Agricultura en Venezuela: empleo de la teledetección en la determinación de la calidad del suelo
Palabras clave:
agricultura de precisión, análisis geoespacial, NDVI, procesamiento digital de imágenes, segmentación semánticaResumen
La gestión agrícola moderna demanda herramientas de precisión para monitorear la fertilidad del suelo y asegurar la sostenibilidad de los sistemas productivos estratégicos. El objetivo de este estudio fue caracterizar la variabilidad espacial de la calidad edáfica mediante técnicas de teledetección avanzada, con el fin de generar información geoespacial de alta precisión que sirva de base para la planificación agrícola y la formulación de políticas públicas. La metodología se fundamentó en el procesamiento de imágenes satelitales de la constelación Sentinel-2, utilizando la plataforma Google Earth Engine para aplicar correcciones atmosféricas a nivel de reflectancia de superficie (L2A). El análisis se centró específicamente en los sistemas de producción de arroz (Oryza sativa) ubicados en el Sistema de Riego del Río Guárico, en Calabozo. Se emplearon diversos índices de vegetación como indicadores proxy de la fertilidad, logrando discriminar con éxito la señal espectral entre la fracción de vegetación pura y la mezcla compleja de suelo y vegetación. Los resultados obtenidos demuestran la viabilidad técnica de correlacionar la respuesta espectral del dosel vegetal con las propiedades intrínsecas del sustrato edáfico. En la discusión se destaca que esta aproximación permite identificar heterogeneidades en el terreno que los métodos de muestreo convencionales suelen omitir. Se concluye que la integración del análisis geoespacial y la agricultura de precisión constituye una estrategia fundamental para optimizar el uso de insumos y mejorar la resiliencia de los cultivos de cereales, proporcionando una cartografía detallada que facilita la toma de decisiones informadas en tiempo real.
Citas
H. Chaudhry et al., «Evaluating the Soil Quality Index Using Three Methods to Assess Soil Fertility», Sensors, vol. 24, n.o 3, p. 864, ene. 2024, doi: https://doi.org/10.3390/s24030864.
M. Guerini Filho, T. M. Kuplich, y F. L. F. D. Quadros, «Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data», Int. J. Remote Sens., vol. 41, n.o 8, pp. 2861-2876, abr. 2020, doi: https://doi.org/10.1080/01431161.2019.1697004.
R. Orsini, M. Fiorentini, y S. Zenobi, «Evaluation of Soil Management Effect on Crop Productivity and Vegetation Indices Accuracy in Mediterranean Cereal-Based Cropping Systems», Sensors, vol. 20, n.o 12, p. 3383, jun. 2020, doi: https://doi.org/10.3390/s20123383.
M. E. Fadl, M. A. E. AbdelRahman, A. I. El-Desoky, y Y. A. Sayed, «Assessing soil productivity potential in arid region using remote sensing vegetation indices», J. Arid Environ., vol. 222, p. 105166, jun. 2024, doi: https://doi.org/10.1016/j.jaridenv.2024.105166.
J. Segarra, M. L. Buchaillot, J. L. Araus, y S. C. Kefauver, «Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications», Agronomy, vol. 10, n.o 5, p. 641, may 2020, doi: https://doi.org/10.3390/agronomy10050641.
A. San Bautista et al., «Crop Monitoring Strategy Based on Remote Sensing Data (Sentinel-2 and Planet), Study Case in a Rice Field after Applying Glycinebetaine», Agronomy, vol. 12, n.o 3, p. 708, mar. 2022, doi: https://doi.org/10.3390/agronomy12030708.
F. Terribile et al., «The LANDSUPPORT geospatial decision support system ( S‐DSS ) vision: Operational tools to implement sustainability policies in land planning and management», Land Degrad. Dev., vol. 35, n.o 2, pp. 813-834, ene. 2024, doi: https://doi.org/10.1002/ldr.4954.
T. R. Tenreiro, M. García-Vila, J. A. Gómez, J. A. Jiménez-Berni, y E. Fereres, «Using NDVI for the assessment of canopy cover in agricultural crops within modelling research», Comput. Electron. Agric., vol. 182, p. 106038, mar. 2021, doi: https://doi.org/10.1016/j.compag.2021.106038.
A. Jędrejek, J. Jadczyszyn, y R. Pudełko, «Increasing Accuracy of the Soil-Agricultural Map by Sentinel-2 Images Analysis-Case Study of Maize Cultivation under Drought Conditions», Remote Sens., vol. 15, n.o 5, p. 1281, feb. 2023, doi: https://doi.org/10.3390/rs15051281.
M. Hou et al., «The effects of canopy gaps on soil nutrient properties: a meta-analysis», Eur. J. For. Res., vol. 143, n.o 3, pp. 861-873, jun. 2024, doi: https://doi.org/10.1007/s10342-024-01660-6.
X. Chen, Y. Wang, Y. Chen, S. Fu, y N. Zhou, «NDVI-Based Assessment of Land Degradation Trends in Balochistan, Pakistan, and Analysis of the Drivers», Remote Sens., vol. 15, n.o 9, p. 2388, may 2023, doi: https://doi.org/10.3390/rs15092388.
D. A. Ayalew, D. Deumlich, B. Šarapatka, y D. Doktor, «Quantifying the Sensitivity of NDVI-Based C Factor Estimation and Potential Soil Erosion Prediction using Spaceborne Earth Observation Data», Remote Sens., vol. 12, n.o 7, p. 1136, abr. 2020, doi: https://doi.org/10.3390/rs12071136.
J. C. D. M. Esquerdo, J. Zullo Júnior, y J. F. G. Antunes, «Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil», Int. J. Remote Sens., vol. 32, n.o 13, pp. 3711-3727, jul. 2011, doi: https://doi.org/10.1080/01431161003764112.
Z. Jin et al., «Smallholder maize area and yield mapping at national scales with Google Earth Engine», Remote Sens. Environ., vol. 228, pp. 115-128, jul. 2019, doi: https://doi.org/10.1016/j.rse.2019.04.016.
S. Aksoy, A. Yildirim, T. Gorji, N. Hamzehpour, A. Tanik, y E. Sertel, «Assessing the performance of machine learning algorithms for soil salinity mapping in Google Earth Engine platform using Sentinel-2A and Landsat-8 OLI data», Adv. Space Res., vol. 69, n.o 2, pp. 1072-1086, ene. 2022, doi: https://doi.org/10.1016/j.asr.2021.10.024.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Saastal
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
