:
Resumen
La estimación de la productividad en caña de azúcar resulta de gran importancia para la economía colombiana. En el presente trabajo, se aplica el modelo de Productividad Primaria Neta (PPN) a escala regional de Kumar y Monteith. Se hacen análisis espacio-temporales con técnicas de geomática y caracterización edafoclimáticas del entorno. También, se realizaron monitoreos de campo, para adquirir la información fisiológica de las plantas evaluadas y las condiciones edáficas de la plantación objeto de estudio. Los datos colectados fueron analizados en el software ArcGIS 10.1. Como resultado, se obtuvo una serie de mapas temáticos de la distribución espacio-temporal de las características del suelo y biofísicas de la plantación. Se calcularon las variables fPAR, PAR, EUR de la ecuación del modelo, mediante percepción remota y modelos matemáticos relacionados a través del índice de vegetación de diferencia normalizada (por su sigla en inglés, NDVI) y radiación fotosintética incidente registrada por el sensor en tierra. Esta información se validó mediante pruebas de laboratorio de las propiedades físicas y químicas de suelos, para comparar las condiciones edafoclimáticas y las variables biofísicas relacionadas con la ganancia de biomasa. Los resultados muestran que de la información geográfica (SIG) y los datos edáficos y climáticos registrados en campo permiten anticipar las respuestas fisiológicas de la plantación, objetivo de estudio en el presente trabajo.
Fabio Rueda Calier, Universidad Cooperativa de Colombia (UCC)
PhD, Universidade Federal de Pernambuco. Profesor, Universidad Cooperativa de Colombia (UCC). Bucaramanga, ColombiaLuis Alfonso Peñaranda Mallungo, British American Tobacco Colombia. San Gil, Colombia
Especialista, Universidad Industrial de Santander. Gerente de Compra de Tabaco, British American Tobacco Colombia. San Gil, Colombia.Wilmer Leonardo Velásquez Vargas, Servicio Nacional de Aprendizaje SENA. Piedecuesta, Colombia
Ingeniero agrícola, Fundación Universitaria de San Gil (Unisangil). Instructor Agrícola Población víctima de la violencia,Servicio Nacional de Aprendizaje SENA. Piedecuesta, Colombia
Sergio Antonio Díaz Báez, Planes de Ordenación y Manejo de Cuencas Hidrográficas (Pomcas), Engineering for the Management and Environmental Soil. SAS. EMES. Bogotá, Colombia
Ingeniero agrícola, Fundación Universitaria de San Gil (Unisangil). Asistente en Formulación de Planes de Ordenación y Manejo de Cuencas Hidrográficas(Pomcas), Engineering for the Management and Environmental Soil. SAS. EMES. Bogotá, Colombia
Abdel-Rahman EM, Ahmed FB. 2008. The application of remote sensing techniques to sugarcane (Saccharum spp. hybrid) production: a review of the literature. Int J Remote Sens. 29(13):3753-3767. https://doi.org/10.1080/01431160701874603
Akmal M, Janssens MJJ. 2004. Productivity and light use efficiency of perennial ryegrass with contrasting water and nitrogen supplies. Field Crop Res. 88(2-3):143-155. https://doi.org/10.1016/j.fcr.2003.12.004
Asrar G, Fuchs M, Kanemasu ET, Hatfield JL. 1984 Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agron J. 76(2):300-306. https://doi.org/10.2134/agronj1984.00021962007600020029x
Bégué A, Todoroff P, Pater J. 2008. Multi-time scale analysis of sugarcane within-field variability: improved crop diagnosis using satellite time series? Precision Agric. 9(3):161-171. https://doi.org/10.1007/s11119-008-9063-3
Benefetti R, Rossini P. 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield estimates and forecast in Emilia Romagna. Remote Sens Environ. 45(3):311-326. https://doi.org/10.1016/0034-4257(93)90113-C
Departamento Administrativo Nacional de Estadística. 2014. Encuesta Nacional Agropecuaria-ENA. Bogotá: DANE; [consultado 2015 mar 18]. http://www.dane.gov.co/files/investigaciones/agropecuario/enda/ena/2013/cp_ena_2013.pdf.
Departamento Administrativo Nacional de Estadística. 2013. Encuesta Nacional Agropecuaria. Bogotá: DANE; [consultado 2014 jul]. http://www.dane.gov.co/index.php/agropecuario/encuesta-nacional-agropecuaria.
Elmorea AJ, Xun Shib NJ, Gorenceb NJ, Xia L, Jin H, Wang F, Zhang X. 2008. Spatial distribution of agricultural residue from rice for potential biofuel production in China. Biomass Bioenerg. 32(1):22-27. https://doi.org/10.1016/j.biombioe.2007.06.005
Epiphanio JCN, Gleriani JM, Formaggio AR, Rudorff BFT. 1996. Índices devegetação no sensoriamento remoto da cultura do feijão. Pesq Agropec Bras. 31(6):445-454.
Field CB, Randerson JT, Malmström CM. 1995 Global net primary production: combining ecology and remote sensing. Remote Sens Environ. 51(1):74-88. https://doi.org/10.1016/0034-4257(94)00066-V
Fortes C. 2003. Discriminacão varietal e estimativa de productividade agroindustrial de cana de acucar pelo sensor orbital ETM + LANDSAT 7 Piracad [tesis de maestría]. [Sao Paulo]: Universidad de Sao Paulo.
Gower ST, Kucharik CJ, Norman JM. 1999. Direct and indirect estimation of leaf area index, fAPAR and net primary production of terrestrial ecosystems. Remote Sens Environ. 70(1):29-51. https://doi.org/10.1016/S0034-4257(99)00056-5
Instituto Nacional de Vigilancia de Medicamentos y Alimentos, Federación Nacional de Producción de Panela. 2009. ABC de la panela. Bogotá: Fedepanela; [consultado 2014 jul]. http://www.fedepanela.org.co/index.php/publicaciones/cartillas/4-abc-de-la-panela.
Ji-hua M, Bing-fang W. 2008. Study on the crop condition monitoring methods with remote sensing. En: International Society for Photogrammetry and Remote Sensing. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8; [consultado 2015 mar 19]. http://www.isprs.org/proceedings/XXXVII/congress/8_pdf/10_WG-VIII-10/05.pdf.
Krishna PV, Venkateswara V, Venkataratnam L. 2002. Remote sensing: a technology for assessment of sugarcane crop acreage and yield. Sugartech. 4(3-4):97-101. https://doi.org/10.1007/BF02942689
Kumar M, Monteith JL. 1981. Remote sensing of crop growth. En: Smith H, editor. Plants and the daylight spectrum. Londres: Academic Press. pp. 133-144
Lucas AA, Shuler CAB. 2007. Analise do NDVI/NOAA em cana de açúcare Mata Atlântica no litoral norte de Pernambuco, Brasil. Rev Bras Eng Agríc Ambient. 11(6):607-614. https://doi.org/10.1590/S1415-43662007000600009
MarkSim™. 2011, DSSAT weather file generator and climate agriculture and food security, software; [consultado 2015 mar 19]. http://gismap.ciat.cgiar.org/MarkSimGCM/.
Ministerio de Agricultura y Desarrollo Rural. 2013. Informe rendición de cuentas. Bogotá: Minagricultura; [consultado 2015 mar 18]. https://www.minagricultura.gov.co/atencion-ciudadano/Informes%20de%20Gestin%20al%20Ciudadano/Informe_rendicion_cuentas.pdf.
Monteith JL. 1972. Solar radiation and productivity in tropical ecosystems. J Appl Ecol. 9(3):747-766. https://doi.org/10.2307/2401901
Osorio LA, Piñeros V, Ramírez JD, Rodríguez FL, Rua Y. 2015.El producto interno bruto. Cartago: Corporación de Estudios Tecnológicos del Norte del Valle; [consultado 2015 mar 18]. https://luisgodocente.wikispaces.com/file/view/TRABAJO+-DE+ECONOMIA+EL+PIB+(1).pdf.
Picoli MCA. 2006. Estimativa da produtividade agrícola da cana-de-açúcar utilizando agregados de redes neurais artificiais: Estudo de caso usina Catanduva [tesis de maestría]. São José dos Campos: INPE.
Potter CS, Randerson JT, Field CB, Matson PA, Vitousek PM, Mooney HA, Klooster SA. 1993. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochem Cy. 7(4):811-841. https://doi.org/10.1029/93GB02725
Rahman R, Islam H, Rahman A. 2004. NDVI Derived Sugar cane area identification and crop condition assessment. En: Planpuls. Bangladesh: Khula University; [consultado 2015 mar 18]. http://ftp.ida.liu.se/~746A27/Literature/NDVI%20derived%20sugar%20cane%20area%20identification.pdf.
Roeckner E, Bäuml L, Brokopf R, Esch M, Giorgetta M, Hagemann S, Kirchner I, Kornblueh L, Manzini E, Rhodin A, et al. 2003. The atmospheric general circulation model ECHAM5. Part I. Report 349. Hamburgo: Max Planck Institute for Meteorology.
Rudorff BFT, Batista GT. 1990.Yield estimation of sugarcane based on agrometeorological-spectral models. Remote Sens Environ. 33(3):183-192. https://doi.org/10.1016/0034-4257(90)90029-L
Ruimy A, Saugier B, Dedieu G. 1994. Methodology for the estimation of terrestrial net primary production from remotely sensed data. J Geophys Res. 99(D3):5263-5283. https://doi.org/10.1029/93JD03221
Simões M, Rocha J, Lamparelli RA. 2005. Spectral variables, growth analysis and yield of sugarcane. Sci Agric (Piracicaba, Braz). 62(3):199-207. https://doi.org/10.1590/S0103-90162005000300001
Soria-Ruiz, J. 2004. Methodology for prediction of corn yield using remote sensing satellite data in Central Mexico. Investi Geog. (55):61-78. https://doi.org/10.14350/rig.30111
Sugar Research and Development Corporation. 2007. SRDC Technical Report 3/2007. Precision agriculture options for the Australian sugarcane industry. Brisbane: Sugar Research and Development Corporation.
Tucker CJ. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ. 8(2):127-150. https://doi.org/10.1016/0034-4257(79)90013-0
Turner BL, Papházy MJ, Haygarth PM, McKelvie ID. 2002. Inositol phosphates in the environment. Philos Trans R Soc Lond B Biol Sci. 357(1420):449-469. https://doi.org/10.1098/rstb.2001.0837
Ueno M, Kawamitsu Y, Sun L, Taira E, Maeda K. 2005.Combined applications of NIR, RS, and GIS for sustainable sugarcane production. Sugarcane International. 23(4):8-11.
Wiegand CL, Richardson AJ, Escobar DE. (1991). Vegetation indices in crop assessment. Remote Sens Environ. 35(1-3):105-119. https://doi.org/10.1016/0034-4257(91)90004-P
Xavier AC, Vettorazzi CA, MachadoR E. 2004. Relação entre índice de área foliar e frações de componentes puros do modelo linear de mistura espectral, usando imagenes ETM+/Landsat. Eng Agríc. 24(2):421-430. https://doi.org/10.1590/S0100-69162004000200022
Descargas
