 0.01 1.23 5.24
Rango 2 NUV 96 4 0.70 0.49 0.01 0.60 0.36 0.01 0.56 0.31 0.01 1.23 5.23
Rango 2 FG 96 3 0.60 0.36 0.01 0.52 0.27 0.01 0.57 0.32 0.01 1.23 5.23
Rango 2 DC 96 3 0.60 0.36 0.01 0.52 0.27 0.01 0.57 0.32 0.01 1.23 5.23
Rango 3 SG2 96 3 0.60 0.36 0.01 0.45 0.20 0.01 0.38 0.14 0.01 1.23 5.23
Rango 3 SG2 96 4 0.66 0.43 0.01 0.45 0.20 0.01 0.35 0.13 0.01 1.23 5.23
Rango 2 NA 96 4 0.70 0.49 0.01 0.61 0.38 0.01 0.56 0.31 0.01 1.22 5.23
Rango 3 Log 1/R 96 3 0.60 0.36 0.01 0.53 0.28 0.01 0.57 0.33 0.01 1.22 5.21
Rango 3 SG1 96 4 0.66 0.43 0.01 0.50 0.25 0.01 0.54 0.29 0.01 1.21 5.15
Rango 1 SG2 96 4 0.84 0.70 0.01 0.61 0.37 0.01 0.59 0.34 0.01 1.19 5.08
Rango 2 SG&MSC 96 4 0.76 0.58 0.01 0.70 0.49 0.01 0.53 0.28 0.01 1.18 5.02
Rango 3 NM 96 3 0.58 0.34 0.01 0.52 0.27 0.01 0.49 0.24 0.01 1.16 4.97
Rango 2 SNV 96 4 0.75 0.56 0.01 0.70 0.49 0.01 0.53 0.28 0.01 1.16 4.95
Rango 2 MSC 96 4 0.75 0.56 0.01 0.69 0.47 0.01 0.53 0.28 0.01 1.16 4.95
Rango 1 SG&MSC 96 4 0.79 0.62 0.01 0.73 0.53 0.01 0.54 0.29 0.01 1.16 4.94
Rango 1 SNV 96 4 0.79 0.63 0.01 0.75 0.57 0.01 0.54 0.30 0.01 1.16 4.93
Rango 1 MSC 96 4 0.79 0.63 0.01 0.74 0.55 0.01 0.54 0.30 0.01 1.16 4.93
Rango 3 NA 96 3 0.56 0.32 0.01 0.45 0.20 0.01 0.48 0.23 0.01 1.15 4.91
Rango 3 NP 96 3 0.56 0.32 0.01 0.45 0.21 0.01 0.48 0.23 0.01 1.15 4.91
Rango 2 SG2 96 3 0.68 0.47 0.01 0.47 0.22 0.01 0.48 0.23 0.01 1.15 4.91
192 Relación entre las respuestas espectrales y la fertilización con nitrógeno y potasio en el cultivo de palma de aceite
(Híbrido OxG)
Rango 2 MSC 96 3 0.70 0.50 0.01 0.63 0.40 0.01 0.48 0.23 0.01 1.15 4.91
Rango 2 SNV 96 3 0.70 0.50 0.01 0.64 0.40 0.01 0.48 0.23 0.01 1.15 4.91
Rango 1 SG2 96 3 0.75 0.56 0.01 0.49 0.24 0.01 0.51 0.26 0.01 1.15 4.90
Rango 1 MSC 96 3 0.75 0.56 0.01 0.69 0.47 0.01 0.49 0.24 0.01 1.14 4.89
Rango 2 SG2 96 4 0.76 0.57 0.01 0.53 0.28 0.01 0.51 0.26 0.01 1.14 4.89
Rango 1 SNV 96 3 0.75 0.56 0.01 0.67 0.45 0.01 0.49 0.24 0.01 1.14 4.88
Rango 1 SG&MSC 96 3 0.74 0.55 0.01 0.67 0.45 0.01 0.49 0.24 0.01 1.14 4.88
Rango 3 NUV 96 3 0.57 0.32 0.01 0.51 0.26 0.01 0.47 0.22 0.01 1.14 4.87
Rango 2 SG&MSC 96 3 0.73 0.53 0.01 0.67 0.45 0.01 0.47 0.22 0.01 1.14 4.86
Rango 3 SG1 96 3 0.59 0.35 0.01 0.51 0.26 0.01 0.44 0.19 0.01 1.12 4.80
Rango 3 NM 96 4 0.61 0.37 0.01 0.53 0.28 0.01 0.43 0.18 0.01 1.11 4.74
Rango 3 SG&NR 96 4 0.62 0.38 0.01 0.51 0.26 0.01 0.43 0.19 0.01 1.11 4.74
Rango 3 SG&NR 96 3 0.59 0.35 0.01 0.47 0.22 0.01 0.42 0.17 0.01 1.10 4.71
Rango 3 NUV 96 4 0.60 0.36 0.01 0.50 0.25 0.01 0.40 0.16 0.01 1.10 4.68
Rango 3 NP 96 4 0.60 0.36 0.01 0.49 0.24 0.01 0.39 0.15 0.01 1.09 4.64
Rango 3 NA 96 4 0.60 0.36 0.01 0.49 0.24 0.01 0.39 0.15 0.01 1.09 4.64
Rango 3 NR 96 4 0.60 0.36 0.01 0.51 0.26 0.01 0.39 0.15 0.01 1.09 4.64
Rango 3 NR 96 3 0.60 0.36 0.01 0.50 0.25 0.01 0.40 0.16 0.01 1.09 4.64
Rango 3 SNV 96 4 0.60 0.36 0.01 0.49 0.24 0.01 0.32 0.10 0.01 1.04 4.45
Rango 3 MSC 96 4 0.60 0.36 0.01 0.50 0.25 0.01 0.32 0.10 0.01 1.04 4.45
Rango 3 SG&MSC 96 4 0.60 0.35 0.01 0.48 0.23 0.01 0.32 0.10 0.01 1.04 4.44
Rango 3 SG&MSC 96 3 0.59 0.34 0.01 0.50 0.25 0.01 0.31 0.10 0.01 1.03 4.39
Rango 3 SNV 96 3 0.59 0.35 0.01 0.51 0.26 0.01 0.31 0.10 0.01 1.03 4.39
Rango 3 MSC 96 3 0.59 0.35 0.01 0.51 0.26 0.01 0.31 0.10 0.01 1.03 4.39
E. Anexo: ANOVA para los índices a
partir de fotografías aéreas
PRIMER MUESTREO DONA
Variable Fuente GL SC MC Razón - F Razón - P
Carter4 Tratamiento 5 4.0360 0.8071 4.4710 0.0029
Residuo 36 6.4990 0.1805
Total 41 10.5350
CCCI Tratamiento 5 0.0740 0.0148 15.0200 0.0000
Residuo 36 0.0355 0.0010
Total 41 0.1094
CIG Tratamiento 5 0.0157 0.0031 1.2330 0.3140
Residuo 36 0.0917 0.0025
Total 41 0.1074
CIRE Tratamiento 5 0.0112 0.0022 9.9540 0.0000
Residuo 36 0.0081 0.0002
Total 41 0.0193
Chlorophyll Tratamiento 5 0.9110 0.1822 3.7190 0.0081
vegetation Residuo 36 1.7640 0.0490
index
Total 41 2.6750
Datt Tratamiento 5 5.1210 1.0242 10.8700 0.0000
Residuo 36 3.3920 0.0942
Total 41 8.5130
Datt2 Tratamiento 5 0.0112 0.0022 9.9540 0.0000
Residuo 36 0.0081 0.0002
Total 41 0.0193
Datt4 Tratamiento 5 0.0003 0.0001 2.1640 0.0799
Residuo 36 0.0009 0.0000
Total 41 0.0012
Green-Blue Tratamiento 5 0.0033 0.0007 3.6950 0.0084
NDVI Residuo 36 0.0064 0.0002
Total 41 0.0097
194 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Total 41 0.0433
Chlorophyll Tratamiento 5 0.0391 0.0078 1.3070 0.2830
vegetation Residuo 36 0.2155 0.0060
index
Total 41 0.2546
Datt Tratamiento 5 9.7090 1.9417 6.9930 0.0001
Residuo 36 9.9960 0.2777
Total 41 19.7050
Datt2 Tratamiento 5 0.0207 0.0041 6.6050 0.0002
Residuo 36 0.0226 0.0006
Total 41 0.0433
Datt4 Tratamiento 5 0.0009 0.0002 1.9130 0.1160
Residuo 36 0.0033 0.0001
Total 41 0.0041
Green-Blue Tratamiento 5 0.0175 0.0035 4.5070 0.0027
NDVI Residuo 36 0.0279 0.0008
Total 41 0.0454
Green-Red Tratamiento 5 0.0201 0.0040 4.3100 0.0036
NDVI Residuo 36 0.0335 0.0009
Total 41 0.0536
Green Tratamiento 5 0.1279 0.0256 2.6930 0.0362
Vegetation Residuo 36 0.3421 0.0095
Index
Total 41 0.4700
Intensity Tratamiento 5 0.0000 0.0000 2.1690 0.0793
Residuo 36 0.0000 0.0000
Total 41 0.0000
Leaf Tratamiento 5 1.3370 0.2674 4.1300 0.0046
Chlorophyll Residuo 36 2.3310 0.0647
Index
Total 41 3.6680
mND705 Tratamiento 5 0.0374 0.0075 7.8980 0.0000
Residuo 36 0.0341 0.0009
Total 41 0.0714
MTCI Tratamiento 5 0.0236 0.0047 5.6470 0.0006
Residuo 36 0.0301 0.0008
Total 41 0.0537
Normalized Tratamiento 5 0.0081 0.0016 2.9400 0.0252
Difference Residuo 36 0.0197 0.0005
NIR/Green
Green NDVI Total 41 0.0278
Normalized Tratamiento 5 0.0288 0.0058 6.5590 0.0002
Difference Residuo 36 0.0316 0.0009
NIR/Rededge
Normalized Total 41 0.0604
202 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Difference
Red-Edge
Norm NIR Tratamiento 5 0.0051 0.0010 4.4250 0.0030
Residuo 36 0.0082 0.0002
Total 41 0.0133
PanNDVI Tratamiento 5 0.0272 0.0054 5.0130 0.0014
Residuo 36 0.0391 0.0011
Total 41 0.0663
Prueba Tratamiento 5 0.0118 0.0024 2.4990 0.0484
Residuo 36 0.0339 0.0009
Total 41 0.0456
Red-Blue Tratamiento 5 0.0470 0.0094 4.5410 0.0026
NDVI Residuo 36 0.0745 0.0021
Total 41 0.1216
REP_Li Tratamiento 5 37.8000 7.5590 5.6470 0.0006
Residuo 36 48.1900 1.3390
Total 41 85.9900
TCARI Tratamiento 5 2.3840 0.4768 1.2470 0.3080
Residuo 36 13.7660 0.3824
Total 41 16.1500
Total 41 17.8580
Datt2 Tratamiento 5 0.0123 0.0025 4.0090 0.0054
Residuo 36 0.0221 0.0006
Total 41 0.0344
Datt4 Tratamiento 5 0.0005 0.0001 1.7570 0.1470
Residuo 36 0.0019 0.0001
Total 41 0.0024
Green-Blue Tratamiento 5 0.0145 0.0029 6.2860 0.0003
NDVI Residuo 36 0.0166 0.0005
Total 41 0.0310
Green-Red Tratamiento 5 0.0173 0.0035 5.7040 0.0006
NDVI Residuo 36 0.0219 0.0006
Total 41 0.0392
Green Tratamiento 5 0.1254 0.0251 3.7710 0.0076
Vegetation Residuo 36 0.2393 0.0066
Index
Total 41 0.3647
Intensity Tratamiento 5 0.0000 0.0000 2.1300 0.0841
Residuo 36 0.0000 0.0000
Total 41 0.0000
Leaf Tratamiento 5 1.3110 0.2622 3.4840 0.0114
Chlorophyll Residuo 36 2.7090 0.0753
Index
Total 41 4.0200
mND705 Tratamiento 5 0.0269 0.0054 5.7480 0.0005
Residuo 36 0.0338 0.0009
Total 41 0.0607
MTCI Tratamiento 5 0.0147 0.0029 4.6080 0.0024
Residuo 36 0.0229 0.0006
Total 41 0.0376
Normalized Tratamiento 5 0.0063 0.0013 3.7090 0.0083
Difference Residuo 36 0.0123 0.0003
NIR/Green
Green NDVI Total 41 0.0186
Normalized Tratamiento 5 0.0195 0.0039 4.4270 0.0030
Difference Residuo 36 0.0318 0.0009
NIR/Rededge
Normalized Total 41 0.0513
Difference
Red-Edge
Norm NIR Tratamiento 5 0.0043 0.0009 5.7040 0.0006
Residuo 36 0.0055 0.0002
Total 41 0.0098
PanNDVI Tratamiento 5 0.0235 0.0047 7.0150 0.0001
Residuo 36 0.0241 0.0007
204 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Total 41 0.0476
Prueba Tratamiento 5 0.0039 0.0008 1.7400 0.1510
Residuo 36 0.0159 0.0004
Total 41 0.0198
Red-Blue Tratamiento 5 0.0378 0.0076 5.5390 0.0007
NDVI Residuo 36 0.0491 0.0014
Total 41 0.0869
REP_Li Tratamiento 5 23.6400 4.7290 4.7100 0.0021
Residuo 36 36.1400 1.0040
Total 41 59.7800
TCARI Tratamiento 5 2.3940 0.4787 1.5640 0.1950
Residuo 36 11.0220 0.3062
Total 41 13.4160
mND705 -0.634
MTCI -0.629
Normalized Difference NIR/Green Green NDVI -0.066
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.607
Norm NIR -0.208
PanNDVI -0.245
Prueba -0.437
REP_Li -0.629
TCARI -0.139
Random
Carter4 0.382
CCCI -0.544
CIRE -0.447
Chlorophyll vegetation index 0.456
Datt -0.390
Datt2 -0.447
Green-Red NDVI -0.507
mND705 -0.517
MTCI -0.521
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.437
Norm NIR -0.507
PanNDVI -0.507
Prueba -0.369
Red-Blue NDVI -0.543
REP_Li -0.521
TCARI 0.259
SEGUNDO MUESTREO
Índice de Vegetación Nitrógeno
Dona
Carter4 0.457
CCCI -0.535
CIG -0.307
CIRE -0.517
Datt -0.494
Datt2 -0.517
Datt4 -0.041
Green-Blue NDVI -0.475
Green-Red NDVI -0.475
Green Vegetation Index -0.307
Intensity -0.226
Leaf Chlorophyll Index -0.414
mND705 -0.540
MTCI -0.548
Normalized Difference NIR/Green Green NDVI -0.323
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.509
Norm NIR -0.470
Bibliografía 213
PanNDVI -0.514
Prueba -0.388
Red-Blue NDVI -0.557
REP_Li -0.548
TCARI 0.007
Punto
Carter4 0.239
CCCI -0.379
CIG -0.258
CIRE -0.235
Datt -0.305
Datt2 -0.235
Green-Blue NDVI -0.374
Green-Red NDVI -0.364
Green Vegetation Index -0.258
Leaf Chlorophyll Index -0.143
mND705 -0.294
MTCI -0.276
Normalized Difference NIR/Green Green NDVI -0.262
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.244
Norm NIR -0.356
PanNDVI -0.418
Prueba 0.063
Red-Blue NDVI -0.450
REP_Li -0.276
Random
Carter4 0.405
CCCI -0.564
CIG -0.381
CIRE -0.433
Datt -0.457
Datt2 -0.433
Green-Blue NDVI -0.477
Green-Red NDVI -0.529
Green Vegetation Index -0.381
Leaf Chlorophyll Index -0.360
mND705 -0.465
MTCI -0.503
Normalized Difference NIR/Green Green NDVI -0.342
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.403
Norm NIR -0.529
PanNDVI -0.563
Red-Blue NDVI -0.612
REP_Li -0.507
TERCER MUESTREO
Índice de Vegetación Nitrógeno
Dona
214 Relación entre las respuestas espectrales y la fertilización con nitrógeno y
potasio en el cultivo de palma de aceite (Híbrido OxG)
Carter4 0.640
CCCI -0.711
CIRE -0.657
Datt -0.660
Datt2 -0.657
Intensity -0.530
Leaf Chlorophyll Index -0.621
mND705 -0.689
MTCI -0.669
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.663
Norm NIR -0.384
PanNDVI -0.547
Prueba -0.582
Red-Blue NDVI -0.660
REP_Li -0.669
Punto
Carter4 0.462
CCCI -0.661
CIG -0.307
CIRE -0.521
Datt -0.536
Datt2 -0.521
Datt4 -0.186
Green-Blue NDVI -0.463
Green-Red NDVI -0.462
Green Vegetation Index -0.307
Leaf Chlorophyll Index -0.372
mND705 -0.612
MTCI -0.577
Normalized Difference NIR/Green Green NDVI -0.281
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.512
Norm NIR -0.462
PanNDVI -0.518
Red-Blue NDVI -0.608
REP_Li -0.577
TCARI 0.239
Random
Carter4 0.549
CCCI -0.691
CIRE -0.611
Chlorophyll vegetation index 0.622
Datt -0.558
Datt2 -0.611
Leaf Chlorophyll Index -0.514
mND705 -0.665
MTCI -0.626
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.576
Prueba -0.485
Bibliografía 215