Tesis Maestria Geomatica Jhon Montero

Relación entre las respuestas
espectrales y la fertilización con

nitrógeno y potasio en el cultivo de
palma de aceite (Híbrido OxG)
Jhon Eder Montero Espinosa
Universidad Nacional de Colombia

Facultad de Ciencias Agrarias
Ciudad, Colombia
2021
Relación entre las respuestas
espectrales y la fertilización con
nitrógeno y potasio en el cultivo de
palma de aceite (Híbrido OxG)
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
Universidad Nacional de Colombia

Facultad de Ciencias Agrarias
Bogotá, Colombia
2021
A mi esposa Catalina que sin su visión no
hubiera ingresado a esta maestría, has sido mi
polo a tierra que ha vivido todo este largo
proceso, donde hemos pasado por la segunda
maestría, aprendiendo, trasnochando, riendo,
llorando, siendo mi mayor soporte. Gracias por
ver en mi lo que muchas veces yo veo borroso.
A mis padres, mis papas abuelos, mi hermano
y tías por todo su cariño, apoyo y oraciones. A
Dios y sus maravillas de colocar en mi camino
a las personas y momentos adecuados
cuando más lo necesito.
Declaración de obra original
Yo declaro lo siguiente:
He leído el Acuerdo 035 de 2003 del Consejo Académico de la Universidad Nacional.

«Reglamento sobre propiedad intelectual» y la Normatividad Nacional relacionada al
respeto de los derechos de autor. Esta disertación representa mi trabajo original, excepto
donde he reconocido las ideas, las palabras, o materiales de otros autores.
Cuando se han presentado ideas o palabras de otros autores en esta disertación, he

realizado su respectivo reconocimiento aplicando correctamente los esquemas de citas y
referencias bibliográficas en el estilo requerido.
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).
Por último, he sometido esta disertación a la herramienta de integridad académica, definida

por la universidad.
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 la Plantación Guaicaramo quien puso a disposición la plantación y personal de apoyo, al

ingeniero Gustavo Rosero y Shirley Carvajal analista de I.D.P.I que siempre estuvieron
dispuestos a que la fase de campo se hiciera de la mejor manera posible.
A José Monsalve por todo su tiempo, apoyo, colaboración y conocimientos.
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.
A la Universidad Nacional de Colombia, sede Bogotá junto a la Facultad de Ciencias

Agrarias, no solo por el préstamo de los equipos y apoyo financiero del proyecto, si no por
el crecimiento personal y académico que dejo en mí.
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
Relación entre las respuestas espectrales y la fertilización con nitrógeno y

potasio en el cultivo de palma de aceite (Híbrido OxG)
La presente investigación se realizó en la plantación Guaicaramo ubicada en el municipio

de Cabuyaro departamento del Meta, con el objetivo de determinar la relación entre las
respuestas espectrales y el contenido nitrógeno y potasio en el cultivo de palma de aceite
(Híbrido OxG, Coarí x LaMé). Se utilizó un diseño completamente al azar, con seis
tratamientos de diferentes dosis de nitrógeno y potasio. Se efectuaron 3 muestreos, para
cada uno se muestrearon siete palmas por tratamiento para un total de 42 palmas por
muestreo y de cada palma se analizaron los datos de 6 foliolos. En cada uno de los
muestreos se tomaron fotografías aéreas con UAV y una cámara multiespectral MicaSense
de 5 bandas (rojo, azul, verde, RedEdge y NIR); se realizaron análisis de contenidos
foliares en laboratorio; se midió la reflectancia de 6 foliolos por palma con el
espectroradiómetro FieldSpect4 y para el segundo muestreo se realizó un análisis edáfico.
Se encontró que, a menor contenido de nitrógeno foliar, la reflectancia en el rango visible
fue mayor; por otra parte, las mediciones de la reflectancia con el espectroradiómetro para
el primer muestreo tuvieron la mayor cantidad de índices con correlaciones significativas
para el nitrógeno foliar, destacando el índice de vegetación Datt, como el de mejor
desempeño en estas pruebas. Para potasio y fósforo foliar, en ninguno de los tres
muestreos se presentó correlaciones mayores a 0.5 entre los índices espectrales y la
concentración de potasio y fósforo foliar. Para la construcción de los modelos PLSR la
longitud de onda de mayor influencia, fue cercana a los 718 nm, donde el modelo generado
para nitrógeno puede ser usado para realizar predicciones cuantitativas. Por otra parte, se
encontró que las correlaciones para los índices espectrales y el contenido de Nitrógeno a
partir de las fotografías aéreas fueron mejores que las obtenidas a partir de las mediciones
de reflectancia con el espectroradiómetro para los tres muestreos.
Palabras clave: palma de aceite, nitrógeno, potasio, índices espectrales, PLSR, UAV,
espectrorradiómetro.
Resumen y Abstract VII
Abstract
Relationship between spectral responses and nitrogen and potassium

fertilization in oil palm crop (OxG hybrid)
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.
Keywords: oil palm, nitrogen, potassium, spectral indices, PLSR, UAV,

spectroradiometer
VIII Relación entre las respuestas espectrales y la fertilización con nitrógeno y
Contenido
Pág.
Resumen......................................................................................................................... VI
Lista de figuras ...............................................................................................................X
Lista de tablas .............................................................................................................. XIII
Lista de Símbolos y abreviaturas ............................................................................... XV
Introducción .................................................................................................................... 1
1. Marco Teórico .......................................................................................................... 3

1.1 Respuestas espectrales ...................................................................................... 3
1.2 Imágenes multiespectrales con UAVs ................................................................. 5
1.3 Método estadístico PLSR.................................................................................... 8
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
4.2 Efecto de los tratamientos en los contenidos foliares de Nitrógeno, Potasio y

Fósforo. .......................................................................................................................37
4.2.1 Efecto de los tratamientos en el contenido de Nitrógeno foliar ....................... 37
4.2.2 Variación de los contenidos de Nitrógeno foliar entre las fechas de muestreo
40
4.2.3 Efectos de los tratamientos en el contenido de Potasio foliar......................... 44
4.2.4 Variación de los contenidos de Potasio foliar entre las fechas de muestreo .. 45
4.2.5 Variación de los contenidos de Fósforo foliar entre las fechas de muestreo .. 47
4.3 Efectos de los tratamientos en las respuestas espectrales ................................51
4.3.1 Muestreo 1..................................................................................................... 51
4.3.2 Muestreo 2..................................................................................................... 59
4.3.3 Muestreo 3..................................................................................................... 65
4.3.4 Variación de los contenidos de NPK foliar entre las fechas de muestreo ....... 71
4.4 Modelos de predicción ......................................................................................74
4.4.1 Modelos de regresión simple para Nitrógeno ................................................. 75
4.4.2 Modelos PLSR para nitrógeno ....................................................................... 78
4.4.3 Modelos PLSR para potasio .......................................................................... 83
4.4.4 Modelos PLSR para fósforo ........................................................................... 87
4.5 Procesamiento de imágenes tomadas con UAV ................................................93
4.5.1 Muestreo 1..................................................................................................... 95
4.5.2 Muestreo 2................................................................................................... 102
4.5.3 Muestreo 3................................................................................................... 108
5. Discusión .............................................................................................................. 116
6. Conclusiones y recomendaciones ...................................................................... 120

6.1 Conclusiones...................................................................................................120
6.2 Recomendaciones........................................................................................... 122
Bibliografía .................................................................................................................. 123
A. Anexo: Índices de vegetación analizados .......................................................... 141
B. Anexo: Análisis de varianza (ANOVA) ................................................................ 149
C. Anexo: Correlaciones de Pearson ...................................................................... 179
D. Anexo: Resultados de los modelos PLSR obtenidos ........................................ 183
E. Anexo: ANOVA para los índices a partir de fotografías aéreas ........................ 193
F. Anexo: Correlación de Pearson para UAV ......................................................... 211

X Relación entre las respuestas espectrales y la fertilización con nitrógeno y
Lista de figuras
Pág.
Figura 1-1: Características típicas de la respuesta espectral de vegetación verde.

Tomada de Liang (2004) ................................................................................................... 4
Figura 1-2: Dependencia de la reflectancia de la hoja sobre la concentración de clorofila
a + b. Tomada de Liang (2004) ......................................................................................... 5
Figura 1-3: Terminología de imágenes digitales. Tomado de Jensen & Lulla. (1987) ....... 6
Figura 3-1: Diagrama de flujo del proyecto ..................................................................... 12
Figura 3-2: área de estudio, plantación Guaicaramo, municipio de Barranca de Upía y
Cabuyaro – Meta ............................................................................................................ 13
Figura 3-3: Distribución de las parcelas con los distintos tratamientos en la zona
experimental ................................................................................................................... 15
Figura 3-4: Obtención de foliolos.................................................................................... 16
Figura 3-5: (a) palma con filotaxia derecha, (b) palma con filotaxia izquierda................. 17
Figura 3-6: a) altura de la palma, b) ancho del raquis .................................................... 19
Figura 3-7: Toma de submuestras de suelos en el plato de la palma ............................. 20
Figura 3-8: Organización y limpieza de foliolos .............................................................. 22
Figura 3-9: Obtención de respuestas espectrales con espectrorradiómetro FieldSpec 4 23
Figura 3-10: Equipo utilizado para la obtención de las imágenes multiespectrales ........ 24
Figura 3-11: Panel de calibración para la cámara MicaSense ........................................ 25
Figura 3-12: Captura de coordenadas para los puntos de control. ................................. 27
Figura 4-1: Precipitación de los años 1994 a 2019 ......................................................... 34
Figura 4-2: Promedio mensual de la precipitación y días lluviosos para el periodo de
1994 a 2019 .................................................................................................................... 35
Figura 4-3: Promedios de precipitación y evaporación del periodo de 1994 a 2019 ....... 35
Figura 4-4: Promedios de temperatura del periodo de 1994 a 2019 ............................... 36
Figura 4-5: Comparaciones múltiples de medias muestrales para el contenido de N foliar
en a) primer muestreo. b) segundo muestreo. c) tercer muestreo. Promedio con letras
diferentes indican diferencias significativas (Duncan alfa=0.05) ...................................... 40
Figura 4-6: Contenido promedio de N foliar para los tres muestreos .............................. 41
Figura 4-7: N total en el suelo para el segundo muestreo .............................................. 43
Figura 4-8: Contenido foliar de K.................................................................................... 46
Figura 4-9: K total en el suelo ........................................................................................ 47
Figura 4-10: Contenido foliar de P.................................................................................. 49
Figura 4-11: P total en el suelo ...................................................................................... 50
Contenido XI
Figura 4-12: Mediana de respuestas espectrales para el primer muestreo (n = 42 palmas

x 6 foliolos cada una).......................................................................................................51
Figura 4-13: Mediana de respuestas espectrales para el primer muestreo en el rango
visible (n = 42 palmas x 6 foliolos cada una) ...................................................................52
Figura 4-14: Mediana de la primera derivada del primer muestreo en el rango visible (n =
42 palmas x 6 foliolos cada una) .....................................................................................53
Figura 4-15: Mediana de la primera derivada del primer muestreo en el rango del
infrarrojo (n = 42 palmas x 6 foliolos cada una) ...............................................................54
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).........................................55
Figura 4-17: Mediana de respuestas espectrales para el segundo muestreo (n = 42
palmas x 6 foliolos cada una) ..........................................................................................59
Figura 4-18: Mediana de respuestas espectrales para el segundo muestreo en el rango
Figura 4-19: Mediana de la primera derivada del segundo muestreo en el rango visible (n
= 42 palmas x 6 foliolos) ..................................................................................................61
Figura 4-20: Mediana de la primera derivada del segundo muestreo en el rango del
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) ...............................62
Figura 4-22: Mediana de respuestas espectrales para el tercer muestreo (n = 42 palmas
x 6 foliolos cada una).......................................................................................................66
Figura 4-23: Mediana de respuestas espectrales para el tercer muestreo en el rango
Figura 4-24: Mediana de la primera derivada del tercer muestreo en el rango visible (n =
42 palmas x 6 foliolos cada una) .....................................................................................67
Figura 4-25: Mediana de la primera derivada del tercer muestreo en el rango del
de N en el tercer muestreo (n = 42 palmas x 6 foliolos cada una) ...................................68
Figura 4-27: Promedio de las respuestas espectrales para los muestreos realizados (n =
42 palmas x 6 foliolos por muestreo) ...............................................................................72
Figura 4-28: Promedio de las respuestas espectrales en el rango visible para los
muestreos realizados (n = 42 palmas x 6 foliolos por muestreo) .....................................73
Figura 4-29: Promedio de las respuestas espectrales en el rango infrarrojo para los
muestreos realizados (n = 42 palmas x 6 foliolos por muestreo) .....................................73
Figura 4-30: Longitudes de ondas para los tres sets de datos ........................................74
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) ............................................................................................................76
Figura 4-32: Regresión entre contenidos de Nitrógeno con Vogelmann3, Datt, Datt3 y
CCCI para el segundo muestreo (n = 42) ........................................................................77
Figura 4-33: Regresión entre contenidos de N con el índice LWVI1 para el tercer
muestreo (n = 42) ............................................................................................................77
XII Relación entre las respuestas espectrales y la fertilización con nitrógeno y
Figura 4-34: Respuestas espectrales con los preprocesamientos de Savitzky Golay

combinado con la normalización por rangos ................................................................... 80
Figura 4-35: relación predicción y datos reales para el modelo de calibración con
preprocesamiento de Savitzky Golay y normalización por rangos para N ....................... 80
Figura 4-36: Longitudes de onda con mayor peso en el modelo predictivo .................... 81
Figura 4-37: Resultados de los datos de validación externa ........................................... 81
Figura 4-38: Respuestas espectrales con el preprocesamiento de Normalización Máxima
....................................................................................................................................... 84
Figura 4-39: Relación predicción y datos reales para el modelo de calibración con
preprocesamiento de Normalización Máxima para K ...................................................... 85
Figura 4-41: Resultados de los datos de validación externa ........................................... 86
combinado con la Normalización por rangos ................................................................... 89
preprocesamiento de Savitzky Golay y Normalización por rangos para P ....................... 89
Figura 4-45: Resultados de los datos de validación externa........................................... 90
Figura 4-46: Regresión entre contenidos de Nitrógeno con el índice de mayor correlación
(CCCI) para el primer muestreo (n = 42) ....................................................................... 101
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 ........... 101
(Red-Blue NDVI) para el segundo muestreo (n = 42) .................................................... 107
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 .............................................................................................................................. 108
(CCCI) para el tercer muestreo (n = 42) ........................................................................ 113
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 .................. 114
Contenido XIII
Lista de tablas
Pág.
Tabla 3-1: Dosis de tratamientos ....................................................................................14

Tabla 3-2: Tamaños de la muestra calculados ................................................................15
Tabla 3-3: Fechas de obtención de datos para el proyecto .............................................16
Tabla 3-4: Metodología y análisis foliares realizados ......................................................18
Tabla 3-5. Metodología y análisis edáficos realizados.....................................................21
Tabla 3-6: Especificaciones técnicas del espectroradiómetro FieldSpec4 .......................21
Tabla 3-7: Especificaciones técnicas de la cámara MicaSense RedEdge .......................24
Tabla 4-1: Prueba de la normalidad Shapiro-Wilk para contenidos de N en los foliolos por
tratamientos en los tres muestreos (n=42).......................................................................37
Tabla 4-2: Análisis de varianza para contenidos de N en los foliolos por tratamientos en
los tres muestreos (n=42). ...............................................................................................38
Tabla 4-3: Promedio de los contenidos nutricionales de los foliolos en cada dosis para N
(%) ..................................................................................................................................41
Tabla 4-4: Prueba de la normalidad Shapiro-Wilk para contenidos de K en los foliolos por
tratamientos en los tres muestreos (n=42).......................................................................44
Tabla 4-5: Análisis de varianza para contenidos de K en los foliolos por tratamientos en
los tres muestreos (n=42). ...............................................................................................45
Tabla 4-6: Promedio de los contenidos nutricionales en los foliolos para K (%) ..............46
Tabla 4-7: Promedio de los contenidos nutricionales en los foliolos para fósforo (%)......48
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) ..................55
Tabla 4-9: Resumen de las comparaciones múltiples de medias muestrales para los
índices de vegetación en el primer muestreo ..................................................................56
Tabla 4-10: Resumen de la correlación de Pearson para los índices de vegetación con
mayores valores en el primer muestreo ...........................................................................58
Tabla 4-11: Resumen del análisis de varianza para los índices de vegetación por
tratamientos en el segundo muestreo (n = 42) ................................................................62
índices de vegetación en el segundo muestreo ...............................................................63
mayores valores en el segundo muestreo .......................................................................65
tratamientos en el tercer muestreo (n = 42) .....................................................................69
XIV Relación entre las respuestas espectrales y la fertilización con nitrógeno y
índices de vegetación en el tercer muestreo ................................................................... 70
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
Normalización por rango ................................................................................................. 91
predicción y los de referencia .......................................................................................... 91
Tabla 4-26: Bandas de la cámara multiespectral Micasense .......................................... 93
Tabla 4-27: Índices de vegetación adaptados................................................................. 93
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42) ................. 95
índices de vegetación en el primer muestreo .................................................................. 96
mayores valores en el primer muestreo .......................................................................... 99
tratamientos en el segundo muestreo (n = 42) .............................................................. 102
índices de vegetación en el segundo muestreo............................................................. 103
mayores valores en el segundo muestreo ..................................................................... 106
tratamientos en el tercer muestreo (n = 42)................................................................... 109
índices de vegetación en el tercer muestreo ................................................................. 110
mayores valores en el tercer muestreo ......................................................................... 112
Contenido XV
Lista de Símbolos y abreviaturas
Símbolos con letras latinas

Símbolo Término Unidad SI
kg Kilogramo kg
g Gramos g
N Nitrógeno N
nm Nanómetro nm
ha Hectárea ha
K Potasio K
P Fósforo P
Introducción
La palma de aceite es originaria de África Occidental y constituye, una fuente cada vez
más importante de aceite vegetal no solo por su producción que supera a la soja, el girasol
y la colza (Rendana et al., 2015), sino también debido a sus diferentes usos en las
industrias alimenticia, de cosméticos, de productos farmacéuticos y de aseo. Por lo anterior
es vital buscar estrategias para que la producción de aceite de palma se maximice y sea
más eficiente en el uso de insumos como los fertilizantes que constituyen un componente
importante dentro de los costos de producción. En general se considera que la palma de
aceite es un cultivo que requieren un alto aporte de nutrientes para lograr un crecimiento y
una producción optima.
Para corregir las deficiencias nutricionales se requiere hacer un diagnóstico adecuado y

en el momento oportuno (Witt, Fairhurst, & Griffiths, 2005 y Ng, 2002). Según Munévar
(2001) para conocer las deficiencias nutricionales en la palma de aceite existen métodos
tradicionales, como los análisis foliares y de suelos en laboratorio, que son procedimientos
destructivos y que permiten la cuantificación del contenido de los nutrientes en el suelo y
la planta, para hacer aplicaciones de fertilizantes que conduzcan a una producción optima.
Aunque los análisis en el laboratorio son precisos, son costosos y requieren bastante
tiempo entre el momento de la toma de las muestras y la obtención de los resultados, por
lo cual se requieren nuevos métodos que sean confiables y que ofrezcan información
oportuna, ojalá en tiempo real y preferiblemente que no sean destructivos.
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
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).
Aunque existen avances en la estimación de nutrientes en otros cultivos a partir de la

respuesta espectral, para el caso de la palma de aceite se requiere investigar las relaciones
entre los contenidos de nutrientes y las respuestas espectrales de la hoja, teniendo en
cuenta que el estrés nutricional genera síntomas específicos para la palma, que se pueden
detectar a partir de la reflectancia. Una vez que se establece la relación, se pueden hacer
inferencias sobre el contenido de nutrientes en las palmas, abarcando extensiones
mayores a partir de los datos puntuales y de los obtenidos en esta investigación, para
apoyar la toma de decisiones oportunas sobre la aplicación de fertilizantes, reduciendo
costos de la fertilización y generando menor impacto ambientales. Los resultados de la
investigación permiten hacer diagnóstico del estado nutricional del cultivo para hacer
aplicaciones de fertilizantes de manera específica por sitio aplicando la necesidad
requerida en el momento oportuno.
1. Marco Teórico
1.1 Respuestas espectrales

La clorofila es un componente fundamental (aunque no único) que determina el potencial
fotosintético de las plantas, es uno de los principales agentes de la absorción de la luz y
de la conversión de la energía química almacenada. El contenido de clorofila (Cl)
proporciona información útil sobre la capacidad fotosintética de las hojas por la tasa
máxima de carboxilación que se relaciona directamente con la enzima ribulosa-1,5-
bisfosfato carboxilasa/oxigenasa ( RuBisCO) que actúa como catalizador para la fijación de
carbono dentro del cloroplasto de la hoja. El contenido de RuBisCO foliar está altamente
correlacionado con el contenido de nitrógeno (N) foliar debido a la gran proporción de N
en el sistema fotosintético. Además de RuBisCO, gran parte del N foliar incorporado está
en la clorofila y, por lo tanto, también existen fuertes correlaciones entre el contenido de
clorofila y N foliar (Peng et al., 2017).
La reflectancia de las hojas presenta algunas características típicas (Figura 1-1). En

general, los pigmentos de las hojas tienen un gran impacto en la reflectancia del visible, la
estructura celular se manifiesta en la reflectancia del infrarrojo cercano y las proteínas y el
contenido de agua responden principalmente entre el infrarrojo cercano al infrarrojo medio
(Liang, 2004)
Figura 1-1: Características típicas de la respuesta espectral de vegetación verde. Tomada

de Liang (2004)
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 1-2: Dependencia de la reflectancia de la hoja sobre la concentración de clorofila

a + b. Tomada de Liang (2004)
La relación entre las características de la vegetación y las respuestas espectrales pueden

variar considerablemente según los tipos de vegetación, cultivos y de especies (Papeş et
al., 2010). En general, el estrés de los cultivos se puede detectar a partir de la reflectancia
de varias longitudes de onda de luz que son diferentes de las reflejadas por cultivos
saludables.
1.2 Imágenes multiespectrales con UAVs

Las imágenes espectrales son arreglos numéricos almacenados en una matriz de dos
dimensiones, organizados en filas y columnas, donde el elemento de imagen bidimensional
se conoce como pixel, que es el elemento no divisible más pequeño de una imagen digital.
Cada píxel de la imagen tiene un valor de brillo original (BV) o número digital (DN), los
cuales no representan de manera directa alguna variable biofísica, por lo cual no se deben
realizar índices de vegetación a partir de estos, ya que estos índices fueron desarrollados
para trabajar con valores de reflectancia de la superficie terrestre. Por lo tanto, se realiza
la transformación de números digitales a reflectancia por medio del panel de calibración

que trae la cámara MicaSense.
El conjunto de datos puede constar de n bandas individuales (k) de imágenes

multiespectrales o hiperespectrales. Por lo tanto, es posible identificar el valor de brillo de
un píxel en particular en el conjunto de datos especificando su fila (i), columna (j) y banda
(k) (Jensen & Lulla, 1987) , como se observa en Figura 1-3.
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.
Los sensores RGB presentan limitantes en la teledetección ya que la reflectancia de la luz

visible no permite identificar los cambios en los componentes bioquímicos de las hojas
causados por la concentración de nitrógeno (Wang, Zhang, et al., 2019; Jin et al., 2020).
Las cámaras multiespectrales e hiperespectrales incluyen varias bandas, entre ellas las
del borde rojo, infrarrojo cercano e infrarrojo, que son sensibles a los pigmentos y la
estructura de las hojas (Geipel et al., 2016; Prey et al., 2018). Por esta razón los índices
de vegetación calculados a partir de cámaras multiespectrales e hiperespectrales tienen
una mayor utilidad para la estimación de los contenidos nutricionales que la que se puede
obtener con una cámara RGB.
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.
La palma de aceite se puede caracterizar, clasificar, modelar y mapear utilizando la

teledetección. Hay muchos estudios que apoyan esto, y que aunque se han realizados en
una amplia gama de cultivos los principios bioquímicas se pueden aplicar a la palma para
estimaciones de clorofila (Haboudane et al., 2004) y de nitrógeno (Rao et al., 2007).
Además de esto, Chong, Kanniah, Pohl, & Tan (2017) afirman que, en el monitoreo de
plantaciones de palma de aceite, la teledetección se ha utilizado en diversas aplicaciones,
incluida la clasificación de cobertura (Nooni et al., 2014), recuento automático de palmas

de aceite (Shafri & Hamdan, 2011), detección de cambios (Buchanan et al., 2008),
estimación de edad (McMorrow, 2001), estimación de biomasa aérea (BGA por sus siglas
en ingles), estimación de carbono (Foody et al., 2001), detección de plagas y
enfermedades (Liaghat et al., 2014) y estimación del rendimiento (Balasundram et al.,
2013).
1.3 Método estadístico PLSR

Según Infrasoft International (2005), los métodos de regresión más comunes son: Mínimos
cuadrados parciales o Partial Least Squares Regression (PLSR), Mínimos cuadrados
parciales modificados o Modified Partial Least Squares (MPLS) y regresión de
componentes principales o Principal Components Regresion (PCR). Según Marten et al.
(1989), el MPLS y el PLS son los métodos de regresión más empleados en aplicaciones
en quimiometría.
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 descomposición de ambas matrices no es independiente, sino que se realiza de forma

simultánea, estableciéndose una relación interna entre los scores de los bloques X y Y:
̂ = 𝑏𝑇
𝑈
Dónde b es el coeficiente de regresión para cada uno de los factores del modelo.
El cálculo del valor Y de una muestra desconocida se realiza utilizando la relación interna:
𝑌 = 𝑇 ∗ 𝐵̂ 𝑄𝑇 + 𝐹
Donde T es la matriz de scores de la muestra analizada obtenida del modelo calculado, B
es el coeficiente de regresión de cada factor, Q la matriz de loadings del modelo y F el
residual de la predicción.
En el caso de calcular una sola propiedad a determinar de la matriz Y, el algoritmo recibe

el nombre de PLSR1 y se puede considerar una simplificación del algoritmo global
conocido como PLSR2. Este último realiza la determinación simultánea de n variables.
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
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.
Relacionar la respuesta espectral del cultivo de palma de aceite (Híbrido O x G) con el

contenido de foliar de nitrógeno y potasio estimados por medio de análisis de laboratorio.
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
3.1 Esquema metodológico de la investigación

La metodología para la presente investigación se desarrolló siguiendo el diagrama de
flujo presentado en la Figura 3-1.
Figura 3-1: Diagrama de flujo del proyecto

Capítulo 3 13
3.2 Área de estudio

Este estudio se realizó en el municipio de Cabuyaro, Meta, en la plantación Guaicaramo
(Figura 3-2), con coordenadas 4º24’52,83’’ de latitud norte y 72º55’21,96’’ de longitud
oeste, con una altura promedio de 185 m.s.n.m. La zona de estudio tiene 5 ha
aproximadamente y se encuentra en un paisaje de piedemonte mixto, en un relieve de
abanicos de terrazas, con material parental generado a partir de depósitos aluviales finos,
pendientes planas a ligeramente onduladas (0-7%) (IGAC, 2005).
Figura 3-2: área de estudio, plantación Guaicaramo, municipio de Barranca de Upía y

Cabuyaro – Meta
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
drenado, de texturas moderadamente finas a finas, su pH muestra valores de muy fuerte

a extremadamente ácidos y por ende ofrece una fertilidad baja y adicionalmente presenta
problemas de toxicidad por aluminio que es una limitante para la mayoría de cultivos
(IGAC, 2005).
3.3 Características Climáticas

Los datos climáticos de la estación Guaicaramo, se obtuvieron de la página del IDEAM,
para el período de 1994 hasta 2019, se analizaron las precipitaciones anuales para todos
los años, la precipitación promedio mensual con el promedio de días lluvia, los periodos de
déficit hídrico y exceso hídrico y la temperatura promedio mensual.
3.4 Unidades experimentales

La investigación de campo se realizó en un diseño completamente aleatorizado, el cual
contaba con condiciones favorables para la realización del proyecto debido a la
homogeneidad del terreno, mejores condiciones de drenaje de los suelos y fácil
accesibilidad. El experimento contaba con 6 tratamientos (Tabla 3-1), cada una
conformada de 32 palmas de los cuales cinco son combinaciones entre diferentes dosis
de nitrógeno y potasio y un testigo absoluto al cual no se le ha suministrado dosis de
nitrógeno o potasio.
Tabla 3-1: Dosis de tratamientos
Dosis (Kg/palma Dosis (Kg/palma

Tratamiento N K
año) año)
T0 (N0K0) Testigo 0,00 Testigo 0,00
T1 (NbKb) Baja 2,20 Baja 2,09
T2 (NmKb) Media 3,30 Baja 2,09
T3 (NaKb) Alta 4,40 Baja 2,09
T4 (NbKa) Baja 2,20 Alta 4,18
T5 (NbKm) Baja 2,20 Media 3,10
* La fertilización de mantenimiento para todos los tratamientos, a excepción del T 0
fue de Super Fosfato Triple 0.66 kg/palma, Kieserita 2.00 kg/palma, Borato 0.24
kg/palma y Zinc 0.22 kg/palma.
Capítulo 3 15
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.
Tabla 3-2: Tamaños de la muestra calculados
Confianza
80% 85% 90% 95% 99%
1% 3.59 4.21 4.97 6.01 7.63
Error Muestral
5% 0.2 0.25 0.33 0.46 0.78

10% 0.05 0.06 0.08 0.12 0.21
15% 0.02 0.03 0.04 0.05 0.09
20% 0.01 0.02 0.02 0.03 0.05
El número de muestras y las fechas de muestreo se realizaron de común acuerdo con

Cenipalma y la plantación Guaicaramo teniendo en cuenta aspectos técnicos y financieros
del proyecto, por lo cual, para el proyecto se realizaron dos fertilizaciones, tres muestreos
foliares, un muestreo edáfico, dos medidas vegetativas, tres bases de datos de respuestas
espectrales y tres vuelos con dron en las fechas que se presentan en la Tabla 3-3.
Tabla 3-3: Fechas de obtención de datos para el proyecto
Actividades Muestreo Muestreo Medidas Fertiliz Respuestas Vuelo

Fechas Foliar Edáfico Vegetativas ación Espectrales con dron
09/25/2018 X
11/23/2018 X X X
04/05/2019 X X X X X
05/01/2019 X
05/24/2019 X X X X
3.5 Muestreo foliar
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.
Figura 3-4: Obtención de foliolos

Capítulo 3 17
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)
(a) Tomada de (Munévar et al., 2008) (b)

Figura 3-5: (a) palma con filotaxia derecha, (b) palma con filotaxia izquierda
Después de tener todas las muestras en bolsas plásticas identificadas se procedió a

preparar las muestras recolectadas, se dividió cada foliolo transversalmente en tres partes
iguales (distal, media y basal), para ello se utilizó tijeras o cuchillo de acero inoxidable; se
tomó el segmento medio de cada foliolo, se limpió con un trapo humedecido con agua
limpia y se desecharon los extremos; se retiró y eliminó manualmente los bordes y la
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)
Tabla 3-4: Metodología y análisis foliares realizados
Parámetro Medio o extracción Técnica de detección

Concentración Digestión acida vía húmeda - bloque Colorimetría
N, P
Concentración Digestión acida vía húmeda - bloque / vía Absorción Atómica
K seca (Cenizas)
Extracción de Calculada a partir de la concentración y el Calculada
N, K, P PSF (gramos/hoja)
Fuente: (Resultados entregados por Cenipalma)
3.6 Medidas vegetativas de la palma de aceite
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.
Se realizó el conteo de número de foliolos por el lado de la lámina foliar, se seleccionaron

6 ubicados en la 3/5 parte de la longitud del raquis, tres del lado derecho y tres del lado
izquierdo. Se midió el tamaño de los foliolos más largos y sanos de esta ubicación; se cortó
la hoja al inicio de los foliolos rudimentarios para medir el ancho y alto del raquis (Figura
3-6b); por último, se tomaron otros datos como la emisión foliar reconociendo la hoja 1
actual y cuál fue la hoja 1 en el muestreo anterior para contar el número de hojas nuevas
y número de hojas total en la palma.
Capítulo 3 19
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
La extracción de N, P, K según Rey et al. (2006):
% 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜
𝐸𝑥𝑡𝑟𝑎𝑐𝑐𝑖ó𝑛(𝑔/ℎ𝑜𝑗𝑎) = 𝑃𝑆𝐹 ∗ ∗ 1000
100
Y por último el área foliar según Rey et al. (2006):
𝐴𝐹 (𝑚 2 ) = 0.55 ∗ (#𝑓𝑜𝑙𝑖𝑜𝑙𝑜𝑠 ∗ 𝑎𝑛𝑐ℎ𝑜 𝑓𝑜𝑙𝑖𝑜𝑙𝑜𝑠(𝑐𝑚) ∗ 𝑙𝑎𝑟𝑔𝑜 𝑓𝑜𝑙𝑖𝑜𝑙𝑜𝑠(𝑐𝑚))/10000
Figura 3-6: a) altura de la palma, b) ancho del raquis

3.7 Muestreo edáfico
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.
Figura 3-7: Toma de submuestras de suelos en el plato de la 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
Tabla 3-5. Metodología y análisis edáficos realizados
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)
3.8 Medición de respuestas espectrales en laboratorio

Para la medición de las respuestas espectrales se utilizó el espectrorradiómetro FieldSpec
4 del Laboratorio de Geomática de la Universidad Nacional, en la Tabla 3-6 se puede
observar las especificaciones del equipo.
Tabla 3-6: Especificaciones técnicas del espectroradiómetro FieldSpec4
Rango de onda 350 - 2500 nm

Exactitud de longitud de onda 0.5 nm
Resolución espectral <3.0 nm a 700 nm
Ruido de Equivalencia de Ruido Pro: 5x10-10W / cm2 / nm / sr @ 700 nm
Peso 5.44 kg (12 lbs)
Canales 2151
Del muestreo foliar se tomaron ocho foliolos y en el laboratorio se medió la reflectancia

espectral. Las muestras fueron llevadas en cavas con gel refrigerante para mantener una
temperatura adecuada, en laboratorio se procedió a la organización y limpieza de los
foliolos, se escogieron los seis foliolos más similares y con menos daños y en ellos se midió
la reflectancia,Figura 3-8.
Figura 3-8: Organización y limpieza de foliolos
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
Figura 3-9: Obtención de respuestas espectrales con espectrorradiómetro FieldSpec 4
3.9 Obtención de fotografías con UAV
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.
Figura 3-10: Equipo utilizado para la obtención de las imágenes multiespectrales
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.
Tabla 3-7: Especificaciones técnicas de la cámara MicaSense RedEdge
Peso 180 gramos

Dimensiones 12.1 cm x 6.6 cm x 4.6 cm
Potencia externa 5.0 V DC, 4 W nominal
Bandas espectrales Azul, verde, rojo, rededge y NIR
Salida de color RGB 3.6 MP (Obturador global, alineado con todas las bandas)
Capítulo 3 25
Distancia de muestra 8 cm por pixel (por banda) a 120 m

terrestre
Velocidad de captura 1 captura por segundo (todas las bandas)
Interfaces Serial, Ethernet, WiFi, External Trigger, GPS
Campo de visión 47.2° HFOV
Fuente: (MicaSense, n.d.)
Para generar un mapa de reflectancia adecuado, se debe realizar la calibración

radiométrica. Este proceso se comenzó en campo, haciendo uso del panel de calibración
que trae la cámara MicaSense (Figura 3-11), antes de realizar cada vuelo se tomó una
fotografía a determinada altura, asegurando que no quedara sombra sobre el panel de
calibración. Posteriormente en oficina, al momento de procesar las imágenes en el
software se introdujo la imagen tomada delimitando la zona del panel de calibración y ya
que los valores de reflectancia son conocidos para las cinco bandas, se genera una imagen
con unos valores de reflectancia diferentes a los valores del panel. La corrección en las
demás imágenes se realizó en función de la diferencia entre valores obtenidos y los valores
del panel.
Figura 3-11: Panel de calibración para la cámara MicaSense
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 /
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
Normalización del valor de píxel
La cámara RedEdge puede guardar imágenes en formato de 12 o 16 bits. El modelo

radiométrico utiliza un valor de píxel normalizado (p), en el rango de 0 a 1. Para calcular el
valor de píxel normalizado, simplemente se divide el número digital sin procesar del píxel
por 2 ^ N, donde N es el número de bits de la imagen. Para imágenes de 16 bits, divida
por 65536. Para imágenes de 12 bits, divida por 4096. Esto se aplica tanto al valor de píxel
como al valor del nivel de negro.
Modelo de viñeta
MicaSense utiliza un modelo de viñeta radial para corregir la disminución de la sensibilidad

a la luz que se produce en los píxeles más alejados del centro de la imagen. Para aplicar
el modelo, primero se lee cx, cy y los seis coeficientes polinomiales de los metadatos de
la imagen, luego se calcula la fórmula siguiente para encontrar un factor de escala de
corrección para cada intensidad de píxel.
Capítulo 3 27
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.
Figura 3-12: Captura de coordenadas para los puntos de control.

Se realizó la calibración geométrica colocando cuatro puntos de control en los extremos

del bloque de estudio, se tomaron las coordenadas con GPS de alta precisión (Figura
3-12) y después de esto se procesan las coordenadas y se ingresan al software al
momento de realizar el ortofotomosaico donde se amarran las coordenadas conocidas a
los puntos de control, de esta manera la fotografía aérea se ajusta según las coordenadas
conocidas.
3.10 Análisis estadístico

Es importante conocer si en los datos adquiridos hay una relación real entre dos variables
o más, por lo que se realizaron varias pruebas estadísticas para conocer la relación y si
tienen diferencias entre los datos.
3.10.1 Normalidad Shapiro-Wilk

Se realizo primero la prueba de Shapiro Shapiro & Wilk, (1965) para conocer si había
normalidad en los datos, con dos hipótesis
H0: La variable dependiente tiene distribución normal.
H1: La variable dependiente no tiene una distribución normal.
Para las pruebas se trabajó con un nivel de confianza del 95%.
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.
3.10.3 Test de Duncan

Se realizo el test de Duncan para apoyar la ANOVA y poder observar las diferencias de los
tratamientos por grupos, en los tratamientos con diferencias significativas.
Capítulo 3 29
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.
3.10.5 Generación de modelos predictivos con base en

Regresión de Mínimos cuadrados parciales (PLSR)
Todas estas técnicas de pre-procesamientos mencionadas anteriormente, fueron

probadas con la finalidad de obtener el mejor modelo de predicción posible. El método de
PLSR se realizó para construir los modelos de calibración y validación para la hoja 17
donde se utilizó el 80% de los datos para calibrar el modelo y el 20% restante para validar
el modelo generado. Para evaluar entre las técnicas de pre-procesamiento, se tuvieron en
cuenta el valor del coeficiente de determinación (R2), el error cuadrático medio de
predicción (RMSEP), el ratio de la desviación estándar (RPD) y ratio del rango de las
muestras de validación sobre el error típico de predicción–SEP (RER) del modelo PLS.
Datos crudos (DC)
Datos sin ningún preprocesamiento, son el resultado del promedio de las respuestas
obtenidas con el espectroradiómetro FieldSpect4.
Corrección del efecto multiplicativo de la dispersión (MSC)
La corrección de dispersión multiplicativa (MSC) es un método de transformación que se

utiliza para compensar los efectos aditivos y/o multiplicativos en los datos espectrales.
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.
La idea detrás de MSC es que los dos efectos, amplificación (multiplicativo) y

desplazamiento (aditivo), deben eliminarse de la tabla de datos para evitar que dominen la
información (señal) en la tabla de datos.
La corrección se realiza mediante dos simples transformaciones. En estos cálculos se

calculan y utilizan dos coeficientes de corrección (a y b), los coeficientes de corrección se
calculan a partir de una regresión de cada espectro individual al espectro promedio. El
coeficiente a es la intersección (compensación) de la línea de regresión, el coeficiente b
es la pendiente (Camo Software SA, 2006).
Variable normal estándar (SNV)
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:
𝑣𝑎𝑙𝑜𝑟 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 − 𝑚𝑒𝑑𝑖𝑎(𝑓𝑖𝑙𝑎 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟)

𝑁𝑢𝑒𝑣𝑜 𝑣𝑎𝑙𝑜𝑟 = ( )
𝑆𝑡𝑑𝑒𝑣(𝑓𝑖𝑙𝑎 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟)
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).
Savitzky Golay con 15 datos (7 antes y 7 después) y primera derivada (SG1)
Permite calcular derivadas de primer, segundo, tercer y cuarto orden. El algoritmo de

Savitzky-Golay se basa en realizar un ajuste de regresión lineal por mínimos cuadrados de
un polinomio alrededor de cada punto del espectro para suavizar los datos. La derivada es
entonces la derivada del polinomio ajustado en cada punto. El algoritmo incluye un factor
de suavizado que determina cuántas variables adyacentes se utilizarán para estimar la
aproximación polinomial del segmento de la curva.
La primera derivada de un espectro es simplemente una medida de la pendiente de la

curva espectral en cada punto. La pendiente de la curva no se ve afectada por las
Capítulo 3 31
compensaciones de la línea base en el espectro y, por lo tanto, la primera derivada es un

método muy eficaz para eliminar las compensaciones de la línea base. Sin embargo, los
picos en los espectros sin procesar generalmente se convierten en puntos de cruce por
cero en los espectros de la primera derivada, lo que puede ser difícil de interpretar (Camo
Software SA, 2006).
Savitzky Golay con 15 datos (7 antes y 7 después) y segunda derivada (SG2)
La segunda derivada es una medida del cambio en la pendiente de la curva. Además de

ignorar el desplazamiento, no se ve afectado por ninguna "inclinación" lineal que pueda
existir en los datos y, por lo tanto, es un método muy eficaz para eliminar tanto el
desplazamiento de la línea base como la pendiente de un espectro. La segunda derivada
puede ayudar a resolver los picos cercanos y agudizar las características espectrales. Los
picos en los espectros sin procesar generalmente cambian de signo y se convierten en
picos negativos (Camo Software SA, 2006).
Log 1/R
Se realiza con la reflectancia (R), por lo cual log (1 / R) describe la transformación

logarítmica en el modo de reflectancia (ASDinc., 2012).
Suavizado por el filtro Gaussian con 15 datos (3 antes y 3 después) (FG)
Es una media móvil ponderado en la que cada punto de la función de promediado se ve

afectado, un coeficiente determinado por una función de Gauss con σ2 = 2. Cuanto más
lejos esté el vecino, menor será el coeficiente, de modo que la información transportada
por el punto suavizado y su punto más cercano vecinos se le da mayor importancia que en
una media móvil no ponderado (Camo Software SA, 2006).
Normalización por área (NA)
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
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).
Normalización por unidad de vector (NUV)
Esta transformación normaliza los datos X de muestras a vectores unitarios. Se puede

utilizar para la normalización de patrones, lo que resulta útil para el preprocesamiento en
algunas aplicaciones de reconocimiento de patrones (Camo Software SA, 2006).
𝑋𝑖
𝑛𝑢𝑒𝑣𝑜 𝑋𝑖 = 2
𝑆𝑄𝑅𝑇 ∑𝑗 𝑥𝑖,𝑗
La propiedad de las muestras normalizadas es que tienen una longitud ("norm") de 1.
Normalización por promedio (NP)
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).
La propiedad de la normalización es que el área bajo la curva se vuelve la misma para

todas las muestras.
Normalización por máximos (NM)
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
Normalización por rangos (NR)
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).
Suavizado por Savitzky Golay y MSC (SG&MSC)
Se realiza un preprocesamiento de Suavizado Savitzky Golay con 15 datos, y

posteriormente a este resultado se realiza la corrección del efecto multiplicativo de la
dispersión.
Suavizado por Savitzky Golay y Normalización por rangos (SG&NR)
Se realiza un preprocesamiento de Suavizado Savitzky Golay con 15 datos, y

posteriormente a este resultado se realiza la normalización por rangos.
3.10.6 Cálculo de índices de vegetación

Los índices de vegetación se calcularon (130 Índices) a partir de las respuestas espectrales
por medio del paquete de hsdar de R, con el fin de conocer cuáles eran los índices de
mayor correlación con los contenidos de nitrógeno y después de haber obtenido los
mejores índices, se replicaron con los valores que se extrajeron a partir de las imágenes
multiespectrales (MicaSene), los índices de vegetación que se tuvieron en cuenta se
pueden encontrar en el Anexo A.
4. Resultados
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
Figura 4-2: Promedio mensual de la precipitación y días lluviosos para el periodo de

1994 a 2019
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
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
Figura 4-3: Promedios de precipitación y evaporación del periodo de 1994 a 2019

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.
Media Media mínima Media máxima

35 33.9
33.4 33.2
31.7 32.2
Temperatura (°C)
31.4 31.8 31.6

30.7 30.7
30 29.8
30
27.5 27.9 27.6
26.8 26.3
26 26.6 26.8 26.8 27.2
25.8 25.6
25
22.1 22.4 22.2 21.9 21.7 21.9 22.3 22.3
21.2 21.7 21.6 21.7
20
Figura 4-4: Promedios de temperatura del periodo de 1994 a 2019

4.2 Efecto de los tratamientos en los contenidos foliares
de Nitrógeno, Potasio y Fósforo.
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.
4.2.1 Efecto de los tratamientos en el contenido de Nitrógeno

foliar
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).
Variable Muestreo Tratamiento Estadístico gl p value Normalidad

T0 (N0K0) 0.89 7 0.27 Si
T3 (NaKb) 0.90 7 0.34 Si
T2 (NmKb) 0.87 7 0.19 Si
Nitrógeno 1
T4 (NbKa) 0.98 7 0.96 Si
T5 (NbKm) 0.98 7 0.98 Si
T1 (NbKb) 0.96 7 0.82 Si
T0 (N0K0) 0.91 7 0.42 Si
T3 (NaKb) 0.93 7 0.55 Si
Nitrógeno 2 T2 (NmKb) 0.87 7 0.20 Si
T4 (NbKa) 0.98 7 0.95 Si
T5 (NbKm) 0.99 7 0.98 Si

T1 (NbKb) 0.88 7 0.24 Si
T0 (N0K0) 0.95 7 0.69 Si
T3 (NaKb) 0.89 7 0.25 Si
T2 (NmKb) 0.87 7 0.17 Si
Nitrógeno 3
T4 (NbKa) 0.84 7 0.11 Si
T5 (NbKm) 0.96 7 0.79 Si
T1 (NbKb) 0.94 7 0.63 Si
En la Tabla 4-2 se observan los resultados de la ANOVA para el contenido de N foliar en

el primer y tercer muestreo hubo diferencias altamente significativas en los tratamientos
(p<0.01), mientras que para el segundo muestreo las diferencias no fueron significativas
(p>0.05)
Tabla 4-2: Análisis de varianza para contenidos de N en los foliolos por tratamientos en
los tres muestreos (n=42).
Variable Muestreo Fuente GL SC MC Razón - F Razón - P

Tratamientos 5 0.6135 0.1227 8.6830 0.0000**
1 Error 36 0.5087 0.0141
Total 41 1.1222
Tratamientos 5 0.3092 0.0619 2.3170 0.0635
Nitrógeno 2 Error 36 0.9610 0.0267
Total 41 1.2702
Tratamientos 5 0.4882 0.0976 5.4260 0.0008**
3 Error 36 0.6478 0.0180
Total 41 1.1360
*. Diferencia significativa en el nivel 0.05, **. Diferencia altamente significativa en el nivel
0.01
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
Figura 4-5: Comparaciones múltiples de medias muestrales para el contenido de N foliar

en a) primer muestreo. b) segundo muestreo. c) tercer muestreo. Promedio con letras
diferentes indican diferencias significativas (Duncan alfa=0.05)
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.
4.2.2 Variación de los contenidos de Nitrógeno foliar entre las

fechas de muestreo
La variación del contenido de N foliar en los distintos muestreos se observa en la Figura

4-6. Se encontró que el primer muestreo presentó los contenidos más altos en todos, los
tratamientos, los valores más bajos fueron para el segundo muestreo y el tercero mostró
contenidos intermedios, aunque más cercanos al muestreo dos.
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
(%)
Muestreo N.A BAJO MEDIO ALTO

Primer muestreo 2.22 2.39 2.49 2.51
Segundo muestreo 2.06 2.08 2.14 2.17
Tercer muestreo 2.01 2.18 2.13 2.28
En los tres muestreos los mayores contenidos de N se encontraron en los tratamientos

NaKb y NbKb estando por encima del 2.50% y los menores porcentajes de N se evidenciaron
en los tratamientos N0K0 y NbKa en todos los muestreos.
Figura 4-6: Contenido promedio de N foliar para los tres muestreos

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%.
El primer muestreo se realizó dos meses después de la última fertilización, en este

muestreo se evidenció que los contenidos promedio de N fueron bajos para los
tratamientos N0K0 y NbKa, y medios para los NaKb, NmKb, NbKm y NbKb. En los dos últimos,
no parece haber una relación directa con las dosis de N, se resalta que los valores de N
en todos los tratamientos fueron los más altos para el primer muestreo.
El segundo muestreo se efectuó cinco meses después de la fertilización. Los contenidos

de N (Figura 4-6) fueron bajos para todos los tratamientos a pesar de que los contenidos
más altos se presentaron en el tratamiento NbKb, se observó una reducción de la
concentración de N de aproximadamente 0.3% en casi todos los tratamientos a excepción
del tratamiento N0K0, que su reducción fue de 0.2% aproximadamente con relación al
primer muestreo.
Por otro lado, los valores de N total en el suelo fueron calculados a partir del contenido de
Carbón Orgánico, para la misma fecha del segundo muestreo (Figura 4-7). Se observó
que los contenidos de N en el suelo fueron medios (entre 0.1 y 0.2).
Se encontró que el contenido de N en el tratamiento N0K0 estuvo por encima de los

tratamientos NaKb, NbKa y NbKm, siendo el tratamiento NaKb el que debería tener los
mayores contenidos de nitrógeno en el suelo, ya que es el tratamiento con mayor dosis de
urea aplicada en la fertilización edáfica.
Capítulo 4 43
Figura 4-7: N total en el suelo para el segundo muestreo
Para el tercer muestreo, realizado 24 días después de la fertilización, la concentración

promedio de N (Figura 4-6) sigue siendo baja, sin embargo, se observó una recuperación
de 0.1% con relación al segundo muestreo, en los tratamientos NaKb, NbKa NbKm y NbKb;
para el tratamiento N0K0 la concentración fue la menor lo cual concuerda con que es el
tratamiento sin fertilización y el tratamiento NmKb disminuyo levemente la concentración en
un 0.01% con relación al segundo muestreo, donde se esperaba que este tratamiento
aumentara su concentración ya que la dosis de fertilización edáfica aplicada de N era
media.
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
en la mayor parte de tratamientos su concentración de N, pero no hubo una respuesta

fuerte a la fertilización ya que no se superaron los contenidos iniciales (primer muestreo)
de N foliar.
4.2.3 Efectos de los tratamientos en el contenido de Potasio

foliar.
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).

T0 (N0K0) 0.98 7 0.96 Si
T3 (NaKb) 0.94 7 0.67 Si
T2 (NmKb) 0.93 7 0.59 Si
1
T4 (NbKa) 0.96 7 0.82 Si
T5 (NbKm) 0.89 7 0.26 Si
T1 (NbKb) 0.95 7 0.77 Si
T0 (N0K0) 0.94 7 0.64 Si
T3 (NaKb) 0.89 7 0.28 Si
T2 (NmKb) 0.88 7 0.23 Si
Potasio 2
T4 (NbKa) 0.60 7 0.64 Si
T5 (NbKm) 0.90 7 0.34 Si
T1 (NbKb) 0.91 7 0.41 Si
T0 (N0K0) 0.99 7 1.00 Si
T3 (NaKb) 0.85 7 0.11 Si
T2 (NmKb) 0.82 7 0.06 Si
3
T4 (NbKa) 0.64 7 0.60 Si
T5 (NbKm) 0.93 7 0.53 Si
T1 (NbKb) 0.96 7 0.79 Si
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).
Variable Muestreo Fuente GL SC MC Razón - F Razón - P

Tratamientos 5 0.1068 0.0214 1.5130 0.2100
1 Error 36 0.5084 0.0141
Total 41 0.6152
Tratamientos 5 0.0452 0.0090 0.6810 0.6410
Potasio 2 Error 36 0.4778 0.0133
Total 41 0.5230
Tratamientos 5 0.0505 0.0101 0.4870 0.7840
3 Error 36 0.7471 0.0208
Total 41 0.7976
0.01
4.2.4 Variación de los contenidos de Potasio foliar entre las

fechas de muestreo
críticos de referencia de análisis foliar (Munévar, 2001); para K se considera un nivel bajo
valores menores a 1.07%, medio entre 1.08 y 1.19%, y alto para valores mayores a 1.20%.
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.
Tabla 4-6: Promedio de los contenidos nutricionales en los foliolos para K (%)
Muestreo N.A BAJO MEDIO ALTO

Primer muestreo 0.66 0.73 0.78 0.80
Segundo muestreo 0.68 0.67 0.71 0.69
Tercer muestreo 0.73 0.72 0.71 0.72
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.
Figura 4-8: Contenido foliar de K
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.
Figura 4-9: K total en el suelo
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.
4.2.5 Variación de los contenidos de Fósforo foliar entre las

fechas de muestreo
El diseño experimental no tuvo en cuenta el P, por lo cual no se consideraron la aplicación

diferentes dosis de P y se realizó una aplicación de mantenimiento para este elemento, sin
embargo, se aprovechó los resultados de laboratorio de los análisis foliares., y se incluyó
para conocer si había alguna relación entre las respuestas espectrales y los contenidos de
P foliar.
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 (%)
Primer muestreo Segundo muestreo Tercer muestreo

0.15 0.13 0.14
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
Figura 4-10: Contenido foliar de P
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.
Los contenidos de P en el suelo se evaluaron en el segundo muestreo (Figura 4-11),

estaban entre 35.47 y 171.32 mg/kg donde el valor más bajo corresponde al tratamiento
N0K0, sin embargo, se podría calificar como adecuado para suelos ácidos pues tiene
concentraciones mayores de 15 mg/kg, los demás valores mostraron una acumulación de
fósforo que pueden ser formas poco disponibles (fijados) esto también puede estar
relacionado con la fuente que se utilizó, que rápidamente pasó a formas no disponibles y
es por eso que pueden presentarse valores tan altos de P en el suelo.
Figura 4-11: P total en el suelo
Para el tercer muestreo se ve una recuperación en las concentraciones de P en los foliolos

para los tratamientos N0K0, NaKb, NbKm y NbKb con valores iguales al primer muestreo, para
los dos tratamientos restantes, aunque hubo un aumento en su concentración siguen
estando por debajo de los valores del primer muestreo.
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.
Figura 4-12: Mediana de respuestas espectrales para el primer muestreo (n = 42 palmas

x 6 foliolos cada una)
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.
Figura 4-13: Mediana de respuestas espectrales para el primer muestreo en el rango

visible (n = 42 palmas x 6 foliolos cada una)
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
En la Figura 4-14 se observó la primera derivada de la reflectancia en el rango visible,

donde se tuvo el valor máximo para el tratamiento NbKa a los 523nm que corresponde a
contenidos bajos de N, el de menor valor fue el tratamiento NbKb a los 520nm, siendo el
tratamiento con mayor concentración de N; para el tratamiento NbKm el valor máximo está
desplazado a la derecha cerca a los 530nm, los tratamientos NaKb y N0K0 tienen un pico
similar a los 522mn, seguido del tratamiento NmKb
Figura 4-14: Mediana de la primera derivada del primer muestreo en el rango visible (n =
42 palmas x 6 foliolos cada una)
El análisis de la primera derivada de la reflectancia entre 700 y 750 nm (Figura 4-15),

mostro que, el valor máximo se obtuvo a los 723nm y fue para el tratamiento N0K0 que a
su vez presentó el menor contenido de N, el tratamiento NbKb que tuvo el mayor contenido
de N presentó un pico a los 735 nm, sin embargo, los tratamientos restantes tuvieron un
comportamiento similar en esta zona lo cual no permitió diferenciar entre tratamientos
como ocurrió con la primera derivada en el rango visible, que se permitió observar
diferencias entre los tratamientos.
Figura 4-15: Mediana de la primera derivada del primer muestreo en el rango del
infrarrojo (n = 42 palmas x 6 foliolos cada una)
En la Figura 4-16 se presenta la mediana de la reflectancia con relación a los niveles de

N. Se logro apreciar a los 550nm que a mayor contenido de N menor es la reflectancia y a
menor contenido de N hay mayor reflectancia en el rango del visible, varios autores han
encontrado una relación entre los contenidos de N y los de clorofila cuya respuesta se
manifiesta en parte del espectro visible.
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.
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42)
Variable Razón - P Variable Razón - P

Boochs 0.0126* mSR 0.0013**
CCCI 0.0078** mSR705 0.0046**

CARI 0.0016** MTCI 0.0142*
CARI 2 0.0016** MTVI1 0.01*
Carter 0.007** NDVI3 0.0063**
Normalized Difference 925/710
Carter4 0.0428* 0.0231*
Normalized Difference Chlorophyll
Carter5 0.0007** NPCI 0.0078**
Coloration Index 0.0005** PSRI 0.0025**
Datt 0.0057** RDVI 0.0423*
Datt2 0.0418* REP_LE 0.0328*
Datt4 0.0011** REP_Li 0.0102*
Datt5 0.0021** SAVI 0.0436*
DWSI4 0.0047** SR4 0.0023**
EGFN 0.0069** SR5 0.0008**
EGFR 0.0147* SR7 0.0019**
GI 0.004** SR8 0.0075**
Maccioni 0.0074** SRPI 0.0058**
MCARI 0.0009** Sum_Dr1 0.0314*
mND705 0.0032** TCARI 0.0007**
mNDVI 0.0019** TCARI.OSAVI 0.0013**
MPRI 0.0104* TGI 0.0015**
mREIP 0.0022** TVI 0.0105*
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 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.
índices de vegetación en el primer muestreo
Índice Tratamiento - Grupo

Boochs N0K0 - a NbKa - ab NbKm - abc NaKb - abc NmKb - bc NbKb - c
CCCI NbKb - a NmKb - ab NaKb - ab NbKm - ab NbKa - bc N0K0 - c
CARI NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - c NbKb - c
CARI 2 NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - c NbKb - c
Capítulo 4 57

Carter NbKa - a N0K0 - a NmKb - a NaKb - a NbKm - ab NbKb - b
Carter4 N0K0 - a NbKa - ab NbKm - b NaKb - b NmKb - b NbKb - b
Carter5 NbKa - a N0K0 - ab NbKm - b NaKb - bc NmKb - bc NbKb - c
Coloration Index NbKa - a N0K0 - a NmKb - a NbKm - a NaKb - a NbKb - b
Datt NbKb - a NmKb - a NaKb - a NbKm - ab NbKa - bc N0K0 - c
Datt2 NbKb - a NmKb - a NaKb - a NbKm - a NbKa - ab N0K0 - b
Datt4 NbKb - a NmKb - a NaKb - ab NbKm - abc N0K0 - bc NbKa - c
Datt5 NbKb - a NmKb - ab NaKb - ab NbKm - ab N0K0 - bc NbKa - c
DWSI4 NbKa - a N0K0 - b NbKm - b NaKb - b NbKb - b NmKb - b
EGFN NbKb - a NmKb - a NaKb - ab NbKm - ab N0K0 - bc NbKa - c
EGFR NbKb - a NmKb - a NaKb - ab NbKm - ab N0K0 - b NbKa - b
GI NbKa - a N0K0 - b NbKm - b NaKb - b NbKb - b NmKb - b
Maccioni NbKb - a NmKb - a NaKb - a NbKm - ab NbKa - bc N0K0 - c
MCARI NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - bc NbKb - c
mND705 NbKb - a NaKb - a NbKm - ab NmKb - ab NbKa - bc N0K0 - c
mNDVI NbKb - a NbKm - ab NbKa - ab NaKb - bc N0K0 - bc NmKb - c
MPRI NbKb - a NaKb - b NbKm - b NmKb - b N0K0 - b NbKa - b
mREIP NbKb - a NbKm - ab NbKa - b NaKb - bc NmKb - bc N0K0 - c
mSR NbKb - a NbKa - b NbKm - b NaKb - b N0K0 - b NmKb - b
mSR705 NbKb - a NaKb - ab NbKm - abc NmKb - abc NbKa - bc N0K0 - c
MTCI NbKb - a NmKb - ab NaKb - ab NbKm - abc NbKa - bc N0K0 - c
MTVI1 NbKa - a NaKb - a NbKm - ab N0K0 - abc NmKb - bc NbKb - c
NDVI3 NmKb - a NaKb - a NbKb - a NbKm - ab N0K0 - ab NbKa - b
Normalized
Difference 925/710
Normalized NbKb - a NmKb - ab NaKb - ab NbKm - ab NbKa - bc N0K0 - c
Difference
Chlorophyll
NPCI NmKb - a N0K0 - ab NaKb - ab NbKa - abc NbKm - bc NbKb - c
PSRI NmKb - a NaKb - a N0K0 - ab NbKm - bc NbKa - c NbKb - c
RDVI NaKb - a NbKa - a NbKm - a N0K0 - ab NmKb - ab NbKb - b
REP_LE NbKb - a NaKb - a NmKb - ab NbKm - ab NbKa - b N0K0 - b
REP_Li NbKb - a NmKb - ab NbKm - ab NaKb - abc NbKa - bc N0K0 - c
SAVI NbKa - a NaKb - a NbKm - a N0K0 - ab NmKb - ab NbKb - b
SR4 NbKa - a N0K0 - ab NbKm - bc NmKb - bc NaKb - bc NbKb - c
SR5 NbKb - a NmKb - ab NaKb - ab NbKm - b N0K0 - bc NbKa - c
SR7 NbKb - a NbKm - b NaKb - b NmKb - b NbKa - b N0K0 - b
SR8 NbKb - a NmKb - ab NbKm - ab NaKb - ab N0K0 - bc NbKa - c
SRPI NbKb - a NbKm - ab NbKa - abc NaKb - bc N0K0 - bc NmKb - c
Sum_Dr1 NaKb - a NbKa - ab NbKm - abc N0K0 - abc NmKb - bc NbKb - c
TCARI NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - c NbKb - c
TCARI.OSAVI NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - c NbKb - c

TGI NbKa - a N0K0 - ab NbKm - bc NaKb - bc NmKb - c NbKb - c
TVI NbKa - a NaKb - ab N0K0 - ab NbKm - ab NmKb - bc NbKb - c
Subconjunto para alfa = 0.05
Por medio de la correlación de Pearson (Anexo C), se encontró que, 12 índices

espectrales presentaron una correlación positiva (>0.5) y altamente significativa para N; 8
índices espectrales dieron correlaciones negativas (< -0.5) y altamente significativa para
N, por otra parte, para P y K no se encontraron variables con buena correlación como se
observa en la Tabla 4-10.
mayores valores en el primer muestreo
Variable Nitrógeno Fósforo Potasio

Boochs -0.638** -0.246 0.045
CCCI 0.613** 0.241 -0.008
CARI -0.603** -0.178 0.020
CARI 2 -0.598** -0.155 0.105
Carter4 -0.599** -0.241 0.024
Datt 0.643** 0.248 -0.018
Datt2 0.591** 0.240 0.037
Datt4 0.584** 0.220 -0.033
EGFN 0.536** 0.156 -0.139
Maccioni 0.636** 0.244 -0.029
MCARI -0.553** -0.131 0.064
mND705 0.584** 0.217 0.031
mSR705 0.535** 0.203 0.082
MTCI 0.592** 0.236 0.012
Normalized Difference
925/710 Normalized 0.624** 0.256 0.014
Difference Chlorophyll
REP_LE 0.572** 0.223 -0.040
REP_Li 0.585** 0.216 0.065
TCARI -0.586** -0.187 0.059
TCARI.OSAVI -0.586** -0.192 0.060
TGI -0.512** -0.135 0.135
*. La correlación es significativa en el nivel 0,05, **. La correlación es significativa en el
nivel 0,01.
Capítulo 4 59
De los anteriores resultados se resume que para el primer muestro se encontraron 29

índices altamente significativos y 14 significativos; de la prueba Duncan se encontró que
los grupos de los índices REP_LE y mND705 fueron los más similares a la prueba Duncan
para el contenido de N foliar; en la correlación de Pearson se evidenció que 20 variables
dieron una correlación mayor a 0.5 para N y de estos datos. Para P y K no se encontraron
variables con una buena correlación.
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.
Figura 4-17: Mediana de respuestas espectrales para el segundo muestreo (n = 42

palmas x 6 foliolos cada una)
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.
Figura 4-18: Mediana de respuestas espectrales para el segundo muestreo en el rango

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
De igual manera se realizó el mismo procedimiento para analizar las respuestas

espectrales por niveles de N para el segundo muestreo y se evidenció nuevamente que el
nivel medio de N tuvo menor reflectancia que el nivel bajo como lo muestra la Figura 4-21,
para este muestreo no se encontraron palmas con contenidos altos de N.
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.
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*
0.01
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.
índices de vegetación en el segundo muestreo

Boochs NbKa - a N0K0 - a NmKb - a NbKm - a NaKb - a NbKb - b
Boochs2 NmKb - a NbKa - a NaKb - a N0K0 - a NbKm - a NbKb - b
CCCI NbKb - a NaKb - ab NbKm - bc NmKb - bc N0K0 - bc NbKa - c
CARI 2 NbKa - a N0K0 - a NaKb - ab NmKb - ab NbKm - ab NbKb - b
Coloration Index NbKa - a N0K0 - ab NmKb - ab NaKb - ab NbKm - b NbKb - b

Corrected
Transformed NmKb - a N0K0 - a NaKb - a NbKa - ab NbKb - bc NbKm - c
Vegetation Index
D1 NbKb - a NaKb - a NmKb - b NbKm - b NbKa - b N0K0 - b
D2 N0K0 - a NbKa - a NbKm - ab NmKb - ab NaKb - b NbKb - b
Datt NbKb - a NaKb - ab NbKm - ab NmKb - ab N0K0 - b NbKa - b
Datt3 NbKb - a NaKb - b NbKm - b NmKb - b NbKa - b N0K0 - b
Datt4 NbKb - a NaKb - b NbKm - b NmKb - b N0K0 - b NbKa - b
Datt5 NbKb - a NaKb - a NmKb - ab N0K0 - ab NbKm - ab NbKa - b
DDn NbKb - a NbKm - b NbKa - b N0K0 - b NmKb - b NaKb - b
Difference 800/550 NmKb - a NaKb - a NbKa - a N0K0 - a NbKm - ab NbKb - b
Difference 800/680 NbKa - a NmKb - a NaKb - a N0K0 - a NbKm - a NbKb - b
DWSI1 NbKa - a NmKb - a N0K0 - ab NaKb - ab NbKm - ab NbKb - b
DWSI4 NbKa - a NbKm - ab N0K0 - ab NmKb - b NaKb - b NbKb - b
DWSI5 NbKa - a NmKb - ab N0K0 - ab NaKb - abc NbKm - bc NbKb - c
EGFN NbKb - a NaKb - a NmKb - a N0K0 - ab NbKm - ab NbKa - b
GI NbKa - a N0K0 - ab NbKm - ab NmKb - b NaKb - b NbKb - b
MCARI NbKa - a N0K0 - ab NmKb - abc NaKb - abc NbKm - bc NbKb - c
MSAVI NbKa - a NmKb - a N0K0 - ab NaKb - ab NbKm - ab NbKb - b
MSI NbKb - a NbKm - ab N0K0 - ab NaKb - ab NmKb - b NbKa - b
MTVI1 NbKa - a NmKb - a N0K0 - a NaKb - a NbKm - a NbKb - b
NDVI3 NbKb - a NaKb - a NmKb - a N0K0 - ab NbKm - ab NbKa - b
NDWI NbKa - a NaKb - a NmKb - a N0K0 - a NbKm - a NbKb - b
PWI NaKb - a NbKa - a NmKb - a N0K0 - a NbKm - a NbKb - b
RDVI NbKa - a NmKb - a N0K0 - a NaKb - a NbKm - a NbKb - b
SAVI NbKa - a NmKb - a N0K0 - a NaKb - a NbKm - a NbKb - b
SPVI NmKb - a NaKb - a NbKa - a N0K0 - a NbKm - a NbKb - b
SR5 NbKb - a NbKm - a NaKb - a NmKb - ab N0K0 - ab NbKa - b
SR8 NbKb - a NaKb - a N0K0 - a NmKb - a NbKm - a NbKa - b
SRWI NbKa - a NaKb - a NmKb - a N0K0 - a NbKm - a NbKb - b
Sum_Dr1 NbKa - a NmKb - a NaKb - a N0K0 - a NbKm - a NbKb - b
TCARI NbKa - a N0K0 - a NaKb - ab NmKb - ab NbKm - ab NbKb - b
TGI NbKa - a N0K0 - ab NbKm - abc NmKb - bc NaKb - bc NbKb - c
TVI NbKa - a N0K0 - a NmKb - a NaKb - a NbKm - a NbKb - b
Vogelmann3 NbKb - a NaKb - ab NmKb - ab NbKm - b NbKa - b N0K0 - b
Por medio de la correlación de Pearson, se encontró que, 4 índices espectrales

presentaron una correlación positiva moderada (>0.5) y altamente significativa para N,
Capítulo 4 65
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.
mayores valores en el segundo muestreo

CCCI 0.510** 0.194 0.039
Datt 0.514** 0.169 0.032
Datt3 0.508** 0.245 0.054
Vogelmann3 0.550** 0.320* -0.062
nivel 0,01.
De los anteriores resultados se resume que para el segundo muestro se encontraron 16

índices altamente significativos y 23 significativos; de la prueba Duncan se encontró que
los grupos de los índices NDVI3, Datt5, SR8 y EGFN fueron los más similares a la prueba
Duncan para el contenido de N foliar; en la correlación de Pearson se evidenció que 4
variables dieron una correlación mayor a 0.5 para N, y de estos datos. Para P y K no se
encontraron variables con una buena correlación.
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.
Figura 4-22: Mediana de respuestas espectrales para el tercer muestreo (n = 42 palmas x

6 foliolos cada una)
En el rango visible el tratamiento de mayor reflectancia es el N bKa, sin embargo, para este
muestreo dicho tratamiento no es el de menor concentración como en el anterior muestreo
si no que es el tratamiento N0K0 el cual cerca a los 540nm está por debajo de los demás
tratamientos, pero cercano a los tratamientos NbKb, NmKb y NaKb, por último, el tratamiento
NbKm es el segundo con mayor reflectancia (Figura 4-23).
Figura 4-23: Mediana de respuestas espectrales para el tercer muestreo en el rango

Capítulo 4 67
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.
Figura 4-25: Mediana de la primera derivada del tercer muestreo en el rango del
Para el tercer muestreo se hizo el mismo procedimiento de obtener la mediana de la

reflectancia con relación a los niveles de N (Figura 4-26), arrojando los mismos resultados
obtenidos para el primer y segundo muestreo, lo que demostró que el rango visible puede
ser de gran utilidad al momento de agrupar palmas por sus niveles nutricionales.
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.
tratamientos en el tercer muestreo (n = 42)
Variable Razón - F Variable Razón - F

Difference 800/680 0.0208* RDVI 0.0213*
DWSI4 0.0393* SAVI 0.0339*
LWVI1 0.0003** SPVI 0.0255*
mNDVI 0.0023** SR7 0.0078**
mSR 0.0186* SRPI 0.0007**
MTVI1 0.0095** Sum_Dr1 0.0121*
NDNI 0.0449* Sum_Dr2 0.015*
NDVI3 0.0314* SWIR.SI 0.0338*
NPCI 0.0008** SWIR.VI 0.0459*
PSRI 0.0002** TVI 0.0245*
PWI 0.0199*
0.01
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.
índices de vegetación en el tercer muestreo

Difference 800/680 NmKb - a NaKb - a NbKm - a NbKa - a NbKb - b N0K0 - b
DWSI4 NbKa - a NbKm - a NmKb - ab NaKb - ab NbKb - b N0K0 - b
LWVI1 N0K0 - a NbKa - b NmKb - b NaKb - b NbKb - bc NbKm - c
mNDVI NbKm - a NbKa - a NmKb - b NaKb - b NbKb - b N0K0 - b
mSR NbKm - a NbKa - a NmKb - ab NaKb - ab NbKb - b N0K0 - b
MTVI1 NmKb - a NbKa - a NbKm - a NaKb - a N0K0 - b NbKb - b
NDNI NmKb - a NbKm - ab NbKa - ab NbKb - b N0K0 - b NaKb - b
NDVI3 N0K0 - a NbKb - a NaKb - ab NmKb - ab NbKm - b NbKa - b
NPCI N0K0 - a NbKb - a NaKb - a NmKb - a NbKa - b NbKm - b
PSRI N0K0 - a NaKb - a NmKb - a NbKb - a NbKa - b NbKm - b
PWI NaKb - a NbKa - ab NmKb - abc N0K0 - abc NbKm - bc NbKb - c
RDVI NmKb - a NaKb - a NbKa - a NbKm - a NbKb - b N0K0 - b
SAVI NmKb - a NaKb - a NbKa - a NbKm - ab NbKb - b N0K0 - b
SPVI NaKb - a NmKb - a NbKm - ab NbKa - ab N0K0 - b NbKb - b
SR7 NbKm - a NbKa - a NbKb - b NaKb - b NmKb - b N0K0 - b
SRPI NbKm - a NbKa - a NmKb - b NaKb - b NbKb - b N0K0 - b
Sum_Dr1 NmKb - a NaKb - a NbKm - a NbKa - a N0K0 - b NbKb - b
SWIR.SI NbKb - a NbKa - ab N0K0 - ab NaKb - ab NbKm - ab NmKb - b
SWIR.VI NmKb - a NaKb - ab NbKm - ab N0K0 - ab NbKa - ab NbKb - b
TVI NbKa - a N0K0 - a NmKb - a NaKb - a NbKm - a NbKb - b
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.
mayores valores en el tercer muestreo

LWVI1 -0.386* -0.242 0.025
nivel 0,01.
Capítulo 4 71
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.
4.3.4 Variación de los contenidos de NPK foliar entre las fechas

de muestreo
En la Figura 4-27 se observó el comportamiento del promedio general de las respuestas

espectrales para cada uno de los tres muestreos. Se destaca una diferencia considerable
de la reflectancia entre los 900 y 1300 nm para el primer muestreo con relación al segundo
y al tercero. Se evidenció que las respuestas espectrales tuvieron un patrón que según
Mirik et al. (2007) corresponde a la vegetación sana y que se caracteriza por su mayor
absorción en el rango visible de los 400 a los 500 nm (azul), una mayor reflectancia entre
los 500 y 600 nm (verde), luego baja el pico para tener un aumento de absorción en los
600 a 700 nm (rojo) y finalmente un aumento fuerte de la reflectancia entre los 700 a 1500
nm (infrarrojo cercano).
Figura 4-27: Promedio de las respuestas espectrales para los muestreos realizados (n =
42 palmas x 6 foliolos por muestreo)
Según Kokaly et al. (1999), en la vegetación, las características de absorción de N en el

NIR están afectadas por bandas de absorción de agua centradas en 1450 y 1940 nm,
Lamb et al. (2002), Reyniers & Vrindts (2006) recomiendan las bandas visibles y de borde
rojo para obtener las características espectrales de clorofila ya que estas han sido
utilizadas como indicadores del contenido de N en los cultivos, por lo cual, para la presente
investigación se exploraron las respuestas, en el rango visible e infrarrojo cercano para
identificar el efecto de los tratamientos en las respuestas espectrales.
Realizando un acercamiento al rango visible (Figura 4-28), se observó un pico en la

reflectancia hacia los 550nm que fue mayor para el segundo muestreo (0.09) y menor para
el primer muestreo (0.07). Estos resultados indican una relación inversa entre los
contenidos nutricionales y la reflectancia, ya que el segundo muestreo presentó menor
contenido de nutrientes de NPK (2.10% N, 0.13% P y 0.68% K) y tuvo una mayor
reflectancia en el espectro visible y para el primer muestreo donde se encontraron los
valores de NPK más altos (2.40% N, 0.15% P y 0.74% K) la mayor reflectancia en el rango
visible se encontró en la longitud de onda de los 553nm con un valor de 0.075, menor a la
reflectancia del segundo muestreo.
Capítulo 4 73
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.
Figura 4-30: Longitudes de ondas para los tres sets de datos
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
Las estadísticas de la validación externa incluyeron el coeficiente de determinación de la

validación (R2ve), el error estándar de predicción (SEP), el RPDve (que es la relación
SD/SEP) y el RER (Williams & Sobering, 1996) que es la relación entre el intervalo de los
datos de cada elemento y el error estándar de la predicción. Los estadísticos RPD y RER
permiten la comparación del rendimiento del modelo a través de datos con diferentes
desviaciones estándar (Cozzolino & Moron, 2004).
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.
Se calcularon modelos predictivos utilizando como variables de respuesta el peso seco

foliar de NPK, pero esta variable no presentó modelos adecuados de predicción de NPK,
por lo tanto, no se presentan los resultados.
4.4.1 Modelos de regresión simple para Nitrógeno
Para el primer muestreo se realizaron regresiones lineales para estimar el contenido de N

a partir de los índices con mayor correlación que fueron Datt, Boochs, Maccioni y
Normalized Difference 925/710 Normalized Difference Chlorophyll. Se encontró que el Datt
presento el mayor R2 por lo tanto posteriormente se adaptará para calcularlo a partir de las
imágenes multiespectrales (Figura 4-31).
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
Maccioni Normalized Difference 925/710

Normalized Difference Chlorophyll
2.9
2.9
2.7
2.7
2.5
2.5
2.3
2.3
2.1
2.1
1.9 y = 4.3546x - 1.1991 1.9 y = 3.4075x + 0.1804
1.7 R² = 0.4049 1.7 R² = 0.389
1.5 1.5
0.75 0.8 0.85 0.9 0.55 0.6 0.65 0.7
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
1.7 y = 0.7341x + 0.9772 1.7 y = 4.1524x - 1.3203

R² = 0.3027 R² = 0.2638
1.5 1.5
1 1.2 1.4 1.6 1.8 2 0.75 0.8 0.85 0.9
Capítulo 4 77
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
1.7 y = 0.6394x + 1.7525 1.7

R² = 0.2576
1.5 1.5
0 0.2 0.4 0.6 0.8 1 0.4 0.45 0.5 0.55 0.6 0.65
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,
lo que genera mejores resultados en la detección remota del contenido de clorofila en

plantas verdes.
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.
4.4.2 Modelos PLSR para nitrógeno
En la Tabla 4-17 se presentan los resultados de los 20 mejores modelos, ordenados de

mayor a menor desempeño. Las mejores predicciones se obtuvieron cuando se consideró
la respuesta espectral entre los 400 y 2450nm (rango 2) aplicando a los datos originales el
algoritmo de suavizado Savitzky Golay con 15 datos, y posteriormente la Normalización
por rangos. Este modelo se consideró el de mejor desempeño ya que presentó un R2ve de
0.76, un RPD de 2.03 y un RER de 8.82. El segundo modelo seleccionado se obtuvo a
partir del mismo rango que el anterior con la normalización por rangos, pero sin la
aplicación del filtro Savitzky Golay, con resultados similares, lo cual indica que no sería
necesario hacer el suavizado de los datos para tener mejores resultados. Es importante
tener en cuenta que las mediciones obtenidas con el espectroradiómetro FieldSpect 4
presentan muy poco ruido y por lo tanto no hay un efecto importante del filtro de suavizado
Savitzky Golay. 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 cualquiera de los dos podría tener un buen desempeño. Los 18 modelos
restantes presentaron R2 adecuados pero los RPD están por debajo de 2.
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
Rango Preprocesamiento Factores Calibración Validación Ext. RPD RER

Capítulo 4 79
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)

combinado con la normalización por rangos
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)
Figura 4-36: Longitudes de onda con mayor peso en el modelo predictivo
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 %)
Figura 4-37: Resultados de los datos de validación externa
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
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.
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.
predicción y los de referencia
Palmas de validación externa Predicción Referencia

M4_L250_P2_TBA 1.77 1.67
M5_L239_P3_TMB 1.83 1.85
M4_L262_P3_TBB 2.03 1.98
M4_L246_P3_TBA 2.20 1.99
M4_L239_P3_TMB 2.09 2.00
M4_L247_P3_TBA 2.11 2.00
M4_L242_P3_TMB 2.17 2.05
M5_L247_P3_TBA 2.23 2.12
M5_L176_P3_TNA 2.15 2.12
M3_L177_P2_TNA 2.37 2.18
M5_L217_P3_TAB 2.28 2.20
M5_L246_P2_TBA 2.34 2.22
M4_L176_P2_TNA 2.10 2.22
M3_L178_P3_TNA 2.35 2.22
M3_L254_P2_TBM 2.39 2.26
M5_L263_P3_TBB 2.30 2.27
M4_L263_P3_TBB 2.18 2.28
M3_L246_P3_TBA 2.35 2.32
M4_L262_P2_TBB 2.22 2.35
M5_L266_P3_TBB 2.25 2.37
Capítulo 4 83

M3_L258_P2_TBM 2.50 2.38
M3_L239_P2_TMB 2.54 2.39
M3_L216_P3_TAB 2.39 2.39
M3_L216_P2_TAB 2.45 2.45
M3_L266_P3_TBB 2.41 2.60
M3_L240_P2_TMB 2.53 2.62
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.
4.4.3 Modelos PLSR para potasio

algoritmo de Normalización por máximos, siendo el mismo rango que para el modelo de N.
Este modelo se consideró el de mejor desempeño ya que presento un R2ve de 0.12, un
RPD de 1.09 y un RER de 5.60. El segundo modelo seleccionado se obtuvo a partir del
mismo rango que el anterior con Log1/x con resultados similares a NM con un R 2ve de
0.11, un RPD de 1.08 y un RER de 5.55, a pesar de que el mejor modelo se obtuvo por
NM se puede observar que los resultados de las variables no son los adecuados para los
modelos de predicción.
Tabla 4-20: Resultado de los 20 mejores modelos predictivos con PLS para K
Calibración Validación Ext.

Rango Preprocesamiento Factores RPD RER
R2 RMSEC R2 RMSEP
Rango 2 NM 3 0.20 0.10 0.12 0.15 1.09 5.60
Rango 2 Log1/X 3 0.11 0.11 0.11 0.15 1.08 5.55
Rango 1 SG&NR 3 0.21 0.10 0.10 0.15 1.07 5.54
Rango 2 CRUDO 3 0.18 0.11 0.10 0.15 1.07 5.52
Rango 2 FG 3 0.18 0.10 0.10 0.15 1.07 5.51
Rango 1 NA 3 0.21 0.10 0.10 0.15 1.07 5.51
Rango 1 NP 3 0.21 0.10 0.10 0.15 1.07 5.51

R2 RMSEC R2 RMSEP
Rango 1 NM 3 0.23 0.10 0.09 0.15 1.07 5.50
Rango 2 FG 4 0.26 0.10 0.09 0.16 1.06 5.45
Rango 1 Log1/X 3 0.10 0.11 0.07 0.16 1.05 5.44
Rango 1 NA 4 0.26 0.10 0.08 0.16 1.05 5.43
Rango 1 NP 4 0.26 0.10 0.08 0.16 1.05 5.43
Rango 2 NM 4 0.24 0.10 0.08 0.16 1.05 5.43
Rango 1 CRUDO 3 0.17 0.11 0.07 0.16 1.05 5.43
Rango 2 NA 3 0.22 0.10 0.07 0.19 1.05 5.43
Rango 1 FG 3 0.20 0.10 0.07 0.16 1.05 5.42
Rango 1 SG&NR 4 0.27 0.10 0.08 0.16 1.05 5.42
Rango 2 NUV 3 0.24 0.10 0.08 0.16 1.05 5.42
Rango 2 NR 4 0.25 0.10 0.08 0.16 1.05 5.42
Rango 2 SG&NR 4 0.26 0.10 0.08 0.16 1.05 5.42
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
Figura 4-38: Respuestas espectrales con el preprocesamiento de Normalización Máxima
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
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 %)
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
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
datos utilizados (26 datos) para la validación son diferentes a los utilizados para la
0.9
Elementos: 26
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.
Tabla 4-21: Resultado del modelo predictivo con Normalización Máxima

RPD RER
0.45 0.20 0.10 0.33 0.11 0.11 0.35 0.12 0.15 1.09 5.60
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

M4_L176_P3_TNA 0.6889 0.47
M5_L240_P2_TMB 0.7308 0.52
M5_L218_P3_TAB 0.5791 0.55
M4_L246_P3_TBA 0.6917 0.58
M3_L246_P3_TBA 0.6548 0.60
M5_L238_P3_TMB 0.6818 0.62
M3_L175_P2_TNA 0.7832 0.64
M5_L264_P3_TBB 0.6741 0.65
M4_L240_P2_TMB 0.7033 0.65
M3_L253_P2_TBM 0.8527 0.67
M4_L242_P3_TMB 0.6994 0.67
M5_L175_P2_TNA 0.7690 0.69
M4_L253_P2_TBM 0.7530 0.70
M4_L265_P3_TBB 0.7255 0.71
M3_L239_P2_TMB 0.6496 0.72
M3_L242_P3_TMB 0.6990 0.73
M3_L177_P3_TNA 0.6695 0.74
M5_L256_P2_TBM 0.6584 0.75
M3_L215_P3_TAB 0.7918 0.76
M5_L262_P2_TBB 0.7473 0.79
M3_L266_P3_TBB 0.7092 0.81
M5_L257_P2_TBM 0.7039 0.82
M3_L256_P2_TBM 0.7692 0.85
M3_L241_P2_TMB 0.7310 0.88
M3_L258_P2_TBM 0.6645 0.95
M5_L239_P3_TMB 0.8068 1.32
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.
4.4.4 Modelos PLSR para fósforo

algoritmo de suavizado Savitzky Golay con 15 datos, y posteriormente la Normalización
por rangos. Este modelo se consideró el de mejor desempeño ya que presento un R2ve de
0.44, un RPD de 1.36 y un RER de 5.81. El segundo modelo seleccionado se obtuvo a
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

2
R RMSEC R2 RMSEP
Rango 1 SG&NR 3 0.53 0.01 0.44 0.01 1.36 5.81
Rango 1 NR 3 0.53 0.01 0.44 0.01 1.36 5.80
Rango 2 Log1/X 4 0.48 0.01 0.46 0.01 1.36 5.79
Rango 1 NM 3 0.51 0.01 0.44 0.01 1.35 5.76
Rango 1 SG&RN 4 0.60 0.01 0.43 0.01 1.34 5.72
Rango 1 NR 4 0.60 0.01 0.43 0.01 1.34 5.71
Rango 1 NM 4 0.58 0.01 0.43 0.01 1.33 5.68
Rango 1 NUV 3 0.53 0.01 0.41 0.01 1.32 5.65
Rango 1 NP 3 0.52 0.01 0.41 0.01 1.32 5.64
Rango 1 NA 3 0.52 0.01 0.40 0.01 1.32 5.64
Rango 2 SG1 4 0.51 0.01 0.41 0.01 1.32 5.64
Rango 1 FG 4 0.53 0.01 0.40 0.01 1.32 5.63
Rango 2 SG&RNC 3 0.49 0.01 0.41 0.01 1.32 5.62
Rango 2 SG&RNC 4 0.56 0.01 0.40 0.01 1.31 5.61
Rango 1 Log1/X 3 0.51 0.01 0.43 0.01 1.31 5.60
Rango 1 CRUDO 4 0.56 0.01 0.39 0.01 1.31 5.58
Rango 1 NUV 4 0.60 0.01 0.39 0.01 1.29 5.49
Rango 1 Log1/X 4 0.53 0.01 0.40 0.01 1.29 5.49
Rango 1 NP 4 0.60 0.01 0.39 0.01 1.28 5.48
Rango 1 NA 4 0.59 0.01 0.39 0.01 1.28 5.47
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

combinado con la Normalización por rangos
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
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 %)
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.
0.003
0.002
0.001
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
0.16
Elementos: 26
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 %)

Capítulo 4 91
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.
Normalización por rango

RPD RER
0.73 0.53 0.01 0.67 0.45 0.01 0.66 0.44 0.01 1.36 5.81
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.
predicción y los de referencia

M4_L215_P3_TAB 0.1328155 0.112
M4_L178_P3_TNA 0.1277774 0.118
M5_L175_P2_TNA 0.1487916 0.122
M4_L176_P3_TNA 0.1297658 0.123
M5_L239_P3_TMB 0.1332888 0.127
M4_L218_P3_TAB 0.131777 0.128
M4_L216_P3_TAB 0.1385457 0.132
M4_L238_P3_TMB 0.1268932 0.133
M4_L242_P3_TMB 0.1311491 0.134
M4_L257_P3_TBM 0.1265265 0.136
M4_L258_P3_TBM 0.1377395 0.137
M4_L262_P2_TBB 0.1351073 0.138
M5_L245_P2_TBA 0.1418924 0.140
M3_L262_P2_TBB 0.1500451 0.141
M5_L237_P3_TMB 0.1518992 0.143
M5_L266_P3_TBB 0.1456807 0.145
M5_L242_P3_TMB 0.1442865 0.145

M3_L248_P3_TBA 0.1412017 0.147
M3_L253_P2_TBM 0.1503735 0.148
M3_L215_P3_TAB 0.149278 0.149
M5_L250_P2_TBA 0.1388122 0.151
M5_L248_P3_TBA 0.138668 0.152
M3_L240_P2_TMB 0.1496151 0.153
M5_L257_P3_TBM 0.1487898 0.156
M3_L264_P3_TBB 0.1482058 0.160
M3_L241_P2_TMB 0.1519343 0.170
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
La conveniencia, la facilidad de uso y la disminución de los costos de las aeronaves no

tripuladas han estimulado la investigación para diferentes aplicaciones, entre ellas para la
detección de áreas de cultivo con deficiencias nutricionales, el censo de enfermedades, el
conteo de palmas y otros usos (P. H. C. Ng et al., 2013). Los datos son obtenidos de forma
inmediata y tienen la ventaja de ser más útiles que las imágenes de satélite en
determinadas condiciones. Por lo anterior en la presente investigación se hizo uso de los
UAV para realizar vuelos y tomar imágenes multiespectrales con una cámara Micasense
cuyas especificaciones se presentan en la Tabla 4-26.
Tabla 4-26: Bandas de la cámara multiespectral Micasense
Numero de Nombre de Longitud de onda central Ancho de banda FWHM

Banda Banda (nm) (nm)
1 Blue 475 20
2 Green 560 20
3 Red 668 10
4 Near IR 840 40
5 Red Edge 717 10
A partir de las imágenes obtenidas se adaptaron a las bandas de la cámara 22 índices

(Tabla 4-27) de vegetación y se analizaron para los tres muestreos con el fin de determinar,
las correlaciones con los contenidos de N.
Tabla 4-27: Índices de vegetación adaptados
Nombre Ecuación Referencia

Carter4 𝑅𝑒𝑑𝐸𝑑𝑔𝑒⁄ (Gregory A. Carter,
𝑁𝐼𝑅 1994)
Canopy (Clarke et al., 2001)
((𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒)/(𝑁𝑖𝑟 + 𝑅𝑒𝑑𝐸𝑑𝑔𝑒))/((𝑁𝑖𝑟
Chorophyll
− 𝑅𝑒𝑑)/(𝑁𝑖𝑟 + 𝑅𝑒𝑑))
Content Index
Chlorophyll 𝑁𝑖𝑟 ∗ ( 𝑅𝑒𝑑/ 𝐺𝑟𝑒𝑒𝑛2 ) (M. Vincini et al.,
vegetation 2008)
index
CIG ( 𝑁𝑖𝑟/ 𝐺𝑟𝑒𝑒𝑛) −1 (Anatoly A. Gitelson,
Gritz, et al., 2003)

CIRE ( 𝑁𝑖𝑟/ 𝑅𝑒𝑑𝐸𝑑𝑔𝑒) −1 Articulo
Datt (𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 )/(𝑁𝑖𝑟 − 𝑅𝑒𝑑 ) (B. Datt, 1999)
Datt2 𝑁𝑖𝑟/ 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 (B. Datt, 1999)
Datt4 𝑅𝑒𝑑/(𝐺𝑟𝑒𝑒𝑛 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 ) (Bisun Datt, 1998)
Green-Blue 𝑁𝑖𝑟 − (𝐺𝑟𝑒𝑒𝑛 + 𝐵𝑙𝑢𝑒)/𝑁𝑖𝑟 + (𝐺𝑟𝑒𝑒𝑛 + 𝐵𝑙𝑢𝑒) (Wang et al., 2007)
NDVI
Green-Red 𝑁𝑖𝑟 − (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑)/𝑁𝑖𝑟 + (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 ) (Wang et al., 2007)
NDVI
Green 𝑁𝑖𝑟/ 𝐺𝑟𝑒𝑒𝑛 (Compton J. Tucker,
Vegetation 1979)
Index
Intensity 1 (Escadafal et al.,
( ) ∗ (𝑅𝑒𝑑 + 𝐺𝑟𝑒𝑒𝑛 + 𝐵𝑙𝑢𝑒)
30.5 1994a)
Leaf (𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 )/(𝑁𝑖𝑟 + 𝑅𝑒𝑑 ) (Pu et al., 2008)
Chlorophyll
Index
mND705 (𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒)/(𝑁𝑖𝑟 + 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 2 ∗ 𝐵𝑙𝑢𝑒) (Sims & Gamon,
2002)
MTCI (𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒)/(𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 𝑅𝑒𝑑 ) (Dash & Curran,
2004)
Normalized (𝑁𝑖𝑟 − 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 )/(𝑁𝑖𝑟 + 𝑅𝑒𝑑𝐸𝑑𝑔𝑒) (Clarke et al., 2001)
Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR 𝑁𝑖𝑟/(𝑁𝑖𝑟 + 𝑅𝑒𝑑 + 𝐺𝑟𝑒𝑒𝑛) (Henrich et al., 2011)
Normalized (𝑁𝑖𝑟 − 𝐺𝑟𝑒𝑒𝑛)/(𝑁𝑖𝑟 + 𝐺𝑟𝑒𝑒𝑛) (Wang et al., 2007)
Difference
NIR/Green
Green NDVI
Pan NDVI 𝑁𝑖𝑟 − (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒) / 𝑁𝑖𝑟 (Wang et al., 2007)
+ (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒)
Red-Blue 𝑁𝑖𝑟 − (𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒) / 𝑁𝑖𝑟 + (𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒) (Wang et al., 2007)
NDVI
REP_Li 𝑅𝑟𝑒 = (𝑅𝑒𝑑 + 𝑁𝑖𝑟)/2 (Guyot & Frederic,

700 + 40 ∗ ((𝑅𝑟𝑒 − 𝑅𝑟𝑒𝑑 )/(𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 𝑅𝑟𝑒𝑑)) 1988)
TCARI 3 ∗ ((𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 𝑅𝑒𝑑 ) − 0.2 (Haboudane et al.,
∗ (𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 𝐺𝑟𝑒𝑒𝑛) 2002)
∗ (𝑅𝑒𝑑𝐸𝑑𝑔𝑒/𝑅𝑒𝑑))
Capítulo 4 95
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.
estadísticamente diferentes por tratamientos en el primer muestreo (n = 42)
Método Dona
Carter4 0.0029** Leaf Chlorophyll Index 0.0000**
CCCI 0.0000** mND705 0.0000**
CIRE 0.0000** MTCI 0.0000**
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**
Método Puntos
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*
Datt2 NIR/Rededge Normalized
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
Carter4 0.0361* MTCI 0.0062**
CCCI NIR/Rededge Normalized
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**
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).
índices de vegetación en el primer muestreo

Método: Dona
Carter4 NbKb - a NaKb - a NbKm - b N0K0 - b NmKb - b NbKa - b
CCCI NbKa - a N0K0 - a NbKm - a NmKb - a NbKb - b NaKb - b

CIRE NbKa - a NbKm - a NmKb - a N0K0 - a NbKb - b NaKb - b
Capítulo 4 97

Chlorophyll NbKb - a NaKb - ab NmKb - b N0K0 - b NbKm - b NbKa - b
vegetation
index
Datt NbKa - a N0K0 - a NmKb - a NbKm - a NbKb - b NaKb - c
Datt2 NbKa - a NbKm - a NmKb - a N0K0 - a NbKb - b NaKb - b
Green-Blue N0K0 - a NbKa - ab NaKb - bc NbKm - bc NmKb - bc NbKb - c
NDVI
Green-Red N0K0 - a NbKa - ab NbKm - abc NmKb - bc NaKb - bc NbKb - c
NDVI
Intensity NbKa - a NmKb - a NbKm - a N0K0 - a NaKb - b NbKb - b
Leaf NbKa - a NmKb - a N0K0 - a NbKm - a NbKb - b NaKb - b
Chlorophyll
Index
mND705 NbKa - a N0K0 - a NbKm - a NmKb - a NbKb - b NaKb - b
MTCI NbKa - a NbKm - a N0K0 - a NmKb - a NbKb - b NaKb - b
Normalized NbKa - a NbKm - a NmKb - a N0K0 - a NbKb - b NaKb - b

Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NbKa - ab NbKm - abc NmKb - bc NaKb - bc NbKb - c
PanNDVI N0K0 - a NbKa - ab NbKm - bc NmKb - bc NaKb - bc NbKb - c
Red-Blue N0K0 - a NbKa - ab NbKm - abc NmKb - NaKb - cd NbKb - d
NDVI bcd
REP_Li NbKa - a NbKm - a N0K0 - a NmKb - a NbKb - b NaKb - b
TCARI NbKb - a NmKb - b NbKm - b NbKa - b N0K0 - b NaKb - b
Método: Punto
Carter4 NaKb - a NbKb - ab NmKb - bc NbKm - bc N0K0 - bc NbKa - c
CCCI NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c

CIG NaKb - a NmKb - a N0K0 - a NbKa - ab NbKm - ab NbKb - b
CIRE NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
Datt NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
Datt2 NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
Datt4 NaKb - a N0K0 - b NbKa - b NbKb - b NmKb - b NbKm - b
Green-Blue NaKb - a N0K0 - a NbKa - a NmKb - a NbKm - ab NbKb - b

NDVI
Green-Red NaKb - a N0K0 - a NbKa - a NmKb - ab NbKm - ab NbKb - b
NDVI

Green NaKb - a NmKb - a N0K0 - a NbKa - ab NbKm - ab NbKb - b
Vegetation
Index
Intensity NbKm - a NmKb - a NbKa - a N0K0 - ab NaKb - b NbKb - b
Leaf NbKa - a NbKm - ab N0K0 - ab NmKb - ab NbKb - bc NaKb - c
Chlorophyll
Index
mND705 NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
MTCI NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
Normalized NaKb - a NmKb - a N0K0 - a NbKa - ab NbKm - ab NbKb - b
Difference
NIR/Green
Green NDVI
Normalized NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR NaKb - a N0K0 - a NbKa - a NmKb - ab NbKm - ab NbKb - b
PanNDVI NaKb - a N0K0 - a NbKa - a NmKb - ab NbKm - ab NbKb - b
REP_Li NbKa - a N0K0 - a NbKm - a NmKb - ab NbKb - bc NaKb - c
TCARI NbKb - a NbKm - a N0K0 - a NbKa - a NmKb - a NaKb - b
Método: Random
Carter4 NaKb - a NbKb - ab NbKm - ab NmKb - b N0K0 - b NbKa - b
CCCI NbKa - a N0K0 - a NmKb - ab NbKm - ab NbKb - b NaKb - b
CIRE NbKa - a N0K0 - a NmKb - ab NbKm - ab NbKb - b NaKb - b
Chlorophyll NaKb - a NbKb - a NmKb - ab NbKm - bc N0K0 - bc NbKa - c
vegetation
index
Datt NbKa - a N0K0 - a NmKb - ab NbKm - ab NbKb - ab NaKb - b
Datt2 NbKa - a N0K0 - a NmKb - ab NbKm - ab NbKb - b NaKb - b
Green-Red N0K0 - a NbKa - ab NbKm - abc NaKb - bc NmKb - bc NbKb - c
NDVI
mND705 NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
MTCI NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
Normalized NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NbKa - ab NbKm - abc NaKb - bc NmKb - bc NbKb - c
Capítulo 4 99

PanNDVI N0K0 - a NbKa - ab NbKm - ab NmKb - b NaKb - b NbKb - b
Red-Blue N0K0 - a NbKa - a NbKm - ab NmKb - b NaKb - b NbKb - b
NDVI
REP_Li NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
TCARI NbKb - a NmKb - ab NbKa - bc N0K0 - bc NbKm - bc NaKb - c
Por medio de la correlación de Pearson (Tabla 4-30 y Anexo F), se encontró que, por el
método de dona, 9 índices espectrales presentaron una correlación mayor a 0.5 y
altamente significativa para N; por el método de punto 10 índices espectrales presentaron
una correlación positiva (>0.5) y altamente significativa para N y por el método random 8
índices espectrales presentaron una correlación positiva (>0.5) y altamente significativa
para N.
mayores valores en el primer muestreo
Índice de Vegetación Nitrógeno

Método: Dona
CCCI -0.566**
Green-Blue NDVI -0.537**
Green-Red NDVI -0.569**
mND705 -0.532**
MTCI -0.516**
Norm NIR -0.569**
PanNDVI -0.596**
Red-Blue NDVI -0.612**
REP_Li -0.516**
Método: Punto
Carter4 0.598**
CCCI -0.659**
CIRE -0.611**
Datt -0.636**
Datt2 -0.611**
Leaf Chlorophyll Index -0.565**
mND705 -0.634**
MTCI -0.629**
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.607**
REP_Li -0.629**
Método: Random
CCCI -0.544**
mND705 -0.517**

MTCI -0.521**
Norm NIR -0.507**
PanNDVI -0.507**
REP_Li -0.521**
nivel 0,01.
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
(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
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.
tratamientos en el segundo muestreo (n = 42)
Método Dona
CCCI 0.0000** mND705 0.0001**
CIG 0.0003** MTCI 0.0002**
CIRE
0.0003** Green NDVI 0.0001**
Datt NIR/Rededge Normalized
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
CCCI 0.0003** mND705 0.0000**
CIG 0.0362* MTCI 0.0006**
CIRE
0.0002** Green NDVI 0.0252*
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
Carter4 0.0058** Leaf Chlorophyll Index 0.0114*
CCCI 0.0005** mND705 0.0005**
CIG 0.0076** MTCI 0.0024**
CIRE
0.0054** Green NDVI 0.0083**
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**
0.01
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.
índices de vegetación en el segundo muestreo

Método: Dona
Carter4 NaKb - a NbKb - b NbKm - bc NbKa - c NmKb - c N0K0 - c
CCCI N0K0 - a NbKa - ab NmKb - ab NbKm - b NaKb - c NbKb - c
CIG N0K0 - a NbKa - ab NmKb - ab NbKm - b NaKb - b NbKb - c
CIRE N0K0 - a NbKa - a NmKb - a NbKm - ab NbKb - bc NaKb - c
Datt N0K0 - a NbKa - ab NmKb - ab NbKm - bc NbKb - cd NaKb - d
Datt2 N0K0 - a NbKa - a NmKb - a NbKm - ab NbKb - bc NaKb - c
Datt4 NaKb - a NbKa - ab N0K0 - ab NbKm - ab NmKb - b NbKb - b
Green-Blue N0K0 - a NbKa - ab NmKb - bc NbKm - c NaKb - c NbKb - d
NDVI
Green-Red N0K0 - a NbKa - ab NmKb - bc NbKm - c NaKb - c NbKb - d
NDVI

Green N0K0 - a NbKa - ab NmKb - ab NbKm - b NaKb - b NbKb - c
Vegetation
Index
Intensity N0K0 - a NbKa - ab NbKb - ab NbKm - ab NmKb - bc NaKb - c
Leaf N0K0 - a NmKb - ab NbKa - ab NbKm - ab NbKb - b NaKb - c
Chlorophyll
Index
mND705 N0K0 - a NbKa - a NmKb - a NbKm - ab NbKb - bc NaKb - c
MTCI N0K0 - a NbKa - a NmKb - a NbKm - a NbKb - b NaKb - b
Normalized N0K0 - a NbKa - ab NmKb - abc NbKm - bc NaKb - c NbKb - d
Difference
NIR/Green
Green NDVI
Normalized N0K0 - a NbKa - a NmKb - a NbKm - ab NbKb - bc NaKb - c
Difference
NIR/Rededg
e Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NbKa - ab NmKb - bc NbKm - bc NaKb - c NbKb - d
PanNDVI N0K0 - a NbKa - ab NmKb - bc NbKm - bc NaKb - c NbKb - d
Red-Blue N0K0 - a NbKa - ab NmKb - bc NbKm - bc NaKb - c NbKb - d
NDVI
REP_Li N0K0 - a NbKa - a NmKb - a NbKm - a NbKb - b NaKb - b
TCARI NbKb - a NmKb - a N0K0 - ab NbKm - ab NbKa - ab NaKb - b
Método: Punto
Carter4 NaKb - a NbKb - ab NbKm - ab NbKa - ab NmKb - bc N0K0 - c
CCCI N0K0 - a NmKb - ab NbKa - ab NbKm - bc NbKb - cd NaKb - d
CIG NmKb - a NbKm - a N0K0 - a NbKa - a NbKb - ab NaKb - b
CIRE N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Datt N0K0 - a NmKb - ab NbKa - bc NbKm - bcd NbKb - cd NaKb - d
Datt2 N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Green-Blue NmKb - a N0K0 - a NbKa - a NbKm - a NbKb - b NaKb - b
NDVI
Green-Red N0K0 - a NbKm - a NmKb - a NbKa - a NbKb - b NaKb - b
NDVI
Green NmKb - a NbKm - a N0K0 - a NbKa - a NbKb - ab NaKb - b
Vegetation
Index
Leaf N0K0 - a NmKb - ab NbKa - b NbKb - b NbKm - b NaKb - b
Chlorophyll
Index
mND705 N0K0 - a NmKb - b NbKa - bc NbKm - bcd NbKb - cd NaKb - d
MTCI N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
Capítulo 4 105

Normalized NmKb - a N0K0 - a NbKm - a NbKa - a NbKb - ab NaKb - b
Difference
NIR/Green
Green NDVI
Normalized N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
Difference
NIR/Rededg
e Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NbKm - a NmKb - a NbKa - a NbKb - b NaKb - b
PanNDVI N0K0 - a NbKm - a NmKb - a NbKa - a NbKb - b NaKb - b
Red-Blue N0K0 - a NbKa - a NbKm - a NmKb - a NbKb - b NaKb - b
NDVI
REP_Li N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
Método: Random
Carter4 NaKb - a NbKb - ab NbKm - bc NmKb - bc NbKa - bc N0K0 - c
CCCI N0K0 - a NbKa - a NmKb - a NbKm - a NaKb - b NbKb - b
CIG N0K0 - a NmKb - a NbKa - a NbKm - ab NaKb - ab NbKb - b
CIRE N0K0 - a NbKa - ab NmKb - ab NbKm - ab NbKb - bc NaKb - c
Datt N0K0 - a NbKa - ab NmKb - ab NbKm - ab NbKb - bc NaKb - c
Datt2 N0K0 - a NbKa - ab NmKb - ab NbKm - ab NbKb - bc NaKb - c
Green-Blue N0K0 - a NbKa - ab NmKb - ab NbKm - ab NaKb - bc NbKb - c
NDVI
Green-Red N0K0 - a NbKa - ab NmKb - ab NbKm - ab NaKb - bc NbKb - c
NDVI
Green N0K0 - a NmKb - a NbKa - a NbKm - ab NaKb - ab NbKb - b
Vegetation
Index
Leaf N0K0 - a NmKb - a NbKa - a NbKm - ab NbKb - ab NaKb - b
Chlorophyll
Index
mND705 N0K0 - a NbKa - ab NmKb - abc NbKm - bc NbKb - cd NaKb - d
MTCI N0K0 - a NbKa - ab NbKm - ab NmKb - ab NbKb - bc NaKb - c
Normalized N0K0 - a NmKb - a NbKa - a NbKm - a NaKb - ab NbKb - b
Difference
NIR/Green
Green NDVI
Normalized N0K0 - a NbKa - ab NmKb - ab NbKm - ab NbKb - bc NaKb - c
Difference
NIR/Rededg
e Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NbKa - ab NmKb - ab NbKm - ab NaKb - bc NbKb - c

PanNDVI N0K0 - a NbKa - a NmKb - ab NbKm - ab NaKb - bc NbKb - c
Red-Blue N0K0 - a NbKa - a NmKb - ab NbKm - ab NaKb - bc NbKb - c
NDVI
REP_Li N0K0 - a NbKa - a NbKm - ab NmKb - ab NbKb - bc NaKb - c
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.
mayores valores en el segundo muestreo

Método: Dona
CCCI -0.535**
CIRE -0.517**
Datt2 -0.517**
mND705 -0.540**
MTCI -0.548**
PanNDVI -0.514**
REP_Li -0.548**
Método: Punto
PanNDVI -0.418**
Método: Random
CCCI -0.564**
MTCI -0.503**
Norm NIR -0.529**
PanNDVI -0.563**
REP_Li -0.507**
nivel 0,01.
Capítulo 4 107
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
(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.
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
tratamientos en el tercer muestreo (n = 42)
Método Dona
Carter4 0.0025** mND705 0.0024**
CCCI 0.0008** MTCI 0.0026**
CIRE NIR/Rededge Normalized
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
Carter4 0.0231* Leaf Chlorophyll Index 0.0180*
CCCI 0.0020** mND705 0.0120*
CIG 0.0320* MTCI 0.0134*
CIRE
0.0123* Green NDVI 0.0282*
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
CCCI 0.0003** mND705 0.0004**
CIRE 0.0024** MTCI 0.0032**
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**
0.01
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
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.
índices de vegetación en el tercer muestreo

Método: Dona
Carter4 NaKb - a NbKm - ab NbKa - ab NbKb - ab NmKb - bc N0K0 - c
CCCI N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
CIRE N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Datt N0K0 - a NmKb - ab NbKa - b NbKb - bc NbKm - bc NaKb - c
Datt2 N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Intensity N0K0 - a NbKb - b NmKb - b NbKm - b NbKa - b NaKb - b
Leaf N0K0 - a NmKb - ab NbKb - b NbKa - bc NbKm - bc NaKb - c
Chlorophyll
Index
mND705 N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
MTCI N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Normalized N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR N0K0 - a NmKb - a NbKa - ab NaKb - ab NbKm - ab NbKb - b
PanNDVI N0K0 - a NmKb - ab NbKa - abc NaKb - bc NbKm - bc NbKb - c
Red-Blue N0K0 - a NmKb - ab NbKa - ab NbKm - bc NaKb - bc NbKb - c
NDVI
REP_Li N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Método: Punto
Carter4 NaKb - a NbKb - ab NbKm - abc NmKb - abc N0K0 - bc NbKa - c
CCCI N0K0 - a NbKa - a NmKb - a NbKm - ab NaKb - b NbKb - b
CIG N0K0 - a NmKb - ab NaKb - abc NbKm - bc NbKb - c NbKa - c
CIRE NbKa - a N0K0 - ab NmKb - abc NbKm - abc NbKb - bc NaKb - c
Datt NbKa - a N0K0 - a NmKb - ab NbKm - ab NbKb - b NaKb - b
Datt2 NbKa - a N0K0 - ab NmKb - abc NbKm - abc NbKb - bc NaKb - c
Datt4 NmKb - a NaKb - ab N0K0 - ab NbKm - bc NbKb - bc NbKa - c
Green-Blue N0K0 - a NmKb - a NaKb - ab NbKm - b NbKa - b NbKb - b
NDVI
Green-Red NmKb - a N0K0 - a NaKb - ab NbKm - b NbKa - b NbKb - b
NDVI
Capítulo 4 111

Green N0K0 - a NmKb - ab NaKb - abc NbKm - bc NbKb - c NbKa - c
Vegetation
Index
Leaf NbKa - a N0K0 - ab NbKm - abc NmKb - abc NbKb - bc NaKb - c
Chlorophyll
Index
mND705 NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
MTCI NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
Normalized NmKb - a N0K0 - a NaKb - ab NbKb - b NbKm - b NbKa - b
Difference
NIR/Green
Green NDVI
Normalized NbKa - a N0K0 - ab NmKb - abc NbKm - abc NbKb - bc NaKb - c
Difference
NIR/Rededge
Normalized
Difference
Red-Edge
Norm NIR NmKb - a N0K0 -a NaKb - ab NbKm - b NbKa - b NbKb - b
PanNDVI N0K0 - a NmKb - a NaKb - ab NbKm - b NbKa - b NbKb - b
Red-Blue N0K0 - a NmKb - ab NaKb - ab NbKm - bc NbKa - bc NbKb - c
NDVI
REP_Li NbKa - a N0K0 - a NmKb - ab NbKm - abc NbKb - bc NaKb - c
TCARI NbKa - a NbKb - a NbKm - ab NmKb - b N0K0 - b NaKb - b
Método: Random
Carter4 NaKb - a NbKa - ab NbKb - b NbKm - b NmKb - bc N0K0 - c
CCCI N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
CIRE N0K0 - a NmKb - b NbKm - b NbKa - b NbKb - b NaKb - b
Chlorophyll NbKb - a NaKb - a NbKm - a NmKb - ab NbKa - ab N0K0 - b
vegetation
index
Datt N0K0 - a NmKb - ab NbKm - bc NbKb - bc NbKa - cd NaKb - d
Datt2 N0K0 - a NmKb - b NbKm - b NbKa - b NbKb - b NaKb - b
Leaf N0K0 - a NmKb - ab NbKm - bc NbKb - bc NbKa - bc NaKb - c
Chlorophyll
Index
mND705 N0K0 - a NmKb - b NbKa - bc NbKm - bc NbKb - bc NaKb - c
MTCI N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
Normalized N0K0 - a NmKb - b NbKm - b NbKb - b NbKa - b NaKb - b
Difference
NIR/Rededge
Normalized
Difference
Red-Edge

Red-Blue N0K0 - a NmKb - ab NbKa - abc NaKb - bc NbKm - bc NbKb - c
NDVI
REP_Li N0K0 - a NmKb - b NbKa - b NbKm - b NbKb - b NaKb - b
TCARI NbKm - a NbKb - a NaKb - a NbKa - a N0K0 - a NmKb - a
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.
mayores valores en el tercer muestreo

Método: Dona
Carter4 0.640**
CCCI -0.711**
CIRE -0.657**
Datt -0.660**
Datt2 -0.657**
Intensity -0.530**
mND705 -0.689**
MTCI -0.669**
PanNDVI -0.547**
REP_Li -0.669**
Método: Punto
CCCI -0.661**
CIRE -0.521**
Datt -0.536**
Datt2 -0.521**
mND705 -0.612**
MTCI -0.577**
PanNDVI -0.518**
Capítulo 4 113

REP_Li -0.577**
Método: Random
Carter4 0.549**
CCCI -0.691**
CIRE -0.611**
Chlorophyll vegetation index 0.622**
Datt -0.558**
Datt2 -0.611**
mND705 -0.665**
MTCI -0.626**
REP_Li -0.626**
nivel 0,01.
Se realizó la regresión lineal para el índice CCCI que tuvo la mayor correlación por el
método dona, se obtuvo un R2 = 0.50 (Figura 4-50), que fue superior al obtenido a partir
de la medición de la reflectancia con el espectroradiómetro (Figura 4-33), lo que indica la
potencialidad de las imágenes multiespectrales para la estimación del estado nutricional
de N. Aunque en el primer y tercer muestreo la mayor correlación la presentó el CCCI, el
Red-Blue NDVI presentó valores altamente significativos al igual que para el primer
muestreo y para el segundo fue el que tuvo la mayor correlación, lo cual indico con base
en los tres muestreos que los índices CCCI y Red-Blue NDVI son promisorios para la
estimación de los contenidos de N a partir de las imágenes multiespectrales.
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
(CCCI) para el tercer muestreo (n = 42)
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)
El uso de índices de vegetación en el monitoreo nutricional remoto con CCCI y Red-Blue

NDVI pueden ayudar en la toma de decisiones durante la edad adulta del cultivo,
aumentando los ingresos económicos, porque es posible verificar las deficiencias
nutricionales utilizando estas herramientas. Además, la predicción de la deficiencia
nutricional por medio de imágenes multiespectrales basadas en UAV pueden abarcar
grandes extensiones del cultivo y tener información puntual de las palmas, lo que puede
ayudar a reducir los impactos ambientales generados por la fertilización excesiva.
5. Discusión
La investigación permitió encontrar efectos de la aplicación de N en las respuestas
espectrales de la palma de aceite en los diferentes muestreos. También permitió identificar
índices espectrales con potencialidad para estimar los contenidos de nitrógeno a partir de
las mediciones de la reflectancia obtenidas con el espectrorradiómetro FieldSpect 4, dentro
de los cuales se destaca el índice Datt como el de mejor desempeño. El cálculo de este
índice tiene en cuenta la reflectancia a los 710nm, lo que indica la importancia de esta
parte del espectro para la estimación del contenido de N foliar en la palma de aceite.
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.
Se encontró que hubo correlación entre los contenidos de nitrógeno y la reflectancia en el

rango visible, debido a que gran parte del N foliar incorporado en las plantas está en la
clorofila (Peng et al., 2017) y según Mulyadi, Hariyandi, Sudradjat, & Kustiyo (2017) la
magnitud de absorción, transmisión y reflectancia depende en gran medida de la
disponibilidad de pigmentos absorbentes como la clorofila, la cual tiene un gran impacto
en la reflectancia visible ya que las hojas con alto contenido de nitrógeno y clorofila
absorben más luz en la región visible.
Se encontró que en el primer muestreo la cantidad de índices espectrales con diferencias

altamente significativas y significativas en la prueba ANOVA por efecto de los tratamientos
fue mayor, lo cual se relaciona con la época de fertilización, ya que este muestreo se hizo
Capítulo 5 117
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,
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 contenido de K foliar en ninguno de los tres muestreos se presentaron

correlaciones mayores a 0.5 con las respuestas espectrales. 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 principalmente en 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 estudio, hibrido OxG, no se evidenció su concentración
por medio de los análisis de laboratorio ya que se hizo en muestras de foliolos.
Capítulo 5 119
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
• En esta investigación se encontraron efectos de la aplicación de N en las

respuestas espectrales de la palma de aceite en los diferentes muestreos y se
lograron identificar índices espectrales con potencialidad para estimar el estado
nutricional de la palma con relación al nitrógeno a partir de fotografías aéreas
tomadas desde UAV y también con mediciones de la reflectancia a partir del
espectroradiómetro FielSpect4. Para el potasio también hubo efectos en las
respuestas espectrales, aunque no fueron tan evidentes como para nitrógeno.
Aunque se analizó la respuesta en el P foliar se debe tener en cuenta que el
experimento no contó con tratamientos para este elemento y su aplicación fue
uniforme para todos los tratamientos.
• Se encontró que a menor contenido de nitrógeno foliar mayor fue la reflectancia en

el rango visible, ya que el contenido de nitrógeno está altamente correlacionado
con la concentración de clorofila y este está asociado con la reflectancia en el rango
visible.
• Con base en las mediciones de la reflectancia con el espectroradiómetro

FielSpect4, se encontró que el primer muestreo tuvo la mayor cantidad de índices
espectrales con diferencias altamente significativas y significativas en la prueba
ANOVA por efecto de los tratamientos. De igual manera en dicho muestreo, se tuvo
la mayor cantidad de índices con correlaciones significativas para el nitrógeno foliar,
destacando el índice de vegetación Datt, como el de mejor desempeño en estas
pruebas.
Conclusiones y recomendaciones 121
• Se definieron varios modelos predictivos basados en las técnicas de PLSR para

estimar los contenidos foliares de NPK. Se encontró que las longitudes de onda
que mayor influencia tuvieron en las predicciones de los contenidos foliares de 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 indicando que se pueden realizar predicciones cuantitativas con
buena confiabilidad para los contenidos de N foliar.
• Se encontró que hubo correlaciones altamente significativas entre los índices

espectrales CCCI y Red-Blue NDVI calculados a partir de las fotografías aéreas y
el contenido de N foliar con los índices. 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 fue menor el número de índices con correlaciones mayores de 0.5,
mientras que con las fotografías en este muestreo se obtuvo la correlación más alta
0.711. Lo anterior indica que las fotografías aéreas haciendo uso de la banda del
Red Edge y del NIR tienen un gran potencial para estimación de contenido
nutricional de la palma de aceite.
• 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.
• Con base en los análisis efectuados a partir de la reflectancia medida con el

espectroradiómetro y con la cámara multiespectral se encontró que el rango del
RedEdge fue la parte del espectro que mayor influencia tuvo para la estimación de
los contenidos de NPK foliar
6.2 Recomendaciones
• Para el caso de potasio y fosforo se puede hacer muestreos en otras partes de la

palma como el raquis y a su vez obtener las respuestas espectrales de esta parte
para obtener mejores correlaciones; para el caso de fosforo también se puede
analizar en suelos con contenidos más bajos de fosforo en el suelo.
• Se propone realizar una investigación para conocer la mejor metodología para

extraer los valores de los pixeles y con ello obtener más altas correlaciones con los
contenidos de N, P y K.
• Se propone analizar a futuro muestreos, obtención de respuestas espectrales e

imágenes con UAV 30 días después de la fertilización o más para conocer si hay
un mayor aprovechamiento del fertilizante.
Bibliografía
Ahamed, T., Tian, L., Zhang, Y., & Ting, K. C. (2011). A review of remote sensing
methods for biomass feedstock production. Biomass and Bioenergy, 35(7),
2455–2469. https://doi.org/10.1016/j.biombioe.2011.02.028
Ammawath, W., Man, Y. B. C., Rahman, R. B. A., & Baharin, B. S. (2006). A
Fourier Transform Infrared Spectroscopic Method for Determining Butylated
Hydroxytoluene in Palm Olein and Palm Oil. Spectroscopy, 83(3), 187–191.
Apan, A., Held, A., Phinn, S., & Markley, J. (2004). Detecting sugarcane “orange
rust” disease using EO-1 Hyperion hyperspectral imagery. International
Journal of Remote Sensing, 25(2), 489–498.
https://doi.org/10.1080/01431160310001618031
Apan, Armando, Held, A., Phinn, S., & Markley, J. (2003). Formulation and
assessment of narrow-band vegetation indices from EO-1 Hyperion imagery
for discriminating sugarcane disease. Spatial Sciences 2003, 1–13.
http://eprints.usq.edu.au/8061
ASDinc. (2012). Chemometrics Training Manual. June.
Ataga, D. O. (1978). Soil phosphorus status and response of oil palm to
phosphate on some acid soils. Nigerian Inst. For Oil Palm Research, 5, 25–
36.
Bagchi, T. B., Sharma, S., & Chattopadhyay, K. (2016). Development of NIRS
models to predict protein and amylose content of brown rice and proximate
compositions of rice bran. Food Chemistry, 191, 21–27.
https://doi.org/10.1016/j.foodchem.2015.05.038
Balasundram, siva k, Memarian, H., & Khosla, R. (2013). Estimating Oil Palm
Yields using Vegetation Indices Derived from Quickbird. Life Science Journal,
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
Revista de La Sociedad Espanola de Quimica Clinica, 10(5), 347–359.

Castro Franco, H. E. (1998). Fundamentos para el conocimiento y manejo de
suelos agrícolas. Manual técnico.
Chappelle, E. W., Kim, M. S., & McMurtrey, J. E. (1992). Ratio analysis of
reflectance spectra (RARS): An algorithm for the remote estimation of the
concentrations of chlorophyll A, chlorophyll B, and carotenoids in soybean
leaves. Remote Sensing of Environment, 39(3), 239–247.
https://doi.org/10.1016/0034-4257(92)90089-3
Che Man, Y. B., & Mirghani, M. E. S. (2000). Rapid method for determining
moisture content in crude palm oil by Fourier transform infrared spectroscopy.
Journal of the American Oil Chemists’ Society, 77(6), 631–637.
https://doi.org/10.1007/s11746-000-0102-9
Chen, J. M. (1996). Evaluation of vegetation indices and a modified simple ratio
for boreal applications. Canadian Journal of Remote Sensing, 22(3), 229–
242. https://doi.org/10.1080/07038992.1996.10855178
Cho, M. A., & Skidmore, A. K. (2006). A new technique for extracting the red edge
position from hyperspectral data: The linear extrapolation method. Remote
Sensing of Environment, 101(2), 181–193.
https://doi.org/10.1016/j.rse.2005.12.011
Chong, K. L., Kanniah, K. D., Pohl, C., & Tan, K. P. (2017). A review of remote
sensing applications for oil palm studies. Geo-Spatial Information Science,
20(2), 184–200. https://doi.org/10.1080/10095020.2017.1337317
Clarke, T. R., Moran, M. S., Barnes, E. M., Pinter, P. J., & Qi, J. (2001). Planar
domain indices: A method for measuring a quality of a single component in
two-component pixels. International Geoscience and Remote Sensing
Symposium (IGARSS), 3(C), 1279–1281.
https://doi.org/10.1109/igarss.2001.976818
Cloutis, E. A., Connery, D. R., Dover, F. J., & Major, D. J. (1996). Airborne multi-
spectral monitoring of agricultural crop status: Effect of time of year, crop type
and crop condition parameter. International Journal of Remote Sensing,
17(13), 2579–2601. https://doi.org/10.1080/01431169608949094
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.
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.
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.
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–
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
floor. Ecology, 50(4), 663–666. https://doi.org/10.1155/2012/651039

Kim, Moon S., Dougtry, C. S. ., Chappelle, E., Mcmurtrey, J. ., & Walthall, C. .
(1993). The use of high spectral resolution bands for estimating absorbed
photosynthetically active radiation (Apar). 299–306.
Kim, Moon Sung. (1994). The use of narrow spectral bands for improving remote
sensing estimations of fractionally absorbed photosynthetically active
radiation (fapar). 75.
Kokaly, Raymond, I., & Clark, R. N. (1999). Spectroscopic Determination of Leaf
Biochemistry: Use of Normalized Band-Depths and Laboratory
Measurements and Possible Extension to Remote Sensing Measurements.
Remote Sensing of Environment, 67, 267–287.
http://aviris.jpl.nasa.gov/proceedings/workshops/98_docs/30.pdf
Lamb, D. W., Steyn-ross, M., Schaares, P., Hanna, M. M., Silvester, W., & Steyn-
Ross, A. (2002). Estimating leaf nitrogen concentration in ryegrass (Lolium
spp.) pasture using the chlorophyll red-edge: Theoretical modelling and
experimental observations. International Journal of Remote Sensing, 23(18),
3619–3648. https://doi.org/10.1080/01431160110114529
Le Maire, G., François, C., & Dufrêne, E. (2004). Towards universal broad leaf
chlorophyll indices using PROSPECT simulated database and hyperspectral
reflectance measurements. Remote Sensing of Environment, 89(1), 1–28.
le Maire, Guerric, François, C., Soudani, K., Berveiller, D., Pontailler, J. Y., Bréda,
N., Genet, H., Davi, H., & Dufrêne, E. (2008). Calibration and validation of
hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll
content, leaf mass per area, leaf area index and leaf canopy biomass.
Levin, N., Kidron, G. J., & Ben-Dor, E. (2007). Surface properties of stabilizing
coastal dunes: Combining spectral and field analyses. Sedimentology, 54(4),
771–788. https://doi.org/10.1111/j.1365-3091.2007.00859.x
Liaghat, S., Ehsani, R., Mansor, S., & Helmi, Z. M. (2014). International Journal of
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.
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
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
plantaciones comerciales. Boletín Técnico, 20, 30.

Reyniers, M., & Vrindts, E. (2006). Measuring wheat nitrogen status from space
and ground-based platform. International Journal of Remote Sensing, 27(3),
549–567. https://doi.org/10.1080/01431160500117907
Rondeaux, G., Steven, M., & Baret, F. (1996). Optimization of soil-adjusted
vegetation indices. Remote Sensing of Environment, 55(2), 95–107.
https://doi.org/10.1016/0034-4257(95)00186-7
Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation
from bidirectional reflectance measurements. Remote Sensing of
Environment, 51(3), 375–384. https://doi.org/10.1016/0034-4257(94)00114-3
Santana, D. C., Cotrim, M. F., Flores, M. S., Rojo Baio, F. H., Shiratsuchi, L. S.,
Silva Junior, C. A. da, Teodoro, L. P. R., & Teodoro, P. E. (2021). UAV-based
multispectral sensor to measure variations in corn as a function of nitrogen
topdressing. Remote Sensing Applications: Society and Environment,
23(April), 100534. https://doi.org/10.1016/j.rsase.2021.100534
Schlemmera, M., Gitelson, A., Schepersa, J., Fergusona, R., Peng, Y.,
Shanahana, J., & Rundquist, D. (2013). Remote estimation of nitrogen and
chlorophyll contents in maize at leaf and canopy levels. International Journal
of Applied Earth Observation and Geoinformation, 25(1), 47–54.
https://doi.org/10.1016/j.jag.2013.04.003
Selvaraja, S., Balasundram, S. K., Vadamalai, G., & Husni, M. H. A. (2013). Use
of spectral reflectance to discriminate between potassium deficiency and
orange spotting symptoms in oil palm (Elaeis guineensis). Life Science
Journal, 10(4), 947–951.
Serrano, L., Peñuelas, J., & Ustin, S. L. (2002). Remote sensing of nitrogen and
lignin in Mediterranean vegetation from AVIRIS data. Remote Sensing of
Environment, 81(2–3), 355–364. https://doi.org/10.1016/s0034-
4257(02)00011-1
Shafri, H. Z. M., & Hamdan, N. (2011). Semi-automatic detection and counting of
oil palm trees from high spatial resolution airborne imagery. 32(8), 2095–
2115. https://doi.org/10.1080/01431161003662928
Bibliografía 137
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.
https://doi.org/10.1016/0034-4257(79)90004-X
Tucker, Compton J. (1979). Red and photographic infrared linear combinations for
monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150.

https://doi.org/10.1016/0034-4257(79)90013-0
Vincini, M., Frazzi, E., & D’Alessio, P. (2008). A broad-band leaf chlorophyll
vegetation index at the canopy scale. Precision Agriculture, 9(5), 303–319.
https://doi.org/10.1007/s11119-008-9075-z
Vincini, Massimo, & Frazzi, E. (2006). Angular dependence of maize and sugar
beet VIs from directional CHRIS/Proba data. Cuore, January, 5–9.
Vogelmann, J. E., Rock, B. N., & Moss, D. M. (1993). Red edge spectral
measurements from sugar maple leaves. International Journal of Remote
Sensing, 14(8), 1563–1575. https://doi.org/10.1080/01431169308953986
Wang, F., Huang, J., Tang, Y., & Wang, X. (2007). New Vegetation Index and Its
Application in Estimating Leaf Area Index of Rice. Rice Science, 14(3), 195–
203. https://doi.org/10.1016/s1672-6308(07)60027-4
Williams, P. C., & Sobering, D. C. (1996). How do we do it: a brief summary of the
methods we use in developing near infrared calibrations. Near Infrared
Spectroscopy: The Future Waves, 185–188.
Witt, C., Fairhurst, T., & Griffiths, W. (2005). Key Principles of Crop and Nutrient
Management in Oil Palm. Better Crops, 89(3), 27–31. http://www.oil-
palm.net/ppiweb/bcrops.nsf/$webindex/DF49AA8010785C14852570490074C
097/$file/05-3p27.pdf
Wu. (2014). The Generalized Difference Vegetation Index (GDVI) for dryland
characterization. Remote Sensing, 6(2), 1211–1233.
https://doi.org/10.3390/rs6021211
Wu, C., Niu, Z., Tang, Q., & Huang, W. (2008). Estimating chlorophyll content
from hyperspectral vegetation indices: Modeling and validation. Agricultural
and Forest Meteorology, 148(8–9), 1230–1241.
https://doi.org/10.1016/j.agrformet.2008.03.005
Wu, C., Niu, Z., Tang, Q., Huang, W., Rivard, B., & Feng, J. (2009). Remote
estimation of gross primary production in wheat using chlorophyll-related
vegetation indices. Agricultural and Forest Meteorology, 149(6–7), 1015–
1021. https://doi.org/10.1016/j.agrformet.2008.12.007
Bibliografía 139
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

Boochs 𝐷703 (Boochs et al.,
1990)
Boochs2 𝐷720 (Boochs et al.,
1990)
CAI 0.5 ∗ (𝑅720 + 𝑅2200 ) − 𝐷2100 (Nagler et al., 2003)
Canopy (Clarke et al., 2001)
((𝑁𝐼𝑅 − 𝑟𝑒𝑑𝑒𝑑𝑔𝑒)/(𝑁𝐼𝑅 + 𝑟𝑒𝑑𝑒𝑑𝑔𝑒))/
Chorophyll
((𝑁𝐼𝑅 − 𝑅𝑒𝑑)/(𝑁𝐼𝑅 + 𝑅𝑒𝑑))
Content Index
CARI1 𝑎 = (𝑅705 + 𝑅560 )/150 (Moon S. Kim et al.,
𝑏 = 𝑅560 − (𝑎 ∗ 550) 1993)
𝑅705 ∗ 𝑎𝑏𝑠(𝑎 ∗ 670 + 𝑅665 + 𝑏)/𝑅665
∗ (𝑎2 + 1)0.5
CARI2 𝑎 = (𝑅705 + 𝑅560 )/150 (Moon Sung Kim,
𝑏 = 𝑅560 − (𝑎 ∗ 550) 1994)
(|( ((𝑅705 − 𝑅560 )/150) ∗ 𝑅665 + 𝑅665 +
𝑅560 − (𝑎 ∗ 𝑅560 )|)/(𝑎2 + 1)0.5 ) ∗ ( 𝑅705 /
𝑅665 )
Carter 𝑅695 / 𝑅420 (Gregory A. Carter,
1994)
Carter2 𝑅695 / 𝑅760 (Gregory A. Carter,
1994)
1994)
1994)
1994)
Carter6 𝑅550 (Gregory A. Carter,
1994)
CASI NDVI ((R770:780 +R784:790 )-(R655:665 +R 676:685 ))/ (Cloutis et al., 1996)
((R 770:780 + R 784:790 ) + (R 655:665 + R 676:685 ))
CASI TM4/3 ((R770:780 +R784:790 ))/((R 655:665 + R 676:685 ))) (Cloutis et al., 1996)

Cellulose 100(0.5( 𝑅2030 + 𝑅2210 ) − 𝑅2100 ) (Nagler et al., 2003)
Absorption
Index
Cellulose 0.5( 𝑅2020 + 𝑅2220 ) − 𝑅2100 (Nagler et al., 2003)
Abserption
Index 2
Chlorophyll (𝑅783 /𝑅560 )−1 (Anatoly A. Gitelson
Green et al., 2006)
Chlorophyll (𝑅945 / 𝑅560 ) − 1 (Anatoly A. Gitelson,
Index Green Viña, et al., 2003)
Chlorophyll (𝑅750 / 𝑅710 ) − 1 (Wu et al., 2009)
Index RedEdge
710
Chlorophyll (𝑅945 / 𝑅705 ) − 1 (Anatoly A. Gitelson,
IndexRedEdge Viña, et al., 2003)
Chlorophyll (𝑅783 /𝑅705 )−1 (Anatoly A. Gitelson
Red-Edge et al., 2006)
Chlorophyll 𝑅1375 ∗ ( 𝑅705 / 𝑅560 2 ) (M. Vincini et al.,
vegetation 2008)
index
2
CI 𝑅675 ∗ 𝑅690 /𝑅683 (P. J. Zarco-Tejada
et al., 2003)
CI2 𝑅760 / 𝑅700 − 1 (Anatoly A. Gitelson,
Viña, et al., 2003)
ClAInt 735𝑛𝑚 (Oppelt & Mauser,
∫ 𝑅 2004)
600𝑛𝑚
Coloration (𝑅705 − 𝑅443 )/(𝑅705 ) (Escadafal et al.,
Index 1994b)
Corrected 𝑎 = (((𝑅705 − 𝑅560 ) + 0.5)/((𝑅705 + 𝑅560 ))) (Perry &
Transformed (𝑎/|𝑎|) ∗ √|𝑎| Lautenschlager,
Vegetation 1984)
Index
CRI1 1/ 𝑅515 − 1/ 𝑅550 (Anatoly A. Gitelson,
CRI2 1/ 𝑅515 − 1/ 𝑅770 (Anatoly A. Gitelson,
CRI3 1/ 𝑅515 − 1/ 𝑅550 ∗ 𝑅770 (Anatoly A. Gitelson,
CRI4 1/ 𝑅515 − 1/ 𝑅700 ∗ 𝑅770 (Anatoly A. Gitelson,
CTR2 𝑅695 / 𝑅760 (G.A. Carter et al.,
1996)
D1 𝐷730 / 𝐷706 (P. J. Zarco-Tejada
et al., 2003)
D2 𝐷705 / 𝐷722 (P. J. Zarco-Tejada
et al., 2003)
Datt (𝑅850 − 𝑅710 )/(𝑅850 − 𝑅680 ) (B. Datt, 1999)
Datt2 𝑅850 / 𝑅710 (B. Datt, 1999)
Datt3 𝐷754 / 𝐷704 (B. Datt, 1999)
Anexo A. Índices de vegetación analizados 143

Datt4 𝑅672 /(𝑅550 − 𝑅708 ) (Bisun Datt, 1998)
Datt5 𝑅672 / 𝑅550 (Bisun Datt, 1998)
Datt6 𝑅860 /(𝑅550 − 𝑅708 ) (Bisun Datt, 1998)
Datt7 (𝑅860 − 𝑅2218 )/(𝑅860 − 𝑅1928 ) (B. Datt, 1999)
Datt8 (𝑅860 − 𝑅2218 )/(𝑅860 − 𝑅1928 ) (B. Datt, 1999)
DD (𝑅749 − 𝑅720 )/(𝑅701 − 𝑅672 ) (G. Le Maire et al.,
2004)
DDn 2 ∗ (𝑅710 − 𝑅660 − 𝑅760 ) (Guerric le Maire et
al., 2008)
Difference 𝑅1725 − 𝑅970 (Guerric le Maire et
1725/970 al., 2008)
Difference LAI
DPI 2
(𝑅688 − 𝑅710 )/𝐷679 (P. J. Zarco-Tejada
et al., 2003)
Difference 𝑅842 − 𝑅560 (G. Le Maire et al.,
800/550 2004)
Difference 𝑅842 − 𝑅665 (G. Le Maire et al.,
800/680 2004)
Difference 𝑅945 − 𝑅560 (C. J. Tucker et al.,
NIR/Green 1979)
Green
Difference
Vegetation
Index
DWSI1 𝑅800 / 𝑅1660 (A. Apan et al.,
2004)
2004)
2004)
2004)
DWSI5 (𝑅800 − 𝑅550 )/(𝑅1660 − 𝑅680 ) (A. Apan et al.,
2004)
EGFN (max(𝐷650:750 ) − max(𝐷500:750 )) (Peñuelas et al.,
/ (max(𝐷650:750 ) +max(𝐷500:550 )) 1994)
EGFR max(𝐷650:750 )/max(𝐷500:550 ) (Peñuelas et al.,
1994)
EVI 2.5 ∗ ((𝑅800 − 𝑅670 )/(𝑅800 − (6 ∗ 𝑅670 ) (A. R. Huete et al.,
− (7.5 ∗ 𝑅475 ) + 1)) 1997)
𝑛 𝑛 𝑛
(𝑅800 − 𝑅680 )/(𝑅800 𝑛 )
GDVI + 𝑅680 (Wu, 2014)
GI 𝑅554 / 𝑅677 (Smith et al., 1995)
Gitelson 1/ 𝑅700 (Anatoly A. Gitelson
et al., 1999)
Gitelson2 ( 𝑅750 − 𝑅800 / 𝑅695 − 𝑅740 ) − 1 (Anatoly A. Gitelson,
GMI1 𝑅750 / 𝑅550 (Anatoly A. Gitelson,

GMI2 𝑅750 / 𝑅700 (Anatoly A. Gitelson,
Green NDVI (𝑅800 − 𝑅550 )/(𝑅800 + 𝑅550 ) (Anatoly A. Gitelson
et al., 1996)
IRECI (𝑅783 − 𝑅665 )/(𝑅705 / 𝑅740 ) (Frampton et al.,
2013)
Leaf (𝑅850 − 𝑅710 )/(𝑅850 + 𝑅680 ) (Pu et al., 2008)
Chlorophyll
Index
LWVI_1 (𝑅1094 − 𝑅983 )/(𝑅1094 + 𝑅983 ) (Galvão et al., 2005)
LWVI_2 (𝑅1094 − 𝑅1205 )/(𝑅1094 + 𝑅1205 ) (Galvão et al., 2005)
Maccioni (𝑅780 − 𝑅710 )/(𝑅780 − 𝑅680 ) (Maccioni et al.,
2001)
MCARI (𝑅700 − 𝑅670 ) − 0.2 ∗ (𝑅700 − 𝑅550 ) (Daughtry et al.,
∗ (𝑅700 /𝑅670 ) 2000)
MCARI2 (𝑅750 − 𝑅705 ) − 0.2 ∗ (𝑅750 − 𝑅550 ) (Daughtry et al.,
∗ (𝑅750 /𝑅705 ) 2000)
mND705 (𝑅750 − 𝑅705 )/(𝑅750 + 𝑅705 − 2 ∗ 𝑅445 ) (Sims & Gamon,
2002)
mNDVI (𝑅800 − 𝑅680 )/(𝑅800 + 𝑅680 − 2 ∗ 𝑅445 ) (Sims & Gamon,
2002)
MPRI (𝑅515 − 𝑅530 )/(𝑅515 + 𝑅530 ) (Hernández-
Clemente et al.,
2011)
mREIP Red-edge inflection point using Gaussain fit (Miller et al., 1990)
MSAVI 0.5 ∗ (2 ∗ 𝑅800 + 1 − ((2 ∗ 𝑅800 + 1)2 (Qi et al., 1994)
− 8 ∗ (𝑅800 − 𝑅670 ))0.5 )
MSI 𝑅1600 / 𝑅817 (Hunt & Rock, 1989)
mSR (𝑅800 − 𝑅710 )/(𝑅780 − 𝑅680 ) (Sims & Gamon,
2002)
mSR2 (𝑅750 − 𝑅705 ) − 1/(𝑅750 − 𝑅705 + 1)0.5 (Chen, 1996)
mSR705 (𝑅750 − 𝑅445 )/(𝑅705 − 𝑅445 ) (Sims & Gamon,
2002)
MTCI (𝑅754 − 𝑅709 )/(𝑅709 − 𝑅681 ) (Dash & Curran,
2004)
MTVI 1.2 ∗ (1.2 ∗ (𝑅800 − 𝑅550 ) − 2.5 (Haboudane et al.,
∗ (𝑅670 − 𝑅550 )) 2004)
NDLI (𝑙𝑜𝑔(1/𝑅1754 ) − (𝑙𝑜𝑔(1/𝑅1680 )) (Serrano et al.,
/(𝑙𝑜𝑔(1/𝑅1754 ) 2002)
+ (𝑙𝑜𝑔(1/𝑅1680 ))
NDNI (𝑙𝑜𝑔(1/𝑅1510 ) − (𝑙𝑜𝑔(1/𝑅1680 )) (Serrano et al.,
/(𝑙𝑜𝑔(1/𝑅1510 ) 2002)
+ (𝑙𝑜𝑔(1/𝑅1680 ))
NDVI (𝑅800 − 𝑅680 )/(𝑅800 + 𝑅680 ) (C. J. Tucker et al.,
1979)
NDVI2 (𝑅750 − 𝑅705 )/(𝑅750 + 𝑅705 ) (A. Gitelson &
Merzlyak, 1994)
NDVI3 (𝑅682 − 𝑅553 )/(𝑅682 + 𝑅553 ) (Gandia et al., 2004)
NDWI (𝑅860 − 𝑅1240 )/(𝑅860 + 𝑅1240 ) (Gao, 1996)

Normalized (𝑅750 − 𝑅550 )/(𝑅750 + 𝑅550 ) (Metternicht, 2003)
Difference
750/550 Green
NDVI
Normalized (𝑅750 − 𝑅710 )/(𝑅750 + 𝑅710 ) (Ahamed et al.,
Difference 2011)
750/710 Red
Edge NDVI
Normalized (𝑅780 − 𝑅750 )/(𝑅780 + 𝑅550 ) (G. Le Maire et al.,
Difference 2004)
780/550 Green
NDVI hyper
Normalized (𝑅925 − 𝑅710 )/(𝑅925 + 𝑅710 ) (Guerric le Maire et
Difference al., 2008)
925/710
Normalized
Difference
Chlorophyll
NPCI (𝑅680 − 𝑅430 )/(𝑅680 + 𝑅430 ) (Peñuelas et al.,
1994)
OSAVI (1 + 0.16) ∗ (𝑅800 − 𝑅670 ) (Rondeaux et al.,
/(𝑅800 + 𝑅670 + 0.16) 1996)
OSAVI2 (1 + 0.16) ∗ (𝑅750 − 𝑅705 ) (Wu et al., 2008)
/(𝑅750 + 𝑅705 + 0.16)
PARS 𝑅746 / 𝑅513 (Chappelle et al.,
1992)
PRI (𝑅531 − 𝑅570 )/(𝑅531 + 𝑅570 ) (Gamon et al., 1992)
PRI_norm 𝑃𝑅𝐼 ∗ (−1)/(𝑅𝐷𝑉𝐼 ∗ 𝑅700 / 𝑅670 ) (P. J. Zarco-Tejada
et al., 2013)
PRI*CI2 𝑃𝑅𝐼 ∗ 𝐶𝐼2 (Garrity et al., 2011)
PSRI (𝑅678 − 𝑅500 /𝑅750 ) (Merzlyak et al.,
1999)
PSSR 𝑅800 / 𝑅635 (Blackburn, 1998)
PSND (𝑅800 − 𝑅470 )/(𝑅800 + 𝑅470 ) (Blackburn, 1998)
PWI 𝑅900 / 𝑅970 (Peñuelas et al.,
1997)
Ratio of WI and (𝑅900 / 𝑅970 )/(𝑅750 − 𝑅705 / 𝑅750 + 𝑅705 ) (Armando Apan et
Normalised al., 2003)
Difference
750/660
RDVI (𝑅800 − 𝑅670 )/√𝑅800 + 𝑅670 (Roujean & Breon,

1995)
REP_LE Red-edge position through linear extrapolation (Cho & Skidmore,
2006)
REP_Li 𝑅𝑟𝑒 = (𝑅670 + 𝑅780 )/2 (Guyot & Frederic,
700 + 40 ∗ ((𝑅𝑟𝑒 − 𝑅700 )/(𝑅740 − 𝑅700 )) 1988)
SAVI (1 + 𝐿) ∗ (𝑅800 − 𝑅670 )/(𝑅800 + 𝑅670 + 𝐿) (A. Huete, 1998)

SIPI (𝑅800 − 𝑅445 )/(𝑅800 + 𝑅680 ) (Penuelas et al.,
1995)
SPVI 0.4 ∗ 3.7 ∗ (𝑅800 − 𝑅670 ) − 1.2 (Massimo Vincini &
∗ ((𝑅530 − 𝑅670 )2 )0.5 Frazzi, 2006)
SR 𝑅800 / 𝑅680 (Jordan, 1969)
SR1 𝑅750 / 𝑅700 (A. A Gitelson &
Merzlyak, 1997)
Merzlyak, 1997)
Merzlyak, 1997)
SR4 𝑅700 / 𝑅670 (McMurtrey et al.,
1994)
SR5 𝑅675 / 𝑅700 (Chappelle et al.,
1992)
SR6 𝑅750 / 𝑅710 (Pablo J. Zarco-
Tejada & Miller,
1999)
SR7 𝑅440 / 𝑅690 (Lichtenthaler et al.,
1996)
SR8 𝑅515 / 𝑅550 (Hernández-
Clemente et al.,
2012)
SRPI 𝑅430 / 𝑅680 (Penuelas et al.,
1995)
SRWI 𝑅850 / 𝑅1240 (P. J. Zarco-Tejada
et al., 2003)
Sum_Dr1 795 (Elvidge & Chen,
∑ 𝐷1𝑖 1995)
𝑖=626
Sum_Dr2 780 (Filella & Peñuelas,
∑ 𝐷1𝑖 1994)
𝑖=680
2 3
SWIR FI 𝑅2133 /(𝑅2225 − 𝑅2209 ) (Levin et al., 2007)
SWIR LI 3.87 ∗ (𝑅2210 − 𝑅2090 ) − 27.51 (Lobell et al., 2001)
∗ (𝑅2280 − 𝑅2090 ) − 0.2
SWIR SI −41.59 ∗ (𝑅2210 − 𝑅2090 ) + 1.24 (Lobell et al., 2001)
∗ (𝑅2280 − 𝑅2090 ) + 0.64
SWIR VI 37.72 ∗ (𝑅2210 − 𝑅2090 ) − 26.27 (Lobell et al., 2001)
∗ (𝑅2280 − 𝑅2090 ) − 0.57
TCARI 3 ∗ ((𝑅700 − 𝑅670 ) − 0.2 ∗ (𝑅700 − 𝑅550 ) (Haboudane et al.,
∗ (𝑅700 /𝑅670 )) 2002)
TCARI/OSAVI 𝑇𝐶𝐴𝑅𝐼/𝑂𝑆𝐴𝑉𝐼 (Haboudane et al.,
2002)
TCARI2 3 ∗ ((𝑅750 − 𝑅705 ) − 0.2 ∗ (𝑅750 − 𝑅550 ) (Wu et al., 2008)
∗ (𝑅750 /𝑅705 ))
TCARI2/OSAVI2 𝑇𝐶𝐴𝑅𝐼2/𝑂𝑆𝐴𝑉𝐼2 (Wu et al., 2008)
TGI −0.5 ∗ (190(𝑅670 − 𝑅550 ) − 120 ∗ (Hunt et al., 2012)
∗ (𝑅670 /𝑅480 ))

TVI 0.5 ∗ (120(𝑅750 − 𝑅550 ) − 200 ∗∗ (𝑅670 /𝑅550 )) (Broge & Leblanc,
2001)
Vogelmann 𝑅740 / 𝑅720 (Vogelmann et al.,
1993)
Vogelmann2 (𝑅734 − 𝑅747 )/(𝑅715 + 𝑅726 ) (Vogelmann et al.,
1993)
Vogelmann3 𝐷715 / 𝐷705 (Vogelmann et al.,
1993)
Vogelmann4 (𝑅734 − 𝑅747 )/(𝑅715 + 𝑅720 ) (Vogelmann et al.,
1993)
B. Anexo: Análisis de varianza
(ANOVA)
ANOVA de los índices de vegetación por respuestas espectrales para el primer muestreo
Variable Fuente GL SC MC Razón - F Razón - P
Tratamiento 5 0.0000 0.0000 3.4160 0.0126*
Boochs Residuo 36 0.0000 0.0000
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 1.6030 0.1840
Boochs2 Residuo 36 0.0000 0.0000
Total 41 0.0000
Tratamiento 5 0.0000 0.0000 0.8350 0.5340
CAI Residuo 36 0.0001 0.0000
Total 41 0.0001
Tratamiento 5 0.0195 0.0039 3.7450 0.0078**
CCCI Residuo 36 0.0375 0.0010
Total 41 0.0569
Tratamiento 5 0.0410 0.0082 4.9200 0.0016**
CARI Residuo 36 0.0600 0.0017
Total 41 0.1010
Tratamiento 5 0.0898 0.0180 4.9050 0.0016**
CARI 2 Residuo 36 0.1318 0.0037
Total 41 0.2215
Tratamiento 5 0.4617 0.0924 3.8300 0.007**
Carter Residuo 36 0.8681 0.0241
Total 41 1.3298
Tratamiento 5 0.0002 0.0000 0.4120 0.8380
Carter2 Residuo 36 0.0035 0.0001
Total 41 0.0037
Tratamiento 5 0.0003 0.0001 0.5120 0.7650
Total 41 0.0045
Tratamiento 5 0.0055 0.0011 2.5810 0.0428*
Total 41 0.0210

Tratamiento 5 0.5241 0.1048 5.5430 0.0007**
Total 41 1.2048
Tratamiento 5 0.0010 0.0002 2.1840 0.0776
Total 41 0.0044
Tratamiento 5 0.0013 0.0003 1.3010 0.2850
CASI NDVI Residuo 36 0.0073 0.0002
Total 41 0.0086
Tratamiento 5 49.0100 9.8020 1.4570 0.2280
CASI TM4/3 Residuo 36 242.2400 6.7290
Total 41 291.2500
Cellulose Tratamiento 5 0.0471 0.0094 1.4510 0.2300
Absorption Residuo 36 0.2336 0.0065
Index Total 41 0.2807
Index2 Total 41 0.0011
Tratamiento 5 0.0013 0.0003 1.6080 0.1830
Chlorophyll
Residuo 36 0.0060 0.0002
Green
Total 41 0.0073
Tratamiento 5 15.7400 3.1470 1.2590 0.3030
Chlorophyll
Residuo 36 90.0000 2.5000
Index Green
Total 41 105.7400
Chlorophyll Tratamiento 5 1.2680 0.2536 2.2030 0.0754
Index RedEdge Residuo 36 4.1460 0.1152
710 Total 41 5.4140
Tratamiento 5 4.8160 0.9633 2.2510 0.0702
Chlorophyll
Residuo 36 15.4080 0.4280
IndexRedEdge
Total 41 20.2240
Tratamiento 5 0.0030 0.0006 2.3130 0.0639
Chlorophyll
Residuo 36 0.0093 0.0003
Red-Edge
Total 41 0.0123
vegetation Residuo 36 611.9000 17.0000
index Total 41 714.3000
Tratamiento 5 0.0067 0.0013 1.3760 0.2560
CI Residuo 36 0.0350 0.0010
Total 41 0.0416
Tratamiento 5 3.9760 0.7952 0.9890 0.4380
CI2 Residuo 36 28.9360 0.8038
Total 41 32.9120
ClAInt Tratamiento 5 8.4500 1.6890 1.4690 0.2240
Anexo B. Análisis de varianza (ANOVA) 151

Residuo 36 41.4000 1.1500
Total 41 49.8500
Tratamiento 5 0.0510 0.0102 5.8350 0.0005**
Coloration
Residuo 36 0.0629 0.0017
Index
Total 41 0.1138
Corrected Tratamiento 5 0.0046 0.0009 2.0210 0.0989
Transformed Residuo 36 0.0165 0.0005
Vegetation
Tratamiento 5 30.3700 6.0740 1.7800 0.1420
CRI1 Residuo 36 122.8300 3.4120
Total 41 153.2000
Tratamiento 5 44.1000 8.8200 2.1700 0.0792
CRI2 Residuo 36 146.3000 4.0650
Total 41 190.4000
Tratamiento 5 22.8000 4.5590 0.9830 0.4410
CRI3 Residuo 36 167.0000 4.6380
Total 41 189.8000
Tratamiento 5 36.5200 7.3030 1.3780 0.2550
CRI4 Residuo 36 190.7500 5.2990
Total 41 227.2700
Tratamiento 5 0.0002 0.0000 0.4120 0.8380
CTR2 Residuo 36 0.0035 0.0001
Total 41 0.0037
Tratamiento 5 0.6640 0.1328 2.1630 0.0801
D1 Residuo 36 2.2110 0.0614
Total 41 2.8750
Tratamiento 5 0.0409 0.0082 2.2660 0.0686
D2 Residuo 36 0.1301 0.0036
Total 41 0.1710
Tratamiento 5 0.0083 0.0017 3.9700 0.0057**
Datt Residuo 36 0.0150 0.0004
Total 41 0.0232
Tratamiento 5 2.4150 0.4830 2.5970 0.0418*
Datt2 Residuo 36 6.6950 0.1860
Total 41 9.1100
Tratamiento 5 0.2096 0.0419 2.2430 0.0710
Datt3 Residuo 36 0.6728 0.0187
Total 41 0.8824
Tratamiento 5 11.3600 2.2725 5.1620 0.0011**
Datt4 Residuo 36 15.8500 0.4403
Total 41 27.2100
Datt5 Tratamiento 5 0.1121 0.0224 4.7160 0.0021**

Residuo 36 0.1712 0.0048
Total 41 0.2833
Tratamiento 5 2282.0000 456.5000 1.8150 0.1350
Datt6 Residuo 36 9056.0000 251.6000
Total 41 11338.0000
Tratamiento 5 0.0013 0.0003 0.9770 0.4450
Datt7 Residuo 36 0.0095 0.0003
Total 41 0.0108
Tratamiento 5 0.0032 0.0006 1.1220 0.3660
Datt8 Residuo 36 0.0203 0.0006
Total 41 0.0235
Tratamiento 5 0.0067 0.0013 1.8610 0.1260
DD Residuo 36 0.0260 0.0007
Total 41 0.0327
Tratamiento 5 0.0250 0.0050 1.4990 0.2150
DDn Residuo 36 0.1199 0.0033
Total 41 0.1449
Difference Tratamiento 5 0.0031 0.0006 1.1980 0.3300
1725/970 Residuo 36 0.0189 0.0005
Difference LAI Total 41 0.0221
Tratamiento 5 0.0751 0.0150 0.4200 0.8310
DPI Residuo 36 1.2864 0.0357
Total 41 1.3615
Tratamiento 5 0.0068 0.0014 1.6090 0.1830
Difference
Residuo 36 0.0302 0.0008
800/550
Total 41 0.0370
Tratamiento 5 0.0087 0.0017 2.2470 0.0706
Difference
Residuo 36 0.0278 0.0008
800/680
Total 41 0.0364
NIR/Green Residuo 36 0.0225 0.0006
Green
Difference
Vegetation
Tratamiento 5 0.0553 0.0111 1.1420 0.3560
DWSI1 Residuo 36 0.3484 0.0097
Total 41 0.4037
Tratamiento 5 4.0380 0.8075 1.1360 0.3590
DWSI2 Residuo 36 25.5800 0.7105
Total 41 29.6180
Tratamiento 5 9.8100 1.9620 0.9640 0.4530
DWSI3
Residuo 36 73.2800 2.0360

Total 41 83.0900
Tratamiento 5 1.3250 0.2650 4.1130 0.0047**
DWSI4 Residuo 36 2.3200 0.0644
Total 41 3.6450
Tratamiento 5 0.0609 0.0122 1.5890 0.1880
DWSI5 Residuo 36 0.2760 0.0077
Total 41 0.3369
Tratamiento 5 0.0140 0.0028 3.8320 0.0069**
EGFN Residuo 36 0.0262 0.0007
Total 41 0.0402
Tratamiento 5 105.5000 21.0920 3.3080 0.0147*
EGFR Residuo 36 229.5000 6.3750
Total 41 335.0000
Tratamiento 5 0.0410 0.0082 0.9140 0.4830
EVI Residuo 36 0.3229 0.0090
Total 41 0.3639
Tratamiento 5 0.0000 0.0000 1.1600 0.3480
GDVI Residuo 36 0.0001 0.0000
Total 41 0.0001
Tratamiento 5 1.5920 0.3183 4.2260 0.004**
GI Residuo 36 2.7120 0.0753
Total 41 4.3040
Tratamiento 5 11.9500 2.3900 1.6570 0.1700
Gitelson Residuo 36 51.9100 1.4420
Total 41 63.8600
Tratamiento 5 3.8800 0.7757 0.4320 0.8240
Gitelson2 Residuo 36 64.7000 1.7971
Total 41 68.5800
Tratamiento 5 10.3600 2.0710 1.3180 0.2790
GMI1 Residuo 36 56.5900 1.5720
Total 41 66.9500
Tratamiento 5 2.8630 0.5725 0.8630 0.5150
GMI2 Residuo 36 23.8740 0.6632
Total 41 26.7370
Tratamiento 5 0.0039 0.0008 1.7590 0.1460
Green.NDVI Residuo 36 0.0161 0.0004
Total 41 0.0200
Tratamiento 5 0.0144 0.0029 1.8690 0.1240
IRECI Residuo 36 0.0556 0.0015
Total 41 0.0701
Leaf Tratamiento 5 0.0047 0.0009 2.0190 0.0993
Chlorophyll Residuo 36 0.0167 0.0005

Tratamiento 5 0.0001 0.0000 1.1830 0.3370
LWVI1 Residuo 36 0.0004 0.0000
Total 41 0.0004
Tratamiento 5 0.0002 0.0000 1.1610 0.3470
LWVI2 Residuo 36 0.0013 0.0000
Total 41 0.0015
Tratamiento 5 0.0083 0.0017 3.7860 0.0074**
Maccioni Residuo 36 0.0157 0.0004
Total 41 0.0240
Tratamiento 5 0.0232 0.0046 5.3520 0.0009**
MCARI Residuo 36 0.0312 0.0009
Total 41 0.0543
Tratamiento 5 0.6310 0.1262 1.2380 0.3120
MCARI2 Residuo 36 3.6690 0.1019
Total 41 4.3000
Tratamiento 5 0.0125 0.0025 4.3840 0.0032**
mND705 Residuo 36 0.0206 0.0006
Total 41 0.0331
Tratamiento 5 0.0007 0.0001 4.7630 0.0019**
mNDVI Residuo 36 0.0010 0.0000
Total 41 0.0017
Tratamiento 5 0.0049 0.0010 3.5450 0.0104*
MPRI Residuo 36 0.0099 0.0003
Total 41 0.0148
Tratamiento 5 0.0000 0.0000 4.6600 0.0022**
mREIP Residuo 36 0.0001 0.0000
Total 41 0.0001
Tratamiento 5 0.0029 0.0006 2.1000 0.0879
MSAVI Residuo 36 0.0101 0.0003
Total 41 0.0130
Tratamiento 5 0.0035 0.0007 0.9800 0.4430
MSI Residuo 36 0.0256 0.0007
Total 41 0.0290
Tratamiento 5 78646.0000 15729.0000 5.0660 0.0013**
mSR Residuo 36 111776.0000 3105.0000
Total 41 190422.0000
Tratamiento 5 2.5320 0.5064 1.7180 0.1550
mSR2 Residuo 36 10.6100 0.2947
Total 41 13.1420
Tratamiento 5 19.1300 3.8250 4.1290 0.0046**
mSR705 Residuo 36 33.3500 0.9260
Total 41 52.4800
MTCI Tratamiento 5 7.7940 1.5589 3.3300 0.0142*

Residuo 36 16.8530 0.4681
Total 41 24.6470
Tratamiento 5 0.0346 0.0069 3.5740 0.01*
MTVI1 Residuo 36 0.0696 0.0019
Total 41 0.1042
Tratamiento 5 0.0001 0.0000 1.5170 0.2090
NDLI Residuo 36 0.0005 0.0000
Total 41 0.0006
Tratamiento 5 0.0003 0.0001 0.5860 0.7100
NDNI Residuo 36 0.0041 0.0001
Total 41 0.0044
Tratamiento 5 0.0012 0.0002 1.2880 0.2910
NDVI Residuo 36 0.0070 0.0002
Total 41 0.0082
Tratamiento 5 0.0054 0.0011 1.9790 0.1050
NDVI2 Residuo 36 0.0195 0.0005
Total 41 0.0249
Tratamiento 5 0.0782 0.0156 3.9040 0.0063**
NDVI3 Residuo 36 0.1441 0.0040
Total 41 0.2223
Tratamiento 5 0.0010 0.0002 2.1170 0.0858
NDWI Residuo 36 0.0035 0.0001
Total 41 0.0045
Normalized Tratamiento 5 0.0040 0.0008 1.6360 0.1750
Difference Residuo 36 0.0177 0.0005
750/550 Green
NDVI Total 41 0.0218
750/710 Red
Edge NDVI Total 41 0.0330
780/550 Green
NDVI hyper Total 41 0.0204
Normalized Tratamiento 5 0.0111 0.0022 2.9990 0.0231*
925/710
Normalized
Difference
Chlorophyll Total 41 0.0376
Tratamiento 5 0.0136 0.0027 3.7530 0.0078**
NPCI Residuo 36 0.0261 0.0007
Total 41 0.0398

Tratamiento 5 0.0022 0.0004 2.1810 0.0779
OSAVI Residuo 36 0.0074 0.0002
Total 41 0.0096
Tratamiento 5 0.0037 0.0007 1.5580 0.1970
OSAVI2 Residuo 36 0.0171 0.0005
Total 41 0.0208
Tratamiento 5 28.4700 5.6950 1.4170 0.2410
PARS Residuo 36 144.6500 4.0180
Total 41 173.1200
Tratamiento 5 0.0006 0.0001 0.0980 0.9920
PRI Residuo 36 0.0473 0.0013
Total 41 0.0480
Tratamiento 5 0.0002 0.0000 0.1010 0.9910
PRI_norm Residuo 36 0.0145 0.0004
Total 41 0.0147
Tratamiento 5 0.0286 0.0057 0.0730 0.9960
PRI.CI2 Residuo 36 2.8130 0.0781
Total 41 2.8416
Tratamiento 5 0.0002 0.0000 4.5570 0.0025**
PSRI Residuo 36 0.0003 0.0000
Total 41 0.0005
Tratamiento 5 20.2200 4.0440 0.4940 0.7780
PSSR Residuo 36 294.4300 8.1790
Total 41 314.6500
Tratamiento 5 0.0019 0.0004 2.0720 0.0917
PSND Residuo 36 0.0067 0.0002
Total 41 0.0087
Tratamiento 5 0.0004 0.0001 2.1310 0.0840
PWI Residuo 36 0.0015 0.0000
Total 41 0.0019
Ratio of WI Tratamiento 5 0.0256 0.0051 2.1190 0.0854
and Residuo 36 0.0868 0.0024
Normalised
Difference
750/660 Total 41 0.1124
Tratamiento 5 0.0048 0.0010 2.5900 0.0423*
RDVI Residuo 36 0.0134 0.0004
Total 41 0.0182
Tratamiento 5 196.9000 39.3800 2.7600 0.0328*
REP_LE Residuo 36 513.6000 14.2700
Total 41 710.5000
Tratamiento 5 14.4900 2.8987 3.5580 0.0102*
REP_Li
Residuo 36 29.3300 0.8148

Total 41 43.8200
Tratamiento 5 0.0038 0.0008 2.5690 0.0436*
SAVI Residuo 36 0.0107 0.0003
Total 41 0.0145
Tratamiento 5 0.0012 0.0002 0.9720 0.4480
SIPI Residuo 36 0.0085 0.0002
Total 41 0.0097
Tratamiento 5 0.0185 0.0037 2.0370 0.0967
SPVI Residuo 36 0.0653 0.0018
Total 41 0.0838
Tratamiento 5 42.4100 8.4810 1.5340 0.2040
SR Residuo 36 199.0400 5.5290
Total 41 241.4500
Tratamiento 5 2.8630 0.5725 0.8630 0.5150
SR1 Residuo 36 23.8740 0.6632
Total 41 26.7370
Tratamiento 5 10.4200 2.0840 0.8190 0.5440
SR2 Residuo 36 91.6300 2.5450
Total 41 102.0500
Tratamiento 5 10.3600 2.0710 1.3180 0.2790
SR3 Residuo 36 56.5900 1.5720
Total 41 66.9500
Tratamiento 5 1.8600 0.3719 4.6210 0.0023**
SR4 Residuo 36 2.8980 0.0805
Total 41 4.7580
Tratamiento 5 0.0650 0.0130 5.4370 0.0008**
SR5 Residuo 36 0.0861 0.0024
Total 41 0.1511
Tratamiento 5 1.2680 0.2536 2.2030 0.0754
SR6 Residuo 36 4.1460 0.1152
Total 41 5.4140
Tratamiento 5 0.0599 0.0120 4.7880 0.0019**
SR7 Residuo 36 0.0900 0.0025
Total 41 0.1499
Tratamiento 5 0.0488 0.0098 3.7770 0.0075**
SR8 Residuo 36 0.0930 0.0026
Total 41 0.1418
Tratamiento 5 0.0423 0.0085 3.9570 0.0058**
SRPI Residuo 36 0.0770 0.0021
Total 41 0.1192
Tratamiento 5 0.0050 0.0010 2.1710 0.0790
SRWI Residuo 36 0.0166 0.0005
Total 41 0.0216

Tratamiento 5 0.0116 0.0023 2.7910 0.0314*
Sum_Dr1 Residuo 36 0.0298 0.0008
Total 41 0.0413
Tratamiento 5 0.0106 0.0021 2.4350 0.0533
Sum_Dr2 Residuo 36 0.0313 0.0009
Total 41 0.0418
Tratamiento 5 55.6000 11.1180 1.1540 0.3510
SWIR.FI Residuo 36 347.0000 9.6380
Total 41 402.6000
Tratamiento 5 0.0324 0.0065 1.8440 0.1290
SWIR.LI Residuo 36 0.1266 0.0035
Total 41 0.1590
Tratamiento 5 0.1702 0.0341 1.0500 0.4040
SWIR.SI Residuo 36 1.1674 0.0324
Total 41 1.3376
Tratamiento 5 0.3272 0.0654 1.3590 0.2630
SWIR.VI Residuo 36 1.7334 0.0482
Total 41 2.0606
Tratamiento 5 0.0110 0.0022 5.5480 0.0007**
TCARI Residuo 36 0.0143 0.0004
Total 41 0.0253
Tratamiento 5 0.0130 0.0026 5.0580 0.0013**
TCARI.OSAVI Residuo 36 0.0185 0.0005
Total 41 0.0314
Tratamiento 5 0.2708 0.0542 1.4050 0.2460
TCARI2 Residuo 36 1.3878 0.0386
Total 41 1.6586
Tratamiento 5 0.5281 0.1056 1.4770 0.2220
TCARI2.OSAVI2 Residuo 36 2.5747 0.0715
Total 41 3.1028
Tratamiento 5 14.2600 2.8517 4.9640 0.0015**
TGI Residuo 36 20.6800 0.5745
Total 41 34.9400
Tratamiento 5 64.8200 12.9640 3.5400 0.0105*
TVI Residuo 36 131.8400 3.6620
Total 41 196.6600
Tratamiento 5 0.1056 0.0211 2.4370 0.0531
Vogelmann Residuo 36 0.3121 0.0087
Total 41 0.4177
Tratamiento 5 0.0107 0.0021 2.1700 0.0792
Vogelmann2 Residuo 36 0.0354 0.0010
Total 41 0.0460
Vogelmann3 Tratamiento 5 0.1342 0.0269 1.9580 0.1090

Residuo 36 0.4936 0.0137
Total 41 0.6278
Tratamiento 5 0.0173 0.0035 2.1830 0.0776
Total 41 0.0744
ANOVA de los índices de vegetación por respuestas espectrales para el segundo muestreo
Tratamiento 5 0.0000 0.0000 6.0380 0.0004**
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 6.4130 0.0002**
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
Total 41 0.3053
Tratamiento 5 0.0018 0.0004 1.4380 0.2340
Total 41 0.0109
Tratamiento 5 0.0013 0.0003 1.2020 0.3280
Total 41 0.0091
Tratamiento 5 0.0015 0.0003 0.4670 0.7980
Total 41 0.0244
Tratamiento 5 0.0221 0.0044 0.9580 0.4560
Total 41 0.1883
Carter6 Tratamiento 5 0.0006 0.0001 0.8510 0.5230

Residuo 36 0.0048 0.0001
Total 41 0.0054
Tratamiento 5 0.0035 0.0007 1.3510 0.2660
CASI NDVI Residuo 36 0.0186 0.0005
Total 41 0.0221
Tratamiento 5 33.0600 6.6110 1.1970 0.3300
CASI TM4/3 Residuo 36 198.7800 5.5220
Total 41 231.8400
Tratamiento 5 0.0005 0.0001 0.3670 0.8680
Chlorophyll
Residuo 36 0.0092 0.0003
Green
Total 41 0.0097
Tratamiento 5 1.8500 0.3702 0.3010 0.9090
Chlorophyll
Residuo 36 44.2200 1.2283
Index Green
Total 41 46.0700
710 Total 41 4.2340
Tratamiento 5 1.0400 0.2079 0.5280 0.7540
Chlorophyll
Residuo 36 14.1900 0.3941
IndexRedEdge
Total 41 15.2300
Tratamiento 5 0.0007 0.0001 0.3170 0.8990
Chlorophyll
Residuo 36 0.0161 0.0004
Red-Edge
Total 41 0.0168
Tratamiento 5 0.0017 0.0003 0.6510 0.6630
CI Residuo 36 0.0193 0.0005
Total 41 0.0210
Tratamiento 5 3.1600 0.6315 0.6830 0.6390
CI2 Residuo 36 33.2900 0.9247
Total 41 36.4500
Tratamiento 5 17.1800 3.4350 1.3450 0.2680
ClAInt Residuo 36 91.9700 2.5550
Total 41 109.1500
Coloration Tratamiento 5 0.0222 0.0044 2.6680 0.0376*
Index Residuo 36 0.0598 0.0017

Total 41 0.0819
Corrected Tratamiento 5 0.0022 0.0004 3.2020 0.0171*
Transformed Residuo 36 0.0048 0.0001
Vegetation
Tratamiento 5 9.7000 1.9410 1.3590 0.2630
CRI1 Residuo 36 51.4300 1.4290
Total 41 61.1300
Tratamiento 5 6.1500 1.2300 0.7840 0.5680
CRI2 Residuo 36 56.4900 1.5690
Total 41 62.6400
Tratamiento 5 13.4900 2.6980 0.9980 0.4330
CRI3 Residuo 36 97.3000 2.7030
Total 41 110.7900
Tratamiento 5 11.4600 2.2920 0.8140 0.5470
CRI4 Residuo 36 101.3100 2.8140
Total 41 112.7700
Tratamiento 5 0.0018 0.0004 1.4380 0.2340
CTR2 Residuo 36 0.0091 0.0003
Total 41 0.0109
Tratamiento 5 0.9308 0.1862 3.4120 0.0126*
D1 Residuo 36 1.9641 0.0546
Total 41 2.8949
Tratamiento 5 0.0673 0.0135 3.0950 0.02*
D2 Residuo 36 0.1566 0.0044
Total 41 0.2240
Tratamiento 5 0.0055 0.0011 2.8770 0.0276*
Datt Residuo 36 0.0139 0.0004
Total 41 0.0194
Tratamiento 5 0.6420 0.1285 0.7790 0.5720
Datt2 Residuo 36 5.9390 0.1650
Total 41 6.5810
Tratamiento 5 0.2935 0.0587 4.1690 0.0043**
Datt3 Residuo 36 0.5069 0.0141
Total 41 0.8004
Tratamiento 5 6.9060 1.3812 5.2490 0.001**
Datt4 Residuo 36 9.4740 0.2632
Total 41 16.3800
Tratamiento 5 0.0522 0.0104 3.2800 0.0153*
Datt5 Residuo 36 0.1147 0.0032
Total 41 0.1669
Tratamiento 5 434.0000 86.8200 0.5620 0.7280
Datt6
Residuo 36 5557.0000 154.3600

Total 41 5991.0000
Tratamiento 5 0.0009 0.0002 0.8740 0.5080
Datt7 Residuo 36 0.0071 0.0002
Total 41 0.0080
Tratamiento 5 0.0031 0.0006 1.4180 0.2410
Datt8 Residuo 36 0.0158 0.0004
Total 41 0.0189
Tratamiento 5 0.0052 0.0010 1.4630 0.2260
DD Residuo 36 0.0255 0.0007
Total 41 0.0307
Tratamiento 5 0.0668 0.0134 3.6250 0.0093**
DDn Residuo 36 0.1327 0.0037
Total 41 0.1995
1725/970 Residuo 36 0.0189 0.0005
Tratamiento 5 0.3821 0.0764 1.9970 0.1030
DPI Residuo 36 1.3777 0.0383
Total 41 1.7598
Tratamiento 5 0.0171 0.0034 3.2880 0.0151*
Difference
Residuo 36 0.0375 0.0010
800/550
Total 41 0.0546
Tratamiento 5 0.0215 0.0043 3.9600 0.0058**
Difference
Residuo 36 0.0390 0.0011
800/680
Total 41 0.0604
Green
Difference
Vegetation
Tratamiento 5 0.1086 0.0217 2.5670 0.0437*
DWSI1 Residuo 36 0.3046 0.0085
Total 41 0.4132
Tratamiento 5 0.6090 0.1219 0.4920 0.7800
DWSI2 Residuo 36 8.9270 0.2480
Total 41 9.5360
Tratamiento 5 4.2400 0.8482 0.6990 0.6280
DWSI3 Residuo 36 43.7000 1.2139
Total 41 47.9400
Tratamiento 5 0.3554 0.0711 3.4690 0.0116*
DWSI4 Residuo 36 0.7377 0.0205
Total 41 1.0931

Tratamiento 5 0.1205 0.0241 3.1320 0.019*
DWSI5 Residuo 36 0.2771 0.0077
Total 41 0.3976
Tratamiento 5 0.0106 0.0021 2.6830 0.0368*
EGFN Residuo 36 0.0285 0.0008
Total 41 0.0391
Tratamiento 5 37.2900 7.4570 2.3090 0.0643
EGFR Residuo 36 116.2800 3.2300
Total 41 153.5700
Tratamiento 5 0.1769 0.0354 0.8470 0.5260
EVI Residuo 36 1.5042 0.0418
Total 41 1.6811
Tratamiento 5 0.0001 0.0000 1.3210 0.2770
GDVI Residuo 36 0.0006 0.0000
Total 41 0.0008
Tratamiento 5 0.3693 0.0739 3.4030 0.0128*
GI Residuo 36 0.7814 0.0217
Total 41 1.1507
Tratamiento 5 6.8100 1.3620 0.6780 0.6430
Total 41 79.0900
Tratamiento 5 12.8700 2.5730 1.1520 0.3510
Total 41 93.2600
Tratamiento 5 2.3050 0.4610 0.5530 0.7350
GMI1 Residuo 36 30.0360 0.8343
Total 41 32.3410
Tratamiento 5 3.2070 0.6413 0.8220 0.5420
GMI2 Residuo 36 28.0730 0.7798
Total 41 31.2800
Tratamiento 5 0.0010 0.0002 0.3330 0.8900
Total 41 0.0233
Tratamiento 5 0.0058 0.0012 0.5600 0.7290
Total 41 0.0809
Tratamiento 5 0.0002 0.0000 2.2800 0.0672
LWVI1 Residuo 36 0.0005 0.0000
Total 41 0.0006
LWVI2 Tratamiento 5 0.0002 0.0000 1.2380 0.3120

Residuo 36 0.0009 0.0000
Total 41 0.0011
Tratamiento 5 0.0047 0.0009 2.3380 0.0615
Maccioni Residuo 36 0.0146 0.0004
Total 41 0.0193
Tratamiento 5 0.0027 0.0005 3.0540 0.0213*
Total 41 0.0091
Tratamiento 5 0.5230 0.1045 1.1610 0.3470
MCARI2 Residuo 36 3.2410 0.0900
Total 41 3.7640
Tratamiento 5 0.0026 0.0005 0.8210 0.5430
mND705 Residuo 36 0.0227 0.0006
Total 41 0.0253
Tratamiento 5 0.0006 0.0001 2.0490 0.0948
Total 41 0.0027
Tratamiento 5 0.0028 0.0006 2.1390 0.0829
MPRI Residuo 36 0.0096 0.0003
Total 41 0.0124
Tratamiento 5 0.0000 0.0000 1.3980 0.2480
Total 41 0.0001
Tratamiento 5 0.0096 0.0019 2.5390 0.0456*
Total 41 0.0368
Tratamiento 5 0.0094 0.0019 2.5010 0.0482*
MSI Residuo 36 0.0272 0.0008
Total 41 0.0366
Tratamiento 5 6156849.0000 1231370.0000 0.8360 0.5330
mSR Residuo 36 53019361.0000 1472760.0000
Total 41 59176210.0000
Tratamiento 5 0.4820 0.0963 0.3100 0.9040
mSR2 Residuo 36 11.1990 0.3111
Total 41 11.6810
Tratamiento 5 2.9800 0.5969 0.6720 0.6480
mSR705 Residuo 36 32.0000 0.8888
Total 41 34.9800
Tratamiento 5 2.9550 0.5910 1.7900 0.1400
MTCI Residuo 36 11.8860 0.3302
Total 41 14.8410
Tratamiento 5 0.0718 0.0144 5.0530 0.0013**
MTVI1
Residuo 36 0.1023 0.0028

Total 41 0.1741
Tratamiento 5 0.0000 0.0000 0.8700 0.5110
NDLI Residuo 36 0.0004 0.0000
Total 41 0.0004
Tratamiento 5 0.0008 0.0002 1.5840 0.1890
NDNI Residuo 36 0.0038 0.0001
Total 41 0.0046
Tratamiento 5 0.0032 0.0006 1.2650 0.3000
NDVI Residuo 36 0.0181 0.0005
Total 41 0.0213
Tratamiento 5 0.0012 0.0002 0.2770 0.9230
NDVI2 Residuo 36 0.0323 0.0009
Total 41 0.0335
Tratamiento 5 0.0315 0.0063 3.4100 0.0127*
NDVI3 Residuo 36 0.0665 0.0018
Total 41 0.0981
Tratamiento 5 0.0032 0.0006 4.4740 0.0028**
NDWI Residuo 36 0.0052 0.0001
Total 41 0.0084
750/550 Green
750/710 Red
780/550 Green
925/710
Normalized
Difference
Tratamiento 5 0.0043 0.0009 2.0590 0.0935
NPCI Residuo 36 0.0152 0.0004
Total 41 0.0195
Tratamiento 5 0.0055 0.0011 2.2330 0.0721
Total 41 0.0231
OSAVI2 Tratamiento 5 0.0024 0.0005 0.6200 0.6850

Residuo 36 0.0281 0.0008
Total 41 0.0306
Tratamiento 5 15.0200 3.0040 1.2260 0.3170
PARS Residuo 36 88.2200 2.4510
Total 41 103.2400
Tratamiento 5 0.0028 0.0006 1.5390 0.2020
PRI Residuo 36 0.0132 0.0004
Total 41 0.0160
Tratamiento 5 0.0014 0.0003 1.3810 0.2540
Total 41 0.0088
Tratamiento 5 0.1176 0.0235 1.5740 0.1920
PRI.CI2 Residuo 36 0.5379 0.0149
Total 41 0.6555
Tratamiento 5 0.0001 0.0000 1.8910 0.1200
PSRI Residuo 36 0.0004 0.0000
Total 41 0.0005
Tratamiento 5 29.2100 5.8420 1.0850 0.3850
PSSR Residuo 36 193.7600 5.3820
Total 41 222.9700
Tratamiento 5 0.0020 0.0004 0.9650 0.4520
PSND Residuo 36 0.0149 0.0004
Total 41 0.0169
Tratamiento 5 0.0015 0.0003 5.8890 0.0004**
PWI Residuo 36 0.0018 0.0001
Total 41 0.0033
and Residuo 36 0.1746 0.0048
Normalised
Difference
750/660 Total 41 0.1847
Tratamiento 5 0.0127 0.0025 3.8110 0.0071**
RDVI Residuo 36 0.0240 0.0007
Total 41 0.0366
Tratamiento 5 123.7000 24.7400 2.3110 0.0641
REP_LE Residuo 36 385.4000 10.7100
Total 41 509.1000
Tratamiento 5 13.1100 2.6226 3.4180 0.0125
REP_Li Residuo 36 27.6200 0.7673
Total 41 40.7300
Tratamiento 5 0.0104 0.0021 3.4570 0.0118*
SAVI Residuo 36 0.0217 0.0006
Total 41 0.0321

Tratamiento 5 0.0008 0.0002 0.3270 0.8930
SIPI Residuo 36 0.0182 0.0005
Total 41 0.0190
Tratamiento 5 0.0504 0.0101 4.0620 0.005**
SPVI Residuo 36 0.0893 0.0025
Total 41 0.1397
Tratamiento 5 28.6900 5.7370 1.1530 0.3510
SR Residuo 36 179.1200 4.9750
Total 41 207.8100
Tratamiento 5 3.2070 0.6413 0.8220 0.5420
SR1 Residuo 36 28.0730 0.7798
Total 41 31.2800
Tratamiento 5 22.4500 4.4900 1.5950 0.1860
SR2 Residuo 36 101.3500 2.8150
Total 41 123.8000
Tratamiento 5 2.3050 0.4610 0.5530 0.7350
SR3 Residuo 36 30.0360 0.8343
Total 41 32.3410
Tratamiento 5 0.2133 0.0427 2.4530 0.0518
SR4 Residuo 36 0.6259 0.0174
Total 41 0.8392
Tratamiento 5 0.0218 0.0044 2.5350 0.0458*
SR5 Residuo 36 0.0618 0.0017
Total 41 0.0836
Tratamiento 5 0.1860 0.0372 0.3310 0.8910
SR6 Residuo 36 4.0480 0.1124
Total 41 4.2340
Tratamiento 5 0.0127 0.0025 1.2710 0.2980
SR7 Residuo 36 0.0716 0.0020
Total 41 0.0843
Tratamiento 5 0.0205 0.0041 2.8700 0.0279*
SR8 Residuo 36 0.0515 0.0014
Total 41 0.0720
Tratamiento 5 0.0160 0.0032 2.0540 0.0942
SRPI Residuo 36 0.0561 0.0016
Total 41 0.0721
Tratamiento 5 0.0160 0.0032 4.5530 0.0026**
SRWI Residuo 36 0.0252 0.0007
Total 41 0.0412
Tratamiento 5 0.0280 0.0056 4.6560 0.0022**
Sum_Dr1 Residuo 36 0.0433 0.0012
Total 41 0.0714
Sum_Dr2 Tratamiento 5 0.0300 0.0060 4.8070 0.0018**

Residuo 36 0.0450 0.0013
Total 41 0.0750
Tratamiento 5 97.0000 19.4100 1.6740 0.1660
SWIR.FI Residuo 36 417.4000 11.5900
Total 41 514.4000
Tratamiento 5 0.0371 0.0074 0.9560 0.4570
Total 41 0.3168
Tratamiento 5 0.2008 0.0402 1.4330 0.2360
Total 41 1.2098
Tratamiento 5 0.4005 0.0801 1.3880 0.2520
Total 41 2.4782
Tratamiento 5 0.0038 0.0008 2.5540 0.0446*
Total 41 0.0145
Tratamiento 5 0.0044 0.0009 1.8240 0.1330
Total 41 0.0217
Tratamiento 5 0.0487 0.0097 0.3360 0.8880
TCARI2 Residuo 36 1.0457 0.0290
Total 41 1.0944
Tratamiento 5 0.1027 0.0205 0.3110 0.9030
Total 41 2.4818
Tratamiento 5 5.5270 1.1054 2.9170 0.026*
TGI Residuo 36 13.6400 0.3789
Total 41 19.1670
Tratamiento 5 156.6000 31.3200 6.3540 0.0003**
TVI Residuo 36 177.5000 4.9300
Total 41 334.1000
Tratamiento 5 0.0333 0.0067 0.7100 0.6200
Total 41 0.3715
Tratamiento 5 0.0057 0.0011 1.4200 0.2400
Total 41 0.0345
Tratamiento 5 0.2079 0.0416 2.9610 0.0244*
Total 41 0.7134
Tratamiento 5 0.0079 0.0016 1.2420 0.3100
Vogelmann4
Residuo 36 0.0460 0.0013

Total 41 0.0539
ANOVA de los índices de vegetación de las respuestas espectrales para el tercer muestreo
Tratamiento 5 0.0000 0.0000 1.1390 0.3580
Total 41 0.0001
Tratamiento 5 0.0000 0.0000 0.8320 0.5360
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
Total 41 0.2956
Tratamiento 5 0.0008 0.0002 0.6840 0.6380
Total 41 0.0090
Tratamiento 5 0.0006 0.0001 0.5820 0.7130
Total 41 0.0075
Tratamiento 5 0.0027 0.0005 0.6360 0.6740
Total 41 0.0329
Tratamiento 5 0.0214 0.0043 0.7520 0.5900
Total 41 0.2266
Tratamiento 5 0.0003 0.0001 0.4290 0.8250
Total 41 0.0059
Tratamiento 5 0.0018 0.0004 0.8170 0.5450
CASI NDVI
Residuo 36 0.0158 0.0004

Total 41 0.0176
Tratamiento 5 16.8000 3.3610 0.8770 0.5060
CASI TM4/3 Residuo 36 138.0000 3.8330
Total 41 154.8000
Tratamiento 5 0.0004 0.0001 0.3330 0.8900
Chlorophyll
Residuo 36 0.0091 0.0003
Green
Total 41 0.0095
Tratamiento 5 1.5200 0.3032 0.2370 0.9440
Chlorophyll
Residuo 36 46.0400 1.2790
Index Green
Total 41 47.5600
710 Total 41 6.2610
Tratamiento 5 0.9790 0.1958 0.3690 0.8670
Chlorophyll
Residuo 36 19.1310 0.5314
IndexRedEdge
Total 41 20.1100
Tratamiento 5 0.0014 0.0003 0.5210 0.7590
Chlorophyll
Residuo 36 0.0197 0.0005
Red-Edge
Total 41 0.0211
Tratamiento 5 0.0022 0.0004 1.1100 0.3730
CI Residuo 36 0.0146 0.0004
Total 41 0.0168
Tratamiento 5 2.7600 0.5527 0.6230 0.6830
CI2 Residuo 36 31.9500 0.8876
Total 41 34.7100
Tratamiento 5 2.5800 0.5152 0.1950 0.9630
ClAInt Residuo 36 95.2300 2.6452
Total 41 97.8100
Tratamiento 5 0.0060 0.0012 0.4300 0.8250
Coloration
Residuo 36 0.1006 0.0028
Index
Total 41 0.1066
Tratamiento 5 0.0020 0.0004 0.9910 0.4370
Corrected
Residuo 36 0.0144 0.0004
Transformed
Total 41 0.0164

Vegetation
Index
Tratamiento 5 3.4600 0.6916 0.5860 0.7110
CRI1 Residuo 36 42.4900 1.1803
Total 41 45.9500
Tratamiento 5 4.8700 0.9735 0.5970 0.7020
CRI2 Residuo 36 58.7100 1.6307
Total 41 63.5800
Tratamiento 5 1.6300 0.3264 0.1540 0.9770
CRI3 Residuo 36 76.1900 2.1164
Total 41 77.8200
Tratamiento 5 5.3700 1.0750 0.4270 0.8270
CRI4 Residuo 36 90.6500 2.5180
Total 41 96.0200
Tratamiento 5 0.0008 0.0002 0.6840 0.6380
CTR2 Residuo 36 0.0082 0.0002
Total 41 0.0090
Tratamiento 5 0.4811 0.0962 1.1340 0.3600
D1 Residuo 36 3.0559 0.0849
Total 41 3.5370
Tratamiento 5 0.0570 0.0114 2.0180 0.0995
D2 Residuo 36 0.2035 0.0057
Total 41 0.2605
Tratamiento 5 0.0032 0.0006 0.9020 0.4910
Datt Residuo 36 0.0253 0.0007
Total 41 0.0284
Tratamiento 5 0.5840 0.1168 0.4810 0.7880
Datt2 Residuo 36 8.7360 0.2427
Total 41 9.3200
Tratamiento 5 0.0629 0.0126 0.5970 0.7030
Datt3 Residuo 36 0.7585 0.0211
Total 41 0.8214
Tratamiento 5 3.0780 0.6155 1.2290 0.3160
Datt4 Residuo 36 18.0320 0.5009
Total 41 21.1100
Tratamiento 5 0.0441 0.0088 2.3920 0.0568
Datt5 Residuo 36 0.1326 0.0037
Total 41 0.1766
Tratamiento 5 217.0000 43.3700 0.2380 0.9430
Datt6 Residuo 36 6565.0000 182.3700
Total 41 6782.0000
Tratamiento 5 0.0025 0.0005 2.1590 0.0805
Datt7
Residuo 36 0.0085 0.0002

Total 41 0.0110
Tratamiento 5 0.0036 0.0007 1.5630 0.1950
Datt8 Residuo 36 0.0166 0.0005
Total 41 0.0202
Tratamiento 5 0.0070 0.0014 1.7460 0.1490
DD Residuo 36 0.0287 0.0008
Total 41 0.0357
Tratamiento 5 0.0332 0.0066 2.3340 0.0620
DDn Residuo 36 0.1023 0.0028
Total 41 0.1355
1725/970 Residuo 36 0.0115 0.0003
Tratamiento 5 0.5623 0.1125 2.3580 0.0598
DPI Residuo 36 1.7169 0.0477
Total 41 2.2792
Tratamiento 5 0.0065 0.0013 2.3370 0.0617
Difference
Residuo 36 0.0201 0.0006
800/550
Total 41 0.0266
Tratamiento 5 0.0093 0.0019 3.0690 0.0208*
Difference
Residuo 36 0.0218 0.0006
800/680
Total 41 0.0311
Green
Difference
Vegetation
Tratamiento 5 0.0664 0.0133 1.4510 0.2300
DWSI1 Residuo 36 0.3297 0.0092
Total 41 0.3961
Tratamiento 5 0.3060 0.0611 0.1830 0.9670
DWSI2 Residuo 36 12.0080 0.3336
Total 41 12.3140
Tratamiento 5 3.9300 0.7869 0.8260 0.5400
DWSI3 Residuo 36 34.3000 0.9527
Total 41 38.2300
Tratamiento 5 0.2706 0.0541 2.6380 0.0393*
DWSI4 Residuo 36 0.7387 0.0205
Total 41 1.0093
Tratamiento 5 0.0595 0.0119 1.3950 0.2490
DWSI5 Residuo 36 0.3068 0.0085
Total 41 0.3663

Tratamiento 5 0.0049 0.0010 0.8450 0.5270
EGFN Residuo 36 0.0414 0.0011
Total 41 0.0462
Tratamiento 5 25.8600 5.1710 0.6220 0.6840
EGFR Residuo 36 299.5200 8.3200
Total 41 325.3800
Tratamiento 5 0.0169 0.0034 0.0980 0.9920
EVI Residuo 36 1.2377 0.0344
Total 41 1.2546
Tratamiento 5 0.0001 0.0000 0.7660 0.5800
GDVI Residuo 36 0.0006 0.0000
Total 41 0.0007
Tratamiento 5 0.2676 0.0535 2.4260 0.0540
GI Residuo 36 0.7944 0.0221
Total 41 1.0620
Tratamiento 5 1.8700 0.3743 0.1830 0.9670
Total 41 75.3200
Tratamiento 5 6.1100 1.2210 0.6800 0.6420
Total 41 70.7900
Tratamiento 5 1.9730 0.3946 0.4870 0.7830
GMI1 Residuo 36 29.1500 0.8097
Total 41 31.1230
Tratamiento 5 2.4430 0.4886 0.6720 0.6470
GMI2 Residuo 36 26.1650 0.7268
Total 41 28.6080
Tratamiento 5 0.0011 0.0002 0.3630 0.8710
Total 41 0.0236
Tratamiento 5 0.0066 0.0013 0.5530 0.7350
Total 41 0.0927
Tratamiento 5 0.0004 0.0001 6.2130 0.0003**
LWVI1 Residuo 36 0.0005 0.0000
Total 41 0.0010
Tratamiento 5 0.0002 0.0000 1.8090 0.1360
LWVI2 Residuo 36 0.0007 0.0000
Total 41 0.0009
Maccioni Tratamiento 5 0.0033 0.0007 0.8840 0.5020

Residuo 36 0.0266 0.0007
Total 41 0.0299
Tratamiento 5 0.0024 0.0005 0.9930 0.4360
Total 41 0.0198
Tratamiento 5 0.6370 0.1275 1.2890 0.2900
MCARI2 Residuo 36 3.5600 0.0989
Total 41 4.1970
Tratamiento 5 0.0033 0.0007 0.5440 0.7410
mND705 Residuo 36 0.0432 0.0012
Total 41 0.0465
Tratamiento 5 0.0010 0.0002 4.6180 0.0023**
Total 41 0.0025
Tratamiento 5 0.0006 0.0001 0.4140 0.8360
MPRI Residuo 36 0.0104 0.0003
Total 41 0.0110
Tratamiento 5 0.0000 0.0000 1.8900 0.1200
Total 41 0.0002
Tratamiento 5 0.0047 0.0009 1.8190 0.1340
Total 41 0.0231
Tratamiento 5 0.0051 0.0010 1.2220 0.3190
MSI Residuo 36 0.0301 0.0008
Total 41 0.0352
Tratamiento 5 104449.0000 20890.0000 3.1460 0.0186*
mSR Residuo 36 239061.0000 6641.0000
Total 41 343510.0000
Tratamiento 5 1.1800 0.2360 0.6080 0.6950
mSR2 Residuo 36 13.9800 0.3885
Total 41 15.1600
Tratamiento 5 4.4800 0.8966 0.4680 0.7980
mSR705 Residuo 36 69.0300 1.9176
Total 41 73.5100
Tratamiento 5 2.7210 0.5442 0.7470 0.5940
MTCI Residuo 36 26.2390 0.7289
Total 41 28.9600
Tratamiento 5 0.0347 0.0069 3.6110 0.0095**
MTVI1 Residuo 36 0.0693 0.0019
Total 41 0.1040
Tratamiento 5 0.0001 0.0000 1.1220 0.3660
NDLI
Residuo 36 0.0004 0.0000

Total 41 0.0005
Tratamiento 5 0.0008 0.0002 2.5490 0.0449*
NDNI Residuo 36 0.0023 0.0001
Total 41 0.0031
Tratamiento 5 0.0018 0.0004 0.8080 0.5520
NDVI Residuo 36 0.0158 0.0004
Total 41 0.0176
Tratamiento 5 0.0032 0.0006 0.5990 0.7010
NDVI2 Residuo 36 0.0386 0.0011
Total 41 0.0418
Tratamiento 5 0.0276 0.0055 2.7910 0.0314*
NDVI3 Residuo 36 0.0713 0.0020
Total 41 0.0989
Tratamiento 5 0.0008 0.0002 1.4580 0.2280
NDWI Residuo 36 0.0041 0.0001
Total 41 0.0049
750/550 Green
750/710 Red
780/550 Green
925/710
Normalized
Difference
Tratamiento 5 0.0076 0.0015 5.4160 0.0008**
NPCI Residuo 36 0.0100 0.0003
Total 41 0.0176
Tratamiento 5 0.0030 0.0006 1.6710 0.1670
Total 41 0.0159
Tratamiento 5 0.0039 0.0008 0.9490 0.4620
OSAVI2 Residuo 36 0.0299 0.0008
Total 41 0.0338
PARS Tratamiento 5 6.6500 1.3300 0.7320 0.6040

Residuo 36 65.3900 1.8160
Total 41 72.0400
Tratamiento 5 0.0024 0.0005 2.0670 0.0924
PRI Residuo 36 0.0085 0.0002
Total 41 0.0110
Tratamiento 5 0.0014 0.0003 1.8970 0.1190
Total 41 0.0069
Tratamiento 5 0.0884 0.0177 1.6600 0.1690
PRI.CI2 Residuo 36 0.3832 0.0107
Total 41 0.4716
Tratamiento 5 0.0003 0.0001 6.4080 0.0002**
PSRI Residuo 36 36.0000 0.0003 0.0000
Total 41 36.0003
Tratamiento 5 12.6900 2.5370 0.7640 0.5820
PSSR Residuo 36 119.6300 3.3230
Total 41 132.3200
Tratamiento 5 0.0009 0.0002 0.5290 0.7520
PSND Residuo 36 0.0122 0.0003
Total 41 0.0131
Tratamiento 5 0.0007 0.0001 3.0990 0.0199*
PWI Residuo 36 0.0017 0.0000
Total 41 0.0025
and Residuo 36 0.2118 0.0059
Normalised
Difference
750/660 Total 41 0.2261
Tratamiento 5 0.0062 0.0012 3.0530 0.0213*
RDVI Residuo 36 0.0146 0.0004
Total 41 0.0208
Tratamiento 5 97.0000 19.3900 0.8230 0.5410
REP_LE Residuo 36 848.2000 23.5600
Total 41 945.2000
Tratamiento 5 3.7600 0.7519 0.6810 0.6410
REP_Li Residuo 36 39.7500 1.1042
Total 41 43.5100
Tratamiento 5 0.0052 0.0010 2.7380 0.0339*
SAVI Residuo 36 0.0136 0.0004
Total 41 0.0188
Tratamiento 5 0.0011 0.0002 0.4780 0.7900
SIPI Residuo 36 0.0167 0.0005
Total 41 0.0178

Tratamiento 5 0.0208 0.0042 2.9300 0.0255*
SPVI Residuo 36 0.0511 0.0014
Total 41 0.0720
Tratamiento 5 15.5300 3.1070 0.8510 0.5230
SR Residuo 36 131.4000 3.6500
Total 41 146.9300
Tratamiento 5 2.4430 0.4886 0.6720 0.6470
SR1 Residuo 36 26.1650 0.7268
Total 41 28.6080
Tratamiento 5 10.2800 2.0560 0.9410 0.4660
SR2 Residuo 36 78.6400 2.1840
Total 41 88.9200
Tratamiento 5 1.9730 0.3946 0.4870 0.7830
SR3 Residuo 36 29.1500 0.8097
Total 41 31.1230
Tratamiento 5 0.1492 0.0298 0.9150 0.4820
SR4 Residuo 36 1.1740 0.0326
Total 41 1.3232
Tratamiento 5 0.0110 0.0022 0.7800 0.5710
SR5 Residuo 36 0.1015 0.0028
Total 41 0.1125
Tratamiento 5 0.5070 0.1014 0.6340 0.6750
SR6 Residuo 36 5.7540 0.1598
Total 41 6.2610
Tratamiento 5 0.0216 0.0043 3.7500 0.0078**
SR7 Residuo 36 0.0414 0.0012
Total 41 0.0630
Tratamiento 5 0.0113 0.0023 1.1360 0.3590
SR8 Residuo 36 0.0715 0.0020
Total 41 0.0828
Tratamiento 5 0.0254 0.0051 5.5100 0.0007**
SRPI Residuo 36 0.0332 0.0009
Total 41 0.0585
Tratamiento 5 0.0043 0.0009 1.5220 0.2070
SRWI Residuo 36 0.0202 0.0006
Total 41 0.0245
Tratamiento 5 0.0126 0.0025 3.4390 0.0121*
Sum_Dr1 Residuo 36 0.0263 0.0007
Total 41 0.0389
Tratamiento 5 0.0127 0.0025 3.2950 0.015*
Sum_Dr2 Residuo 36 0.0277 0.0008
Total 41 0.0403
SWIR.FI Tratamiento 5 80.5000 16.1000 1.0620 0.3980

Residuo 36 545.9000 15.1600
Total 41 626.4000
Tratamiento 5 0.0288 0.0057 1.0580 0.3990
Total 41 0.2243
Tratamiento 5 0.3163 0.0633 2.7390 0.0338*
Total 41 1.1477
Tratamiento 5 0.4851 0.0970 2.5340 0.0459*
Total 41 1.8635
Tratamiento 5 0.0024 0.0005 0.8960 0.4940
Total 41 0.0212
Tratamiento 5 0.0028 0.0006 0.7230 0.6110
Total 41 0.0309
Tratamiento 5 0.1077 0.0215 0.6020 0.6980
TCARI2 Residuo 36 1.2872 0.0358
Total 41 1.3949
Tratamiento 5 0.2320 0.0464 0.5870 0.7100
Total 41 3.0770
Tratamiento 5 3.9570 0.7915 1.4510 0.2300
TGI Residuo 36 19.6410 0.5456
Total 41 23.5980
Tratamiento 5 55.9300 11.1860 2.9570 0.0245*
TVI Residuo 36 136.1700 3.7820
Total 41 192.1000
Tratamiento 5 0.0474 0.0095 0.7390 0.5990
Total 41 0.5097
Tratamiento 5 0.0058 0.0012 1.0140 0.4240
Total 41 0.0467
Tratamiento 5 0.3381 0.0676 2.0320 0.0973
Total 41 1.5360
Tratamiento 5 0.0088 0.0018 0.9700 0.4490
Total 41 0.0744
C. Anexo: Correlaciones de Pearson
PEARSON PRIMER MUESTREO
Boochs -0.638* -0.246 0.045
CCCI 0.613* 0.241 -0.008
CARI -0.603* -0.178 0.020
CARI 2 -0.598* -0.155 0.105
Carter -0.273 -0.029 -0.101
Carter4 -0.599* -0.241 0.024
Carter5 -0.431 -0.098 0.039
Coloration Index -0.392 -0.105 -0.072
Datt 0.643* 0.248 -0.018
Datt2 0.591* 0.240 0.037
Datt4 0.584* 0.220 -0.033
Datt5 0.444 0.133 -0.126
DWSI4 -0.421 -0.053 0.196
EGFN 0.536* 0.156 -0.139
EGFR 0.485 0.178 -0.036
GI -0.421 -0.055 0.189
Maccioni 0.636* 0.244 -0.029
MCARI -0.553* -0.131 0.064
mND705 0.584* 0.217 0.031
mNDVI -0.051 -0.001 0.300
MPRI 0.291 0.023 -0.043
mREIP 0.248 0.243 0.339
mSR 0.072 0.034 0.313
mSR705 0.535* 0.203 0.082
MTCI 0.592* 0.236 0.012
MTVI1 -0.311 -0.054 -0.004
NDVI3 0.413 0.089 -0.186
925/710 Normalized 0.624* 0.256 0.014
Difference Chlorophyll
NPCI 0.068 0.042 -0.281
PSRI 0.185 0.063 -0.258
RDVI -0.172 -0.009 -0.039
REP_LE 0.572* 0.223 -0.040
REP_Li 0.585* 0.216 0.065
SAVI -0.170 -0.009 -0.027

SR4 -0.462 -0.086 0.060
SR5 0.466 0.140 0.003
SR7 0.131 0.026 0.200
SR8 0.324 0.045 -0.072
SRPI -0.056 -0.036 0.284
Sum_Dr1 -0.194 -0.020 -0.060
TCARI -0.586* -0.187 0.059
TCARI.OSAVI -0.586* -0.192 0.060
TGI -0.512* -0.135 0.135
TVI -0.398 -0.109 -0.064
PEARSON SEGUNDO MUESTREO

Boochs -0.497 -0.239 -0.058
Boochs2 -0.314 -0.272 -0.166
CCCI 0.510* 0.194 0.039
CARI 2 -0.499 -0.167 -0.088
Coloration Index -0.157 -0.113 -0.131
Corrected Transformed Vegetation Index 0.028 -0.076 -0.272
D1 0.491 0.204 -0.033
D2 -0.484 -0.174 0.109
Datt 0.514* 0.169 0.032
Datt3 0.508* 0.245 0.054
Datt4 0.485 0.254 0.070
Datt5 0.256 0.199 -0.069
DDn 0.119 0.196 0.138
Difference 800/550 -0.102 -0.171 -0.156
Difference 800/680 -0.182 -0.192 -0.142
DWSI1 -0.346 -0.309 0.049
DWSI4 -0.271 -0.207 0.107
DWSI5 -0.363 -0.317 0.073
EGFN 0.481 0.094 -0.065
GI -0.252 -0.194 0.082
MCARI -0.389 -0.138 -0.105
MSAVI -0.036 -0.168 -0.063
MSI 0.340 0.268 -0.039
MTVI1 -0.276 -0.231 -0.109
NDVI3 0.276 0.198 -0.126
NDWI -0.256 -0.222 -0.154
PWI -0.368 -0.335 -0.145
RDVI -0.135 -0.202 -0.103
SAVI -0.109 -0.193 -0.089
SPVI -0.144 -0.189 -0.151
SR5 0.163 0.138 0.079
SR8 0.200 0.093 -0.035
SRWI -0.260 -0.224 -0.150
Sum_Dr1 -0.219 -0.220 -0.130
Sum_Dr2 -0.217 -0.224 -0.123
TCARI -0.473 -0.152 -0.080
Anexo C. Correlaciones de Pearson 181
TGI -0.493 -0.171 0.048

TVI -0.320 -0.248 -0.115
Vogelmann3 0.550* 0.320 -0.062
PEARSON TERCER MUESTREO

Difference 800/680 -0.048 -0.058 0.216
DWSI4 -0.263 -0.023 0.114
LWVI1 -0.386* -0.242 0.025
mNDVI 0.109 0.066 -0.051
mSR 0.101 -0.011 -0.027
MTVI1 -0.146 -0.044 0.230
NDNI 0.034 0.109 -0.064
NDVI3 0.272 0.020 -0.095
NPCI -0.064 -0.058 0.085
PSRI -0.141 -0.161 0.087
PWI -0.197 -0.114 0.215
RDVI -0.048 -0.085 0.188
SAVI -0.039 -0.090 0.172
SPVI -0.005 -0.074 0.187
SR7 0.190 0.104 -0.143
SRPI 0.065 0.058 -0.084
Sum_Dr1 -0.070 -0.057 0.206
Sum_Dr2 -0.057 -0.055 0.195
SWIR.SI -0.151 -0.224 0.249
SWIR.VI 0.029 0.150 -0.154
TVI -0.213 -0.075 0.263
D. Anexo: Resultados de los modelos PLSR obtenidos
NITROGENO
Calibración Validación Predicción
Preprocesamien Factore
Rango n Cor RMSEC RPD RER
to s Corr R2 RMSEC R2 Corr R2 RMSEP
r V
Rango 2 SG&NR 96 4 0.81 0.65 0.12 0.78 0.61 0.13 0.87 0.76 0.11 2.03 8.82
Rango 2 NR 96 4 0.81 0.65 0.12 0.77 0.60 0.13 0.87 0.76 0.11 2.03 8.82
Rango 1 SG&NR 96 3 0.79 0.62 0.13 0.73 0.54 0.14 0.83 0.70 0.13 1.97 8.55
Rango 1 SG&NR 96 4 0.81 0.65 0.12 0.77 0.59 0.13 0.86 0.74 0.12 1.97 8.55
Rango 1 NR 96 4 0.80 0.63 0.13 0.76 0.57 0.14 0.86 0.74 0.12 1.96 8.51
Rango 2 NUV 96 4 0.81 0.66 0.12 0.78 0.61 0.13 0.86 0.73 0.12 1.93 8.38
Rango 2 NA 96 4 0.81 0.65 0.12 0.78 0.60 0.13 0.86 0.73 0.12 1.93 8.38
Rango 2 NP 96 4 0.81 0.65 0.12 0.78 0.61 0.13 0.86 0.73 0.12 1.93 8.38
Rango 1 MSC 96 4 0.80 0.64 0.13 0.76 0.57 0.14 0.85 0.73 0.12 1.91 8.32
Rango 1 SG&MSC 96 4 0.78 0.61 0.13 0.73 0.54 0.14 0.85 0.73 0.12 1.91 8.29
Rango 1 SG1 96 3 0.79 0.62 0.13 0.75 0.56 0.14 0.83 0.69 0.13 1.90 8.25
Rango 2 SG&MSC 96 3 0.78 0.61 0.13 0.75 0.56 0.14 0.85 0.72 0.12 1.89 8.21
Rango 2 MSC 96 3 0.78 0.61 0.13 0.75 0.57 0.14 0.85 0.72 0.12 1.89 8.20
Rango 1 SNV 96 3 0.74 0.55 0.14 0.70 0.49 0.15 0.82 0.68 0.13 1.89 8.20
184 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
(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
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
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
(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
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
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
(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
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
(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
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
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
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
Green-Red Tratamiento 5 0.0024 0.0005 3.9030 0.0063

NDVI Residuo 36 0.0044 0.0001
Total 41 0.0067
Green Tratamiento 5 0.0157 0.0031 1.2330 0.3140
Vegetation Residuo 36 0.0917 0.0025
Index
Total 41 0.1074
Intensity Tratamiento 5 0.0000 0.0000 10.4500 0.0000
Residuo 36 0.0000 0.0000
Total 41 0.0000
Index
Total 41 3.2970
mND705 Tratamiento 5 0.0175 0.0035 11.3100 0.0000
Residuo 36 0.0111 0.0003
Total 41 0.0286
MTCI Tratamiento 5 0.0114 0.0023 10.8400 0.0000
Residuo 36 0.0075 0.0002
Total 41 0.0189
NIR/Green
Green NDVI Total 41 0.0027
NIR/Rededge
Normalized Total 41 0.0274
Difference
Red-Edge
Norm NIR Tratamiento 5 0.0006 0.0001 3.9030 0.0063
Residuo 36 0.0011 0.0000
Total 41 0.0017
PanNDVI Tratamiento 5 0.0058 0.0012 4.7810 0.0019
Residuo 36 0.0087 0.0002
Total 41 0.0145
Prueba Tratamiento 5 0.0096 0.0019 12.7500 0.0000
Residuo 36 0.0054 0.0002
Total 41 0.0151
Red-Blue Tratamiento 5 0.0141 0.0028 5.9680 0.0004
NDVI Residuo 36 0.0170 0.0005
Total 41 0.0311
REP_Li Tratamiento 5 18.1700 3.6340 10.8400 0.0000
Residuo 36 12.0700 0.3350
Total 41 30.2400
Anexo E. ANOVA par los índices a partir de fotografías aéreas 195
TCARI Tratamiento 5 6.5530 1.3106 5.5440 0.0007

Residuo 36 8.5110 0.2364
Total 41 15.0640
PRIMER MUESTREO PUNTO

Residuo 36 1.2056 0.0335
Total 41 2.0839
Residuo 36 0.0575 0.0016
Total 41 0.1025
CIG Tratamiento 5 0.0714 0.0143 2.8700 0.0279
Residuo 36 0.1791 0.0050
Total 41 0.2506
Residuo 36 0.0201 0.0006
Total 41 0.0351
index
Total 41 0.2448
Residuo 36 1.8330 0.0509
Total 41 3.2410
Residuo 36 0.0201 0.0006
Total 41 0.0351
Residuo 36 0.0027 0.0001
Total 41 0.0039
NDVI Residuo 36 0.0164 0.0005
Total 41 0.0233
NDVI Residuo 36 0.0126 0.0003
Total 41 0.0174
Index
Total 41 0.2506
Residuo 36 0.0000 0.0000

Total 41 0.0000
Index
Total 41 1.5412
mND705 Tratamiento 5 0.0185 0.0037 5.4620 0.0008
Residuo 36 0.0244 0.0007
Total 41 0.0429
Residuo 36 0.0193 0.0005
Total 41 0.0343
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0031 0.0001
Total 41 0.0044
Residuo 36 0.0257 0.0007
Total 41 0.0349
Residuo 36 0.0278 0.0008
Total 41 0.0462
NDVI Residuo 36 0.0487 0.0014
Total 41 0.0639
Residuo 36 30.8000 0.8550
Total 41 54.8500
Residuo 36 20.5700 0.5713
Total 41 31.4200
PRIMER MUESTREO RANDOM


Residuo 36 5.9120 0.1642
Total 41 8.1250
Residuo 36 0.1112 0.0031
Total 41 0.1681
CIG Tratamiento 5 0.0087 0.0017 0.5380 0.7460
Residuo 36 0.1157 0.0032
Total 41 0.1244
Residuo 36 0.0160 0.0004
Total 41 0.0236
index
Total 41 0.1962
Residuo 36 10.7270 0.2980
Total 41 14.5530
Residuo 36 0.0160 0.0004
Total 41 0.0236
Residuo 36 0.0013 0.0000
Total 41 0.0014
NDVI Residuo 36 0.0113 0.0003
Total 41 0.0135
NDVI Residuo 36 0.0060 0.0002
Total 41 0.0088
Index
Total 41 0.1251
Residuo 36 0.0000 0.0000
Total 41 0.0000
Index
Total 41 5.5490
mND705 Tratamiento 5 0.0130 0.0026 4.4590 0.0029
Residuo 36 0.0210 0.0006

Total 41 0.0339
Residuo 36 0.0148 0.0004
Total 41 0.0228
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0015 0.0000
Total 41 0.0022
Residuo 36 0.0126 0.0003
Total 41 0.0169
Residuo 36 0.0179 0.0005
Total 41 0.0270
NDVI Residuo 36 0.0236 0.0007
Total 41 0.0353
Residuo 36 23.6200 0.6563
Total 41 36.4700
Residuo 36 9.8670 0.2741
Total 41 15.3670
SEGUNDO MUESTREO DONA

Residuo 36 2.8960 0.0804
Total 41 6.5600
Residuo 36 0.2042 0.0057
Total 41 0.4653
CIG Tratamiento 5 0.1012 0.0202 6.1620 0.0003

Residuo 36 0.1183 0.0033
Total 41 0.2195
Residuo 36 0.0140 0.0004
Total 41 0.0261
index
Total 41 0.1493
Residuo 36 7.0970 0.1971
Total 41 17.8180
Residuo 36 0.0140 0.0004
Total 41 0.0261
Residuo 36 0.0011 0.0000
Total 41 0.0017
NDVI Residuo 36 0.0094 0.0003
Total 41 0.0243
NDVI Residuo 36 0.0094 0.0003
Total 41 0.0243
Index
Total 41 0.2195
Residuo 36 0.0000 0.0000
Total 41 0.0000
Index
Total 41 3.5580
mND705 Tratamiento 5 0.0245 0.0049 7.3750 0.0001
Residuo 36 0.0239 0.0007
Total 41 0.0484
Residuo 36 0.0153 0.0004
Total 41 0.0291
Tratamiento 5 0.0055 0.0011 6.8340 0.0001
Normalized Residuo 36 0.0058 0.0002

Difference Total 41 0.0113
NIR/Green
Green NDVI
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0032 0.0001
Total 41 0.0072
Residuo 36 0.0156 0.0004
Total 41 0.0383
Residuo 36 0.0048 0.0001
Total 41 0.0074
NDVI Residuo 36 0.0320 0.0009
Total 41 0.0717
Residuo 36 24.4300 0.6790
Total 41 46.5800
Residuo 36 7.5740 0.2104
Total 41 10.9370
SEGUNDO MUESTREO PUNTOS

Residuo 36 4.1700 0.1158
Total 41 7.0450
Residuo 36 0.3615 0.0100
Total 41 0.6780
CIG Tratamiento 5 0.1279 0.0256 2.6930 0.0362
Residuo 36 0.3421 0.0095
Total 41 0.4700
Residuo 36 0.0226 0.0006
Total 41 0.0433
index
Total 41 0.2546
Residuo 36 9.9960 0.2777
Total 41 19.7050
Residuo 36 0.0226 0.0006
Total 41 0.0433
Residuo 36 0.0033 0.0001
Total 41 0.0041
NDVI Residuo 36 0.0279 0.0008
Total 41 0.0454
NDVI Residuo 36 0.0335 0.0009
Total 41 0.0536
Index
Total 41 0.4700
Residuo 36 0.0000 0.0000
Total 41 0.0000
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
Residuo 36 0.0301 0.0008
Total 41 0.0537
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0082 0.0002
Total 41 0.0133
Residuo 36 0.0391 0.0011
Total 41 0.0663
Residuo 36 0.0339 0.0009
Total 41 0.0456
NDVI Residuo 36 0.0745 0.0021
Total 41 0.1216
Residuo 36 48.1900 1.3390
Total 41 85.9900
Residuo 36 13.7660 0.3824
Total 41 16.1500
SEGUNDO MUESTREO RANDOM

Residuo 36 4.4090 0.1225
Total 41 6.8330
Residuo 36 0.2256 0.0063
Total 41 0.4075
CIG Tratamiento 5 0.1254 0.0251 3.7710 0.0076
Residuo 36 0.2393 0.0066
Total 41 0.3647
Residuo 36 0.0221 0.0006
Total 41 0.0344
index
Total 41 0.1722
Residuo 36 10.8640 0.3018
Total 41 17.8580
Residuo 36 0.0221 0.0006
Total 41 0.0344
Residuo 36 0.0019 0.0001
Total 41 0.0024
NDVI Residuo 36 0.0166 0.0005
Total 41 0.0310
NDVI Residuo 36 0.0219 0.0006
Total 41 0.0392
Index
Total 41 0.3647
Residuo 36 0.0000 0.0000
Total 41 0.0000
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
Residuo 36 0.0229 0.0006
Total 41 0.0376
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0055 0.0002
Total 41 0.0098
Residuo 36 0.0241 0.0007
Total 41 0.0476
Residuo 36 0.0159 0.0004
Total 41 0.0198
NDVI Residuo 36 0.0491 0.0014
Total 41 0.0869
Residuo 36 36.1400 1.0040
Total 41 59.7800
Residuo 36 11.0220 0.3062
Total 41 13.4160
TERCER MUESTREO DONA

Residuo 36 2.7620 0.0767
Total 41 4.5160
Residuo 36 0.0887 0.0025
Total 41 0.1558
CIG Tratamiento 5 0.0231 0.0046 0.7380 0.6000
Residuo 36 0.2251 0.0063
Total 41 0.2482
Residuo 36 0.0426 0.0012
Total 41 0.0694
index
Total 41 8.9510
Residuo 36 3.7260 0.1035
Total 41 6.2400
Residuo 36 0.0426 0.0012
Total 41 0.0694
Residuo 36 0.0009 0.0000
Total 41 0.0011

NDVI Residuo 36 0.0101 0.0003
Total 41 0.0135
NDVI Residuo 36 0.0101 0.0003
Total 41 0.0135
Index
Total 41 0.2482
Residuo 36 0.0000 0.0000
Total 41 0.0000
Index
Total 41 3.4470
mND705 Tratamiento 5 0.0340 0.0068 4.5910 0.0024
Residuo 36 0.0533 0.0015
Total 41 0.0873
Residuo 36 0.0449 0.0012
Total 41 0.0732
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0017 0.0000
Total 41 0.0024
Residuo 36 0.0143 0.0004
Total 41 0.0208
Residuo 36 0.0097 0.0003
Total 41 0.0136
NDVI Residuo 36 0.0317 0.0009
Total 41 0.0471

Residuo 36 71.8500 1.9960
Total 41 117.1800
Residuo 36 6.8420 0.1901
Total 41 7.6140
TERCER MUESTREO PUNTOS

Residuo 36 0.9345 0.0260
Total 41 1.3237
Residuo 36 0.0507 0.0014
Total 41 0.0842
CIG Tratamiento 5 0.1836 0.0367 2.7780 0.0320
Residuo 36 0.4760 0.0132
Total 41 0.6596
Residuo 36 0.0264 0.0007
Total 41 0.0390
index
Total 41 0.1698
Residuo 36 1.2110 0.0336
Total 41 1.7655
Residuo 36 0.0264 0.0007
Total 41 0.0390
Residuo 36 0.0031 0.0001
Total 41 0.0046
NDVI Residuo 36 0.0291 0.0008
Total 41 0.0434
NDVI Residuo 36 0.0231 0.0006
Total 41 0.0357
Tratamiento 5 0.1836 0.0367 2.7780 0.0320
Green Residuo 36 0.4760 0.0132

Vegetation Total 41 0.6596
Index
Residuo 36 0.0000 0.0000
Total 41 0.0000
Index
Total 41 1.0748
mND705 Tratamiento 5 0.0138 0.0028 3.4480 0.0120
Residuo 36 0.0289 0.0008
Total 41 0.0427
Residuo 36 0.0270 0.0008
Total 41 0.0397
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0058 0.0002
Total 41 0.0089
Residuo 36 0.0386 0.0011
Total 41 0.0596
Residuo 36 0.0063 0.0002
Total 41 0.0078
NDVI Residuo 36 0.0527 0.0015
Total 41 0.0834
Residuo 36 43.2700 1.2020
Total 41 63.4900
Residuo 36 11.0580 0.3072
Total 41 18.3450
TERCER MUESTREO RANDOM

Residuo 36 3.1160 0.0865
Total 41 5.0550
Residuo 36 0.0910 0.0025
Total 41 0.1694
CIG Tratamiento 5 0.0362 0.0072 0.6680 0.6500
Residuo 36 0.3901 0.0108
Total 41 0.4263
Residuo 36 0.0476 0.0013
Total 41 0.0779
index
Total 41 0.2911
Residuo 36 3.1660 0.0879
Total 41 6.6930
Residuo 36 0.0476 0.0013
Total 41 0.0779
Residuo 36 0.0031 0.0001
Total 41 0.0036
NDVI Residuo 36 0.0174 0.0005
Total 41 0.0217
NDVI Residuo 36 0.0163 0.0005
Total 41 0.0196
Index
Total 41 0.4263
Residuo 36 0.0000 0.0000
Total 41 0.0000
Tratamiento 5 1.5660 0.3133 4.5810 0.0025
Residuo 36 2.4620 0.0684
Leaf Total 41 4.0280

Chlorophyll
Index
mND705 Tratamiento 5 0.0471 0.0094 5.9430 0.0004
Residuo 36 0.0570 0.0016
Total 41 0.1041
Residuo 36 0.0502 0.0014
Total 41 0.0809
NIR/Green
NIR/Rededge
Difference
Red-Edge
Residuo 36 0.0041 0.0001
Total 41 0.0049
Residuo 36 0.0275 0.0008
Total 41 0.0355
Residuo 36 0.0116 0.0003
Total 41 0.0158
NDVI Residuo 36 0.0425 0.0012
Total 41 0.0615
Residuo 36 79.6200 2.2120
Total 41 128.9100
Residuo 36 13.6120 0.3781
Total 41 14.8740
F. Anexo: Correlación de Pearson
para UAV
PRIMER MUESTREO
Dona
Carter4 0.350
CCCI -0.566
CIRE -0.473
Chlorophyll vegetation index 0.284
Datt -0.448
Datt2 -0.473
Green-Blue NDVI -0.537
Green-Red NDVI -0.569
Intensity -0.428
Leaf Chlorophyll Index -0.381
mND705 -0.532
MTCI -0.516
Normalized Difference NIR/Rededge Normalized Difference Red-Edge -0.459
Norm NIR -0.569
PanNDVI -0.596
Prueba -0.503
Red-Blue NDVI -0.612
REP_Li -0.516
TCARI 0.300
Punto
Carter4 0.598
CCCI -0.659
CIG -0.046
CIRE -0.611
Datt -0.636
Datt2 -0.611
Datt4 0.161
Green Vegetation Index -0.046
Intensity -0.369
mND705 -0.634
MTCI -0.629
Normalized Difference NIR/Green Green NDVI -0.066
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
Datt -0.390
Datt2 -0.447
mND705 -0.517
MTCI -0.521
Norm NIR -0.507
PanNDVI -0.507
Prueba -0.369
REP_Li -0.521
TCARI 0.259
SEGUNDO MUESTREO
Dona
Carter4 0.457
CCCI -0.535
CIG -0.307
CIRE -0.517
Datt -0.494
Datt2 -0.517
Datt4 -0.041
Intensity -0.226
mND705 -0.540
MTCI -0.548
Norm NIR -0.470
Bibliografía 213
PanNDVI -0.514
Prueba -0.388
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
mND705 -0.294
MTCI -0.276
Norm NIR -0.356
PanNDVI -0.418
Prueba 0.063
REP_Li -0.276
Random
Carter4 0.405
CCCI -0.564
CIG -0.381
CIRE -0.433
Datt -0.457
Datt2 -0.433
mND705 -0.465
MTCI -0.503
Norm NIR -0.529
PanNDVI -0.563
REP_Li -0.507
TERCER MUESTREO
Dona
Carter4 0.640
CCCI -0.711
CIRE -0.657
Datt -0.660
Datt2 -0.657
Intensity -0.530
mND705 -0.689
MTCI -0.669
Norm NIR -0.384
PanNDVI -0.547
Prueba -0.582
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
mND705 -0.612
MTCI -0.577
Norm NIR -0.462
PanNDVI -0.518
REP_Li -0.577
TCARI 0.239
Random
Carter4 0.549
CCCI -0.691
CIRE -0.611
Datt -0.558
Datt2 -0.611
mND705 -0.665
MTCI -0.626
Prueba -0.485
Bibliografía 215

REP_Li -0.626

Tesis Maestria Geomatica Jhon Montero

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Maestria Geomatica Jhon Montero

Cargado por

Copyright:

Formatos disponibles

Relación entre las respuestas

espectrales y la fertilización con

Jhon Eder Montero Espinosa

Universidad Nacional de Colombia

Jhon Eder Montero Espinosa

Universidad Nacional de Colombia

He leído el Acuerdo 035 de 2003 del Consejo Académico de la Universidad Nacional.

Cuando se han presentado ideas o palabras de otros autores en esta disertación, he

Por último, he sometido esta disertación a la herramienta de integridad académica, definida

Jhon Eder Montero Espinosa

A la Plantación Guaicaramo quien puso a disposición la plantación y personal de apoyo, al

A José Monsalve por todo su tiempo, apoyo, colaboración y conocimientos.

A la Universidad Nacional de Colombia, sede Bogotá junto a la Facultad de Ciencias

Relación entre las respuestas espectrales y la fertilización con nitrógeno y

La presente investigación se realizó en la plantación Guaicaramo ubicada en el municipio

Relationship between spectral responses and nitrogen and potassium

Keywords: oil palm, nitrogen, potassium, spectral indices, PLSR, UAV,

Lista de figuras ...............................................................................................................X

Lista de tablas .............................................................................................................. XIII

Lista de Símbolos y abreviaturas ............................................................................... XV

1. Marco Teórico .......................................................................................................... 3

4.2 Efecto de los tratamientos en los contenidos foliares de Nitrógeno, Potasio y

5. Discusión .............................................................................................................. 116

6. Conclusiones y recomendaciones ...................................................................... 120

Bibliografía .................................................................................................................. 123

A. Anexo: Índices de vegetación analizados .......................................................... 141

B. Anexo: Análisis de varianza (ANOVA) ................................................................ 149

C. Anexo: Correlaciones de Pearson ...................................................................... 179

D. Anexo: Resultados de los modelos PLSR obtenidos ........................................ 183

F. Anexo: Correlación de Pearson para UAV ......................................................... 211

Figura 1-1: Características típicas de la respuesta espectral de vegetación verde.

Figura 4-12: Mediana de respuestas espectrales para el primer muestreo (n = 42 palmas

Figura 4-34: Respuestas espectrales con los preprocesamientos de Savitzky Golay

Tabla 3-1: Dosis de tratamientos ....................................................................................14

Lista de Símbolos y abreviaturas

Símbolos con letras latinas

Para corregir las deficiencias nutricionales se requiere hacer un diagnóstico adecuado y

Aunque existen avances en la estimación de nutrientes en otros cultivos a partir de la

1.1 Respuestas espectrales

La reflectancia de las hojas presenta algunas características típicas (Figura 1-1). En

Figura 1-1: Características típicas de la respuesta espectral de vegetación verde. Tomada

Figura 1-2: Dependencia de la reflectancia de la hoja sobre la concentración de clorofila

La relación entre las características de la vegetación y las respuestas espectrales pueden

1.2 Imágenes multiespectrales con UAVs

la transformación de números digitales a reflectancia por medio del panel de calibración

El conjunto de datos puede constar de n bandas individuales (k) de imágenes

Los sensores RGB presentan limitantes en la teledetección ya que la reflectancia de la luz

La palma de aceite se puede caracterizar, clasificar, modelar y mapear utilizando la

incluida la clasificación de cobertura (Nooni et al., 2014), recuento automático de palmas

1.3 Método estadístico PLSR

La descomposición de ambas matrices no es independiente, sino que se realiza de forma

En el caso de calcular una sola propiedad a determinar de la matriz Y, el algoritmo recibe

Relacionar la respuesta espectral del cultivo de palma de aceite (Híbrido O x G) con el

3.1 Esquema metodológico de la investigación

Figura 3-1: Diagrama de flujo del proyecto

3.2 Área de estudio

Figura 3-2: área de estudio, plantación Guaicaramo, municipio de Barranca de Upía y

drenado, de texturas moderadamente finas a finas, su pH muestra valores de muy fuerte

3.3 Características Climáticas

3.4 Unidades experimentales

Tabla 3-1: Dosis de tratamientos

Dosis (Kg/palma Dosis (Kg/palma

Tabla 3-2: Tamaños de la muestra calculados