Evolución y recuperación de pasturas para optimizar los rendimientos nutricionales de los semovientes interpretando los índices de vegetación normalizada usando levantamientos multiespectrales

Luis Daniel Gualdrón Guerrero; Oscar Eduardo Gualdrón Guerrero; Marisol Maestre Delgado

doi:10.24054/rcta.v2i42.2701

Autores/as

Luis Daniel Gualdrón Guerrero Universidad de Pamplona https://orcid.org/0000-0001-5024-1185
Oscar Eduardo Gualdrón Guerrero Universidad de Pamplona https://orcid.org/0000-0002-7854-6842
Marisol Maestre Delgado Universidad de Pamplona https://orcid.org/0000-0002-0548-2710

DOI:

https://doi.org/10.24054/rcta.v2i42.2701

Palabras clave:

NDVI, imágenes multiespectrales, drones, caracterización de suelos

Resumen

La agricultura de precisión ha experimentado avances significativos mediante el aprovechamiento de tecnologías como el uso de drones y la captura de imágenes espectrales. La aplicación del índice NDVI (Normalized Difference Vegetation Index) se ha convertido en una herramienta clave para la identificación de coberturas vegetales, permitiendo analizar la salud de los cultivos con gran precisión y la estimación del área ocupada según la densidad de biomasa. La combinación de estas tecnologías facilita la generación de tasas de crecimiento diario de la vegetación, lo que resulta fundamental para proyectar la recuperación de pasturas. En este trabajo, el NDVI se empleó para evaluar la salud y prever la necesidad de ajustes en la gestión y manejo de la pradera y los requerimientos del pasto kikuyo, Las proyecciones basadas en estos datos ofrecen una herramienta valiosa para la toma de decisiones, asegurando que las estrategias de recuperación de pasturas sean adecuadas y efectivas a medida que se optimizan los rendimientos para la nutrición de semovientes. El presente artículo se enfoca en el seguimiento de la evolución de la pastura de kikuyo, específicamente en un predio del municipio de Pamplona, Norte de Santander, la ventana de tiempo para el desarrollo del seguimiento se determinó en cuatro meses, en los cuales se efectuó un levantamiento multiespectral por mes, con la información obtenida se determinaron tasas de crecimiento diario y la proyección de los días para el restablecimiento del pasto, concluyendo que los tiempos de reposo de las praderas para un adecuado manejo es inversamente proporcional a la cantidad de área cubierta con material vegetal en óptima condiciones al inicio del restablecimiento de la pradera.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Garbero, A., & Jäckering, L. (2021). The potential of agricultural programs for improving food security: A multi-country perspective. Global Food Security, 29, 100529.

Cordero, E., Longchamps, L., Khosla, R., & Sacco, D. (2020). Joint measurements of NDVI and crop production data-set related to combination of management zones delineation and nitrogen fertilisation levels. Data in Brief, 28, 104968.

Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58–73.

Bwambale, E., Abagale, F. K., & Anornu, G. K. (2022). Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review. Agricultural Water Management, 260, 107324.

Pelaez, D. A., Gualdron, O. E., & Torres, I. (2020). Soil characterization through remote acquisition of electromagnetic radiation. Journal of Physics: Conference Series, 1587(1), 12033.

Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., & Yan, Y. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 124–136.

Eddy, I. M. S., et al. (2017). Integrating remote sensing and local ecological knowledge to monitor rangeland dynamics. Ecological Indicators, 82, 106–116.

Vecchio, Y., De Rosa, M., Adinolfi, F., Bartoli, L., & Masi, M. (2020). Adoption of precision farming tools: A context-related analysis. Land Use Policy, 94, 104481.

Griesche, C., & Baeumner, A. J. (2020). Biosensors to support sustainable agriculture and food safety. TrAC Trends in Analytical Chemistry, 128, 115906.

Singh, P. J., & De Silva, R. (2018). Design and implementation of an experimental UAV network. In 2018 International Conference on Information and Communications Technology (ICOIACT) (pp. 168–173).

Xie, C., & Yang, C. (2020). A review on plant high-throughput phenotyping traits using UAV-based sensors. Computers and Electronics in Agriculture, 178, 105731.

RadhaKrishna, M. V. V., Govindh, M. V., & Veni, P. K. (2021). A review on image processing sensor. Journal of Physics: Conference Series, 1714(1), 12055.

Chuchico-Arcos, C., & Rivas-Lalaleo, D. (2021). Sensor nodes and communication protocols of the internet of things applied to intelligent agriculture. In Applied Technologies: Second International Conference, ICAT 2020, Quito, Ecuador, December 2–4, 2020, Proceedings 2 (pp. 686–703).

Whitcraft, A. K., Becker, Reshef, I., Justice, C. O., & Jarvis, I. (2022). GEO Global Agricultural Monitoring and Global Policy Frameworks. Earth Observation and Applications for Global Agricultural Monitoring, Global Policy Frameworks, 159–175.

Rivera, L. B., Bonilla, B. M., & Obando-Vidal, F. (2021). Procesamiento de imágenes multiespectrales captadas con drones para evaluar el índice de vegetación de diferencia normalizada en plantaciones de café variedad Castillo. Ciencia y Tecnología Agropecuaria, 22(1).

Modica, G., Messina, G., De Luca, G., Fiozzo, V., & Praticò, S. (2020). Monitoring the vegetation vigor in heterogeneous citrus and olive orchards. A multiscale object-based approach to extract trees’ crowns from UAV multispectral imagery. Computers and Electronics in Agriculture, 175, 105500.

Fern, R. R., Foxley, E. A., Bruno, A., & Morrison, M. L. (2018). Suitability of NDVI and OSAVI as estimators of green biomass and coverage in a semi-arid rangeland. Ecological Indicators, 94, 16–21.

Tang, J., Petrie, P., & Whitty, M. (2019). Low-Cost Filter Selection from Spectrometer Data for Multispectral Imaging Applications. IFAC-PapersOnLine, 52(30), 277–282.