ENERO/JUNIO 2022 - VOLUMEN 32 (1)
https://revistas.ucr.ac.cr/index.php/ingenieria/index
www.ucr.ac.cr / ISSN: 2215-2652
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica
DOI 10.15517/ri.v32i1.46129
Esta obra está bajo una Licencia de Creative Commons. Reconocimiento - No Comercial - Compartir Igual 4.0 Internacional
Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis
bajo condiciones tropicales y de pastoreo con ganado lechero
Hyper and multi-spectral comparison of Cynodon nlemfuensis pasture
under tropical and grazing conditions with dairy cattle
Alberto Francisco Coto Fonseca
Estudiante, Posgrado en Ingeniería de Biosistemas
Universidad de Costa Rica, San José, Costa Rica
Email: alberto.cotofonseca@ucr.ac.cr
ORCID: 0000-0003-2732-6943
Alejandra María Rojas González
Profesora Asociada e Investigadora
Universidad de Costa Rica, San José, Costa Rica
Email: alejandra.rojasgonzalez@ucr.ac.cr
ORCID: 0000-0001-7984-7789
Recibido: 8 de marzo 2021 Aceptado: 28 de junio 2021
Resumen
La información espectral ha sido utilizada ampliamente en el estudio de las condiciones nutricionales y
en el desarrollo de diversos cultivos empleados en el ámbito agrícola, pero existe un vacío de investigación en
especies forrajeras para condiciones tropicales. El presente estudio contempló la comparación de información
multi e hiperespectral correspondientes al cultivo de pasto Estrella Africana (Cynodon nlemfuensis) dedicado
a la alimentación de ganadería lechera usando espectroscopia de campo e información satelital de Sentinel-2.
Se determinó que existe una heterogeneidad de la rma espectral del cultivo, debido al patrón aleatorio de
alimentación por parte del ganado y la variación de las condiciones ambientales. Se generaron zonas con
distintas alturas del cultivo, inuyendo directamente en los valores de reectancia, índice de área foliar e
índices de vegetación. Se compararon los índices espectrales calculados con información de campo y satelital,
obteniéndose valores de R
2
de 0,725 para el caso del NDVI y de 0,446 para el SAVI. La presente investigación
es de gran relevancia ya que sienta la línea base del uso de información espectral para el estudio de pastos
dedicados a la alimentación de ganado lechero a partir de sensores remotos y espectrorradiometría de campo.
Palabras clave:
Espectrorradiometría, rma espectral, NDVI, SAVI, SENTINEL 2-MS.
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
2
Abstract
Spectral information has been widely applied to study the growth and nutritional conditions of different
crops used in the agricultural eld; however, there is a research gap regarding forage crops in tropical
conditions. This study compared the multi and hyperspectral information of the African star pasture crop
(Cynodon nlemfuensis) for dairy cattle feeding using eld spectroscopy and satellite information of Sentinel-2.
This study determined spectral signature heterogeneity of this crop due to the randomness of the feeding
pattern of the cattle and the continuous change of the environmental conditions. Different crop heights in the
sampling areas affected the reectance values, leaf area index and vegetation indices directly. For the NDVI
and SAVI, R
2
values of 0,725 and 0,446 were achieved for spectral indices between eld and satellite data.
This research is relevant because it lays the baseline for the use of spectral information regarding the analysis
of tropical pastures employed in dairy cattle feeding using remote sensing and a eld spectroradiometer.
Keywords:
NDVI, SAVI, SENTINEL 2-MS, spectral signature, spectroradiometry.
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
3
1. INTRODUCCIÓN
El uso de sensores remotos ha sido un tema de gran relevancia para el estudio de la vegetación
permitiendo analizar de manera no destructiva la fenología y su monitoreo, la estimación del
rendimiento y materia orgánica [1], [2], así como el requerimiento hídrico [3].
Otro uso de los sensores remotos es el cálculo de la evapotranspiración real de los cultivos.
Para dicho cálculo se utilizan modelos basados en balances de energía e índices espectrales de
información satelital, generalmente de Landsat 8 [4], [5]. Dentro de estos índices, se encuentran
el índice de vegetación de diferencia normalizada (NDVI por siglas en inglés) y el índice de
vegetación ajustado al suelo (SAVI por siglas en inglés). Estos índices han sido utilizados en
aplicaciones tales como la generación de modelos para el estudio de los requerimientos hídricos de
los cultivos, sirviendo así como una guía para la toma de decisiones en relación a dicha temática
[6], [7]. Además, estos modelos han llegado a generar resultados muy cercanos al estado real
de los cultivos [8] así como la estimación de los coecientes basales [9].
Dentro de los principales satélites utilizados para obtener información multiespectral se
encuentran Sentinel-2 con una resolución espacial de 10 m o 20 m (dependiendo de la banda)
y temporal de 5 días [10] y Landsat 8 con resoluciones de 30 m y 16 días respectivamente
[11]. De ambos satélites, Sentinel-2 es el más reciente y desde su lanzamiento ha sido utilizado
en estudios relacionados con la cobertura vegetal. Dentro de sus aplicaciones, se encuentra la
determinación de parámetros biofísicos asociados a cultivos agrícolas tales como el índice de
área foliar, el contenido de clorola del dosel y de la hoja [12] y la estimación de biomasa en
pastizales a partir de índices de vegetación tales como el NDVI [13].
Al ser información generada por tecnología satelital, es necesaria su validación mediante
datos obtenidos en el campo, de manera que los resultados sean aptos para ser utilizados como
referencia para la toma de decisiones en relación con el mantenimiento de los cultivos. Una
manera de realizar dicha validación es mediante el uso de espectrorradiometría de campo.
Actualmente, la espectrorradiometría de campo tiene una gran aplicabilidad en varios
campos del conocimiento. Dentro de sus aplicaciones, se encuentra el estudio de propiedades
del suelo [14]-[16]; identicación de la presencia de metales pesados en suelos utilizados en
actividades tales como la minería [17], o bien como una manera de reclamar terrenos que están
siendo utilizados en dicha actividad [18], de forma tal que sirven como una guía y monitoreo
del adecuado uso del suelo bajo el marco de un desarrollo sostenible con el ambiente.
Dentro del sector agrícola, la espectrorradiometría ha sido utilizada para analizar temas
como la identicación de nutrientes en los suelos dedicados a esta actividad [19] y el estudio
del estado de los cultivos, con el n de reconocer patrones que sirvan para la identicación de
ciertas enfermedades [20].
Considerando lo anterior, y que la mayoría de los estudios se direccionan a cultivos dedicados
a la alimentación humana, como por ejemplo el arroz [21], es importante orientar estos análisis a
cultivos dedicados a otras actividades productivas. En esta línea de investigación se han llevado a
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
4
cabo estudios relacionadas con la producción de pastos. Dentro de estos, se encuentra el realizado
por Pullanagari et al. [22], quienes evaluaron las diferencias espectrales entre diversos tipos de
pastos y generaron relaciones entre información de reectancia y parámetros de calidad química
como proteína cruda, cenizas, lignina y energía metabólica.
En Costa Rica, la producción de forrajes es de gran relevancia para el sector productivo
ganadero al ser fuente principal de alimento para el ganado. Dentro de los principales pastos
que se producen, está la Estrella Africana (Cynodon nlemfuensis). Esta es una especie que, por
sus características de adaptación, nutrición y producción en un amplio rango de ambientes y
tipos de suelos, se utiliza en gran medida en los sistemas ganaderos dedicados a la producción
lechera en el país [23].
En vista de la importancia que tiene la producción de pasto, se identicó que a nivel nacional
no se han realizado estudios asociados al uso de tecnologías de teledetección que analicen el
comportamiento espectral de especies de pastos tropicales bajo pastoreo de ganado lechero.
Adicionalmente, existe una necesidad de mejorar la estimación de variables asociadas a la
producción de forrajes en los sistemas productivos lecheros (p.ej biomasa).
Considerando lo anterior y el gran potencial de los sensores remotos para el análisis de la
vegetación, el surgimiento de mejores tecnologías satelitales y la potencial diferencia que puede
haber entre los datos espectrales de satélite y de espectrorradiometría de campo destinados a
pastos tropicales, es que la presente investigación tuvo como objetivo principal comparar la
información hiper y multi-espectral asociada al cultivo de pasto Estrella Africana bajo condiciones
de pastoreo de ganado lechero, mediante espectrorradiometría de campo e información satelital
a partir de Sentinel-2.
2. MATERIALES Y MÉTODOS
2.1 Sitio de muestreo
El estudio se llevó a cabo de octubre a diciembre (período lluvioso e inicio de época seca) del
año 2019 en la Estación Experimental de Ganado Lechero Alfredo Volio Mata (EEGLVM) de la
Universidad de Costa Rica. La estación se localiza en Ochomogo en el distrito de San Rafael, cantón
de la Unión de la provincia de Cartago, latitud de 9°54’42,11”N, longitud 83°57’19,12”O, a una
altura de 1568 m.s.n.m, donde los suelos son, en su mayoría andisoles [24]. Esta nca cuenta con
ganado lechero de raza Jersey y se cultivan diferentes pastos forrajeros, entre los más importantes
pasto Estrella Africana, Taiwán y Botón de Oro.
Del total de parcelas que tiene la EEGLAVM, veinte y ocho son dedicadas al pastoreo de
ganado lechero con pasto Estrella Africana (Cynodon nlemfuensis). En estas parcelas se trabaja con
un sistema de apartos, donde cada potrero es subdividido en cuatro secciones. En cada uno de ellos
el ganado ingresa dos veces al día para alimentarse y cada potrero tiene una duración aproximada
de cuatro días en ser pastoreado completamente. Debido a la rotación del ganado a lo largo de las
parcelas, cada una de ellas inicia nuevamente el ciclo de pastoreo dentro de aproximadamente 25 días.
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
5
De las veinte y ocho parcelas mencionadas, la toma de datos se llevó a cabo dentro de dos
parcelas en tres áreas muestrales (denominadas A, B y C). Las áreas muestrales consisten en clústeres
de 3 x 3 pixeles [25] de 10 m de resolución, tal y como se muestra en la Fig. 1. Dichas zonas de
muestreo se identicaron y localizaron en el campo mediante el uso de estacas en los cuatro vértices
de cada área muestral y por medio de GPS marca Garmin modelo Oregon 550.
Fig. 1. Ubicación de las zonas de muestreo (clústeres) de pasto Estrella Africana en la EEGLVM.
2.2 Mediciones
Para cada espacio muestral, se recolectó, en campo, información correspondiente al índice de
área foliar (IAF), rma espectral del cultivo y la altura del pasto. El IAF se midió mediante un ana-
lizador de dosel LAI 2200C marca LI-COR. Para dicho índice, se tomaron dos mediciones sobre
el pasto y cinco valores debajo de la cobertura en un trayecto diagonal para un total de tres repeti-
ciones por píxel de 10 m.
La información hiperespectral se obtuvo mediante un espectrorradiómetro ASD FieldSpec 4
Wide Resolution, con resolución espectral de 3 nm para el rango de medición de longitud de onda
entre 350 a 1000 nm y de 10 nm para la región de 1000 a 2500 nm. El levantamiento de los datos
espectrales se realizó a una altura aproximada de 1 m desde el nivel de suelo, para un diámetro de
cobertura óptica aproximada de 44 cm. Las mediciones se llevaron a cabo entre las 8 am y 1 pm.
Se consideró dicha ventana de tiempo para la toma de datos, de manera que se tuvieran condiciones
ambientales adecuadas para no alterar la información espectral a recolectar [26] y se coincidiera
con el paso del satélite (alrededor de las 10:10 am).
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
6
La conguración del espectrorradiómetro utilizada fue de 100 mediciones de corriente oscura
y 30 mediciones de blancos de referencia. Para cada pixel, se utilizó un promedio de 20 espectros
por medición [27], se realizó un muestreo en cruz por píxel [28], donde se realizaron cuatro repe-
ticiones en cada punto para un total de 16 rmas por píxel y así capturar la variabilidad presente.
Se realizó la optimización del equipo y la toma del blanco de referencia con un Lambertian
White Reference (spectralon 5 x 5 cm) cada 10 minutos o menos, dependiendo de la variación de
la iluminación generada por las condiciones ambientales.
En el caso de la información multiespectral, se utilizaron imágenes del satélite Sentinel-2 nivel
2A (con corrección atmosférica), las cuales tienen una resolución temporal de 5 días y espacial de
10 m (bandas rojo, azul, verde y NIR). Estas se utilizaron para el cálculo de los índices de vegeta-
ción NDVI y SAVI. Se recolectaron todas las imágenes disponibles durante el período de estudio
(http://www.sentinel.esa.int/web/sentinel-data-access), de las cuales, nalmente, solo dos fueron
utilizadas, ya que las demás presentaban nubosidad sobre la zona de estudio.
2.3 Post-procesamiento de datos y cálculo de índices espectrales
La información hiperespectral fue procesada con el software ViewSpec Pro Version 6.2 [29].
Un control de calidad inicial de las rmas hiperespectrales fue realizado de manera visual para
identicar problemas o cambios repentinos en la intensidad de luz de los espectros que aumenten
el ruido de las mediciones.
A partir de los datos hiperespectrales obtenidos, se calculó la rma espectral promedio para el
pixel, usando los 16 espectros recolectados y se generó la rma promedio para cada zona muestral
(9 pixeles). Adicionalmente, se promedió la información de reectancia de campo con base en los
rangos de referencia de las respuestas espectrales del satelite Sentinel-2 de la banda 4 correspon-
diente al rojo (645 nm a 685 nm) y la banda 8 que corresponde al infrarojo cercano (NIR) (774
nm a 907 nm) [30]. Lo anterior para calcular los índices de vegetación y realizar una comparación
pixel a pixel con los índices generados a partir de la información satelital y de campo. Se utilizó la
Plataforma de Aplicación de Sentinel (SNAP) de la Agencia Europea Espacial (ESA) para obtener
los valores espectrales de cada uno de los pixeles en estudio, mediante la extracción de los valores
de reectancia de cada una de las bandas que componen las imágenes satelitales de Sentinel-2, con
los cuales se generó una rma promedio para cada sitio muestral y su posterior comparación con
la información de campo.
CUADRO I
FÓRMULAS DE LOS ÍNDICES DE VEGETACIÓN
Índice Descripción Fórmula Fuente
NDVI
Índice de Vegetación de
Diferencia Normalizada
NIR-Rojo
NIR+Rojo
[32]
SAVI
Índice de Vegetación
Ajustado al Suelo
(1+L)(NIR-Rojo)*
L+(NIR+Rojo)
[33]
*Donde L es una constante para reducir el sesgo, debido a efectos del fondo del suelo, asignándose un valor de 0,1 [34].
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
7
Se calcularon dos índices de vegetación: el índice de vegetación de diferencia normalizada
(NDVI) y el índice de vegetación ajustado al suelo (SAVI). Dichos índices fueron generados en el
software QGIS v 3.10.2 [31], utilizando las ecuaciones presentadas en el CUADRO I y los rangos
de reectancia indicados anteriormente.
2.4 Análisis estadístico
Se utilizó la prueba de Shapiro-Wilk para determinar la normalidad de los datos de índice de área
foliar e índices espectrales (satelital y espectral). Posteriormente, se analizó si existen diferencias
signicativas entre los sitios de muestreo para las variables mencionadas. Esto se comprobó mediante
pruebas de hipótesis nula a partir de análisis de varianza (ANOVA) (paramétrico con más de dos
poblaciones) o Kruskal Wallis (equivalente del ANOVA para casos no paramétricos). Para el caso
de dos poblaciones, se utilizó la prueba T-Student (paramétrico) o Mann-Whitney (no paramétrico)
dependiendo de cada caso. De encontrarse dichas diferencias con el ANOVA y Krustal-Wallis,
se implementó la prueba post hoc de Tukey y Dunn’s, respectivamente. Para lo anterior, se usó el
software Past v.3.25 [35].
2.5 Métricas de rendimiento
Para evaluar los datos obtenidos entre la información generada en campo y la satelital, se cal-
culó el coeciente de determinación (R
2
), la raíz del error cuadrático medio (RECM) y el error
absoluto medio (EAM).
3. RESULTADOS Y DISCUSIÓN
En el periodo de tiempo que se condujo el estudio, fue posible realizar el levantamiento de
información hiperespectral en 8 fechas coincidentes con el paso del satélite Sentinel-2 por Costa
Rica. Adicionalmente, se recolectó información de la altura del cultivo (6 fechas) y el IAF (4 fechas)
para cada parcela de medición.
En la Fig. 2, se presenta el comportamiento temporal promedio de las rmas hiperespectrales
para el sitio muestral B como ejemplo, donde se observa un patrón denido del 13 de octubre al 12
de diciembre. Conforme se desarrolla el cultivo, los valores de reectancia en la región del infra-
rrojo cercano (NIR) aumentan; sin embargo, el 2 de noviembre la rma hiperespectral se reduce,
coincidiendo con la reducción de la altura del pasto, producto de la alimentación del ganado lechero
seis días antes de la medición. Posteriormente, hay un aumento de la reectancia a partir del 12 de
noviembre, al comenzar nuevamente el crecimiento del pasto hasta llegar a un valor máximo el 12
de diciembre del 2019.
Al pasar el tiempo, los valores de reectancia en el rango infrarrojo cercano aumentan paula-
tinamente hasta el 23 de octubre. El 2 de noviembre, los valores de reectancia del pasto presentan
una fuerte disminución, debido a la introducción del ganado seis días antes para su pastoreo, luego
vuelven a aumentar según el pasto va creciendo, hasta llegar a su punto máximo el 12 de diciembre.
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
8
Fig. 2. Comparación temporal de rmas espectrales del sitio muestral B para el período de estudio.
La región del infrarrojo cercano (700 nm a 1350 nm, aproximadamente) es de gran relevancia,
ya que está relacionado con la estructura celular de las plantas, de manera que en muchos casos es
utilizada para la detección e identicación de enfermedades presentes en las hojas, tal es el caso
del reconocimiento de patógenos fúngicos [36], [37], mientras que el rango de los 350 nm a 780
nm está relacionado con la absorción de clorola. Respecto a esta última región, estudios como
el de Croft et al. [38] analizan el potencial del uso de información multiespectral de plataformas
como Landsat 8 para determinar el contenido de clorola de la vegetación en cultivos agrícolas,
tales como maíz y trigo, con el n de mejorar la toma de decisiones respecto a aspectos nutricio-
nales de los cultivos.
Conforme crece el pasto, el mismo absorbe una mayor cantidad de luz en el espectro azul (450
nm) y rojo (670 nm), debido al aumento en su contenido de clorola para así potenciar el proceso
fotosintético y, por ende, reejar una mayor cantidad de energía en el rango NIR. Por esta razón, las
plantas sanas presentan mayores valores de reectancia en este rango que aquellas que se encuen-
tran enfermas, por lo que puede ser utilizado como un indicador del estado de salud y crecimiento
del pasto.
Se presenta en la Fig. 2. una región de ruido en los rangos de 1350 nm a los 1400 nm y de
1800 nm a los 1950 nm, las cuales están relacionados a efectos de humedad en el ambiente en refe-
rencia de los blancos obtenidos mediante el espectralon [39]. Esta condición siempre se presenta
a la hora de realizar mediciones en campo, debido a las condiciones ambientales imperantes de la
zona y la única forma de disminuir dicho ruido es mediante el uso de accesorios con luz articial
o bien realizando las mediciones en el laboratorio, las cuales no son contempladas en este estudio.
Tal y como se muestra en los últimos días (noviembre 27, diciembre 7 y 12) de la Fig. 2, se
observó el mismo comportamiento de aumento mencionado de la rma hiperespectral; sin embargo,
la rma del 7 de diciembre es la que presenta los valores de reectancia más altos, aun presen-
tando una altura de cultivo menor a la de los días anteriores. Es importante mencionar que no todos
los días en los que se realizaron las mediciones (octubre y noviembre) estuvieron completamente
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
9
despejados al realizarse el estudio en época lluviosa, lo cual pudo inuir directamente sobre las
rmas espectrales obtenidas en campo.
La Fig. 3 presenta el comportamiento del crecimiento del pasto Estrella Africana durante el
período de estudio en las parcelas A, B y C. Los resultados concuerdan con lo observado en la
Fig. 2, donde en un inicio se presenta un crecimiento y, posteriormente, la altura del pasto decae al
ingresar el ganado para su pastoreo.
De las tres zonas, la C es la que presenta, en el período de análisis, la mayor altura del cultivo.
La altura máxima promedio fue de 58 cm para la parcela C, registrada el 23 de octubre, (Fig. 3)
mientras que la parcela A y B presentaron alturas de 47 cm y 46 cm, respectivamente. Cabe desta-
car que la parcela C limita con un canal abierto en tierra, el cual recibe parte de las aguas tratadas
provenientes de la lechería de la EEGLVM. Estos aportes potenciales le proporcionan nutrientes
por inltración a la parcela C que le permiten un mayor crecimiento.
Fig. 3. Altura del cultivo de pasto Estrella Africana a lo largo del período de estudio.
Fig. 4. Comparación de información espectral de las tres zonas de muestreo para datos de campo
(espectrometría, líneas continuas) y satelitales (Sentinel 2, puntuales) para el 18 de octubre de 2019.
En la Fig. 4, se detallan las rmas espectrales promedio para los datos de campo medidas con el
espectrorradiómetro (líneas continuas) y del satélite Sentinel A (formas puntuales en la gráca) para
las tres zonas de muestreo estudiadas para el 18 de octubre de 2019, como ejemplo. Se aprecia una
diferencia en los espectros, la cual se atribuye al estado de desarrollo del pasto, donde las zonas A,
B y C presentan alturas promedio de 37 cm, 40 cm y 48 cm, respectivamente. En el rango espectral
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
10
entre los 1450 nm a 1760 nm y de los 1950 nm a los 2300 nm, las variaciones en reectancia entre
las parcelas son leves. Todas las áreas de muestreo presentaron heterogeneidad correspondiente al
estado del cultivo (Fig. 4), debido a que, al ser un área dedicada al pastoreo de ganado lechero, se
depende de la programación establecida para la alimentación del ganado.
Respecto a la información de reectancia satelital, tal y como se observa en la Fig. 4, se nota el
mismo comportamiento respecto a los datos de reectancia obtenidos en campos. Sin embargo, se
identicó que la reectancia de las bandas que componen la imagen de Sentinel-2 sobreestiman la
obtenida a partir de espectrorradiometría de campo. Es en el rango NIR donde se denota un mayor
distanciamiento entre los datos hiper y multiespectrales. Es importante recalcar que, al ser un píxel
de 10 x 10 m, no se abarca toda la variabilidad inherente al campo, algo que sí se obtiene a partir
de información hiperestral mediante el uso de espectrorradiometría de campo.
Fig. 5. Comparación espacial de rmas espectrales promedio por píxel a lo interno del sitio muestral B
para el 18 de octubre de 2019. Firma de color rojo corresponde al promedio muestral
Se debe de tomar en cuenta que los patrones de pastoreo del ganado en campo son completa-
mente aleatorios y generan una degradación irregular en el pasto, alterando los patrones de altura
del pasto, compactación de suelos e, inclusive, dejando áreas descubiertas o suelo expuesto. Estas
variaciones espaciales, dentro de un mismo espacio muestral, se evidencian en la Fig. 5, donde se
presenta el comportamiento de las rmas espectrales promedio por píxel dentro de la zona de mues-
treo B. Al igual que en el caso anterior, diere en su mayoría en el rango del infrarrojo cercano, con
variaciones leves entre los 1450 nm a los 1760 nm y de los 1950 nm a los 2300 nm. Considerando
lo anterior, cada zona de muestreo presenta variabilidad interna en las rmas hiperespectrales que
corresponden a los pixeles que la componen, tal y como se muestra en la Fig. 5. En esta se aprecia
que, dentro del área de estudio, el pastoreo tiene un efecto directo sobre la dinámica del sistema del
cultivo de pasto estrella, inuyendo en el desarrollo de este y evitando que se tenga uniformidad.
Respecto a las mediciones del índice de área foliar realizadas en campo, existen cambios
temporales (Fig. 6 (a)) y espaciales producto de la actividad de pastoreo del ganado en las parcelas
(Fig. 6 (b)). El IAF evaluado con el analizador de dosel 2200C en cuatro fechas de medición están
acorde a los cambios registrados del 13 al 23 de octubre, donde existe un comportamiento creciente,
acorde con el desarrollo del cultivo y, por ende, una mayor cobertura del suelo. Se obtuvo un máximo
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
11
IAF de 2,44 para la parcela A y 1,80 para las parcelas B y C. Posteriormente, el ganado ingresa a las
parcelas y se mantienen los IAF en valores promedio de 1,34 en la segunda semana de noviembre
y promedios de 1,68 para el 7 de diciembre.
El IAF permite reforzar lo encontrado en el comportamiento heterogéneo del desarrollo del
cultivo bajo condiciones de pastoreo, ya que a lo largo del tiempo también presentó variabilidad
entre las tres zonas de muestreo. Lo anterior porque el ganado no tiene un patrón denido a la hora
de alimentarse en campo, por lo que se generan parches con distintas alturas de pasto (Fig. 6 (b)),
sumado a la inuencia ocasionada por la rotación de las parcelas en esta actividad. Esa situación
fue comprobada de manera estadística, donde todas las fechas presentaron diferencias signica-
tivas entre algunos de los sitios de muestreo. Se determinó que efectivamente existen diferencias
signicativas (p < 0,05) en el índice de área foliar. El 13 de octubre se obtuvieron diferencias para
todas las áreas. El 18 de octubre, esas diferencias se presentaron entre las zonas A-B y A-C. En el
caso del 12 de noviembre, los sitios de muestreo que presentaron diferencias corresponden al A-B
y B-C y para la última fecha (7 de diciembre) se obtuvieron diferencias entre la zona A-B y B-C.
Con relación a la variabilidad del IAF, es relevante mencionar que otro aspecto que inuye en dicho
resultado es la tasa de crecimiento del pasto. Lo anterior no solo por estar en distintas etapas de
crecimiento, sino también por el efecto del pisoteo del ganado sobre el terreno [40] y la inuencia
de este sobre propiedades del suelo, tal como la densidad aparente [41], las cuales a su vez pueden
inuir en el crecimiento radicular del cultivo.
Fig. 6. Índice de Área Foliar a lo largo del tiempo (a) y condición del pasto para el 18 de octubre de 2019 (b).
En la Fig. 7, se presenta la comparación entre el índice de área foliar bajo estudio generado en
campo con el predicho, calculado a partir de la herramienta SNAP de la ESA. Dicha gura demues-
tra que no se genera una correlación lineal entre ambos sets de datos. Tal y como se mencionó ante-
riormente, el IAF presenta una gran heterogeneidad, debido a la cobertura del pasto en campo; lo
cual no queda reejado, ya que la resolución espacial de la información satelital. En este sentido el
IAF predicho con información satelital, sobrestima el obtenido en campo. Dicho comportamiento
también ha sido obtenido en otros estudios, por ejemplo, el llevado a cabo en cultivos como maíz
y girasol, donde el IAF generado con el SNAP también sobrestima los valores de campo [42].
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
12
Evaluando ambas informaciones se obtuvo un RECM de 3,49, un MAE de 3,42 y un R
2
de 0,0082
(Fig. 7), reforzando la diferencia existente entre la información del IAF de campo y la generada
con información satelital y la limitante existente en su estimación en pastos con pastoreo de ganado
lechero con rotación de parcelas.
Fig. 7. Correlación de valores de IAF obtenidos en campo e información satelital
En el CUADRO II, se presentan los resultados de los índices espectrales (NDVI y SAVI)
obtenidos tanto a nivel de campo como a nivel satelital para las dos imágenes analizadas, donde
se obtuvieron diferencias signicativas en ambas fechas para los índices calculados a partir de los
datos de campo y de datos satelitales.
CUADRO II
ÍNDICES ESPECTRALES DE VEGETACIÓN DE LA ZONA DE ESTUDIO
Información 18/10/2019 7/12/2019
NDVI SAVI NDVI SAVI
Campo 0,910±0,018
A
0,839±0,031
A
0,886±0,021
A
0,819±0,023
A
Satélite 0,874±0,009
B
0,962±0,010
B
0,855±0,020
B
0,940±0,022
B
Nota: letras distintas indican diferencias signicativas. .
Dichas diferencias se explican a partir de las correlaciones pertinentes entre los valores de
campo y satélite para ambos índices de vegetación (Fig. 8 y Fig. 9). Se observa que existe una
relación lineal donde los valores del coeciente de determinación (R
2
) son menores a 0,80. En esta
temática, se han obtenido resultados similares, donde los R
2
para pastos andinos fueron menores
a 0,54, debido al efecto de saturación en las bras ópticas del equipo durante la toma de datos, así
como por la cantidad de mediciones realizadas [43]. En el presente estudio, el índice que presentó
el mayor valor es el NDVI (R
2
>0,725)
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
13
Fig. 8. Correlación de valores de NDVI obtenidos en campo e información satelital
Fig. 9. Correlación de valores de SAVI obtenidos en campo e información satelital
El NDVI obtenido mediante la información espectral de campo (datos reales) y la informa-
ción satelital presentaron un RECM de 0,035 y un EAM de 0,033. Se presume que la información
satelital subestima la medición de campo.
En contraste, para el caso del SAVI, los valores satelitales sobrestiman las mediciones reali-
zadas en campo. Para este índice de vegetación se obtuvo un RECM de 0,124 y un EAM de 0,122.
Aun teniendo este tipo de diferencias entre los valores de NDVI entre satélite y espectrorra-
diometría de campo, se obtuvo un valor aceptable de correlación de Pearson (R> 0,85). Es nece-
sario indicar que los resultados obtenidos a partir de las rmas hiperespectrales están sujetas a las
condiciones externas presentes en la zona de estudio, como la humedad del aire y la humedad pre-
sente en la cobertura vegetal, la variabilidad del relieve, el viento, la nubosidad y la dispersión y
el ángulo de incidencia de la luz solar, los cuales son aspectos a considerar cuando se trabaja con
este tipo de información [44]. Igualmente, la información satelital tiene sus limitantes en cuanto a
correcciones atmosféricas, geográcas, resolución espacial y nubosidad.
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
14
4. CONCLUSIONES Y RECOMENDACIONES
La presente investigación permite sentar las bases del uso de datos multi e hiperespectrales así
como la identicación de las diferencias inherentes entre ellas para el análisis de pastos tropicales
dedicados a la actividad de pastoreo de ganado lechero con rotación de parcelas.
La información de reectancia, a partir de información satelital, sobrestima la generada a partir
de espectrorradiometría de campo. En este caso, se observa un mayor distanciamiento en el rango
del infrarrojo cercano.
Se determinó que el pastoreo del ganado lechero promueve la heterogeneidad en la cobertura
del pasto Estrella Africana, inuyendo directamente sobre el índice de área foliar y la información
hiperespectral del cultivo. Dichas variaciones también están asociadas a la diferencia temporal del
desarrollo del cultivo a lo interno de las áreas de pastoreo estudiadas y a su período de recupera-
ción entre ciclos de pastoreo.
La información satelital del IAF generada por la herramienta SNAP sobrestima los valores
observados en campo, identicándose así la limitante de estimar, mediante información multies-
pectral satelital, la condición de campo del IAF para pastos con pastoreo de ganado lechero con
rotación de parcelas.
Debido a que las condiciones climáticas varían dependiendo de la hora de recolección de los
datos así como de las variaciones de iluminación presentes en la zona, tal y como se menciona en
[44] en conjunto con el error de geolocalización, al comparar los índices espectrales de vegeta-
ción generados a partir de información satelital e hiperspectral de campo se obtuvieron diferencias
signicativas.
Es necesario relacionar la rma hiperespectral obtenida en campo con la etapa fenológica del
pasto Estrella Africana y las características nutricionales del mismo con el n de analizar de una
manera más integral el estado del cultivo y ofrecer una herramienta más robusta para la toma de
decisiones asociadas al cuidado y mantenimiento de este cultivo.
Se recomienda realizar este tipo de estudios durante un período más amplio de tiempo, de
manera que se contemple el comportamiento de crecimiento fenológico de los pastos a lo largo del
año y así permitir una mayor recolección de datos satelitales sin la inuencia de la nubosidad y
llevar a cabo un análisis comparativo del efecto de la estacionalidad sobre la información espectral.
Además, es necesario contemplar un bloque de control para analizar el efecto del pastoreo respecto
a una zona donde el cultivo se desarrolle sin ningún disturbio.
AGRADECIMIENTOS
Se agradece al Dr. Jorge Alberto Elizondo Salazar, director de la Estación Experimental de
Ganado Lechero Alfredo Volio Mata por permitir el uso de las parcelas con pasto Estrella Africana
para llevar a cabo esta investigación; al Dr. Werner Rodríguez Montero por proporcionar el
analizador de dosel y al proyecto N° 340-B5-507 inscrito en la Vicerrectoría de Investigación por
el nanciamiento otorgado para el desarrollo de la investigación.
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
15
ROLES DE AUTORES
Alberto Francisco Coto Fonseca: conceptualización, investigación, metodología, análisis formal,
visualización, redacción (borrador inicial), redacción (revisión y edición)
Alejandra María Rojas González: conceptualización, investigación, metodología, adquisición de
fondos, administración del proyecto, recursos, supervisión, redacción (borrador inicial), redacción
(revisión y edición)
REFERENCIAS
[1] Z. Chen et al., “Monitoring and Management of Agriculture with Remote Sensing”, en Advances in
Land Remote Sensing, Dordrecht: Springer Netherlands, 2008, pp. 397–421.
[2] J. Wang et al., “Estimating leaf area index and aboveground biomass of grazing pastures using Senti-
nel-1, Sentinel-2 and Landsat images”, ISPRS J. Photogramm. Remote Sens., vol. 154, pp. 189–201,
ago. 2019, doi: 10.1016/j.isprsjprs.2019.06.007.
[3] J. G. P. W. Clevers, L. Kooistra, y M. E. Schaepman, “Estimating canopy water content using hy-
perspectral remote sensing data”, Int. J. Appl. Earth Obs. Geoinf., vol. 12, núm. 2, pp. 119–125, abr.
2010, doi: 10.1016/j.jag.2010.01.007.
[4] R. G. Allen, A. Kilic, R. Trezza, y J. M. H. Hendrickx, “Satellite‐based ET estimation in agriculture
using SEBAL and METRIC”, Hydrol. Process., vol. 25, núm. 26, pp. 4011–4027, 2011, doi: 10.1002/
hyp.8408.
[5] R. G. Allen et al., “Satellite-Based Energy Balance for Mapping Evapotranspiration with Internalized
Calibration METRIC—Applications”, J. Irrig. Drain. Eng., vol. 4, núm. 133, pp. 395–406, 2007, doi:
10.1061/(ASCE)0733-9437(2007)133.
[6] L. Mateos y C. Alameda, “Spectral vegetation indices for benchmarking water productivity of irri-
gated cotton and sugarbeet crops”, Agric. Water Manag., vol. 95, pp. 48–58, 2008, doi: 10.1016/j.
agwat.2007.09.001.
[7] S. Sovoe, “Mapping Irrigated Area Fragments for Crop Water Use Assessment Using Handheld Spec-
troradiometer”, Int. J. Agron., p. 8, 2011, doi: https://doi.org/10.1155/2011/974040.
[8] A. Mokhtari, H. Noory, M. Vazifedoust, y M. Bahrami, “Estimating net irrigation requirement of win-
ter wheat using model- and satellite-based single and basal crop coe cients”, Agric. Water Manag.,
vol. 208, pp. 95–106, 2018, doi: 10.1016/j.agwat.2018.06.013.
[9] A. Mokhtari et al., “Calculating potential evapotranspiration and single crop coecient based on
energy balance equation using Landsat 8 and Sentinel-2”, ISPRS J. Photogramm. Remote Sens., vol.
154, pp. 231–245, 2019, doi: 10.1016/j.isprsjprs.2019.06.011.
[10] M. Drusch et al., “Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Ser-
vices”, Remote Sens. Environ., vol. 120, pp. 25–36, may 2012, doi: 10.1016/j.rse.2011.11.026.
[11] T. R. Loveland y J. R. Irons, “Landsat 8: The plans, the reality, and the legacy”, Remote Sens. Envi-
ron., vol. 185, pp. 1–6, nov. 2016, doi: 10.1016/j.rse.2016.07.033.
[12] Q. Xie et al., “Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery”, Int.
J. Appl. Earth Obs. Geoinf., vol. 80, pp. 187–195, ago. 2019, doi: 10.1016/j.jag.2019.04.019.
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
16
[13] M. Guerini Filho, T. M. Kuplich, y F. L. F. De Quadros, “Estimating natural grassland biomass by
vegetation indices using Sentinel 2 remote sensing data”, Int. J. Remote Sens., vol. 41, núm. 8, pp.
2861–2876, abr. 2020, doi: 10.1080/01431161.2019.1697004.
[14] E. Ben-dor et al., “Remote Sensing of Environment Using Imaging Spectroscopy to study soil prop-
erties”, Remote Sens. Environ., vol. 113, pp. S38–S55, 2009, doi: 10.1016/j.rse.2008.09.019.
[15] T. Jarmer, M. Vohland, H. Lilienthal, y E. Schnug, “Estimation of Some Chemical Properties of an
Agricultural Soil by Spectroradiometric Measurements”, Pedosph. An Int. J., vol. 18, núm. 2, pp.
163–170, 2008, doi: https://doi.org/10.1016/S1002-0160(08)60004-1.
[16] I. Melendez-Pastor, J. Navarro-pedreño, I. Gómez, y M. Koch, “Identifying optimal spectral bands to
assess soil properties with VNIR radiometry in semi-arid soils”, Geoderma, vol. 147, pp. 126–132,
2008, doi: 10.1016/j.geoderma.2008.08.004.
[17] R. E. N. Hong-yan, Z. Da-fang, A. N. Singh, P. A. N. Jian-jun, y Q. I. U. Dong-sheng, “Estimation
of As and Cu Contamination in Agricultural Soils Around a Mining Area by Reectance Spectros-
copy : A Case Study”, Pedosph. An Int. J., vol. 19, núm. 6, pp. 719–726, 2009, doi: 10.1016/S1002-
0160(09)60167-3.
[18] N. Bao, L. Wu, K. Yang, y W. Zhou, “Assessing soil organic matter of reclaimed soil from a large
surface coal mine using a eld spectroradiometer in laboratory”, Geoderma, núm. 288, pp. 47–55,
2017, doi: https://doi.org/10.1016/j.geoderma.2016.10.033.
[19] S. N. Kulkarni y R. R. Deshmukh, “Monitoring Carbon , Nitrogen , Phosphor and Water Contents of
Agricultural Soil by Reectance Spectroscopy using ASD Fieldspec Spectroradiometer”, Int. J. Eng.
Sci. Comput., vol. 6, núm. 11, pp. 3429–3433, 2016.
[20] I. F. S. Gazala et al., “Spectral reectance pattern in soybean for assessing yellow mosaic disease”,
Indian J. Virol., vol. 24, núm. 2, pp. 242–249, sep. 2013, doi: 10.1007/s13337-013-0161-0.
[21] M. L. Gnyp et al., “Hyperspectral Analysis of Rice Phenological Stages on Northeast China”, ISPRS
Ann. Photogramm. Remote Sens. Spat. Inf. Sci., vol. I–7, pp. 77–82, jul. 2012, doi: 10.5194/isprsan-
nals-I-7-77-2012.
[22] R. R. Pullanagari, I. J. Yule, M. P. Tuohy, M. J. Hedley, R. A. Dynes, y W. M. King, “In-eld hyper-
spectral proximal sensing for estimating quality parameters of mixed pasture”, Precis. Agric., vol. 13,
núm. 3, pp. 351–369, jun. 2012, doi: 10.1007/s11119-011-9251-4.
[23] J. Elizondo Salazar, “Pasto Estrella Africana: Características Nutricionales y Aspectos de Manejo”,
Vent. Leche., vol. 3, núm. 10, pp. 26–27, 2008.
[24] CIA, IICA, INTA, y Asociacion Costarricense de la Ciencia del Suelo, “Geoportal de Suelos de Costa
Rica”, Suelos.cr. http://www.suelos.cr (accesado en Ene. 25, 2020).
[25] R. McCoy M, “Sampling in the Field”, en Field Methods in Remote Sensing, New York, NY: The
Guilford Press, 2005, pp. 12–40.
[26] A. F. . Goetz, “Making Accurate Field Spectral Reectance Measurements”, Malvern Panalytical.
https://www.materials-talks.com/wp-content/uploads/2018/01/Making-Accurate-Field-Spectral-Re-
ectance-Measurements-LR.pdf (accesado en Mar. 06, 2021).
[27] I. Herrmann, A. Pimstein, A. Karnieli, Y. Cohen, V. Alchanatis, y D. J. Bonl, “LAI assessment of
wheat and potato crops by VENμS and Sentinel-2 bands”, Remote Sens. Environ., vol. 115, núm. 8,
pp. 2141–2151, ago. 2011, doi: 10.1016/j.rse.2011.04.018.
Ingeniería 32(1): 1-18, enero-junio, 2022. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v32i1.46129
17
[28] W. William et al., “Searching for the Optimal Sampling Desing for Measuring LAI in a Upland For-
est”, CEUR Workshop Proceedings. http://ceur-ws.org/Vol-1328/GSR2_Woodgate.pdf (accesado en
Sep. 14, 2019).
[29] ASD Inc, “ViewSpec Pro Software Install”, Malvern Panalytical. https://www.malvernpanalytical.
com/en/support/product-support/software/ViewSpecProSoftwareInstall (accesado en Oct. 01, 2019).
[30] ESA, “Sentinel-2 Spectral Response Functions (S2-SRF)”, Sentinel 2 Document Library. https://
earth.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library/-/asset_publisher/Wk0TKaji-
ISaR/content/sentinel-2a-spectral-responses (accesado en Nov. 01, 2019).
[31] QGIS Development Team, “QGIS A Free and Open Source Geographic Information System”, QGIS.
org. http://qgis.org (accesado en Sep. 01, 2019).
[32] J. . Rouse, R. . Haas, J. . Schell, y D. . Deering, “Monitoring vegetation systems in the great plains
with ERTS”, NTRS - NASA Technical Reports Server. https://ntrs.nasa.gov/archive/nasa/casi.ntrs.
nasa.gov/19740022614.pdf (accesado en Ene. 25, 2020).
[33] R. G. Allen, M. Tasumi, y R. Trezza, “Satellite-Based Energy Balance for Mapping Evapotranspi-
ration with Internalized Calibration (METRIC)-Model”, J. Irrig. Drain. Eng., vol. 4, núm. 133, pp.
380–394, 2007.
[34] M. Tasumi, “Progress in operational estimation of regional evapotranspiration using satellite imag-
ery”, University of Idaho, 2003.
[35] Ø. Hammer, D. A. . Harper, y R. P.D, “PAST: Paleontological statistics software package for educa-
tion and data analysis”, Palaeontologia Electronica. https://palaeo-electronica.org/2001_1/past/past.
pdf (accesado en Mar. 01, 2020).
[36] A. K. Mahlein, U. Steiner, H. W. Dehne, y E. C. Oerke, “Spectral signatures of sugar beet leaves for
the detection and dierentiation of diseases”, Precis. Agric., vol. 11, núm. 4, pp. 413–431, 2010, doi:
10.1007/s11119-010-9180-7.
[37] K. Yu et al., “Hyperspectral Canopy Sensing of Wheat Septoria Tritici Blotch Disease”, Front. Plant
Sci., vol. 9, ago. 2018, doi: 10.3389/fpls.2018.01195.
[38] H. Croft, J. Arabian, J. M. Chen, J. Shang, y J. Liu, “Mapping within-eld leaf chlorophyll content in
agricultural crops for nitrogen management using Landsat-8 imagery”, Precis. Agric., vol. 21, núm.
4, pp. 856–880, ago. 2020, doi: 10.1007/s11119-019-09698-y.
[39] ASD, Analytical Spectral Devices, Inc. (ASD) Technical Guide. CO, USA, 1999.
[40] T. . Pande, I. Valentine, K. Betteridge, A. Mackay, y D. Horne, “Pasture damage and regrowth from
cattle treading”, Proc. New Zeal. Grassl. Assoc., núm. 62, pp. 155–160, ene. 2000, doi: 10.33584/
jnzg.2000.62.2366.
[41] R. WingChing-Jones, G. Cabalceta-Aguilar, y A. Alvarado-Hernández, “Impacto del pastoreo con
ganado Holstein y Jersey sobre la densidad aparente de un andisol”, Agron. Mesoam., vol. 20, núm.
2, p. 371, feb. 2009, doi: 10.15517/am.v20i2.4953.
[42] M. Kganyago, P. Mhangara, T. Alexandridis, G. Laneve, G. Ovakoglou, y N. Mashiyi, “Validation of
sentinel-2 leaf area index (LAI) product derived from SNAP toolbox and its comparison with global
LAI products in an African semi-arid agricultural landscape”, Remote Sens. Lett., vol. 11, núm. 10,
pp. 883–892, oct. 2020, doi: 10.1080/2150704X.2020.1767823.
COTO Y ROJAS: Comparativa multi e hiperespectral del pasto Cynodon nlemfuensis bajo condiciones tropicales...
18
[43] M. Rossi, G. Niedrist, S. Asam, G. Tonon, E. Tomelleri, y M. Zebisch, “A Comparison of the Signal
from Diverse Optical Sensors for Monitoring Alpine Grassland Dynamics”, Remote Sens., vol. 11,
núm. 3, p. 296, feb. 2019, doi: 10.3390/rs11030296.
[44] R. Martínez-Barbáchano y G. Solís-Miranda, “Caracterización Espectral y Detección de Flecha Seca
en Palma Africana en Puntarenas, Costa Rica”, Rev. Geográca América Cent., vol. 2, núm. 61, p.
329, jul. 2018, doi: 10.15359/rgac.61-2.13.
