ESTIMACIÓN DE LA PRODUCTIVIDAD PRIMARIA NETA AÉREA (PPNA) DEL FORRAJE DE PASTOS PARA LOS SISTEMAS DE PRODUCCIÓN GANADERA

MEDIANTE SENSORES REMOTOS

Autor: Guillermo Alberto Padilla Quintero

PROYECTO DE GRADO PARA OPTAR A TÍTULO DE INGENIERO TOPOGRÁFICO

Director: Francisco Luis Hernández Torres, MSc

Profesor Universidad del Valle

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA

ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA

INGENIERÍA TOPOGRÁFICA

Santiago de Cali

2017

RESUMEN

Establecer esta tasa de crecimiento o biomasa a través del cálculo de la Productividad Primaria Neta Aérea es importante para el manejo de los sistemas de producción ganadera. En Colombia, la vocación ganadera se extiende en una gran área del territorio pero con poca rentabilidad económica, productiva y ambiental debido al mal manejo de las zonas de pastoreo. En este estudio se usaron imagen MODIS y ASTER para estimar la fracción de Radiación Absorbida por las hojas verdes (fRFA) y la variable de Radiación Fotosintética Activa (RFA) las cuales fueron utilizadas para la determinación de la Radiación Fotosintética Activa Absorbida (RFAA) y el coeficiente de Eficiencia de Uso de la Radiación (EUR). A partir de estas variables se calculó la PPNA y se comparó con los datos de biomasa de campo de 9 hatos ganaderos ubicados en el departamento de Antioquia – Colombia. La variable delimitante en la obtención de la PPNA en cuanto a resolución espacial (250 m) y temporal fueron los IV a 8 y 16 días. Para la primera temporalidad solo el Índice de Vegetación de Diferencia Normalizada (NDVI) permitió estimar la productividad forrajera otorgando gran cantidad de fechas para evaluar cada hato con 62 datos que pasaron el proceso de validación y 48 que no, del promedio de validación, que hacen parte de la suma de la cantidad de días julianos evaluados en todos los hatos ganaderos, que corresponden 56.36% y 43.64% respectivamente, mientras que a los 16 días el índice de vegetación mejorado (EVI) presentó considerables respuestas en los valores de productividad del forraje de pastos pero con poca temporalidad con un total de 70.45% de valores aceptables demostró la mayor capacidad para estimar la productividad forrajera, con solo el 29.55% de datos errados. Por último, se demostró que la PPNA a través de imágenes de satélite es de gran ayuda para el estudio de los forrajes de pastos dependiendo de la temporalidad o valores confiables con el NDVI a 8 días y el EVI a 16 días.

Palabras claves: ASTER, Biomasa, Forrajes, Índices de Vegetación, MODIS, Productividad Primaria Neta Aérea

AGRADECIMIENTOS

Gracias a Dios y a mi familia: Carlos Alberto Padilla, Gloria Stella Quintero, Ana Isabel Padilla y Beatriz Cristina Padilla; por ser un respaldo en todas las situaciones, a mis compañeros de universidad por colaborarme en cada duda e inquietud a: María Camila Pomeo, Laura Torres Salazar, Angélica Gallón y en general todos aquellos que compartieron mis esfuerzos y me ayudaron a mejorar en mi proceso de formación. Igualmente a mi director: Francisco Luis Hernández; y evaluadores: Iñigo Molina y Paulo José Murillo; que me dieron los lineamentos fundamentales en la obtención de este hermoso trabajo. También agradezco a la Universidad del Valle y Profesores por la formación brindada y la gran preparación que me entregaron para afrontar este reto académico. Por último, agradezco a todas esas personas que se me escapan y que creyeron en mí en el desarrollo de este trabajo de grado.

DEDICATORIA

“Empieza haciendo lo necesario, luego aquello que sea posible y acabaras haciendo lo imposible.” Francisco De Asís.

“En un minuto serás bueno, en una hora serás excelente y tan solo en un día serás imparable.” Adaptado: Cnl. Hannibal Smith.

TABLA DE CONTENIDO

1. INTRODUCCIÓN ............................................................................................ 11 2. DESCRIPCIÓN DEL PROBLEMA ................................................................... 12 3. OBJETIVOS .................................................................................................... 14

3.1. General ..................................................................................................... 14 3.2. Específicos ............................................................................................... 14

4. JUSTIFICACIÓN ............................................................................................. 15 5. MARCO TEÓRICO .......................................................................................... 16

5.1. Marco Conceptual ..................................................................................... 16 5.1.1. Sensores remotos (Teledetección) ..................................................... 17 5.1.2. Sensor MODIS ................................................................................... 17 5.1.3. Productividad Primaria Neta Aérea (PPNA) ....................................... 17 5.1.3.1. Radiación Fotosintéticamente Activa Absorbida (RFAA) ................ 17 5.1.3.1.1. Radiación Incidente ..................................................................... 17 5.1.3.1.2. Fracción de Radiación Absorbida por las hojas verdes (fRFA).... 18 5.1.3.1.2.1. Índices de Vegetación (IV) ........................................................... 18 5.1.3.2. Eficiencia de uso de la radiación (EUR) .......................................... 18 5.1.4. Pastos (Forrajes) ................................................................................ 18

5.2. Marco Teórico ........................................................................................... 19 5.2.1. Productividad Primaria Neta Aérea (PPNA) ....................................... 19 5.2.1.1. Radiación Fotosintética Activa Absorbida (RFAA) .......................... 20 5.2.1.1.1. Radiación Fotosintética Activa (RFA) .......................................... 20 5.2.1.1.2. fracción Radiación Fotosintética Activa (fRFA) ............................ 23

5.3. Marco Referencial ..................................................................................... 24 6. METODOLOGÍA .............................................................................................. 28

6.1. Zona de estudio ........................................................................................ 28 6.2. Proceso Metodológico PPNA .................................................................... 32

6.2.1. Datos de Campo ................................................................................ 32 6.2.2. Adquisición de imágenes ................................................................... 33 6.2.3. Conversión y Proyección de coordenadas ......................................... 34

6.2.4. Delimitación de pixel por lotes ............................................................ 34 6.2.5. Cálculo de los Índices de Vegetación (IV) .......................................... 35 6.2.5.1. Proceso de Calidad a las Imágenes MODIS ................................... 35 6.2.5.1.1. Cálculo de Índices de Vegetación ................................................ 36 6.2.6. Determinación de la fracción de Radiación Fotosintética Activa absorbida por las hojas verdes (fRFA) ............................................................ 36 6.2.7. Obtención de la Radiación Fotosintética Activa (RFA) ....................... 36 6.2.8. Determinación de la Radiación Fotosintética Activa Absorbida (RFAA) 36 6.2.9. Coeficiente de la Eficiencia del Uso de la Radiación (EUR) ............... 36 6.2.10. Cálculo de PPNA ............................................................................ 37 6.2.11. Validación de datos ......................................................................... 37

7. RESULTADOS ................................................................................................ 39 7.1. Índices de Vegetación (IV) como fracción de Radiación Absorbida por las hojas verdes (fRFA) ............................................................................................ 39

7.1.1. NDVI como fRFA ................................................................................ 40 7.1.2. EVI como fRFA ................................................................................... 44

7.2. Radiación Fotosintética Activa (RFA) ....................................................... 49 7.3. Productividad Primaria Neta Aérea (PPNA) del Forraje de Pastos ........... 53

7.4. Validación del PPNA con los datos de Biomasa de Campo ......................... 63 7.4.1. Validación mediante el promedio de todo el PPNA confrontado con el valor de Biomasa de campo ............................................................................ 64 PPNA a partir del NDVI 8 días ........................................................................ 65 PPNA a partir del EVI 8 días ........................................................................... 66 7.4.2. Validación de la unidad de manejo (pixel) del PPNA confrontado con el valor de Biomasa de campo. ....................................................................... 71

8. DISCUSIÓN .................................................................................................... 74 9. CONCLUSIONES ............................................................................................ 79 10. RECOMENDACIONES ................................................................................ 81 11. BIBLIOGRAFÍA ............................................................................................ 82 ANEXO A. Datos de Biomasa de Campo. ............................................................. 89 ANEXO B. Mapas de PPNA hato El Común y Pinar Verde. .................................. 91

ANEXO C. Tablas de validación ............................................................................ 92 ANEXO D. Índices de Vegetación (IV) como fRFA .............................................. 104

LISTADO DE TABLAS Tabla 1. Uso de Suelos por hectáreas de los diferentes recursos forrajeros en los

cuatros municipios de la zona de estudio, con la cantidad de bovinos presentes. ........................................................................................................................ 30

Tabla 2. MOD13Q1 Pixel Reliability ....................................................................... 35 Tabla 3. Validación de los de la PPNA con las temporalidades de 8 y 16 días por

medio del NDVI y el EVI. ................................................................................. 64 Tabla 4. Validación de los de la PPNA con las temporalidades de 8 y 16 días por

medio del NDVI y el EVI. ................................................................................. 73 Tabla 5. Tabla de Datos de Biomasa de Campo de los 9 hatos ganaderos, donde

también se representan los días julianos de las imágenes MODIS escogidas en el proceso de Validación. Los colores en las columnas de validación representan los criterios mencionados en el ítem de validación de la metodología. .................................................................................................... 89

Tabla 6. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de El común y Pinar Verde, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ................................... 92

Tabla 7. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de La Carlota, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ............................................................. 93

Tabla 8. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de Paysandú, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ............................................................. 93

Tabla 9. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. .......................................... 93

Tabla 10. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para los hatos ganaderos El común y Pinar Verde, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. .......................................... 95

Tabla 11. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para el hato ganadero La Carlota, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ............................................................................ 96

Tabla 12. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para el hato ganadero Paysandú, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ............................................................................ 97

Tabla 13. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ............................................................. 97

Tabla 14. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para los hatos ganaderos El Común y Pinar Verde, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ................................... 99

Tabla 15. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para el hato ganadero La Carlota, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ........................................................... 100

Tabla 16. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para el hato ganadero Paysandú, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ........................................................... 101

Tabla 17. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual. ........................................ 101

INDICE DE FIGURAS

Figura 1. Flujo de energía simplificado de un sistema de producción ganadero con base pastoril. ................................................................................................... 16

Figura 3. Diagrama de flujo de los principales procesos en el cálculo de la Productividad Primaria Neta Aérea (PPNA) adaptado de Paruelo et al. (2011), McCree (1972) y Ramírez (2013). ................................................................... 19

Figura 4. La radiación solar entrante es interceptada como componentes directos, difusos o reflejados. ........................................................................................ 22

Figura 5. Localización general de la zona de estudio. Los Municipios de Belmira, San Pedro de los Milagros, Medellín y El Retiro, ubicados en el Departamento

de Antioquia. Escogidos por ser las regiones con más desarrollo de actividades ganaderas en Colombia. ................................................................................. 29

Figura 6. Localización de los 9 hatos ganaderos. Digitalizados en Google Earth. Proyectados al sistema de coordenadas Magna_Colombia_Oeste. ............... 31

Figura 7. Diagrama de proceso metodológico realizado para la obtención del PPNA y la validación con los datos de biomasa de campo. ....................................... 32

Figura 8. Rango de valores del NDVI a 8 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011. ...... 40

Figura 9. Rango de valores del NDVI a 16 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año de 2011. ........................................................................................................................ 41

Figura 10. Rango de valores del EVI a 8 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011. ...... 45

Figura 11. Rango de valores del EVI a 16 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011. ...... 46

Figura 12. Serie de tiempo de los valores mínimos de la Radiación Fotosintética Activa (RFA) en los 9 hatos ganaderos para el año 2011. .............................. 50

Figura 13. Serie de tiempo de los valores máximos de la Radiación Fotosintética Activa (RFA) en los 9 hatos ganaderos para el año 2011. .............................. 51

Figura 14. PPNA del hato El Común en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 55

Figura 15. PPNA del hato Pinar Verde en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 56

Figura 16. PPNA del hato La Carlota en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 57

Figura 17. PPNA del hato Paysandú en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 58

Figura 18. PPNA del hato Altamira en las temporalidades de 8 y 16 días con el NDVI y el EVI. ........................................................................................................... 59

Figura 19. PPNA del hato Almería Baja en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 60

Figura 20. PPNA del hato Almería Alta en las temporalidades de 8 y 16 días con el NDVI y el EVI. ................................................................................................. 61

Figura 21. PPNA del hato Posada de los Llanos Alta en las temporalidades de 8 y 16 días con el NDVI y el EVI. .......................................................................... 62

Figura 22. PPNA del hato Posada de los Llanos Baja en las temporalidades de 8 y 16 días con el NDVI y el EVI. .......................................................................... 63

Figura 23. El Común NDVI 8 y 16 días como fRFA. ............................................ 104 Figura 24. Pinar Verde NDVI 8 y 16 días como fRFA. ......................................... 104 Figura 25. La Carlota NDVI 8 y 16 días como fRFA. ........................................... 105 Figura 26. Paysandú NDVI 8 y 16 días como fRFA. ............................................ 105

Figura 27. Altamira NDVI 8 y 16 días como fRFA. ............................................... 106 Figura 28. Almería Alta NDVI 8 y 16 días como fRFA.......................................... 106 Figura 29. Almería Baja NDVI 8 y 16 días como fRFA. ....................................... 107 Figura 30. Posada de los Llanos Alta NDVI 8 y 16 días como fRFA .................... 107 Figura 31. Posada de los Llanos Baja NDVI 8 y 16 días como fRFA. .................. 108 Figura 32. El Común EVI 8 y 16 días como fRFA. ............................................... 108 Figura 33. Pinar Verde EVI 8 y 16 días como fRFA. ............................................ 109 Figura 34. La Carlota EVI 8 y 16 días como fRFA ............................................... 109 Figura 35. Paysandú EVI 8 y 16 días como fRFA. ............................................... 110 Figura 36. Altamira EVI 8 y 16 días como fRFA. .................................................. 110 Figura 37. Almería Alta EVI 8 y 16 días como fRFA. ........................................... 111 Figura 38. Almería Baja EVI 8 y 16 días como fRFA. .......................................... 111 Figura 39. Posada de los Llanos Alta EVI 8 y 16 días como fRFA. ..................... 112 Figura 40. Posada Llanos Baja EVI 8 y 16 días como fRFA. ............................... 112

11

1. INTRODUCCIÓN

En Colombia, la orientación de los hatos ganaderos está distribuidos en cuatro desarrollos económicos. El primero se dedica a la cría, con una participación del 39%, el segundo con una participación del 35%, se dedica a la ganadería de doble propósito, en tercer lugar, se encuentra la ceba, que es el alimento que se le da al ganado para que engorde y presenta una participación del 20%. Por último, está la producción de la leche especializada con una participación del 6% (Fedegan, 2011). Actualmente, la ganadería colombiana predomina en los departamentos de Antioquia, Córdoba, Casanare, Santander, Meta y Cesar. Para un total de 22’,593,283.0 cabezas de ganado en el País (Santos, 2015). El área que se emplea para el desarrollo de los sistemas ganaderos es aproximadamente del 33.8% del territorio nacional. Pero de esta área, solo el 16.9%, tienen vocación ganadera. Es por esto, que la modernización de este sector pecuario es una prioridad para entidades como FEDEGAN, que con su Plan Estratégico para la Ganadería (PEGA) 2019, buscan el diseño e implementación de nuevas tecnologías para involucrar el desarrollo de las actividades ganaderas del País. En este documento se propone el uso de los sensores remotos, para estimar la tasa de crecimiento de los pastos a través del Productividad Primaria Neta Aérea (PPNA) lo que permite demostrar su implementación en cualquier región del país.

La tasa de crecimiento o Productividad Primaria Neta Aérea (PPNA) del forraje de los pastos, es una medida directa de la generación de alimento para el ganado. La utilización de imágenes de satélite y el cálculo de los diferentes índices de vegetación, permitirá estimar la cantidad de radiación que la planta captura. Así mismo, el uso del coeficiente de Eficiencia de Uso de la Radiación (EUR) permite conocer como el forraje de pastos convierte la radiación en alimento energético para el ganado.

Se evaluaron los diferentes componentes en la estimación de la PPNA, como lo es la fracción de Radiación Fotosintética Activa (fRFA) absorbida por las hojas verdes, ya que está estrechamente relacionado con los índices de vegetación (Paruelo Oyarzabal & Oesterheld, 2011), y se observó su comportamiento con el NDVI y EVI a dos temporalidades de 8 y 16 días con las imágenes adquiridas del sensor MODIS. Después se determinó y analizó la Radiación Fotosintética Activa (RFA) con imágenes ASTER y el potencial de caracterización de estas. Por último, se evaluaron las relaciones presentes de la EUR de los diferentes autores para recursos forrajeros a través de la bibliografía consultada.

12

2. DESCRIPCIÓN DEL PROBLEMA

En Colombia el sector agropecuario es protagonista del desarrollo y la economía del país. Según cifras del Ministerio de Agricultura y Desarrollo Rural, la superficie continental de Colombia es de 114.17 millones de hectáreas, de las cuales 50.91 millones que equivalen al 44.6%, son de uso agropecuario, de las que 38.6 millones de hectáreas son usadas para la actividad ganadera, haciendo evidente que este es el uso de tierra que prevalece en Colombia (minagricultura, 2011). Sin embargo, la ganadería colombiana a pesar de tener un uso extensivo de tierra, presenta un atraso tecnológico que según el Ministro de Agricultura y Desarrollo Rural Juan Camilo Restrepo Salazar (2010), la convierte en una actividad poco rentable. Por esto, en la transformación de los ecosistemas naturales existe una conexión directa e indirecta entre la ganadería y la tala y quema de bosques (Murgueitio, 2003).

En general, en la mayoría de los departamentos del país, se evidencia un mal manejo de la ganadería, sobre todo lo que corresponde a la utilización de las praderas de pastoreo, afectando directamente la nutrición de los animales (FEDEGAN, 2006). Según el Ministerio de Agricultura y Desarrollo Rural en el 2010, de los 38.6 millones de hectáreas destinadas a la ganadería solo 5 millones de hectáreas son de pastos mejorados, lo que ha llevado a que los ganaderos utilicen insumos externos (concentrados, vitaminas, anabólicos, etc.) para mejorar su materia prima, haciendo de la ganadería una actividad menos rentable.

De acuerdo con el Instituto Geográfico Agustín Codazzi (IGAC), del total de las hectáreas que actualmente están destinadas a la ganadería, solo 19.3 millones tienen vocación ganadera, haciendo un uso extensivo de tierra con resultados poco favorables. Es por esto, que en la formulación del Plan Estratégico para la Ganadería 2019 (PEGA) (FEDEGAN, 2006), FEDEGAN apunta a la intensificación y modernización del sector pecuario, y al desarrollo de un manejo tecnificado de los pastos, ya que el buen manejo de potreros son la clave para mejorar la alimentación natural, que es una ventaja competitiva de la ganadería Colombiana (FEDEGAN, 2006).

En un esfuerzo por desarrollar actividades más sostenibles en la producción ganadera, el uso de imágenes de satélite brinda la oportunidad de seguir el desarrollo vegetal de los pastos. Como es el caso de Argentina y Uruguay, donde se ha desarrollado un seguimiento por medio de imágenes de satélite que estiman la PPNA del forraje ganadero que con el apoyo técnico, brindan una línea base para el desarrollo de los sistemas productivos ganaderos (Paruelo Oyarzabal & Oesterheld., 2011).

13

La tasa de crecimiento forrajero, también llamada productividad forrajera, puede ser representada a través de la Productividad Primaria Neta Aérea (PPNA) (Oyarzabal, et al., 2012), es la cantidad presente de biomasa vegetal por unidad de superficie y tiempo. Por lo tanto, la PPNA es una medida directa de la generación de alimento para el ganado.

Evaluar y estimar la tasa de crecimiento forrajero de las pasturas es necesario porque este permitirá conocer, ajustar y planificar la carga animal además de la oferta y demanda del forraje. Sin embargo, estimar en campo la tasa de crecimiento forrajero exige mucho más esfuerzo; esta labor al realizarse en campo puede ser extensiva y poco frecuente (Oyarzabal, et al., 2012).

La implementación de modelos de estimación del PPNA a través de imágenes satelitales permitirán cubrir la falta de información que generan estimaciones espacialmente explicitas, con una cobertura del territorio nacional y para periodos de tiempo extendidos (Paruelo Oyarzabal & Oesterheld, 2011). Para estimar el PPNA por medio de imágenes de Satélite se debe determinar la cantidad de Radiación Fotosintéticamente Activa Absorbida (RFAA) y establecer la Eficiencia en el Uso de la radiación (EUR) del recurso forrajero (Grigera, 2011).

14

3. OBJETIVOS

3.1. General

Estimar la Productividad Primaria Neta Aérea (PPNA) del forraje de pastos para los sistemas de producción ganadera mediante sensores remotos.

3.2. Específicos

Determinar la cantidad de Radiación Fotosintéticamente Activa Absorbida (RFAA).

Establecer la Eficiencia en el Uso de la Radiación (EUR).

Validar los datos de la metodología empleada para el cálculo del PPNA.

15

4. JUSTIFICACIÓN

Conocer la productividad forrajera y su correcto manejo es necesario para los sistemas de producción ganadera. Esta productividad del forraje o tasa de crecimiento se encuentra directamente relacionada con la estimación de la Productividad Primaria Neta Aérea (PPNA) (Paruelo, Oyarzabal & Oesterheld, 2011). Actualmente en Colombia, determinar la productividad del forraje es una labor que se realiza en campo por medio del muestreo, lo que la convierte en una actividad muy dispendiosa y poco actualizada. Se propone estimar el PPNA a través de imágenes de satélite, aplicando modelos para ahorrar insumos y mejorar la estimación espacial de dicha variable

Realizar un análisis cuantitativo y cualitativo de la productividad forrajera, permite examinar las variaciones estacionales que se presentan en la producción forrajera, lo que puede ser usado por los asesores y parcialmente por los productores ganaderos. Este análisis será utilizado como herramienta en el manejo y toma de decisiones para los sistemas de producción ganadera, lo que ayudará a desarrollar planes de manejo para el recurso forrajero.

Establecer la tasa de crecimiento, según Oyarzabal, et al. (2012), que antes era inexistente o aleatoria, permite comparar el costo beneficio de cada recurso forrajero y eficiencia del mismo. Así mismo, conocer el exceso y/o déficit del forraje, permitirá saber cuándo ocurre y ajustar la carga animal a la oferta forrajera. De esta manera, se podrá comparar los potreros en términos de su tasa de crecimiento. Igualmente, facilitará tomar más objetivamente decisiones a corto plazo sobre la ocupación de lotes, evaluar el impacto del manejo y el comportamiento meteorológico en todos los potreros. Las aplicaciones que brindara la estimación del PPNA a los sistemas de producción ganadera en Colombia darán el desarrollo tecnológico que le urge a este sector productivo y económico.

Este proyecto pretende apoyar al sector ganadero en su propósito de lograr un sistema productivo más rentable y competitivo mediante el desarrollo tecnológico en el manejo de pasturas, así mismo, reducir el impacto ambiental gracias a un mayor aprovechamiento de las pasturas y de esta forma contener la expansión de la frontera ganadera. La propuesta metodológica de este proyecto espera contribuir al PEGA 2019 propuesto por FEDEGAN. La estimación de la productividad del forraje por medio de PPNA a través de los sensores remotos, le permitirá a las entidades, corporaciones y productores del sector pecuario desarrollar y modernizar los sistemas de producción ganadera.

16

5. MARCO TEÓRICO

5.1. Marco Conceptual Se describen a continuación los conceptos fundamentales que hacen parte del proyecto y que se usaran con mayor frecuencia en el desarrollo del mismo, con el propósito de dar una idea clara del tema al lector. De esta manera, se simplifica la relación y el comportamiento del flujo de energía de un sistema de producción ganadero (Figura 1) para el entendimiento de la estimación de la PPNA.

Figura 1. Flujo de energía simplificado de un sistema de producción ganadero con base pastoril.

Fuente: (Grigera, 2011)

En la Figura 1 la RFA corresponde a la Radiación Fotosintéticamente Activa Incidente; RFAA es la Radiación Fotosintéticamente Activa Absorbida por la pastura (puede ser estimada mediante teledetección); PB es la Productividad Primaria Bruta; RP indica la Respiración de la Pastura; PR se refiere a la Productividad Subterránea; PF es la Productividad Forrajera (también Productividad Primaria Neta Aérea); NU es el forraje no utilizado; NA es el material no asimilado y excretado por el ganado; RG es la Respiración del Ganado; MO es la materia orgánica del suelo (antes de aportar a la MO la PR, NU y NA entran en compartimentos de otros animales y microorganismos no detallados en este diagrama); PA es la productividad animal exportada del sistema de producción ganadero. El recuadro punteado indica los límites del sistema de producción ganadero. El modelo de Monteith o de la EUR (Eficiencia en el Uso de la Radiación) se extiende a la izquierda de la figura, desde RFA hasta PF. Los subsidios de energía incorporados con el manejo (combustible, fertilizantes, pesticidas, etc.) permiten, en general, reducir la magnitud de los flujos de pérdidas, como la respiración y la energía no asimilada. La suplementación con grano o concentrados incrementa el flujo de PF

17

que ingresa al compartimento del ganado. En la Figura 1 los tamaños de los flujos no guardan una proporcionalidad con la realidad (Grigera, 2011).

5.1.1. Sensores remotos (Teledetección) Se define como la ciencia, arte y técnica de obtener información de un objeto mediante algún dispositivo que no está en contacto físico con él. Este analiza la información a partir de los datos que adquiere sobre dicho objeto. A partir de estos datos, se genera información que brinda mucho soporte a actividades agrícolas, ordenamiento territorial, industriales y militares, etc. (Martínez, 2005).

5.1.2. Sensor MODIS El Espectrómetro de Imagen de Resolución Moderada (MODIS, por sus siglas en inglés) es un sensor que recolecta datos de la superficie terrestre, cuenta con una resolución espacial en el rango de 1 km y 250 metros, a bordo de los satélites AQUA y TERRA de la NASA. Está estructurado por 36 bandas espectrales con una longitud de onda de 0.405um hasta 14.385um. MODIS actualmente, entrega toda esta información en 44 productos agrupados en diferentes áreas. Se destaca información como los índices de vegetación y sus tres diferentes resoluciones espaciales 1km, 500m, 250m (Mas, 2011).

5.1.3. Productividad Primaria Neta Aérea (PPNA) Conocida también como tasa de crecimiento vegetativo, es la cantidad de materia seca que se acumula en un periodo de tiempo y por unidad de superficie. Se establece a través de la Radiación Fotosintéticamente Activa Absorbida y la Eficiencia del Uso de la Radiación (Paruelo, Oyarzabal & Oesterheld, 2011).

5.1.3.1. Radiación Fotosintéticamente Activa Absorbida (RFAA) Es el producto entre la Radiación Fotosintéticamente Activa Incidente (RFA) y la fracción de esta radiación que es absorbida por las hojas verdes fRFA (Paruelo, Oyarzabal & Oesterheld, 2011).

5.1.3.1.1. Radiación Incidente Es la radiación electromagnética que proviene del Sol. Esta radiación solar incidente en el límite de la atmosfera se le denomina radiación solar extraterrestre y el 97% contenida, se encuentra en un intervalo espectral entre 290 y 3000 nm y se denomina radiación de onda corta.

- Radiación Fotosintéticamente Activa RFA: En los estudios de fotosíntesis, corresponde aproximadamente a la mitad de radiación global que capturan las plantas (McCree, 1972).

18

- Radiación Global: Se define como la radiación solar recibida de un ángulo solido de 2n estereorradianes sobre una superficie horizontal. La radiación global incluye la recibida directamente del disco solar y también la radiación celeste difusa dispersada al atravesar la atmosfera (AEMET, 2006).

5.1.3.1.2. Fracción de Radiación Absorbida por las hojas verdes (fRFA) Es aquella que depende de la cantidad y la disposición espacial de área foliar. Y está directamente relacionada con el Índice de Vegetación (Paruelo, Oyarzabal & Oesterheld, 2011).

5.1.3.1.2.1. Índices de Vegetación (IV) Se basa en las propiedades espectrales que tiene la vegetación, la cual absorbe la radiación visible (Huete et al., 2002).

5.1.3.2. Eficiencia de uso de la radiación (EUR) Es un método de la eficiencia de radiación que se basa en la lógica de Monteith (1972). Esta variable varía con el tipo de recurso forrajero y la estacionalidad meteorológica. Incorpora información provista a través de imágenes de satélite que busca establecer la eficiencia con que la energía es transformada en materia seca. Esto describe cuanta radiación es absorbida por los pigmentos y es utilizada en la fijación de dióxido de carbono (CO2) (Paruelo, Oyarzabal & Oesterheld, 2011).

5.1.4. Pastos (Forrajes) Según la metodología CORINE Land Cover adaptada para Colombia (IDEAM, 2010), los pastos son tierras con hierba densa de composición florística. Se clasifican en tres grupos: pastos limpios que cuentan con un porcentaje de cubrimiento mayor al 70%. Pastos arbolados, en donde su área se encuentra con árboles de alturas superiores a los cinco metros, presenta un porcentaje de participación del 30% para los árboles y 50% para la unidad de manejo de pastos. Y pastos enmalezados, son aquellos que están representados por pastos y malezas con vegetación secundaria, donde las prácticas de manejo lo han llevado a procesos de abandono. La altura de vegetación secundaria no supera los 1.5 metros. Con el fin de mejorar la calidad nutritiva de los pastos para su uso en la ganadería, se busca una naturaleza compensada entre leguminosas y gramíneas. En este proyecto se evaluó la PPNA de la gramínea tropical C4 conocida como kikuyo (Pennisetum Clandestinum) de origen africano, es la especie más común de mejor adaptación para los climas fríos desde la introducción a Colombia en 1927. Se encuentra en altitudes que varían entre los 1700 y 2800 m.s.n.m; es poco demandante en agua y fertilizante, no prosperan en suelos poco fértiles, tolera sequias y es susceptible a las heladas. Se caracterizan por formar un césped denso debido a que uno de estos tallos crecen erectos o semierectos y llegan a tomar

19

alturas de 50 a 60 cms, las hojas que componen se forman en tallos rastreros como en los erectos y pueden alcanzar de 10 a 20 cms de largo. Predominan en actividades de pastoreo y heno (Hernández, 2013).

5.2. Marco Teórico Se presenta a continuación las ecuaciones que intervienen en el cálculo de la Productividad Primaria Neta Aérea (PPNA) y su proceso metodológico en la obtención de la productividad forrajera como se puede ver en la Figura 3:

Figura 2. Diagrama de flujo de los principales procesos en el cálculo de la Productividad Primaria Neta Aérea (PPNA) adaptado de Paruelo et al. (2011), McCree (1972) y Ramírez (2013).

Fuente: (Paruelo, Oyarzabal & Oesterheld, 2011, McCree, 1972 y Ramírez, 2013)

5.2.1. Productividad Primaria Neta Aérea (PPNA) La PPNA establece los procesos biofísicos que involucran el intercambio de materia y energía entre el ecosistema y su entorno (Baldassini, 2010). Por consiguiente, la Productividad Primaria Neta Aérea muestra el flujo que se da entre la materia y energía de la planta, esta solo representa una parte de energía que ingresa al sistema, la otra parte es la productividad de las raíces (Piazza, 2006). Por lo tanto en la mayoría de estudios, la PPNA es utilizada para cuantificar la productividad

20

forrajera, ya que al incorporar información provista por satélites, estima con alta frecuencia la productividad forrajera en grandes extensiones (Grigera et al., 2007) y es determinada a partir del producto del RFAA y EUR, se expresa en ⁄ :

í=

í∗ (1)

Donde la PPNA se basa en el modelo propuesto originalmente por Monteith (1972), que establece la cantidad de materia seca acumulada en un periodo de tiempo por unidad de superficie y la RFAA absorbida por los tejidos verdes de las plantas y la eficiencia con que esa energía es transformada en materia seca aérea (EUR) (Paruelo, Oyarzabal & Oesterhel, 2011).

5.2.1.1. Radiación Fotosintética Activa Absorbida (RFAA) Dependiendo del tipo de cobertura y considerando la constante de tiempo la Radiación Fotosintética Activa Absorbida por la vegetación presenta una variación considerablemente mayor y es estimable con precisión (Grigera et al. 2007 y Baldassini, 2010). La RFAA se determina a través del producto entre RFA, que puede ser medida a partir de estaciones meteorológicas o imágenes de satélite y fRFA que se representa a través de los Índices de Vegetación:

=í

∗ ( ) (2)

A su vez la RFA que es la radiación que incide en la superficie terrestre y es capturada por las plantas y fRFA por el dosel y que puede ser estimada con gran precisión a través de la teledetección, esa relación es el vínculo entre Productividad Forrajera y los sensores remotos (Grigera et al., 2007, Paruelo, Oyarzabal & Oesterheld, 2011, Grigera 2011).

5.2.1.1.1. Radiación Fotosintética Activa (RFA) McCree (1972) categorizo la luz por su función en la fotosíntesis y encontró que la porción de la luz que potencialmente puede generar esta actividad fotosintética (Ramírez, 2013). De acuerdo a esto, la Radiación Fotosintética Activa (RFA) se halla en la longitud onda del espectro electromagnético de 400 a 700 nm y está relacionada con la producción fotosintética de las plantas (Baldassini, 2010) y es representa con 48% de la radiación que incide en las plantas (McCree, 1972). Estos valores son importantes como datos de entrada de energía en diversos procesos biológicos y su evaluación particular tiene un especial interés en el seguimiento del crecimiento de los cultivos, ya que las plantas realizan la fotosíntesis y la RFA es su fuente de energía (Di Leo et al., 2007).

21

En la mayoría de los estudios la RFA se calcula a partir de datos provistos por estaciones meteorológicas (Piazza, 2006, Grigera et al., 2007, Paruelo, Oyarzabal & Oesterheld, 2011, Baldassini, 2010). Por el contrario, Ramírez (2013) empleo software especializado para la determinación de esta variable, logrando caracterizar puntualmente la radiación presente en cada zona de acuerdo a la latitud dada. El empleo de software especializados permite la obtención de la Radiación Global (Rg), donde esta radiación solar entrante conocida como insolación, se percibe en la tierra gracias al Sol y es la principal fuente de energía que impulsa muchos de los procesos físicos y biológicos; y la insolación es clave para comprender gran variedad de procesos naturales y actividades humanas (ESRI, 2016).

De este modo, la determinación de la RFA capturadas por las plantas y representada cerca del (o aproximadamente el) 48% de la radiación global (Ecuación 3) donde McCree (1972) en su estudio demuestra que el rendimiento cuántico relativo en las diferentes plantas de cultivo esta entre los 400 y 700 nm es igual a la media de 0.48 en todo el rango espectral y puede ser adaptado según el tipo de cultivo.

= ∗ 48 (3)

En la Ecuación (3) Rg, es la Radiación Global total del mapa solar y el mapa del cielo de la zona o región. A escala de paisajes, la topografía es un factor principal que determina la variabilidad espacial de la insolación esta misma variabilidad cambia según la hora del día y la época del año. Donde la altura, la pendiente, la orientación y las sombras incluidas en entidades topográficas influyen en la cantidad de insolación que se recibe en diferentes ubicaciones (ESRI, 2016). A partir del cálculo de la radiación global se obtienen los valores de la radiación incidente (Fu, 2000, Fu & Rich, 2000, Fu & Rich, 2002, Rich et al., 1994 y Rich & Fu, 2000).

La Radiación Global se modifica a medida que recorre la atmosfera y por la entidades presentes en la superficie y topografía; y se intercepta en la superficie de la tierra como componentes directos, difusos y reflejados (Figura 4). La radiación directa se intercepta sin dificultades en una línea directa desde el Sol. La radiación difusa se dispersa por componentes atmosféricos, como nubes y polvo. La radiación reflejada se refleja desde entidades de superficie. La suma de la radiación directa, difusa y reflejada se denomina radiación solar total o global (ESRI, 2016). Y se calcula como la suma de la radiación directa (Dirtotal) y difusa (Diftotal) de todos los sectores del mapa solar y mapa del cielo, respectivamente:

= + (4)

22

Figura 3. La radiación solar entrante es interceptada como componentes directos, difusos o reflejados.

Fuente: (ESRI, 2016)

Aquella radiación solar directa ( ) para una ubicación dada es la suma de la insolación directa , de todos los sectores del mapa solar:

( ) = ∑ , (5)

( ) = ∑ , (6)

Esta insolación directa del sector del mapa solar , con un centroide en los angulos del cenit ( ) y el ángulo acimutal ( ) se calcula mediante la siguiente ecuación:

, = ∗ ( ) ∗ , ∗ , ∗ , (7)

, = ∗ ∗ ∗ , ∗ ℎ , ∗ , (8)

, es el flujo solar fuera de la atmósfera en el valor medio de la tierra, la distancia del sol, conocida como constante solar. La constante solar utilizada en el análisis es de 1.367 W/m2. Coincide con la constante solar del Centro Mundial de Radiación (World Radiation Centre, WRC). , es la transmisividad de la atmósfera (el promedio de todas las longitudes de onda) para la ruta más corta (en dirección al cénit). ( ), es la longitud de ruta óptica relativa que se mide como una proporción en relación con la longitud de ruta del cénit. , , es la duración de tiempo representada por el sector del cielo. Para la mayoría de los sectores, es igual al intervalo diario (por ejemplo, un mes) multiplicado por el intervalo horario (por ejemplo, media hora). Para los sectores parciales (cercanos al horizonte), la duración se calcula mediante

23

la geometría esférica. , , es la fracción de espacio para el sector del mapa solar y , , es el ángulo de incidencia entre el centroide del sector del cielo y el eje normal para la superficie. , es la radiación global normal. , es la proporción del flujo de radiación global normal difundido. Por lo general, es aproximadamente de 0,2 para condiciones de cielo muy claro y de 0,7 para condiciones de cielo muy nublado. , es el intervalo de tiempo para el análisis.

, , es la fracción de espacio (proporción de cielo visible) para el sector del cielo y ℎ , , es la proporción de radiación difusa que se origina en un determinado sector del cielo relacionada con todos los sectores (ESRI, 2016).

5.2.1.1.2. fracción Radiación Fotosintética Activa (fRFA) La fracción de la Radiación Fotosintética Activa absorbida por las hojas verdes (fRFA) depende de la cantidad de área foliar y de la estructura en el dosel. La fRFA se determina a partir de los índices de vegetación (IV) que se derivan de observaciones satelitales para el seguimiento de la vegetación (Grigera, 2011, Paruelo, Oyarzabal & Oesterheld, 2011) (Ecuación 5), es decir, la forma en que el dosel refleja y absorbe la radiación en distintas longitudes de onda. De esta manera, la relación que se presenta entre los índices de vegetación y la fRFA varía según el bioma y las relaciones pueden se establecida de manera lineal y no lineal (Baldassini, 2010).

≈ ( ) (9)

- NDVI

El Índice de Vegetación Normalizado (NDVI, por sus siglas en inglés) realiza medidas exitosas de la vegetación, ya que es suficientemente estable para realizar comparaciones significativas en los cambios estacionales e interanuales en el crecimiento y la actividad vegetal (Huete et al., 2002).

= (10)

Donde y son las reflectancias de la superficie en la longitud de la banda roja y el infrarrojo cercano respectivamente (Huete et al., 2002).

- EVI

El índice de vegetación mejorado EVI, es más sensible a las variaciones estructurales del dosel, incluyendo el tipo del dosel, fisonomía de la planta o Índice de Área Foliar (IAF) y la arquitectura de la copa (Huete et al., 2002).

=∗ ∗

(11)

24

Donde G es el factor de ganancia igual a 2.5, C1 y C2 son coeficientes de la resistencia en el aerosol, que utiliza la banda azul para corregir influencias de aerosol en la banda roja. Los coeficientes adoptados en el algoritmo de EVI son L=1, C1= 6, C2=7.5 (Huete et al., 2002).

- EVI2

El EVI2, sin una banda azul, se relacione mejor con el EVI de 3 bandas, sobre todo cuando los efectos atmosféricos son insignificante y la calidad es buena. Ya que el EVI con 3 bandas, no proporciona información biofísica adicional sobre las propiedades de la vegetación, sino que está destinada a reducir el ruido y las incertidumbres asociadas con los aerosoles atmosféricos muy variables, una adaptación de 2 bandas de EVI es compatible. Aunque sin la banda azul, sigue siendo funcionalmente equivalente al EVI, pero es más propensa al ruido de los aerosoles. Por lo tanto, el EVI2, es sustituto aceptable si los pixeles evaluados poseen buena calidad y correcciones sobre los efectos atmosféricos (Jiang et al., 2008).

Debido al comportamiento errático de EVI sobre blancos brillantes (nubes pesadas, y la nieve / hielo). Desde la colección 5 de los productos MODIS de los Índices de Vegetación, la ecuación estándar utilizada para hallar EVI, la cual utiliza 3 bandas, se sustituye solo empleando dos bandas (no utiliza la banda azul), este mejora los valores y corrige las anomalías del EVI (Didan et al., 2015).

2 = 2.5.

(12)

Donde y son as reflectancias de la banda 1 y 2 respectivamente.

5.3. Marco Referencial La tasa de crecimiento o PPNA del pasto, que es una propiedad biofísica que describe el alimento del ganado, es fundamental para el cálculo y toma de decisiones en los sistemas de pastoreo (Hill et al., 2004). Esta se desarrolla con frecuencia en labores en campo mediante la medición de la biomasa del forraje (Lauenroth et al., 1986).

El seguimiento de la productividad forrajera se puede realizar a través de sensores remotos, que se apoya en un modelo conceptual a partir del cálculo de la PPNA del forraje. En el marco referencia de la eficiencia del uso de la radiación (EUR), basado en el modelo eco fisiológico propuesto por Monteith (1972), es una alternativa que permite estimar la productividad forrajera y por lo tanto la Productividad Primaria Neta Aérea, donde esta aproximación propone que la productividad en un periodo de tiempo (como por ejemplo, año, mes o día) está determinada por la cantidad de

25

radiación Fotosintética Activa Absorbida (RFAA) por el dosel en ese periodo, y la eficiencia con que la energía es transformada en materia seca (EUR) (Grigera, 2011).

Con las técnicas de teledetección se obtiene la reflectancia del dosel, útil para el cálculo de los Índices de Vegetación (IV) proporciona de manera rápida y sencilla, y a un costo más económico, la estimación de los valores nutritivos de los pastos. Los IV ayudan a estimar las propiedades fisiológicas y bioquímicas en el proceso de crecimiento de la planta (Starks et al., 2006). Las técnicas no solo permiten medir estas propiedades, sino también, establecer las tendencias estacionales con que se desarrolla la vegetación, lo que permite ver las dinámicas de crecimiento de los pastos (Loris & Damiano, 2006).

Los índices de vegetación permiten la correlación de manera eficiente con los parámetros biofísicos y la biomasa de las plantas (Huete et al., 2002). Así mismo, comparar y establecer los cambios temporales que se presentan espacialmente, que responden a la cantidad de radiación fotosintéticamente activa (RFAA), que se determina a través de cada pixel de las imágenes de satélite (Barona et al., 2004).

El índice de vegetación de diferencia normalizada (NDVI), ha sido trabajado y perfeccionado por varios autores, los cuales han buscado variaciones que lo ajusten en determinadas condiciones del terreno. Este índice como medida de la vegetación, establece el crecimiento y su actividad, lo que permite una comparación entre las plantas (Huete et al., 2002). Además, por su simplicidad sigue siendo el índice de mayor aplicación de los estudios de vegetación lo que lo convierte en un índice fiable (FAO, 1999). Aunque el índice reduce muchas formas de ruido multiplicativo como lo son diferencias de iluminación, sombras de nubes, atenuaciones atmosféricas y ciertas variaciones topográficas, su principal desventaja es la no linealidad inseparable de los índices basados en esta relación y el predominio de los efectos del ruido aditivo, tal como las radiaciones atmosféricas (Huete et al., 2002).

El Índice de Vegetación Mejorado (EVI) se desarrolló para optimizar la señal de la vegetación con una mejor sensibilidad en las regiones de alta biomasa, permite establecer variaciones más sensibles a la estructura del dosel incluyendo el índice de área foliar, el tipo de dosel, fisionomía de la planta y arquitectura de la copa (Huete et al., 2002). Este le incorpora correcciones a partir de la banda azul (Paruelo et al., 2011) y muestra más linealidad con la fRFA (Grigera, 2011).

Establecer la relación entre el IV y RFAA, permiten conocer las situaciones aproximadas de las condiciones reales de la vegetación, que en este caso es el

26

forraje de pastos. Los índices de vegetación sirven de referencia de la RFAA en la mayoría de las etapas de crecimiento de la planta (Dong et al., 2016).

La mayoría de los modelos de la eficiencia de producción se basan en una estrecha relación lineal del RFAA y el IV (Singh 2011 y Wagle et al., 2014). RFAA es la absorción de la radiación de un dosel verde que se encuentra en un rango espectral de 0.4 a 0.7 micras. Este parámetro es clave en los modelos de eficiencia de productividad como lo son la Producción Primaria Neta y la Producción Primaria Bruta (Dong et al., 2016).

El potencial de los índices de vegetación para la identificación de la fenología de las praderas altas (Wagle et al., 2014) es un buen estimador de la cobertura vegetal de las plantas. Por lo tanto, la luz al entrar a la cubierta de la planta puede ser reflejada, transmitida, dispersada y absorbida por los elementos de la planta. La clorofila absorbe la luz en las bandas azul y rojo, y es reflejada por la banda verde. La clorofila reflejada por la banda verde puede causar variación en la longitud de onda fRFA. El índice de área Foliar (LAI) influye en la cantidad de luz absorbida por las hojas que finalmente afecta al fRFA (Liu et al., 2015). La eficiencia con que las plantas producen materia seca a partir de la radiación absorbida, está dada por la cantidad de energía solar almacenada por fotosíntesis en cualquier periodo (Monteith, 1972).

Los productos característicos del sensor MODIS son, el índice de vegetación Normalizado (NDVI por sus siglas en inglés) y el índice de vegetación mejorado, (EVI, por sus siglas en inglés) (Martínez, 2005). La resolución espacial de 250m x 250m del sensor MODIS equivale a 6,25 hectáreas y proporciona información adecuada de los sistemas de pastoreo (Donald et al., 2008). Así mismo, permite evaluar y supervisar las condiciones de la vegetación en una amplia gama de biomas (Huete et al., 2002). Aunque, el sensor presenta algunos inconvenientes para el cálculo del EVI, para resoluciones espaciales de 250m y especialmente en el producto MOD13Q1, se ha modificado la ecuación que permite un uso adecuado de estos datos. Debido a que la ecuación general del EVI, incluye la banda azul se presentan inconvenientes como valores extremadamente altos del EVI. Por eso, a partir de la colección 5, del producto MODIS Didan et al. (2015) empleo la ecuación del EVI con la utilización de solo 2 bandas, para corregir los errores producidos por los blancos pesados como lo son las nubes, hielo y nieve.

Por otra parte, las imágenes ASTER tienen como objetivo una mejor comprensión del comportamiento de la superficie terrestre y la relación que se presenta con la atmosfera (Gonzáles, 2016). Algunas de estas aplicaciones son, generar mapas topográficos, modelos hidrográficos e identificar el comportamiento

27

geomorfológicos, entre otros (Gonzáles, 2016). En algunos trabajos las imágenes ASTER se utiliza para mapear minerales, vegetación, corregir sombras producidas por la posición del satélite y la inclinación del terreno (Gonzáles, 2016).

Phillips et al., (2009), realizaron un trabajo donde describieron un método estimando la capacidad de pastoreo a corto plazo para potreros menores a 20 Ha., utilizando alta resolución de datos espaciales y generando un sistema de información geográfico (GIS) en praderas de pastos mixtos. El modelo empleado combina imágenes de resolución media como las imágenes Landsat e imágenes ASTER junto a datos de biomasa de campo. Mientras que (Ramírez, 2013) empleó las imágenes ASTER para el cálculo de la radiación incidente y posteriormente la RFA que da la RFAA y por ultimo obtener valores cercanos a biomasa de potreros.

Por eso la integración de técnicas de teledetección con las variables EUR y RFAA, son de gran importancia, porque a través de la información que se obtiene de los satélites y coeficientes propuestos, permite abarcar grandes áreas en la estimación del PPNA en los forraje de pastos (Grigera et al., 2007). Hay estudios realizados en praderas de pastos altos en Oklahoma e Illinois, con diferentes condiciones meteorológicas, que demuestran que los análisis por teledetección tienen una gran aproximación a la realidad (Wagle et al., 2014).

28

6. METODOLOGÍA

6.1. Zona de estudio El estudio se realiza en el departamento de Antioquia – Colombia, en los municipios Belmira, San Pedro de los Milagros, El Retiro y el corregimiento de Santa Elena (Figura 5). Belmira, localizado en la subregión Norte del departamento, con una extensión total de 273 , temperatura media de 14°C y altura de 2.550 m.s.n.m. San Pedro de los Milagros, se encuentra localizado en la región Norte, en la subregión del Altiplano Norte, tienen una extensión de 229 con una altura 2.475 m.s.n.m. y temperatura media de 16 °C. El Retiro, localizado hacia el Oriente Antioqueño, con una extensión de 244 , a una altura de 2.175 m.s.n.m. y con una temperatura media de 16°C. Y, por último, el corregimiento de Santa Elena, localizado en el altiplano Oriental del departamento, con un área de 70.46 , con una altura de 2.600 m.s.n.m., y una temperatura promedio de 14°C.

El departamento de Antioquia posee 2´403.727 Ha. en pasturas, de las cuales 913,419 Ha., localizadas en las zonas de clima medio y frio, se dedican a la ganadería especializada de leche y doble propósito (Sánchez et al., 2003). Las cuatro regiones escogidas se caracterizan por la presencia de pastos Kikuyo (Pennistum clandestinum), Falsa Poa (Hocus lanatus), Andadora u Oloroso (Anthosantum odoratum), Yaragua Peluda (Melinis minutiflora), Puntero (Hyparrhenia rufa) y Gramas naturales (Paspalum sp.) (Sánchez et al., 2003). La cobertura en estas cuatro regiones que corresponde a la categoría de pastos arbolados, ocupa las siguientes áreas:

29

Figura 4. Localización general de la zona de estudio. Los Municipios de Belmira, San Pedro de los Milagros, Medellín y El Retiro, ubicados en el Departamento de Antioquia. Escogidos por ser las

regiones con más desarrollo de actividades ganaderas en Colombia.

Los pastos correspondientes a corte son aquellos que se emplean solo como cultivo y no como zonas de pastoreo. Los pastos naturales son aprovechados como áreas de pastoreo. Los pastos mejorados son cultivos tecnificados que ejecutan actividades de pastoreo y tienen un tratamiento continuo.

30

Tabla 1. Uso de Suelos por hectáreas de los diferentes recursos forrajeros en los cuatros municipios de la zona de estudio, con la cantidad de bovinos presentes.

Municipio Bovinos Uso del suelo pastos (Has.) Corte Natural Mejorado Forrajero Silvop. Total

Belmira 25.500 8 5.724 9.710 3.600 19.042,0 San Pedro

de los milagros

61.790 143 14 16.470 128 20 16.775,0

El retiro 2.624 800 4.300 2.300 7.400,0 Santa Elena 12,789 490 3.321 6.081 9.892

Fuente: (Secretaría de Agricultura y Desarrollo Rural de Antioquia, 2014)

Los pastos de categoría forrajera solo se presentan en estacionalidades (hace parte de una categoría no de la representación de los recursos de pastos forrajeros). Y por último, los silvopastoriles que integran el ecosistema por completo y no necesitan de alteraciones, como lo es la tala de árboles y la adecuación de cercas sino que aprovechan las condiciones vegetativas presentes para realizar dichas modificaciones (IDEAM, 2010).

En los cuatro municipios se evaluaron 9 hatos ganaderos (Figura 6), el hato El común y Pinar Verde ubicados en el municipio de Belmira, La Carlota en el Retiro, Paysandú en el corregimiento de Santa Elena del Municipio de Medellín, Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de los Llanos Baja localizados en el municipio San Pedro de los Milagros.

31

Figura 5. Localización de los 9 hatos ganaderos. Digitalizados en Google Earth. Proyectados al sistema de coordenadas Magna_Colombia_Oeste.

32

6.2. Proceso Metodológico PPNA

Figura 6. Diagrama de proceso metodológico realizado para la obtención del PPNA y la validación con los datos de biomasa de campo.

6.2.1. Datos de Campo Los datos de validación fueron suministrados por el Ingeniero Alejandro Ramírez Madrigal, en el desarrollo de su Tesis de Maestría “Evaluación del crecimiento de pastos usando Índices de vegetación calculados a partir de Información Satelital”, en el año 2011. Se contó en total con 65 datos distribuidos en nueve hatos ganaderos (Ver Anexo A). De estos datos, se tomó la información de los predios que fueron monitoreados por el zootecnista Nicolás Enrique Cárdenas Ruíz para su trabajo de maestría “Efectos de algunos parámetros productivos, técnicos y administrativos sobre la calidad de la leche en hatos lecheros de Antioquia” en el año 2011.

Los predios corresponden a fincas productoras de leche (Anexo A), donde los potreros se manejan bajo el sistema pastoreo rotacional con cerca eléctrica. Son

33

potreros donde el tipo de pasto predominante es el Kikuyo (Pennisetum clandestinum) (Ramírez, 2013). Su topografía se describe por pendientes planas, altas y ligeramente onduladas. El área de oferta de pastoreo de los animales en los potreros a diario va desde 158.16 hasta los 4,128.56 .

- Biomasa aérea de pastos medida en campo

A continuación, se describe el proceso realizado en la toma de datos de las fincas monitoreadas. Los datos fueron tomados en el año 2011 entre el periodo de Mayo y Diciembre, con por lo menos un dato en cada mes para establecer la variabilidad y oferta de la biomasa medida en cada hato ganadero. El método conocido como doble muestreo por rango visual (Haydock & Shaw, 1975) consiste en establecer la oferta y rechazo de la biomasa aérea con un periodo de descanso de tres días, este valor obtenido en la oferta y el rechazo se promedió para establecer la biomasa aérea registrada en esa franja (Ramírez, 2013). Los pasos realizados en este método son:

1. Valoración Cualitativa del crecimiento de pastos: Sea hace un reconocimiento a la franja de pasto que va ser medida y se dividen tres categorías (Alto, Medio y Bajo).

2. Ubicación de puntos de Muestreo: Aleatoriamente se ubica uno o varios rectángulos de 1 , de tal forma que represente la franja dependiendo de su área (mayor área igual a más muestras y menor área igual a menores muestras); la producción del pasto dentro del rectángulo es calificada según el criterio anterior.

3. De cada categoría se eligen entre uno y tres recuadros, donde el contenido total de pasto se cosecha a ras del suelo. Este pasto es pesado inmediatamente y se guarda la muestra (en este caso periodo de tres días) para volver a ser pesada realizando un proceso de deshidratación. Estos nos permite expresar la biomasa medida en campo en Kilogramos de materia seca (Kg MS).

4. Por último, se realiza un promedio ponderado de la biomasa aérea de pastos con los datos obtenidos de los pesajes directos y el número de observaciones realizadas.

6.2.2. Adquisición de imágenes La adquisición de las imágenes fue a través de la página http://reverb.echo.nasa.gov/, se descargaron las fechas que comprenden la toma de datos de biomasa de campo (ver Anexo A).

34

- Imágenes del Sensor MODIS

Se utilizaron 46 imágenes de reflectancia de la superficie producto MOD09Q1 versión V006, contiene la relación del flujo luminoso reflejado y el flujo luminoso incidente (Mas, 2011). Se encuentran disponibles a una resolución temporal de 8 días y a una resolución espacial de 250 metros para las bandas 1 y 2. Con la reflectancia de las bandas del producto se realizó el cálculo del NDVI y EVI para 8 días.

El producto MOD13Q1 versión V006, que contiene índices de vegetación a una resolución espacial de 250 metros y una resolución temporal de 16 días. Este combina las resoluciones temporales de índices de vegetación calculado a partir de reflectancia de 8 días por medio de la generación de series de tiempo (Mas, 2011). Dentro del producto se encuentra el Índice de Vegetación Normalizado (NDVI) y el Índice Mejorado de Vegetación (EVI), y un raster de calidad de los índices de vegetación.

- Modelo Digital de Elevaciones (DEM)

Se descargó el Modelo de elevación Digital de la zona de estudio. Las imágenes ASTER, fue desarrollado en un esfuerzo cooperativo entre la NASA y el Ministerio de Economía e Industria de Japón METI, las cuales presentan precisiones aproximadas de DEM en localización horizontal y vertical hasta 10 metros. Estas imágenes permiten generar modelos topográficos hasta una escala 1/50000, modelos hidrográficos, etc., a una resolución espacial de 30 metros.

6.2.3. Conversión y Proyección de coordenadas Debido a que los productos MODIS vienen formato HDF, se realizó la conversión en el software ModisTool, a tipo de archivo TIF y se proyectaron las imágenes a Universal Transverse Mercator (UTM) (Asensio, Blanquer & Ramón, 2010). A continuación, con secuencia de comandos Python y utilizando la librería de Arcpy de ArcGIS, se procedió a la proyección de coordenadas de las imágenes Magna Colombia Oeste (IGAC, 2004), tanto para las imágenes ASTER que ya vienen en formato GeoTIF y las imágenes MODIS.

6.2.4. Delimitación de pixel por lotes Primero se procedió a la digitalización de los hatos ganaderos con Google Earth por medio del software ArcGIS (Figura 5), con este archivo vectorial se realizó una máscara para todas las imágenes MODIS y ASTER, para caracterizar cada potrero y la cantidad de pixeles presentes en él. La representación de los pixeles fue tomada solo con las imágenes MODIS, ya que estas presentan la resolución espacial más grande de 250 metros, por esto, las imágenes ASTER con resolución espacial de

35

30 metros fueron escaladas a la resolución de MODIS (Ramírez, 2013). De este modo, se denominó como unidad de manejo al pixel de MODIS para ver el comportamiento del recurso forrajero en esta resolución espacial entregada por el sensor.

6.2.5. Cálculo de los Índices de Vegetación (IV) Del producto MOD13Q1 se obtuvo el IV a 16 días, que se utiliza en el procesamiento de datos la reflectancia bidireccional de la superficie para las bandas del infrarrojo cercano y rojo (Huete, et al., 2002 y Mas, 2011). Y con el producto MOD09Q1 se realizó el cálculo de los IV a 8 días; solo se manejó la reflectancia del producto, no se aplicó el cálculo de la reflectancia bidireccional con las que se realiza el cálculo del producto MOD13Q1. Los Índices de Vegetación dieron como resultado la resolución espacial por potrero; cada unidad de pastos obtenida se representa por el pixel, dado que para todos es de 250m x 250m.

6.2.5.1. Proceso de Calidad a las Imágenes MODIS Para el producto MOD13Q1 se empleó la banda de confiabilidad del pixel (Pixel Reliability, por sus siglas en ingles) para establecer que pixeles presentaban un buen dato del índice de vegetación. Esta banda entrega un raster de datos de pixel de un rango de -1 a 3 (Tabla 2), de estos solo se escogió el valor 0 que representa un dato confiable de calidad (QA) (LPDAAC USGS, 2014), a partir de esto se empleó la máscara resultante de la banda para todos los índices del producto (EVI y NDVI) y así solo dejar pixeles validos que representaran la vegetación.

Tabla 2. MOD13Q1 Pixel Reliability

Rango Resumen de Calidad Descripción -1 Llenar/Sin datos No procesado 0 Buen dato Utilizar con confianza 1 Datos Marginales Útil, pero mirar otra

información de control de calidad

2 Nieve/Hielo Objetivo cubierto de nieve/hielo

3 Nublado Objetivo no visible, cubierto con la nube Fuente: (LPDAAC USGS, 2014)

A la reflectancia del producto MOD09Q1 se le aplicó la banda de calidad (QA), que viene comprimida en formato bits, y por lo tanto, fue desempaqueta a través de la herramienta LDOPE (decodifica los campos de bits y los graba en 2D HDF SDS que puede ser leído por diferentes programas) por medio del comando unpack_sds_btis (LP-DAAC, 2004) se desempaqueto el No. Bit (0-1) el cual corresponde a la banda

36

MODLAND QA bits y a partir de esta se generó la máscara, para realizar el proceso de calidad a las dos bandas (Banda 1 y 2). 6.2.5.1.1. Cálculo de Índices de Vegetación Se aplicaron las Ecuaciones (10) y (12) para el cálculo del NDVI y EVI2 respectivamente. Para el cálculo de los índices se utilizaron las bandas 1 y 2 del producto MOD09Q1 correspondientes a los canales rojo (Red) e infrarrojo cercano (NIR) respectivamente.

6.2.6. Determinación de la fracción de Radiación Fotosintética Activa absorbida por las hojas verdes (fRFA)

El fRFA se determina a partir de los datos obtenidos por el índice de vegetación, ya que estos van directamente relacionados con la Fracción de Radiación Fotosintética Absorbida por la planta, para lo que se aplica la ecuación (9) como lo realizan Paruelo, Oyarzabal, & Oesterheld, (2011).

6.2.7. Obtención de la Radiación Fotosintética Activa (RFA) A partir de las imágenes GDEM de ASTER, se realizó el cálculo de la radiación global, por medio del software ArcGIS con la secuencia de comandos de Arcpy. Para el cálculo de la Radiación Fotosintética Activa que está representada por el 48% de la radiación global que ingresa a la superficie (McCree, 1972). Como 1 ℎ equivale a 0.0036 y al capturar solo el 48% de esta equivalencia, entonces el valor de RFA se obtiene de multiplicar cada uno de los raster por 0.001728 en valores de MegaJuls por metro cuadrado ( ⁄ ).

6.2.8. Determinación de la Radiación Fotosintética Activa Absorbida (RFAA) La RFAA corresponde al producto entre el RFA y la fRFA (Ecuación 2).

6.2.9. Coeficiente de la Eficiencia del Uso de la Radiación (EUR) Al establecer la eficiencia del uso de la radiación (EUR), se debe estimar para el recurso forrajero en cuestión (Grigera, 2011) a través de la bibliografía consultada se estableció este coeficiente, ya que no se contó con el valor correspondiente de las coberturas forrajeras estudiadas.

Aunque, estos valores no representan fundamentos en la clasificación del tipo de cobertura en este trabajo se partió del coeficiente EUR con valor de 1.62 ( ⁄ ) utilizado en el estudio Gliga, Rodríguez & Dias-Ambrona (2012), en las regiones de Vitigudino (Salamanca), Trujillo (Cáceres) y Valle de los Pedroches (Córdoba), que se caracterizan por ser zonas de pastoreo que se encuentran expuestas a todas las variables climáticas y daños a sequía. El valor adoptado hace parte del cálculo de un modelo numérico para la estimación de producción diaria de pasto que simula

37

diariamente la cantidad de biomasa aérea en función del pasto acumulado el periodo anterior y de su crecimiento diario. Estas tres regiones se caracterizan por la presencia de diversas especies herbáceas tanto Leguminosas, gramíneas y compuestas (dehesasibericas, 2016). Debido a que el coeficiente fue empleado en todo tipo de especies herbáceas en los pastos de dehesa, fue adoptada para la zona de estudio de este proyecto, ya que según el modelo numérico realizado por Gliga, Rodríguez, & Dias-Ambrona (2012), se puede obtener buenos resultados para evaluar bases históricas de datos meteorológicos que podrían ayudar al ganadero a tomar decisiones correctas sobre el manejo de los pastos.

El coeficiente EUR para ser empleado en la Ecuación (1), fue expresado en valores de Kilogramos - Materia Seca, lo que arrojó el valor 0.162 ( ⁄ ).

6.2.10. Cálculo de PPNA Se establece el cálculo de la Productividad Primaria Neta Aérea, que es el kilogramo de materia seca que se da por metro cuadrado cada día, en el forraje de las parcelas donde se alimenta el ganado a partir de la Ecuación (1).

6.2.11. Validación de datos La validación del cálculo de PPNA se realizó con los datos de campo. Debido a la falta de coincidencia de la fecha de las imágenes con la fecha de toma de los datos de campo, se establecieron dos criterios para superar esta falta de coincidencia (Anexo A):

1. Si las imágenes son obtenidas dentro de oferta y rechazo de la materia seca, los cálculos se definen como: Confiables y se identifican de color Verde.

2. Si las imágenes obtenidas no superan la temporalidad de 10 días entre las mediciones de biomasa en campo y la toma de las imágenes de satélite, esto debido a los principios fenológicos mencionados por Ramírez (2013), los cálculos son considerados como: Aceptables y se identifican de color Amarillo.

Aquellas imágenes que de acuerdo a la temporalidad del cálculo PPNA que no cumplen con estos dos criterios no fueron validadas con los datos de campo. De acuerdo a esto, se utilizó el promedio de las observaciones realizadas por cada hato evaluado. Cada pixel de las imágenes se confrontó con el dato de cada hato ganadero para obtener el error absoluto, error relativo y error porcentual. Se consideró que el dato de la Productividad Primaria Neta Aérea obtenido por medio de los sensores remotos corresponde al valor teórico y el dato de la PPNA obtenido en campo corresponde al valor real.

38

Error absoluto: Es la diferencia entre el valor teórico y el valor real en valor absoluto.

= −

Error relativo: Es el cociente entre el error absoluto y el valor real.

=

Error porcentual: Se multiplica por 100 para obtener el tanto por ciento (%)

(%) = ∗ 100

Si el error absoluto o el error relativo, son cercanos o iguales a cero se puede decir que los errores asociados a ellos son los mismos, por lo tanto, las medidas pueden ser iguales o muy cercanas. Pero, si los errores se alejan de cero los datos no son confiables y no tienen similitud. Para este trabajo se aceptó un error asociado máximo del 40%, que otorga una confianza mayor al 60%.

Por último, se realizó las comparaciones entre la respuesta espectral de los diferentes índices de acuerdo a su temporalidad para así determinar que índice se ajusta más a los valores de campo.

39

7. RESULTADOS

7.1. Índices de Vegetación (IV) como fracción de Radiación Absorbida por las hojas verdes (fRFA)

La caracterización de cada unidad de manejo independiente de la variación de la PPNA, demostró una mayor variabilidad a cada hato evaluado por medio de la representación de pixeles contenidos dentro del potrero.

También se evaluó la respuesta espectral del índice y los valores con los que caracterizaba la flora. Como se sabe los índices de vegetación expresan sus respuestas espectrales entre -1 y 1 (Huete, y otros, 2002) pero solo se caracteriza el suelo y la vegetación en el rango de 0 a 1 (FAO, 1999). Con este último valor, se definió el criterio para comprobar si el índice caracterizaba la vegetación y especialmente el forraje de pastos.

En las Figuras 7 y 8 se representa las variaciones del Índice de Vegetación y se muestra su comportamiento como fracción de la Radiación Fotosintética Activa absorbida por las hojas verdes (fRFA) detallando las respuestas espectrales obtenidas en cada hato. De acuerdo a esto, el periodo evaluado se presenta entre los meses mayo y diciembre del año 2011, que es el periodo en donde se tomaron los datos de biomasa de campo.

Para cada hato se expresa la cantidad de pixeles presentes, que fueron denominados para este estudio como unidades de manejo. Para el hato ganadero El Común, está representado por 40 unidades de manejo (unidad de manejo igual a pixel), para el Pinar Verde 18 unidades de manejo, La Carlota 2 unidades de manejo, Paysandú 1 unidad de manejo, Altamira 2 unidades de manejo, Almería Alta 2 unidades de manejo, Almería Baja 1 unidad de manejo, Posada de los Llanos Alta 3 unidades de manejo y Posada de los Llanos Baja 3 unidades de manejo.

De igual forma, se presentan los resultados de los hatos ganaderos agrupados por los municipios que los contienen de forma que sea más fácil su comparación.

40

7.1.1. NDVI como fRFA

La temporalidad del NDVI a 8 días como fracción de la Radiación Fotosintética Activa absorbidas (fRFA) para todos los hatos (Figura 7) en su respuesta espectral se halló en la mayoría de los datos entre 0 y 1, donde la media registrada en el cuartil 2 (Q2) se mantuvo entre 0.4 y 0.8. Para este, solo el NDVI no presento datos atípicos en sus valores de respuesta espectral, ya que, la mayoría de datos se mantuvo en el rango (Huete et al, 2002 y FAO, 1999) para representar la vegetación.

Figura 7. Rango de valores del NDVI a 8 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011.

Por el contrario, el NDVI a los 16 días como fRFA (Figura 8) en la mayoría de los datos registrados, el rango de respuesta espectral registrada se presentó entre 0.2 y 1.0, a excepción del hato Pinar Verde que dio un valor atípico en su mínimo alcanzado. Y a diferencia de la temporalidad de los 8 días el cuartil 2 (Q2), se halló entre 0.5 y 0.8 de respuesta espectral en todos los hatos evaluados.

41

Figura 8. Rango de valores del NDVI a 16 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año de 2011.

A continuación, se detallan el comportamiento de los diferentes hatos ganaderos ubicados en 4 municipios, los valores mencionados hacen parte del Anexo D que son las figuras que soportan las cifras mencionadas para cada día.

- Municipio de Belmira

En el municipio de Belmira se encuentran localizados los hatos El Común y Pinar Verde. De manera general el NDVI a los 8 días como fRFA (Figura 7), mostró una respuesta espectral entre -1 y 1 con ningún valor atípico registrado con un total de 12 fechas evaluadas. De acuerdo a esto, para el municipio de Belmira, El hato el Común registró una media de 0.5 para las 40 unidades de manejo (pixeles), donde para este hato su valor mínimo de 0.027 se dio en el día 321. Por otra parte, el hato Pinar Verde con 13 fechas evaluadas, alcanzó una media aritmética mayor a la del hato El Común y un comportamiento en una unidad de manejo con valor mínimo de -0.003, lo que lo hace un valor errado para caracterizar el forraje, igualmente fue el único hato que con temporalidad de 8 días registro un máximo 1.011 correspondiente a la respuesta espectral. Aunque este máximo se presentó en el día juliano 345 no fue desechado por el rango, puesto que, no se alejó mucho del criterio mencionado al inicio para los (IV) a 8 días.

A los 16 días en el hato El Común, la respuesta espectral se mantuvo en el rango de 0.4 y 1.0 (Figura 8) donde la mayoría de sus valores se mantuvieron ajustados a

42

la media. Este hato registro para el día 145 un valor mínimo de 0.482, demostrando que a esta temporalidad el rango es ajustado. De esta forma, la única desventaja del NDVI a los 16 días en el Hato es la poca cantidad de fechas evaluadas que debido al proceso de calidad se perdieron y no fueron reemplazados para no alterar el estudio de la estimación de la PPNA, lo que condujo a que solo 8 fechas pudieran ser evaluadas.

Por el contrario, el hato Pinar Verde también a la temporalidad de 16 días en la fecha 337 registro un mínimo de -0.003 que corresponde al valor atípico registrado en la figura 8 y un máximo que no supera el rango de 0.9.

- Municipio El Retiro

En el municipio El Retiro se encuentran localizados el hato La Carlota, con fRFA a los 8 días por medio del NDVI con 12 imágenes estudiadas, donde la media correspondiente al cuartil 2 (Q2), es menor que en los dos hatos mencionados anteriormente y el rango máximo alcanzado no es mayor a 0.8, este hato al ser representado con dos unidades de manejo es decir, dos pixeles, presentó algunos cambios importantes como por ejemplo el día 257, presenta un máximo de 0.466 y un mínimo de 0.088, donde la concentración de la vegetación, en este caso el recurso forrajero, es más abundante en un sector del potrero que del otro. Mientras que a los 16 días (Figura 9), también con el NDVI con un rango en su respuesta espectral entre 0.4 y 0.8 donde solo 4 fechas fueron estudiadas, dieron una media en el cual, los valores se mantiene cercanos a 0.7.

- Municipio de Medellín

En el municipio de Medellín se encuentra el hato Paysandú, que es representado por una sola unidad de manejo (1 pixel), donde el rango en todas las fechas se mantuvo entre 0.1 y 0.8 (Figura 7), con una media cercana a la del hato El Común.

Para la mayoría de fechas en las dos temporalidades con el NDVI, las cuales mostraron rangos similares y variaciones muy mínimas en su respuesta espectral pero fechas analizadas como por ejemplo el día 177, que mostro variaciones fuertes en las dos temporalidades con valores de 0.323 a los 8 días y 0.799 a los 16 días. Esto se explica, ya que dado que los dos índices fueron calculados con la misma ecuación para el hato Paysandú, estas diferencias pueden estar asociadas a procesos de calibración con los que no cuenta el fRFA a 8 días o por valores ajustados en el compuesto de 16 días como ejemplo la Reflectancia Bidireccional del Producto MODIS (Figura 8).

43

- Municipio de San Pedro de los Milagros

En el municipio de San Pedro de los Milagros se encuentran los hatos de Altamira, Almeria Alta, Almeria Baja, Posada de los Llanos Alta y Posada de los Llanos Baja. El hato Altamira está representado por dos unidades de manejo en 8 y 16 días, por lo tanto, el rango de valores permaneció para la vegetación entre 0.1 y 0.9 para la primera (Figura 7) y para la segunda entre 0.6 y 0.8 (Figura 8) pero con una media a los 8 días que supera la media de los hatos mencionados anteriormente a esta misma temporalidad. Por otra parte, las diferencias entre 16 y 8 días puntuales en el hato no varían mucho en los valores máximos y mínimos como por ejemplo, a 8 días, el día 145 tuvo un máximo de 0.635 y un mínimo de 0.690, y a 16 días un máximo de 0.635 y un mínimo de 0.690 , mostrando que la variación entre pixeles en ambas temporalidades presenta un NDVI muy bajo cuando el área del hato es muy pequeña, estas variaciones determinaran la diferencia en la obtención de la PPNA y de esta manera la estimación de la Productividad Forrajera.

Se puede ver que el hato ganadero Almería Alta, que está representado en dos unidades de manejo, para los 8 días (Figura 7) registra un rango que va desde 0 hasta 0.9 y su media se mantiene en valores cercanos a 0.6. Mientras que, en las imágenes a 16 días (Figura 8) los valores se mantienen en un rango ajustado, donde este mismo muestra que hay poca variabilidad de la vegetación. En este mismo hato, los valores registrados en las dos temporalidades son iguales por ejemplo, en el caso del día 161 (min. 0.807 y máx. 0.825) y el día 241 (min. 0.700 y máx. 0.798). Demostrando que las variaciones para algunos hatos con el muestreo y cálculo de los índices no afecta la representación de la fRFA.

Almería Baja presenta variaciones altas en el índice a 8 días como se puede ver en la Figura 7, es el que registra la media más alta de todos los hatos. Este mismo hato, al igual que los otros, explica que la vegetación se comporta de forma variable y que las actividades de pastoreo son delimitantes en la respuesta de la vegetación. Estos valores muestran que el NDVI como fRFA representa cambios muy bruscos en la temporalidad a 8 días para este hato, a diferencia del de 16 días, donde el índice tiene un excelente comportamiento caracterizando la vegetación en rangos de 0.9 a 0.7 (Figura 8). De esta manera, la respuesta espectral alta y ajustada en la fRFA a 16 días y con mínimas variaciones entre los días del índice pero solo caracterizando los potreros estas fechas.

En la Posada de los Llanos Alta, el índice permite caracterizar tres unidades de manejo para este potrero, en el cual la variabilidad a 8 días, posee un rango de temporalidad muy amplio permitiendo analizar todas las fechas. Sin embargo, los valores registrados en la respuesta espectral (Figura 7) de los pixeles (unidades de

44

manejo) tienen variaciones significativas, como es el caso del día 257 con valores de 0.135, 0.550, 0.774 y en el día 305 con valores 0.536 y 0.073; estas diferencias establecen el comportamiento independiente de cada unidad de manejo como fRFA a 8 días en la Posada de los Llanos Alta y pueden generar cambios significativos en la obtención de la PPNA. Por el contrario, a 16 días debido al proceso de calidad realizado con la banda de confiabilidad del pixel, solo se pudo obtener dos observaciones para los días 145 (0.771, 0.588, 0.568) y 257 (0.550, 0.774), donde las diferencias en valores de la respuesta espectral de la fRFA a 16 días (Figura 8) no son muy altas pero debido al proceso de calidad realizado al NDVI en el día 257 solo registro dos pixeles para ser evaluados.

En Posada de los Llanos Baja, el comportamiento de fRFA presentó relaciones fuertes entre los valores a 8 y 16 días debido a la disposición de la luz y el área foliar, mostrando que la temporalidad en el NDVI no es una característica de mejora en las imágenes y mejor tratamiento de calidad, sino que dependen de los criterios de calidad que se utilicen (0 a 1) en la respuesta espectral del índice. Es decir, si la variación entre la imagen 145 a 16 y 8 días es similar, permite dar validez para la temporalidad a 8 días que depende de los criterios que se utilicen. De esta forma la respuesta espectral que determina la fRFA a los 8 días (Figura 7) presento valores muy similares en los pixeles denotados como unidades de manejo, es el caso, de los días 137 (0.256 (dos pixeles) y 0.127), 169 (0.467 (dos pixeles) y 0.874), 257 (0.837 y 0.876 (dos pixeles)) que establecen comportamiento iguales sin cambios que permitan evaluar puntualmente estas unidades de manejo. De este mismo modo, la fRFA a 16 días (Figura 8), en los días 145 con valores de 0.723 (dos pixeles) y 0.68, y el día 257 con valores de 0.837 y 0.876 (dos pixeles), en que aquellas respuestas espectrales caracterizaron por igual las dos unidades de manejo.

7.1.2. EVI como fRFA El EVI presentó valores muy extremos a los 8 días, este comportamiento se presentó para la mayoría de los hatos ganaderos en sus diferentes fechas donde, los pixeles superaron el rango máximo permitido propuesto (igual a 1). Mientras que, a los 16 días los valores se acercan más a la respuesta espectral de los forrajes y pastos.

Esto demuestra que el EVI calculado por la ecuación EVI2 presenta muchas distorsiones en la representación de la vegetación. Por eso, estimar el PPNA con el índice de vegetación mejorado a 8 días sin realizarle más procesos de escrutinio y correcciones, tales como, la Reflectancia Bidireccional (Proceso realizado al producto MOD09Q1, con el fin de obtener el producto MOD13Q1) y correcciones

45

atmosféricas, logra ajustar la respuesta espectral de los índices a valores reales de representación de la vegetación.

El EVI a 8 días como fRFA, presento rangos amplios (entre 0 y 2.5) (Figura 9) que no cumplen con los criterios de caracterización de la vegetación (Huete et al, 2002 y FAO, 1999) y la media de estos para todos los hatos ganaderos se muestra en el rango de 0.5 a 1.5 superando en gran medida la respuesta espectral de la vegetación. La fRFA del EVI a 8 días, a diferencia de las demás no muestra datos atípicos por el rango de valores se repite mucho en los días julianos y en todos los pixeles.

Figura 9. Rango de valores del EVI a 8 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011.

Mientras que el EVI a 16 días como fRFA (Figura 10) en todos los hatos muestra un rango mucho más ajustado entre 0.1 y 0.8 caracterizando en buena forma los forrajes de pastos, con una media representada en el cuartil 2 (Q2) que se mantiene en 0.4 y 0.7. Igualmente que el NDVI a 16 días, solo registra valores atípicos en el hato Pinar verde.

46

Figura 10. Rango de valores del EVI a 16 días como fRFA representado a través de diagrama de cajas y bigotes de los 9 hatos ganaderos para el año 2011.

De manera inmediata, se especifica el comportamiento de los 9 hatos ganaderos en los 4 municipios, los valores mencionados a continuación hacen parte del Anexo D que son las figuras que soportan las cifras mencionadas para cada día.

- Municipio de Belmira

Aunque en la Figura 9 no se presentan valores atípicos debido a que los rangos están elevados desde el mínimo valor hasta el máximo, es decir, en la muestra de los datos en todos los hatos se presentan rangos elevados en todas las unidades de manejo (pixeles).

A continuación, se muestra que el hato El Común, obtuvo valores de pixel a 8 días muy alejados de respuesta espectral para todas las imágenes, alejados del valor máximo característico (1.0), igualmente, aunque el 50% de los datos se encuentran bajo este valor, ya que la media está en limite, el otro 50% supera los valores de respuesta espectral de la vegetación (Figura 9). De estos, el valor más alejado presentado es el día 241 con un mínimo de 1.469 y un máximo de 1.636. Con lo cual, los valores obtenidos están alejados de los rangos establecidos en la literatura (FAO, 1999), para la determinación de la fRFA a 8 días en el hato El Común. Por otra parte, a 16 días el rango y la respuesta del índice es mucho más ajustada que el NDVI a 16 días presentado el anteriormente. De esta forma, el hato El Común con el EVI a 16 días, se mantuvo entre 0.362 y 0.778 (Figura 10), valores que se

47

encuentran entre los rangos conocidos para la caracterización de los forrajes presente en este potrero. Sin embargo, debido al proceso de calidad realizada se pierde gran parte (50%) de los datos que corresponden al hato estudiado.

Para Pinar Verde, solo tres fechas fueron evaluadas a los 8 días, mantuvo el rango en todo el hato ganadero aunque estos días fueron los únicos que representaron la fRFA a 8 días, el mínimo presentado en el día 337 no representa el recurso forrajero, debido a que este valor no hace parte de la caracterización de la vegetación; en los demás días la mayoría de pixeles superaron los valores máximos y la media registrada en la Figura 9 supero el rango propuesto, perdiendo así la caracterización de los forrajes. Por el contrario, a los 16 días la fRFA demuestra valores confiables en todas las fechas evaluadas con un rango más amplio de variación de la vegetación que El Común. A pesar de esto, el día 337 fue el único valor atípico y por lo tanto, no es representativo para describir la vegetación en Pinar Verde (Figura 10).

- Municipio El Retiro

En La Carlota, a 8 días la fRFA con el EVI no obtuvo una buena respuesta espectral en algunas unidades de manejo (seis fechas julianas), ya que la mayoría de los datos se encuentran antes del cuartil 2 (Figura 9); en comparación con los dos hatos mencionados anteriormente (Pinar Verde y El Común) el EVI a 8 días presentó aceptables respuestas espectrales como fRFA. Mientras que, fRFA a 16 días con el EVI, la variabilidad temporal de estudio limitada debido a la recepción y proceso de calidad de las fechas que hacen perder en un 100% las unidades de manejo (pixeles) pero aun así, los valores de unidades de manejo que quedaron caracterizan muy bien la vegetación con una media cercana a 0.5 (Figura 10).

- Municipio de Medellín

Para Paysandú, solo los días julianos 177 y 337 con valores de fRFA iguales 0.809 y 0.397 respectivamente para el EVI a 8 días, cumplió con la representación del pixel de manejo de este hato, dejando poca confianza como variable en la obtención final de la PPNA (Figura 9). Por lo contrario, el EVI a 16 días como fRFA, las 4 imágenes evaluadas se mantuvieron en el rango con valores muy acertados iguales a 0.485 y 0.393 (Figura 10), aunque la variabilidad temporal en los días que se dieron es muy pequeña en comparación con la fRFA a 8 días, la calidad y mejora de la respuesta espectral da un soporte muy importante para continuar con la obtención de la PPNA.

48

- Municipio de San Pedro de los Milagros

En Altamira los días julianos para el EVI a 8 días que pudieron ser evaluados como fRFA, fueron 4 días con un rango de 0.1 hasta 2.0, en el que la media de los datos se mantiene en valores de 1.2 (Figura 9) que superan el rango de la respuesta espectral de los índices de vegetación. Mientras que el EVI a 16 días como variable fRFA, sigue manteniendo el rango propuesto de las respuestas espectrales otorgadas por el índice (Figura 10) y demostrando que, caracteriza de buena forma la información correspondiente a forraje de pastos en este hato ganadero. Este hato a diferencia de los hatos mencionados anteriormente (El Común, Pinar Verde, La Carlota y Paysandú), otorgó una buena cantidad de fechas para el estudio la fRFA a los 16 días con el EVI.

Para la región de Almería Alta, solo las fechas julianas 129, 169, 201 en solo una unidad de manejo, 233 y 329 con respecto a 8 días el EVI, otorgó una buena respuesta espectral, pero en general, el 50% de los datos se encuentran con valores acertados de respuesta espectral (Figura 9). Al igual que las seis imágenes dadas por el EVI a 16 días y demostraron la buena representación que tiene el índice a como fRFA a esta temporalidad (Figura 10). Ahora bien, si se analizan las respuestas del índice como fRFA en las dos temporalidades (EVI 8 y 16 días) entre fechas iguales como las imagen 161 del hato donde se presentan una diferencia en el valor registrado grande en la misma posición de la unidad de manejo o pixel (1.839 EVI 8 días - 0.720 EVI 16 días = ±1.119, 1.778 EVI 8 días - 0.678 EVI 16 días = ± 1.1), esta características se dan entre la mayoría de los hatos evaluados con el EVI a 8 y 16 días, a diferencia de la relación que presenta el NDVI a 8 y 16 días.

En Almería Baja, el EVI a 8 días presenta lo mismos inconvenientes mencionados anteriormente respecto a los hatos ganaderos, mientras que el rango registra un valor de 0.5 en su mínimo (Figura 9). Al contrario del día 329 es la única fecha que arrojo valores aceptables como fRFA igual a 0.822; los demás días presentaron valores muy alejados de la respuesta espectral que formulan los índices de vegetación. Por el contrario, los días 145, 161, 209 y 257 con valores iguales a 0.602, 0.720, 0.440 y 0.675 respectivamente del EVI a 16 días, registran buenos respuestas espectrales del índice manteniendo una media de 0.65 (Figura 10) en la mayoría de pixeles. De esta misma manera, las diferencias presentes a las dos temporalidades (EVI 16 y 8 días) se mantienen con rangos muy alejados entre las dos, por ejemplo el día 161 presentes en las dos escalas de tiempo, se halla una diferencia (2.063 EVI 8 días – 0.720 EVI 16 días) de ±1.343. Esto demuestra que

49

las relaciones entre el EVI a sus diferentes escalas de tiempo están mucho más limitadas que las del NDVI.

Para la Posada de los Llanos Alta, los valores obtenidos con el cálculo del EVI a 8 días como fRFA para las imágenes dieron una respuesta espectral con un rango de 0.1 a 2.4 en todos los pixeles de las diferentes fechas (Figura 9), mientras que, en los días 257 y 305 solo un pixel mantuvo el criterio propuesto para los valores de los índices. El EVI a 16 días, al igual que el NDVI, solo en dos días julianos se pudo tratar como observación debido a que, el proceso de calidad eliminó las demás fechas julianas. Pero solo las dos imágenes obtenidas presentaron una excelente respuesta espectral 145 y 257 para caracterizar la fRFA a 16 días, igualmente este fue el único hato que no mantuvo las distancias de las proporciones entre el cuartil 1 y 2 (Figura 10), es decir, represento tanto la media de los datos cercana al 25% de los datos analizados, esto se debe a que la cantidad de imágenes evaluados es limitada y las variaciones presentes en sus valores son mínimas.

En la Posada de los llanos Baja, solo los días julianos 137, 233, 281 y 289 para el EVI a 8 días representaron la fracción de Radiación Fotosintética Absorbida por las plantas con valores aceptables; las demás fechas julianas calculadas presentaron valores muy altos en la representación del pixel con el EVI a 8 días (Figura 9), a excepción de la fecha 169 que logro caracterizar una sola unidad de manejo con valores aceptables (0.850 bueno y 2.010 valor malo respuesta espectral muy alta). El EVI a 16 días ha seguido presentando y caracterizando la respuesta espectral (Figura 10) en este hato y en todos los hatos anteriormente mencionados como fRFA, de esta manera, la Posada de los Llanos Alta registro en cuatro fechas julianas (145, 161, 225, 257) valores muy adecuados en la representación y caracterización de la vegetación.

7.2. Radiación Fotosintética Activa (RFA) La Radiación Fotosintética Activa se calculó para las distintas fechas julianas partiendo de la Radiación global (Rg), esta variable como se mencionó en la metodología dependió de la latitud y fue escalada a la resolución de los índices de vegetación para hacer operable el producto entre la RFA y fRFA. A continuación se describe el comportamiento de cada uno de los hatos ganaderos.

50

Figura 11. Serie de tiempo de los valores mínimos de la Radiación Fotosintética Activa (RFA) en los 9 hatos ganaderos para el año 2011.

En la Figura 11 que corresponde a los valores mínimos registrados de la RFA, se observa que El Común desde el día 145 aumenta la recepción de RFA hasta el día 233 y partir de ahí comienza una disminución en estos valores. Por otro lado, hatos como La Posada de los Llanos Baja y Alta presentan un descenso en los niveles de radiación desde el día 177 hasta el 225 y volviendo a subir drásticamente en el día 233, esta representación casi idéntica de la RFA se da ya que los hatos no se hallan tan alejados uno del otro y sus condiciones atmosféricas como topográficas son similares. Este mismo comportamiento sucede con Almería Baja y Alta. De esto también se observa que la cantidad de RFA tiene un descenso casi uniforme en todos los hatos en el día 265. Igualmente, el hato Altamira es el único hato que presenta los valores más altos de RFA interceptados en el descenso en el día 265.

51

Figura 12. Serie de tiempo de los valores máximos de la Radiación Fotosintética Activa (RFA) en los 9 hatos ganaderos para el año 2011.

Por otro lado, en la Figura 12 en los valores máximos de la RFA se ve mayor uniformidad y un comportamiento igual en toda la serie de tiempo, donde casi todos los hatos convergen entre las fechas 217 y 265. A continuación se detallan en los 4 municipios en comportamiento de la RFA en cada uno de los 9 hatos estudiados.

- Municipio de Belmira

Para el hato El Común, en los primeros días julianos desde el 145 hasta el 209, la variación en cada unidad de manejo no tuvo un cambio significativo. Desde el día 233 hacia delante, los cambios en el RFA para cada unidad de pixel variaron debido a que, la radiación que ingresó a estos potreros fue mucho mayor, aunque para las diferentes fechas julianas el rango máximo alcanzado entre ellas 11.6 ( ⁄ ) y un mínimo 7.0 ( ⁄ ), estas variaciones entre temporalidades no muestran intensidades abruptas entre ellas.

A partir de esto, se detalla los rangos de la RFA en cada fecha estudiada, 145 hasta 177 ([máx. 11.5 ⁄ , y min. 9.2 ⁄ ,]) no se presentó variación en la continuidad de estas tres fechas. Con relación a las anteriores se registró un aumento en la cantidad de RFA ingresada, 209 ([máx. 11.6 ⁄ , y min. 9.7

⁄ ]) solo el valor mínimo registro un aumento en esta fecha, 233 y 241 ([máx. 11.6 ⁄ y min. 10.2 ⁄ ] y [máx. 11.6 ⁄ , y min. 10.1

⁄ ),]) en estas dos fechas su variación fue mínima en la cantidad de

52

radiación, desde 265 hasta 353 se vio un descenso en la cantidad de RFA ingresada a la superficie, donde los valores máximos y mínimos se encuentran en unidades de ⁄ . Por lo tanto, en este hato el comportamiento de la RFA se observara en cuatro agrupaciones de fechas ([145 – 201], [209 – 241], [265 – 273] y [297 – 353]) que determinaran las variaciones del potrero.

Pinar Verde presentó un comportamiento similar a El Común, ya que comenzaba con el crecimiento de la RFA las primeras dos fechas, después valores decrecientes en el rango registrado de los máximos y mínimos alcanzados. Sin embargo, en este caso el descenso de la RFA se dio entre las fechas 241 – 297. Las variaciones registradas en el rango fueron las siguientes para los días 241 ([máx. 11.6 y min. 10.1]) – 297 ([máx. 10.9 y min. 9.6]) (rangos registrados en unidades de ⁄ ). El RFA no mostró grandes cambios en esta región debido a que los datos se comportaron de acuerdo a la topografía y latitud presente. De esta forma, se empezó a notar que la variación de la radiación registrada en los hatos es poca, pero la temporalidad establece el comportamiento de la RFA y su posición de acuerdo a la ubicación de la unidad de manejo.

- Municipio El Retiro

En La Carlota se puede observar con más precisión la variación que pudo obtener el RFA en los días 121 (10.5 ⁄ y 11.1 ⁄ ) hasta 313 (9.1 ⁄ y 9.3 ⁄ ). Por otra parte, los días 161 y 169 mostraron valores de RFA similares, al igual que los días 225 y 257; En los dos primeros en la escala temporal de 8 días puede que no afecte el cambio de la RFA pero los otros días con una escala temporal de más de 8 días registra valores iguales, lo que quiere decir, que la temporalidad para el hato la Carlota puede que no haga cambios significativos en los valores de la RFA.

- Municipio de Medellín

Para Paysandú los días julianos que presentaron más cantidad de RFA mostraron que, para los meses de cada una de estas fechas la radiación que se recibe a mediados del año (145: 11.6 ⁄ , 169 y 177: 11.5 ⁄ , 201 y 209: 11.6

⁄ , 257: 11.2 ⁄ y 289: 10.0 ⁄ ) es mayor que la recibida al final del año (321: 8.7 ⁄ , 337: 8.2 ⁄ y 345: 8.1 ⁄ ).

- Municipio de San Pedro de los Milagros

La posición de la tierra con respecto al Sol, en el hato Altamira reflejó en un cambio en el valor máximo de RFA para los días 137 hasta 289, mientras que los días 297 hasta 353 el máximo valor.

53

En Almería Alta, el incremento de la RFA alcanza un tope máximo en el día 241 (11.3 ⁄ y 11.39 ⁄ ), a partir de esta fecha se observa un decrecimiento para las fechas anteriores (233, 209, 201 y 193) hasta el día 169 (10.4 y 10.8 [ ⁄ ]), presentado un nuevo aumento a partir de 161 (10.4 y 10.9 [ ⁄ ]) hasta el 129 (10.9 y 11.2 [ ⁄ ]) y decrecimiento a fechas posteriores (257, 265, 297, 305, 321 y 329) también al día 241, en la representación de radiación incidente en esta zona. La RFA en los diferentes hatos posee un comportamiento diferente, por ejemplo este hato, Almería Alta, inició sus variaciones a partir de una fecha media en el total de todas fechas estudiadas que comienzas a mediados de un año.

Almería Baja, también representa la variación para una sola unidad de manejo y demuestra que el incremento de la RFA va estar asociado al MDT (Modelo Digital de Terreno) y la ubicación del hato, puesto que la topografía y fecha de posición de la tierra con respecto al Sol genera el cambio en esta variable. De este modo, los días julianos que registran valores más altos de RFA son los días 129, 209, 233, 241, 257 y 265. Mientras que, los días 137, 161, 169, 145 y 201, obtuvieron valores intermedios de RFA. Y por último dos fechas, la 321 y 329 alcanzaron los valores más bajos de RFA en el hato Almería Baja.

Los cambios notables registrados en La Posada de los Llanos Alta, se dieron en los días 225 ({11.2, 11.3 y 11.4} ⁄ ) hasta 257 ({11.4, 11.37 y 11.32} ⁄ ), de ahí que la radiación incidente para algunos hatos dependa de la época del año.

La Posada de los Llanos Baja no presento variabilidad en todas las fechas para la RFA, solo en el rango de los días 233 ({11.6, 11.5 y 11.4} ⁄ ) – 305 ({10.0, 9.9 y 9.8} ⁄ ) algunas unidades de manejo cambiaron en la representación de este valor. Los cambios en este hato al igual que, en la Posada de los Llanos Alta entre las diferentes fechas julianas no son muy significativos.

En el caso de el MDT provisto por las imágenes ASTER para todos los hatos ganaderos no elimina ninguna unidad de manejo o pixel y por la tanto su cálculo con fRFA no es problema de operaciones entre el producto espacial de las dos.

7.3. Productividad Primaria Neta Aérea (PPNA) del Forraje de Pastos La Productividad Primaria Neta Aérea (PPNA) para los diferentes hatos ganaderos, difieren en el comportamiento según el índice de vegetación utilizado. A continuación, se presentan los gráficos que muestran la conducta de cada hato ganadero. En la abscisa del eje horizontal se enseña las fechas julianas evaluadas para el eje vertical se ubican los valores de PPNA de acuerdo a su temporalidad de 8 y 16 días. Estas variaciones de productividad del forraje se estiman para las

54

diferentes fechas de toma de datos determinadas por la resolución temporal del sensor MODIS.

- Municipio de Belmira

El hato ganadero El Común con temporalidad de 8 días, en la PPNA obtenida a través del NDVI (Figura 13), el único día que tuvo un comportamiento casi lineal de productividad forrajera entre el rango 1.2 y 1.5 ( ⁄ ) fue el día 241. Los demás días las variaciones estimadas de productividad, de cada una de las unidades de manejo, se presentó muy dispersa. Por el contrario, aunque el EVI (Figura 13) registró el mismo comportamiento lineal en el día 241 (2.5 ⁄ – 3.25 ⁄ ), el rango de valores de productividad forrajera fue alto.

A los 16 días (Figura 13), en el hato El Común los valores de la PPNA se comportan linealmente como los IV a los 8 días, con valores más altos en el NDVI, donde la mayoría de los datos de productividad se presentaron en el rango de 1.2 a 1.6 ( ⁄ ) y valores más bajos en el EVI, en el que, la mayoría de las unidades de manejo se hallaron en el rango 0.6 y 1.2 ( ⁄ ).

Los valores registrados de productividad forrajera a 8 días en Pinar Verde (Figura 14), de la PPNA por medio del NDVI, se presentaron en el rango de 0.04 y 1.6 ( ⁄ ). En este hato al igual que El Común, registró el día 241 con valores en las unidades de manejo que se comportaron de manera lineal en el rango 1.2 y 1.6 ( ⁄ ). Mientras que, la PPNA estimada con el EVI, los valores de los pixeles se obtuvieron en un rango con un máximo (0.0 – 4.0 ⁄ ), mayor que la PPNA del NDVI; estos valores máximos se pueden notar también en el día 241 de la PPNA del EVI, que aunque presento un comportamiento lineal en el rango de 2.5 a 3.5 ( ⁄ ) sus estimaciones de productividad forrajera son altos.

55

Figura 13. PPNA del hato El Común en las temporalidades de 8 y 16 días con el NDVI y el EVI.

Por otro lado, la PPNA del hato Pinar Verde registrada a una temporalidad de 16 días (Figura 14) con el NDVI los días 177, 209, 241 y 305, se mostraron de manera lineal la productividad forrajera en el rango de 1.1 y 1.5 ( ⁄ ). Mientras que el día 337 presento picos de productividad muy bajos hasta con datos errados (valores negativos) en dos unidades de manejo. Por el contrario la PPNA obtenida de Pinar Verde por medio del EVI, expresa con detalle las variaciones de la productividad forrajera pero mantiene los picos bajos registrados en el día 337.

56

Figura 14. PPNA del hato Pinar Verde en las temporalidades de 8 y 16 días con el NDVI y el EVI.

- Municipio El Retiro

En la Carlota, se puede ver con mayor detalle la variación de la productividad para las diferentes fechas del año, ya que solo dos pixeles caracterizan este hato. Cada 8 días (Figura 15), las imágenes presentan datos cambiantes de productividad, esto demuestra que el comportamiento del potrero, de acuerdo a la temporalidad con las imágenes MODIS, establece un proceso de evaluación de la tasa de crecimiento y así mismo, sentar las bases para la toma decisiones de las actividades rotacionales y la capacidad de carga para el hato La Carlota. Sin embargo, la PPNA del EVI registra valores de productividad altos en comparación con los de la PPNA del NDVI.

Para los 16 días tanto el NDVI como EVI en la Carlota (Figura 15), en sus valores de registro de productividad forrajera, sus variaciones no son tan significativas como las que se producen en la temporalidad de 8 días. Y entre los dos pixeles no superan valores de 1.5 ( ⁄ ) de la PPNA en el NDVI y el EVI de 1.0 ( ⁄ ).

57

Figura 15. PPNA del hato La Carlota en las temporalidades de 8 y 16 días con el NDVI y el EVI.

- Municipio de Medellín

Paysandú al ser representado por una sola unidad de manejo, ya que el tamaño de la franja monitoreado es muy pequeño, fue delimitada por la variable de fRFA que está dada por los índices de vegetación. A los 8 días la PPNA (Figura 16) obtenida por medio del NDVI, arrojó diferentes valores para las unidades de manejo, con un máximo de 1.36 ( ⁄ ) y un mínimo de 0.220 ( ⁄ ) en los días 169 y 337 respectivamente. Por otro lado, la PPNA del EVI, registro valores altos en los días 145 (3.08 ⁄ ), 169 (3.02 ⁄ ) y 209 (3.02 ⁄ ) y un mínimo en el día 337 (0.080 ⁄ ).

La PPNA a partir del NDVI a 16 días (Figura 16), al ser comparado con la respuesta espectral que otorga el EVI, a la misma temporalidad, la productividad es lineal y ajustada. Por ejemplo, en Paysandú en el día 177 con el NDVI el valor máximo

58

alcanzado de productividad 1.45 ( ⁄ ), mientras que el PPNA del EVI (Figura 16) se registran valores de 1.1 ( ⁄ ).

Figura 16. PPNA del hato Paysandú en las temporalidades de 8 y 16 días con el NDVI y el EVI.

- Municipio de San Pedro de los Milagros

En Altamira, se presenta valores de productividad del PPNA del NDVI a 8 días (Figura 17) con datos altos de productividad forrajera en el día juliano 297 (1.440

⁄ ) y valores mínimos en el día 321 (0.240 ⁄ ), para el mismo día (297) se registró en el PPNA del EVI (Figura 17) pero con valores más altos en productividad con un valor máximo de 3.3 ⁄ y un mínimo de 0.5

⁄ , que supera a la PPNA del NDVI. De igual forma, los valores de productividad presentes a 16 días (Figura 17), al igual que los otros hatos mencionados anteriormente la PPNA, se mantiene en valores ajustados y con un comportamiento lineal a esta temporalidad.

59

Figura 17. PPNA del hato Altamira en las temporalidades de 8 y 16 días con el NDVI y el EVI.

En la Almería Baja el comportamiento de la PPNA a los 8 días (Figura 18), en los días de muestreo estudiados fue por ejemplo en el NDVI, los días 129 (0.560

⁄ ), 233 (0.720 ⁄ ) y 329 (0.480 ⁄ ) son los únicos días que la productividad forrajera es baja. Por otro lado, registra valores mínimos de productividad en los mismos días en el EVI (129: 0.80 ⁄ , 233: 1.300

⁄ y 329: 0.750 ⁄ ). Mientras que, a los 16 días tanto en el NDVI como el EVI, solo cuatro fechas julianas representan valores de PPNA (145, 161, 209 y 257) (Figura 18).

60

Figura 18. PPNA del hato Almería Baja en las temporalidades de 8 y 16 días con el NDVI y el EVI.

El comportamiento del PPNA del hato Almería Alta (Figura 19), con el NDVI a 8 días, los valores máximos de la PPNA se registran 161, 241 y 265. Mientras que, en el EVI a la misma temporalidad los valores se registran para estos mismos días muestran un aumento en sus niveles de productividad. Por otra parte, con el NDVI a los 16 los valores no registran grandes diferencias en los valores de productividad forrajera. Y la PPNA con el EVI a los 16 días, en la unidad de manejo la productividad máxima del hato se da en el día 145.

61

Figura 19. PPNA del hato Almería Alta en las temporalidades de 8 y 16 días con el NDVI y el EVI.

La Posadas de los Llanos Alta representada con tres unidades de manejo tiene un comportamiento más variado en el PPNA obtenido a través del EVI y NDVI (Figura 20). De esta manera, en la PPNA con el NDVI a los 8 días, se observa variaciones significativas de la productividad forrajera, donde los días 137 y 145 muestran en las tres unidades de manejo valores altos de la PPNA. Por otro lado, en la PPNA obtenida por medio del EVI a 8 días, mantiene valores máximos en las tres unidades de manejo en los días 137,145 y 281; aunque estos valores en la PPNA del EVI con temporalidad de 8 días, superan y hasta triplican los valores de Productividad en este y los anteriores hatos mencionados en la obtención de la PPNA. Mientras que, en la PPNA con temporalidad de 16 días tanto el NDVI como EVI con solo dos fechas (145 y 257) de productividad forrajera, dan poca temporalidad para analizar los avances del rendimiento del forraje, pero estos valores obtenidos tienen un proceder más puntual y lineal de las unidades de manejo.

62

Figura 20. PPNA del hato Posada de los Llanos Alta en las temporalidades de 8 y 16 días con el NDVI y el EVI.

El comportamiento de la Posada de los Llanos Baja (Figura 21), para el día 225 de la PPNA a los 8 días con el NDVI, muestran los valores más altos de la PPNA, alcanzando un máximo de 1.600 ( ⁄ ) pero en la PPNA del EVI con la misma resolución temporal, este mismo alcanza un valor de 3.500 ( ⁄ ). Al igual que, en La Posada de los Llanos Alta, La Posada de los Llanos Baja solo dos fechas establecen la productividad forrajera.

63

Figura 21. PPNA del hato Posada de los Llanos Baja en las temporalidades de 8 y 16 días con el NDVI y el EVI.

7.4. Validación del PPNA con los datos de Biomasa de Campo

En la fase de validación, el promedio de las unidades de manejo se compararon con los datos de biomasa de campo (ver Anexo A), se observó el comportamiento dado por la temporalidad de los Índices de Vegetación (IV), que a su vez determinan la resolución espacial con que se obtiene la Productividad Primaria Neta Aérea (PPNA), es decir, la cantidad de unidades de manejo (pixeles) presentes.

A continuación, se presentan cada uno de los hatos ganaderos presentes en los cuatro municipios de la zona de estudio, con la temporalidad de las imágenes dadas por el IV y utilizadas en cada proceso para la obtención de la PPNA. De estas temporalidades, algunos valores obtenidos en campo fueron validados con dos imágenes, ya que tenían fechas de captura cercanas a las fechas de toma de los

64

datos de biomasa de campo en los diferentes hatos ganaderos, sin superar una diferencia mayor a 10 días, propuesto en la metodología como criterio 2.

Como se mencionó en la metodología solo se aceptaron aquellos datos teóricos que cumplieron con un error porcentual al 40%. A partir de este error porcentual se determinó la confianza del dato y la aceptabilidad del mismo para ser manejado como PPNA (Aceptabilidad ≥60%).

En segundo lugar se validaron individualmente los pixeles de algunas fechas de productividad con datos de biomasa de campo para establecer como se refleja mejor la PPNA con los diferentes IV y la temporalidad que estos determinan.

7.4.1. Validación mediante el promedio de todo el PPNA confrontado con el valor de Biomasa de campo

Tabla 3. Validación de los de la PPNA con las temporalidades de 8 y 16 días por medio del NDVI y el EVI.

: Muestra total Evaluada. CI: Cantidad de Imágenes Evaluadas (Fecha Juliana).

CI, No Aplica para temporalidad 16 días porque no puede ser comparadas con la temporalidad de 8 días debido a la poca cantidad de imágenes evaluadas.

65

En la Tabla 3 se simplifica el proceso de validación de todos los hatos ganaderos mostrando la PPNA del EVI a los 16 días, que es la que mejor se ajusta a los valores de biomasa de campo. En esta misma se simplifican y se consignan los valores de confianza máximo y mínimos otorgado por los valores estimados a través de las imágenes de satélite y el coeficiente EUR. De estos, se observa que el EVI a los 8 días es el que menor confianza entrega generando valores errados negativos que no representan el modelo de estimación de la PPNA. Por otro lado, la confianza aprobada mayor e igual al 60% expresada de color verde en el máximo de todos los índices, muestra la gran correlación que hay con los datos de biomasa de campo. De igual manera, el CI que representa la cantidad de imágenes o muestras analizadas para la temporalidad de 8 días con el NDVI y el EVI, se observa que 4 hatos ganaderos pasaron en su mayoría la prueba de validación con la PPNA del NDVI.

Por otro lado, el CI no fue analizado para la temporalidad de los 16 días debido a la poca cantidad de imágenes que no pueden ser comparadas con la temporalidad de 8 días. Al igual que la PPNA del EVI a 16 días, el NDVI como representación de la productividad forrajera otorga un nivel de confianza alto con los valores de biomasa de Campo. A continuación se detalla cada proceso de validación para los 9 hatos ganaderos ubicados en los 4 municipios; esta descripción corresponde a las tablas presentadas en el Anexo C:

PPNA a partir del NDVI 8 días

- Municipio de Belmira

Para el hato El Común, solo el promedio de las unidades de manejo (40 pixeles) para el día 321 no entrego la confiabilidad esperada mínima del 60% con un valor de 52.7%, el día 169 presento una confiabilidad excelente (99.7%). Para este hato el 91.67% de los días evaluados lograron el proceso de validación.

El hato Pinar Verde los valores calculados se alejaron mucho del valor observado en campo, aunque 8 (66.67%) de las 12 imágenes mantienen y pueden aún ser utilizadas para definir el potrero con la PPNA.

- Municipio El Retiro

La Carlota no representó los valores de la PPNA, ya que, no cumplen con el proceso de validación en la mayoría de las fechas de las imágenes (correspondientes al 91.67%), solo el día 169 entrego una confianza 62.7% muy cercana al límite establecido. Como consecuencia de esto, la Productividad Primaria Neta Aérea

66

calculada a partir del el NDVI en este hato se alejó de los valores de campo, por lo cual, no cumplió con el proceso de validación.

- Municipio de Medellín

En el hato Paysandú en 7 (70%) de 10 imágenes se obtuvo valores confiables ya que presentó desviaciones mínimas para mayoría de las fechas evaluadas y como se había mencionado, la resolución espacial de las imágenes MODIS solo permitió caracterizar esta unidad de manejo con un solo pixel, lo cual hace puntual el proceso de validación. Por lo tanto, los días que entregaron mejores valores de confianza fueron 209 (93.6%), 257 (95.4%), 289 (85.4%) y 321 (89.4%).

- Municipio de San Pedro de los Milagros

Altamira fue otro hato ganadero que no representó bien la PPNA con el NDVI, solo 4 días (193, 233, 281 y 353, correspondientes 30.77%) de las 13 imágenes pasaron el proceso de validación. De esta misma forma, la Almería Alta solo 5 (45.45%) días evaluados de 11 fueron aceptados como datos de biomasa o productividad del forraje, lo que lo deja con muchas fechas que no pueden ser estudiadas. Esto mismo ocurre con la Almería baja, 5 días evaluados (45,45%) no presentan buena confiabilidad en los datos pero 54.55% que corresponden a 6 imágenes si fueron aceptadas por lo que el hato se encuentra en proporciones buenas y malas.

Mientras que, La Posada de los Llanos Alta en 7 imágenes (70%) de 10, se aprecian niveles de confianza muy buenos para representar la biomasa con sensores remotos; los días con mejor aceptabilidad (confianza) son el 233 (92.7%), 281 (89.5%) y 289 (85.2%). Mientras que, en la Posada de los Llanos Baja ocurre lo contrario, ya que, solo el 40% de los días logran caracterizar el potrero. Sin embargo, los mismos días mencionados de la Posada de los Llanos Alta presentan valores aceptables de Productividad Forrajera o PPNA en la Posada de los Llanos Baja.

PPNA a partir del EVI 8 días El Índice de Vegetación Mejorado (EVI) a 8 días, no presentó buena caracterización de los hatos ganaderos, los valores generados en cálculo de la PPNA no obtuvieron un rango cercano a los valores de campo. Partiendo de que el EVI no se calculó con la ecuación general, sino con la ecuación utilizada para MODIS a los 16 días (EVI2) debido a los problemas de brillo presentados en la banda azul que no permite ajustar el índice a los valores reales, ya que la banda azul es características en el proceso de corrección atmosférica y al no estar presente en la ecuación de EVI2, estos valores presentan un incremento. Sin embargo, en algunos días los valores de productividad demuestran buenos datos de PPNA, esto ocurre debido a que en esas

67

fechas la presencia de aerosoles, nubes y hielos son pocas, y el EVI2 para el cálculo de fRFA, se caracteriza por funcionar cuando son insignificantes (aerosoles) y la calidad de la imagen es mejor.

- Municipio de Belmira

En el hato El Común, solo cuatro fechas julianas (233, 265, 321 y 345) correspondientes 33.34%, lograron acercarse a los valores obtenidos en campo, dejando un vacío en el análisis temporal que caracterizara el potrero en todas las fechas. De este modo, el error porcentual en la mayoría de las fechas superó el 100 %, dejando cero de confiabilidad en los datos. Solo tres fechas julianas entregaron desviaciones mínimas (233: 0.101, 265: 0.098 y 321: 0.081), lo que permitió obtener un nivel de confianza alto para estos días.

Pinar Verde en el cálculo de la PPNA obtuvo un comportamiento más variado y con mejores datos, donde la mayoría de fechas correspondientes al 46.15% que mostraron buenos resultados, donde la variación de esta temporalidad solo se presentó para las fechas con valores de confianza iguales a: 153: 75.5%, 201: 93.0%, 233: 86.4%, 265: 80.4%, 329:70.3% y 337: 66.8%.

- Municipio El Retiro

EVI como variable del cálculo del PPNA, no permitió caracterizar el potrero La Carlota, debido a que solo dos fechas (confianza – 129: 88.0% y 169: 60.7%) equivalentes al 16.67% de 12, entregaron la confianza mínima y dejaron por fuera la correlación con el valor de campo. Pero, solo una imagen logro un aceptable nivel de confianza, ya que el día 169 tuvo una confianza muy ajustada al valor mínimo del 60%. Se nota que el comportamiento de los datos de campo es ajustado, mientras que en los datos registrados por la PPNA estimada es variable y menos concisa.

- Municipio de Medellín

En Paysandú ocurrió lo mismo que en la Carlota solo los dos imágenes para los días 321 y 345 equivalentes al 20% representaron el promedio de las unidades de manejo con datos de productividad, las demás fechas obtuvieron desviaciones (Error Absoluto) altas saliéndose del rango, los casos notables se dan en los días 145, 169, 177, 201, 209, 257 y 289.

- Municipio de San Pedro de los Milagros

68

Para Altamira en casi todas las fechas los valores se comportaron igual dejando solo dos fechas (321 y 329) equivalentes al 16.67% de días estimados en el hato para ser tomadas en cuenta como valores de productividad donde el día 329 otorgo una confianza buena con un porcentaje 92.7%. Por otro lado, La Almería Baja en el periodo evaluado, solo mostro valores cercanos a los de campo, en la imagen inicial 129 y final 329 con valores aceptables de confianza 76.7% y 85.5% respectivamente. De igual forma, el comportamiento continúo en el proceso de validación para la Almería Alta con solo dos días 129 y 233 dejando una confianza de 81.6% y 96.5% correspondientemente. Mientras que, en la Posada de los Llanos Alta, se lograron buenos resultados en cuatro fechas (169, 177, 255 y 305) que representan el 40% del total de los días evaluados y dejando el otro 60% de las fechas que no lograron pasar todo el periodo de validación requerido, que inicio en el día 137 y término en el día 305. En cambio, en la Posada de los Llanos Baja los valores de biomasa vegetal del forraje obtenidos a través del PPNA, fueron útiles para dos fechas donde estas solo demuestran el 20 % de los días estudiados y para los demás días (8 imágenes) caracterizar esta unidad de manejo fue imposible.

En conclusión, el EVI2 otorgo pocas fechas para el estudio de los diferentes hatos debido a que estos días los valores de la vegetación elevaron los datos de productividad. Aunque, unas fechas entregaron buenos resultados es debido a que los problemas asociados a aerosoles y calidad en esos días eran buena y óptima. Porque el EVI2 como fRFA solo da buenos resultados si la calidad de las correcciones atmosféricas y las zonas de estudio no presenta problemas por interferencia de nubes, nieve y hielo. Pero el potencial de productividad para estos hatos debe ser asumido, si se mejoran los procesos de calidad en cada una de las regiones de estudio, es decir, en cada hato.

PPNA 16 DÍAS NDVI y EVI

A 16 días el NDVI y el EVI como variable para el cálculo de PPNA, muestra una gran relación con los datos de campo entregando desviaciones absolutas mínimas (Errores Absoluto). En general se aceptan gran cantidad de fechas, sin embargo, en los diferentes hatos en algunos de estos días, no puede ser representado y se cree que es posible debido al proceso de calidad que elimina estos pixeles, ya que no son confiables por problemas de nieve, aerosoles y demás. El PPNA calculado a partir del EVI entrega una muy buena respuesta espectral para la mayoría de los hatos ganaderos. Sin embargo, tanto el EVI como el NDVI no entregan una buena representación temporal con los datos de campo perdiendo muchos días y unidades de manejo por el proceso de calidad.

- Municipio de Belmira

69

De acuerdo a esto, el hato El Común los valores obtenidos de PPNA en el NDVI y EVI, presentan grandes diferencias de productividad por ejemplo el días 145 otorgo una confianza de 64.3% y 94.2% para el NDVI y EVI respectivamente. Si se analizan las diferencias dadas, se halla 29.9% de confianza, es decir, las deviación presente concedida por el error absoluto es alta (0.358 PPNA 16 días NDVI - 0.058 PPNA de 16 días NDVI = Desv. 0.3). También ocurre para las fechas 177, 241 y 353. Sin embargo, la productividad forrajera establecida con el EVI para el total de las fechas da un 87.5% de buenos resultados, mientras que, la PPNA del NDVI solo da el 50% de valores aceptables de productividad forrajera con los de campo.

En Pinar Verde, los dos valores estimados tanto con el NDVI y con el EVI, el porcentaje de fechas aceptadas es similar, con un 71.43% para la PPNA 16 días del NDVI y un 85.72% PPNA 16 días EVI. Para cada una de las fechas los valores de productividad dan confianzas diferentes con los dos valores de PPNA (EVI y NDVI), donde los mejores datos se registran en la PPNA del EVI. Aunque en el día 145 el nivel de confianza es mejor con el NDVI que con el EVI registrando para el primero un valor 96.8% y para el segundo 63.2%. Esto demuestra que para algunas unidades de manejo la representación de productividad con temporalidad de 16 días es mejor con el NDVI que con el EVI solo depende de la zona de estudio y la complejidad de la alta biomasa presente que es característica del EVI.

- Municipio El Retiro

Para el hato la Carlota las grandes diferencias de la PPNA con los valores de campo se registran en los dos índices de vegetación que caracterizan esta productividad forrajera, aunque es limitada por la temporalidad y por el proceso de calidad, en este estudio que evaluó independientemente el comportamiento con procesos mínimos de calidad sin realizar re muestreo de pixeles. Se encontró que a los 16 días la PPNA del NDVI el 50% de los días estudiados (161, 193, 209 y 257) se acercan a los valores de campo y por lo tanto, representan buenos valores de productividad. Estos días corresponden al 193 con una confianza del 65.5% y el día 257 con un 79.4%. Aunque estos valores son mínimos, entrega un resultado considerable para demostrar la aceptabilidad de capturar la PPNA con sensores remotos. Por otro lado, a los 16 días la PPNA del EVI enfrentada con los valores de campo con las mismas fechas evaluadas solo un día (209) entrego confianza (76.4%) en el dato. Al igual que los hatos anteriores la PPNA del EVI a 16 días entrega una respuesta similar a los valores de campo pero está limitada a las variaciones de alta biomasa que y a las correcciones atmosféricas o procesos de calidad (recordemos que el EVI en los datos de MODIS es calculado con la ecuación EVI2), mientras que el

70

NDVI sufre menos afectaciones por la intervención de la atmosfera y la alta y baja biomasa presente en cada hato ganadero.

- Municipio de Medellín

Ahora, al evaluar los valores obtenidos en Paysandú ocurre lo contrario que en la Carlota donde la PPNA en el NDVI no logro pasar el proceso de validación. Esto puede ser debido a que la presencia de alta biomasa es mejor ajustada por el EVI, se debe recordar que esta es una característica de este índice como fRFA. Mientras que el NDVI aprovecha las bandas para realizar atenuaciones en efectos de ruido de la atmosfera y variaciones topográficas pero sus señales se ven saturadas por alta biomasa como lo indican Huete et al., (2002). Por lo tanto, estas condiciones debieron estar presentes en este hato. De este modo, la PPNA a los 16 días con el EVI, entregó los valores de confianza de 74.1%, 91.7% y 85.2% para los días 145, 161 y 177 respectivamente, del total de todas las fechas estudiadas que corresponden al 100%.

- Municipio de San Pedro de los Milagros

En el hato Altamira la PPNA del NDVI solo 2 fechas (193 y 209) estudiadas equivalentes 28.58% del total estudiadas, entregaron niveles de confianza aceptables de 73.6% y 68.6%. Por el contrario, la PPNA del EVI con la misma cantidad de fechas evaluadas superó el número de días aceptables a 3, equivalentes al 42.86%. La productividad forrajera en este hato, con temporalidad de 16 días no preciso una validación muy buena en correspondencia con las fechas estudiadas, aunque con respuestas espectrales buenas en el EVI, esto se origina en el poco proceso de calidad que interfiere en la fRFA que es el delimitante de todas las variaciones de la PPNA.

De esta manera, en la Almería Alta la PPNA del NDVI tampoco todo el hato no logro pasar el proceso de validación porque solo el 16.67% de los días (es decir, una sola imagen) reflejó aceptables valores de confianza. Lo contrario, ocurrió con el EVI donde el 66.67% de las fechas evaluadas mostraron valores confiables a los datos de biomasa de campo; estas fechas corresponden a los días 193, 209, 241 y 305. Mientras que, en la Almería Baja la PPNA del NDVI solo un día de 4 entregó un valor aceptable de productividad (257: confianza 76.0%) y la PPNA del EVI solo el 50% de los días estudiados pasaron el proceso de validación.

En la Posada de los Llanos Alta, debido a la temporalidad de las imágenes y el proceso de calidad realizado a los índices de vegetación que representan la fRFA, solo dos fechas (145 y 257) se establecieron en el estudio. Por lo tanto, en la PPNA

71

del NDVI y EVI estimados se acercaron a la biomasa calculada en campo. Y por último en Posada de los Llanos Baja, en solo la PPNA del el EVI con tres fechas se acercó a los valores observado en campo y el NDVI en una de las fechas (161), no representó una buena respuesta de la productividad forrajera similar a los datos de campo.

7.4.2. Validación de la unidad de manejo (pixel) del PPNA confrontado con el valor de Biomasa de campo.

A continuación en la Tabla 4, se presenta la validación por pixel con los datos de biomasa de campo. Para este caso se escogió un día de cada hato que estuviera presente en las diferentes temporalidades estimadas del PPNA dada por los IV, en este se evalúo la ubicación del mismo pixel (Unidad de Manejo (Pixel) Id) en todas las imágenes (ver ANEXO B).

Para el hato El Común en la imagen 177 estudiada en la posición del pixel 10 (Id) donde la temporalidad del PPNA por medio del NDVI a 8 días, fue el que expresó mejor resultado en el valor de confianza (88.3%) cercano al dato de biomasa. Por otro lado la PPNA del EVI y el NDVI a 16 días, si mostraron buenos resultados a la biomasa de campo con una confianza igual a 80.8% y 69.8% respectivamente. En este caso, no se puede hablar de resultados casi iguales o similares entre las temporalidades, ya que el NDVI y el EVI a 16 días no están calculados solo con las reflectancias sino que parte del modelo del cálculo de la reflectancias Bidireccionales y series de tiempo de compuestos de 8 días; esto aplica para todos los hatos ganaderos. Mientras que la PPNA del EVI a 8 días, no logro ser buen estimador de la productividad con valores de confianza negativos (-29.5%), esto se presenta debido a que en este pixel las alteraciones por aerosoles son mayores, lo cual hace, que el EVI2 no atenué su respuesta espectral y por lo tanto, acumule el error para estimar la PPNA.

En Pinar Verde, el PPNA del EVI a 16 días y el NDVI a 8 días fueron los únicos que demostraron buenos resultados en la validación de la unidad de manejo, donde el primero de ellos fue el que mostró más relación con el dato de biomasa de campo alcanzando el 96.9% (PPNA EVI 16 días) confianza y el segundo con un valor 81.9% (PPNA NDVI 8 días). Por el contrario, la PPNA del NDVI a 16 días (confianza = 43.1%) y el EVI a 8 días (confianza = 55.1%), no lograron expresar la tasa de crecimiento del forraje, aunque el NDVI a 16 días se caracteriza por buenas respuestas, la calidad que se le asigne y se le realice también se ve expuesto a remuestro (series de tiempo) o datos promediados que alejan la verdadera respuesta de la vegetación y en este caso, causa un dato erróneo de productividad. Por otro lado, el EVI a 8 días aunque la PPNA no fue erróneo, sino alejado del dato

72

de biomasa de campo, lo que es debido a la poca calidad de las correcciones o efectos atmosféricos presentes, por eso es recomendable aumentar estos procesos con este índice.

Para el hato la Carlota la PPNA del NDVI a 8 y 16 días, fueron las mejores variables de representación y no mostro diferencia en el valor de productividad, entregando valores de confianza de 98% y 98.04% respectivamente. Mientras que, la PPNA del EVI a 16 y 8, los valores de productividad no se acercaron a los valores de campo. En este caso, el comportamiento de la vegetación es diferente por eso el EVI a 16 días como fRFA no arrojó buena respuesta, la cual puede ser debido a que el EVI se comporta mejor en zonas de alta biomasa que en las de baja biomasa y este pixel o unidad de manejo se caracterice por baja biomasa. Así mismo, el EVI a 8 días como fRFA no se ajustó a la representación del pixel, ni tampoco a la densidad de la biomasa presente.

En el hato Paysandú se evaluó la unidad de manejo 1, donde el la PPNA del EVI a 16 días es el único que otorgo una confianza aceptable (74.1%) de productividad forrajera, mientras que en las otras fechas los resultados obtenidos de la PPNA no se acercaron a los datos de biomasa de campo.

Por otro lado, en el hato Altamira el NDVI a 16 días, el EVI a 16 días y NDVI a 8 días de la PPNA registraron valores confiables iguales a 64.99%, 95.6% y 64.98%, siendo el mejor resultado el del EVI a 16 días. Al igual que en los otros hatos mencionados la PPNA del EVI a 8 días sigue registrando datos muy alejados de la biomasa de campo y se le asocian los problemas característicos de EVI2.

En los hatos Almería Alta y Baja, ninguno de los productos de la PPNA evaluados en los pixeles 2 y 1, se acercaron a los valores de biomasa de campo. Estas relaciones se deben a malas respuestas espectrales, procesos de calidad y remuestro que pierden la característica de la unidad de manejo y la vegetación donde la fRFA es la principal determinante y variable en el cambio de la PPNA.

Por último, la Posada de los Llanos Alta y Baja la PPNA del EVI a 16 días es la que mejor se asocia a los valores de biomasa de campo, con valores de 83% y 76.5% demostrando que con la utilización del EVI a 16 días a escala de potrero se puede caracterizar la productividad forrajera.

73

Tabla 4. Validación de los de la PPNA con las temporalidades de 8 y 16 días por medio del NDVI y el EVI.

HATO

Unidad de Manejo (Pixel)

8 días 16 días

Id NDVI EVI NDVI EVI (%)

El Común 10 88.3 -23.5 69.8 80.8

Pinar Verde 6 81.9 55.1 43.1 96.9

La Carlota 2 98 8.7 98.04 47.8

Paysandú 1 36.99 -244.7 37.02 74.1

Altamira 2 64.98 -68.8 64.99 95.6

Almería Alta 2 -104.174 -470 -104.172 -55.8

Almería Baja 1 -99.91 -468.1 -99.88 -61.7

P. Llanos Alta

1 50.87 -121.3 50.89 83

P. Llanos Baja

1 22.863 -170.9 22.864 76.5

74

8. DISCUSIÓN

La tasa de crecimiento del forraje o como bien se conoce, la Productividad Primaria Neta Aérea representa la tasa de creación de nueva biomasa vegetal por unidad de superficie y tiempo (Grigera et al. 2007, Paruelo Oyarzabal & Oesterheld. 2011, y Oyarzabal, et al., 2012). Conocer esta tasa de crecimiento es base importante en los sistemas de producción ganadera porque permite conocer las decisiones y manejos a tener en cuenta, como establecer la carga animal y manejar los excesos y déficits de pasto (Oyarzabal et al., 2012). A pesar de contar con esta variable la importancia que ha adquirido es muy poca sobre la variación que se presentan en los recursos forrajeros y la intervención del espacio-tiempo (Paruelo, Oyarzabal & Oesterheld, 2011). Y el conocer esta tasa de crecimiento forrajera en campo demanda mucho esfuerzo y tiempo (Oyarzabal, et al., 2012)

Actualmente en Colombia, la ganadería presenta muchos atrasos tecnológicos que no han permitido llegar al potencial globalizado que tanto requiere para competir, y por lo tanto, debe apuntar a procesos de modernización (FEDEGAN, 2006). De esta forma, la estimación de la tasa de crecimiento sigue siendo una labor de campo que no logra abarcar tanto temporal como espacialmente los hatos ganaderos.

Con la implementación de los sensores remotos se puede realizar un seguimiento continuo de la tasa de crecimiento del forraje a partir de información de los satélites (Grigera, 2011 y Oyarzabal et al., 2012), con detalles de los diferentes comportamientos de los hatos ganaderos en sus niveles de productividad.

De este modo, la resolución espacial de las imágenes de satélite utilizadas en este proyecto se ajusta con el tamaño de los hatos ganaderos analizados. En varias ocasiones las variables objeto de estudio fueron representadas por uno o muy pocos píxeles. Por lo tanto, la resolución espacial de los índices de vegetación se constituye en la unidad mínima de representación, que a su vez determina la superficie mínima del pixel (Grigera, 2011). De acuerdo a esto, en el estudio realizado por (Ramírez, 2013), de donde fueron tomados estos datos, la resolución espacial solo fue optada para la franja del predio analizado y estudiado en la determinación de su biomasa aérea, que en pixeles MODIS solo representaron máximo una cantidad de dos, mientras que, para este trabajo la caracterización de todo el hato ganadero con mayor cantidad de pixeles como se representan en el hato El Común y Pinar Verde (Ver Anexo B).

En concordancia con lo que indica Grigera (2011), en este estudio la fRFA se encuentra determinada por los índices de vegetación en un 90 a 94%. Al igual que

75

lo mencionado por Piazza (2006), en este estudio se identificó que la principal fuente de variabilidad en la estimación de la PPNA es la fRFA que es obtenida a partir de los índices de vegetación (Grigera et al., 2007 y Paruelo, Oyarzabal & Oesterheld, 2011), que osciló entre el 63% y el 93%.

Algunos comportamientos del fRFA son afectados por los Índices de Vegetación que no muestran la variabilidad debido a que tiene fallas en cálculo de los parámetros estructurales como es el índice de área foliar (LAI, por sus siglas en inglés) y el ángulo de inclinación de la hoja (ALA, por sus siglas en inglés), especialmente antes del cierre del dosel (Dong et al., 2016 y Huete et al., 2002). Por eso, se establece que los análisis de productividad tienen gran influencia en el comportamiento de los índices de vegetación. Ramírez (2013), en su estudio en el índice de vegetación, NDVI, para los mismos predios encontró a los 16 días valor mínimo de 0.41 y máximo de 0.90 con un promedio de 0.75 de respuesta espectral, que en comparación con los datos registrados en la misma temporalidad e igual índice de vegetación de este estudio, se mantiene en los resultados de los diferentes hatos dentro del rango.

Los problemas presentados en el índice de vegetación mejorado (EVI) a 8 días, pueden deberse al comportamiento de la ecuación EVI2, que al no utilizar la banda azul para corregir estos errores atmosféricos, hacen que se incrementen los valores del índice (Jiang et al., 2008). De esta manera, como menciona Jiang et al., (2008), que en zonas tropicales las variaciones del EVI2, son ligeramentes grandes ±0.03, en comparación con el EVI, como es el caso de America del sur. De acuerdo a esto, por ejemplo, al observar el rango registrado en Pinar Verde con el EVI a 8 días en el día juliano 337 (min. -0.004 y máx. 0.747) que se encuentra en un buen rango, el cual, se puede dar debido a que no se encontraba tan influenciado por presencia de aerosoles, y por otro lado, encontramos que el día 329 (min. -0.091 y máx. 1.334) en el que ocurre lo contario, donde los valores no se ajusten a la respuesta espectral del índice. Por eso, el EVI a 8 días y por lo tanto la PPNA, requiere un tratamiento más especializado donde las correcciones por aerosoles que influencia la ecuación permitan obtener mejores valores del rango de vegetación.

La banda QA brinda la información sobre calidad del pixel del producto MOD13Q1 e informa sobre aquellos pixeles de mala calidad de los Índices de Vegetación. Los valores de mala calidad no fueron reemplazados por el valor promedio de los índices, debido a que no se pretendía alterar la variación de la vegetación, ya que solo deseaba demostrar la caracterización inicial sin considerar el proceso de re-muestreo (series de tiempo) del hato ganadero y de esta manera explicar la potencialidad del producto y de las imágenes MODIS con procesos básicos. Estos

76

valores reemplazados pueden ser realizados con fechas anteriores o posteriores (Baldassini, 2010), pero no dejan evaluar la PPNA por día, lo que no permite construir la base para comparar estos valores con los de campo diarios.

Se reconoce por otro lado, a la topografía como la principal variable que modifica la radiación (insolación) que llega a una superficie, donde la orientación y pendiente crean gradientes locales de insolación (Fu & Rich, 2002) y por lo tanto, son determinantes en la obtención de la RFA. Los hatos evaluados que se encuentran en zonas montañosas, poseen variaciones significativas que demuestra que esta variable no puede ser tomada como una misma para todos los hatos. En los estudios registrados por Grigera et al., 2007, y Paruelo et al., 2011, para el cálculo de la insolación y posteriormente de la RFA, emplean estaciones meteorológicas que dejan por fuera la representación puntual del comportamiento del relieve y asumen que es igual para toda la región.

Los valores obtenidos de la Radiación global que permitieron estimar la RFA, se comportan diferentes a los rangos de los mapas generados de Radiación Solar Global Sobre una Superficie Plana generados por UPME (Unidad de Planeación Minero Energética, Colombia) y el IDEAM (Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia) para Colombia a partir de estaciones meteorológicas. El caso particular en el Departamento de Antioquia, donde en el mes de mayo en estos mapas se registran valores en el rango de 12.6 – 16.2 ( ⁄ ), mes Junio 12.6 y 18 ( ⁄ ), para Julio 16.2 – 19.8 ( ⁄ ), Agosto 14.4 – 18 ( ⁄ ), septiembre, octubre y noviembre 12.6 – 16.2 ( ⁄ ), y donde diciembre igual a 12.6 – 14.4 ( ⁄ ), mientras que, el rango registrado en el trabajo a partir del DEM y la aplicación del software, se mantiene en un rango de 11.7 – 8.3 ( ⁄ ). Por eso, el mapa generado por estas dos entidades (UPME e IDEAM) recomienda no emplear la información en zonas de alta montaña donde no se encuentran mediciones directas y hacen que estos valores se sesguen. A partir de esto se parte el fundamento de que el empleo de estaciones meteorológicas para determinar la RFA se encuentra muy limitado.

Según Herrero, Fawcett & Dent (2000), la Radiación global en el recurso forrajero, es poco probable que sea una fuente importante de variación de la fotosíntesis en latitudes, debido a la pequeña diferencia de sus áreas de distribución de irradiación entre las temporadas y la pequeña pendiente de la curva de respuesta de la luz, donde son saturados los niveles máximos que alcanza. De esta manera, Murtagh (1988), en sus experimentos encontró que el pasto Kikuyo no se ve afectado entre los 12 – 30 ⁄ , el cual fue superado en la estimación de la RFA.

77

Para el coeficiente de la Eficiencia del Uso de la Radiación que varía en cada tipo de cultivo y especie forrajera (Grigera, 2011 y Paruelo et al., 2011), y que en este estudio fue adoptada de (GLIGA et al., 2012), ya que el fundamento de parámetro eco fisiológicos empleado GLIGA et al., (2012), en el modelo numérico demostró establecer categorización de las afectaciones climatológicas de los pastos de dehesa. Por otro lado, Grigera (2011) recomienda que la EUR debe tomarse como aproximación a los valores reales por ejemplo, las gramíneas se encuentran en valores de 1.1 ( ⁄ ), 0.9 ( ⁄ ), 1.78 ( ⁄ ), 0.29 y 1.6 ( ⁄ ) para diferentes especies (Grigera, 2011). Al adoptar el valor 1.62 ( ⁄ ) se observó que la EUR no se encuentra muy alejada de la representación de las gramíneas. Se eligió este valor porque el modelo matemático de la cual hace parte esta variable en el artículo de GLIGA et al. (2012), fue diseñado para un plan de seguros agrarios de forrajes por daños de sequía, en el cual, el peso dado a un sistema que es base de ingresos monetarios y científicos, y permite ser adaptado a cualquier recurso forrajero, da la suficiente confianza para su empleo. No se escogió las otras variables mencionadas de EUR debido a que el comportamiento de estos valores es muy puntual para condiciones de cada especie gramínea. No obstante, se hubiera mejorado la obtención de la PPNA si se contara con este valor de la especie gramínea Kikuyo.

En el estudio de Di Leo et al., (2007), para la EUR para las diferentes clases de cobertura donde los coeficientes corresponden para las áreas forestadas y/o pastizales hidrófilos a 2.03 ( ⁄ ), pasturas artificiales y trigo a 2.14 ( ⁄ ), rastrojos limpios a 0.085 ⁄ ), rastrojos enmalezados a 0.52 ⁄ ) y pasturas naturales igual a 1.22 ( ⁄ ). En correspondencia con la EUR empleada en la estimación de la PPNA, se encuentro cercanía con la clase de pastos naturales, donde este valor no representa ninguna especie forrajera concreta, sino la clase en la que pueda estar incluida.

La Productividad Primaria Neta Aérea registrada en este estudio para el forraje de los pastos se asemeja a valores registrados en el comportamiento singular de estos, al diferenciar una muestra de valores registrados en el SIG del Seguimiento Forrajeros en el promedio de años hasta el 2008 (Paruelo et al., 2011) de Argentina que proporcionan valores de productividad diaria en ⁄ estimados por medio de sensores remotos, los cuales son; 10.6, 11.2, 9.0 y 7.9 (Paruelo et al., 2011); y al ser contrastado y convertidos a unidades iguales, con valores registrados en el estudio de la PPNA con valores de 13.280, 8.230 y 11.380 que corresponde a las unidades de manejo que pasaron el proceso de validación, se halla que la respuesta dada por la estimación de la PPNA en los recursos forrajeros es muy similar y no presenta cambios bruscos teniendo en cuenta que son regiones, climas y forrajes diferentes.

78

A diferencia del trabajo de Ramírez (2013), que estudiaron la relación entre la Biomasa aérea de Pastos con los índices de vegetación y la RFAA para la misma zona de estudio, que aunque es puntual y cercana por la franja de predio, pero aquella es delimitada por ecuaciones generadas para su ajuste y correlación con los valores registrados en campo, no otorga un modelo general como lo es la PPNA que permite estimar a diferentes escalas sin atribuir y ajustar información del terreno.

De esta forma Ramírez (2013), encontró valores promedios denominados BAPNDVI (Biomasa con el NDVI) y BAPAPAR (Biomasa a través de la RFAA), se encontró que para la BAPNDVI los errores absolutos entre los datos de biomasa de campo fueron de 0.08, 0.23, 0.12, 0.15, 0.11 y 0.06. De la misma forma, BAPAPAR, con desviaciones absolutas iguales a 0.01, 0.05, 0.02 y 0.07, y donde estas últimas reflejaron mejor la biomasa campo; estas desviaciones hacen parte de los valores registrados entre la Biomasa aérea de Potrero (BAP) y las ecuaciones generadas por Ramírez (2013). Mientras que, los errores absolutos presentados en este trabajo con la PPNA del NDVI a 16 días que fue el mismo índice utilizado en el de Ramírez (2013) y se asemejan a los registrados en BAPNDVI, se hallan en valores de 0.3, 0.03, 0.1, 0.2 y 0.225, que corresponde a los diferentes días que pasaron el proceso de validación de todos los hatos ganaderos. Por el contrario, la PPNA del EVI a 16 días reflejo desviaciones similares a las BAPAPAR.

79

9. CONCLUSIONES

La Productividad Primaria Neta aérea (PPNA), obtenida a través de sensores remotos, es un buen estimador de la biomasa vegetal de los forrajes. Donde las imágenes de satélite y más específicamente satélites como el TERRA y con su sensor a bordo MODIS permite el monitoreo de ecosistemas y desarrollar nuevas formas de estimación de productividad.

Los índices de vegetación (IV) obtenidos por medio de las imágenes MODIS, son una buena opción para la estimación de la PPNA. La resolución espacial de 250 metros de las imágenes MODIS, permitió representar la vegetación y la variación que sufre con el tiempo, muy útiles para caracterizar los hatos ganaderos. Si se mejora la resolución espacial se debe utilizar otro tipo de imágenes de satélite como Landsat o SENTINEL – 2 para caracterizar a más detalle el comportamiento puntual del potrero.

El EVI a 16 días como variable del PPNA, arrojó una mayor fiabilidad y exactitud con los datos de biomasa de campo, reafirmando el gran potencial para establecer la tasa de crecimiento de los forrajes. Aunque algunos índices de vegetación como el EVI a 8 días, presentara muchos inconvenientes en su respuesta espectral debido a la no utilización de la banda azul por la ecuación del EVI2 utilizada para este producto, sin embargo no se desconoce su potencial como estimador de la vegetación; como se mencionó anteriormente se debe procesar las imágenes con mayores correcciones que permitan obtener todo su potencial para que pueda representar la fRFA y de esta manera la PPNA.

En este estudio se emplearon imágenes de satélite MODIS y ASTER, lo que permitió la determinación de la fRFA y la RFA y por consiguiente permitió hallar la RFAA; los grandes avances en la obtención de estas variables demostraron el potencial de las imágenes ASTER para determinar la RFA a través de su MDT (Modelo digital del terreno) (Fu & Rich, 2002) lo que a su vez permitió establecer cada unidad de manejo con valores diferentes de radiación (Ramírez, 2013) y complementar el monitoreo y obtención de esta variable a partir de estaciones meteorológicas que aún son utilizadas en otros estudios (Baeza, Paruelo & Ayala, 2011; Baldassini, 2010; Di Leo et al., 2007; Grigera et al., 2007, Oyarzabal, Oesterheld & Paruelo, 2012; y Paruelo, Oyarzabal & Oesterheld, 2011) y que en ocasiones se encuentran a cientos de kilómetros de la región de estudio y establecen un manejo homogéneo para todas las unidades.

80

En este estudio a partir de los índices de vegetación utilizados se concluye que se puede manejar la temporalidad del NDVI para lograr establecer y estimar la PPNA. A 8 días el comportamiento con procesos de calidad básicos nos da un acercamiento muy parecido a los datos de biomasa medidos en campo con confianzas de 99.7% (día 169 El Común), 89.9% (día 297 Pinar Verde), 62.7% (día 169 La Carlota), 97.0% (día 297 Almería Alta), 95.4% (día 257 Paysandú), 77.4% (día 281 Altamira), 92.% (día 233 Posada de los Llanos Alta) y 92.1% (días 281 Posada de los Llanos Baja) y a 16 días los valores obtenidos también son confiables con el EVI donde los valores más altos superan en cantidad el total de los porcentajes obtenidos del NDVI, con valores de confianza para el EVI a 16 días iguales a 96.4% (día 353 El Común), 99.2% (día 209 Pinar Verde), 76.4% (día 209 La Carlota), 91.7% (día 161 Paysandú), 95.8% (día 193 Altamira), 94.2% (Almería Alta), 98.3% (día 209 Almería Baja), 92.1% (día 145 Posada de los Llanos Alta) y 97.1% (día 257 Posada de los Llanos Baja), a sabiendas que a esta última temporalidad el cálculo sufre más correcciones y procesos de ratificación del índice, lo que genera una mayor linealización en los datos y por lo tanto, una proximidad a la biomasa de pastos; estos datos anteriormente mencionados hacen parte de los valores más altos obtenidos de la confianza en el promedio de los hatos ganaderos validados con la Biomasa de Campo.

De acuerdo a esto, la PPNA estimada a partir del NDVI a 8 días con 62 datos validados y 48 sin validar, que hacen parte de la suma de la cantidad de días julianos evaluados en todos los hatos ganaderos, que corresponden 56.36% y 43.64% respectivamente, muestra valores que esta productividad con este índice es aceptable; teniendo en cuenta que se realiza con procesos básicos de correcciones al índice de vegetación. Por otro lado, la PPNA del EVI a 8 días registró solo el 30% de datos aceptables, quiere decir que el 70% fueron datos errados de productividad para estimar la biomasa en los hatos, por lo que este, no entrego buenos resultados en el análisis.

Mientras que, la temporalidad de 16 días de productividad forrajera para la PPNA con el NDVI de 44 de datos estimados y evaluados solo el 43.18% fueron datos aceptables que representaron la biomasa aérea de los hatos y el resto que corresponde al 56.82% no cumplió con el criterio de calidad. Lo que conlleva, a que para los índices de vegetación se deba presentar más criterios de calidad en la obtención de los índices. Sin embargo la PPNA, con el EVI a 16 días con la misma cantidad de datos un total de 70.45% de valores aceptables demostró la mayor capacidad para estimar la productividad forrajera, con solo el 29.55% de datos errados.

81

10. RECOMENDACIONES

Se recomienda el empleo de las series de tiempo para los índices de vegetación, ya que permite llenar vacíos en la imagen y corregir con más detalle los pixeles que no presentan una buena calidad.

Realizar procesos de calidad rigurosos a las imágenes MODIS para la mejora de su respuesta espectral y así acercarnos mucho más a valores de la PPNA.

Si se desea mejorar la resolución espacial emplear otro tipo de imágenes satélites que caractericen más el cambio de la vegetación (fRFA) y el comportamiento de la topografía para hallar RFA en unidades de escalas más pequeñas.

Emplear otro tipo de técnicas para el cálculo del EUR que muestre la variabilidad en el hato ganadero y su comportamiento en cada unidad de manejo. Como el Índice de Reflectancia Fotoquímico (PRI) que es un buen estimador de la EUR que deja ver el comportamiento del pixel en esta variable.

Utilizar imágenes de mayor resolución espacial para el cálculo de los índices de vegetación, como por ejemplo SENTINEL 2.

82

11. BIBLIOGRAFÍA

AEMET. (2006). Agencia Estatal de Meteorologia, España. Recuperado el 13 de Febrero de 2016, de http://www.aemet.es/es/eltiempo/observacion/radiacion/radiacion/ayuda

Asensio, S. I., Blanquer, J. M., & Ramón, H. M. (09 de 11 de 2010). El Sistema de Coordenadas UTLM. Guia Estudiantil sobre el sistema de coordenadas UTM, 1-9. Valencia , España: Universidad Politecnica de Valencia, Dpto. Produccion Vegetal, Escuela Técnica Superior de Ingeniería Agronómica y del Medio Ambiente Natural.

Baeza, S., Paruelo, J., & Ayala, W. (2011). Eficiencia en el uso de la radiacion y productividad primaria en recursos forrajeros del este de Uruguay. Agrociencia Uruguay, 15, 48-49.

Baldassini, P. (2 de 12 de 2010). Caracterización fisonómica y funcional de la vegetación de la Puna mediante el uso de sensores remotos. Buenos Aires, Argentina: Facultad de Agronomía, Universidad de Buenos Aires.

Barona, E., Giron, E., Feistner, K. L., Dwyer, J. L., & Hyman, G. (2004). Metodo de procesamiento de imagenes MODIS para Colombia. Colombia: CIAT.

Boschetti, M., Bocchi, S., & Brivio, P. A. (2007). Assessment of pasture production in the Italian Alps using spectrometric and remote sensing information. Agriculture Ecosystems & Enviroment , 118, 267-272.

Bradford, J., Hicke, J., & Lauenroth, W. (2005). The relative importance of ligh-use efficiency modification from environmental conditions and cultivation for estimation of large-scale net primary productivity. Remote Sensing of Environment, 96, 246-255.

dehesasibericas. (2016). Dehesas Ibericas. Obtenido de Pastos: http://www.dehesasibericas.es/dehesa/vegetacion/pastos/

Di Leo, N. C., Montico, S., Bonel, B. A., & Denoia, J. A. (2007). Estimación de la APAR y la NPP mediante sensoramiento remoto en tres sectores de la Pampa Húmeda, Argentina. Ciencia, Docencia y Tecnologia, 18(35), 221-242.

Didan, K., Munoz, A. B., Solano, R., & Huete, A. (06 de 2015). MODIS Vegetation Index User’s Guide (MOD13 Series). Version 3.00 Collection 6. Arizona: Vegetation Index and Phenology Lab, The University of Arizona.

83

Donald, G., Ahmad, W., Trotter, M., & Lamp, D. (2008). integrating MODIS satellite imagery and proximal vegetation sensors to enable precicion livestock management. Australia.

Dong, T., BingfangWu, Meng, J., Du, X., & Shang, J. (2016). Sensitivity analysis of retrieving fraction of absorbed photosynthetically active radiation (FPAR) using remote sensing data. Acta Ecologica Sinica, 36, 1-7.

Edirisinghe, A., Clark, D., & Waugh, D. (2012). Spatio-temporal modelling of biomass of intensively grazed perennial dairy pastures using multispectral remote sensing. International Journal of Applied Earth Observation and Geoinformation, 16, 5-16.

Edirisinghe, A., Clark, D., & Waught, D. (2012). Spatio-temporal modelling of biomass of intensively grazed perennial dairy pastures using multispectral remote sensing. International Journal of Applied Earth Observation and Geoinformation, 12, 5-16.

ESRI. (2016). ArcGIS for Desktop. Recuperado el 25 de Febrero de 2016, de https://pro.arcgis.com/es/pro-app/tool-reference/spatial-analyst/how-solar-radiation-is-calculated.htm

ESRI. (2016). Como se calcula la radiacion solar. Recuperado el 13 de 08 de 2016, de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/how-solar-radiation-is-calculated.htm

ESRI. (2016). Comprender el análisis de radiación solar. Recuperado el 2016 de 08 de 12, de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/understanding-solar-radiation-analysis.htm

ESRI. (2016). Modelar la radiacion solar. Recuperado el 2016 de 08 de 12, de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/modeling-solar-radiation.htm

FAO. (1999). TeleSAT: Sistema para el Seguimiento y Análisis de Tierras mediante Teledeteccion. Chile: FAO.

FEDEGAN. (2006). Plan Estratégico de la Ganaderia Colombiana 2019 (FEDEGAN ed.). Bogotá D.C. : Sanmartin Obregon & Cia.

Fedegan. (2011). Fedegan. Recuperado el 05 de 05 de 2016, de http://www.fedegan.org.co/estadisticas/inventario-bovino-nacional

84

FEDEGAN. (2013). Análisis del inventario ganadero colombian. Colombia: FEDEGAN.

Fensholt, R., Sandholt, I., & Rasmussen, M. S. (2004). Evaluation of MODIS LAI, fAPAR and relation between fAPAR and NDVI in a semi-ard environment using in situ measurements. Remote Sensing of Enviroment, 91, 490-507.

Fu, P. (2000). A Geometric Solar Radiation Model with Aplications in Landscape Ecology. (Ph.D. Thesis). Kansas, EE.UU.: Department of Geography, University of Kansas.

Fu, P., & Rich, P. M. (2000). The Solar Analyst 1.0 Manual. EE.UU.: Helios Environmental Modeling Institute (HEMI).

Fu, P., & Rich, P. M. (2002). A Geometric Solar Radiation Model with Applications in Agriculture and Forestry. Computers and Electronics in Agriculture, 37, 25-35.

GLIGA, A., RODRÍGUEZ, J. E., & DIAS-AMBRONA, C. H. (2012). Comparación de dos metodos para la estimacion de los daños por sequia en pastos de dehesa. 51 reunion cientifica del SEEP, Nuevos retos de la ganadería extensiva: un agente de conservación en peligro de extinción (págs. 177-122). Pamplona: UPM.

Gonzáles, C. V. (2016). Procesamiento de Imagenes de Satelite & GIS. Recuperado el 15 de Enero de 2016, de http://www.rs-geoimage.com/

Grigera, G. (2011). Seguimiento de la productividad forrajera mediante teledetección: desarrollo de una herramienta de manejo para sistemas de producción ganadera (tesis doctoral). Bueno Aires, Argentina: Facultad de Agronomia, Universidad de Buenos Aires.

Grigera, G., Oesterhel, M., M, D., & F., y. P. (2007). Evaluacion y seguimiento de la productividad forrajera. Revista Argentina de Produccion Animal, 2(27), 137-148.

Haydock, K. P., & Shaw, N. H. (1975). The comparative yield method for estimating dry matter yield of pasture. . Australian Journal of Experimental Agriculture Animal Husbandry. , 15, 169-171.

Hernández, E. A. (2013). Indicadores fisiológicos de algunas especies forrajeras tropicales en tres altitudes en Colombia (Tesis de Postgrado). Palmira, Colombia: Universidad Nacional de Colombia, Facultad de Ciencias Agropecuarias.

85

Herrero, M., Fawcett, R., & Dent, J. (2000). Modelling the growth and utilisation of kikuyu grass (Pennisetum clandestinum) under grazing. 2. Model validation and analysis of management practices. Agricultural Systems, 65, 99-111.

Hill, M. J., Donald, G. E., Hyder, M. W., & Smith, R. C. (2004). Estimation of pasture grownth rate in the south west of Western Australia from AVHRR NDVI and climate data. Remote Sensing of Enviroment, 93, 528-545.

Huete, A., Didan, K., Miura, T., Rodriguez, E., Gao, X., & Ferreira, L. (2002). Overview of the radiometric and biophysical perfomance of the MODIS vegetation indices. Remote Sensing of Enviroment, 83, 195-123.

IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Metodologia CORINE Land Cover adapatada para Colombia Escala 1:100.000. Instituto de Hidrología, Meteorologia y Estudios Ambientales., 72.

IGAC. (2004). Aspectos Prácticos de la Adopción del Marco Geocéntrico Nacional de Rgerencia MAGNA-SIRGAS como DATUM oficial de Colombia. Bogotá, D.C.: IGAC.

Jiang, Z., Huete, A. R., Didan, K., & Miura, T. (2008). Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Enviroment , 112, 3833-3845.

Lauenroth, W., Hunt, H., Swift, D., & Singh, J. (1986). Estimating aboveground net primary production in grasslands: A simulation Approach. Ecological Modelling, 33, 297-314.

Liu, R., Ren, H., Liu, S., Liu, Q., & Li, X. (2015). Modelling of fraction of absorbed photosynthetically active radiation in vegetation canopy and its validation. Biosystems Engineering , 133, 81-94.

Loris, V., & Damiano, G. (2006). Mapping the green herbage ratio of grasslands using both aerial and satellite-derived spectral reflectance. Agriculture Ecosystems & Enviroment, 115, 141-149.

LP-DAAC. (30 de Abril de 2004). MODIS Land Data Operational Product Evaluation (LDOPE) Tools. Release 1.4. Land Processes Distributed Active Archive Center (LP DAAC) USGS EROS Data Center.

LPDAAC USGS. (2014). LAND PROCESSES DISTRIBUTED ACTIVE ARCHIVE CENTER . Recuperado el 13 de 06 de 2016, de https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13q1

86

Martinez, J. M. (Junio de 2005). PERCEPCIÓN REMOTA "Fundamentos de Teledeteccion". Comision Nacional del Agua, 1-62. SIGO.

Mas, J.-F. (2011). Aplicaciones del sensor MODIS para el monitoreo del territorio (SEMARNAT, INE, UNAM, CIGA ed.). Mexico, D.F.: SEMARNAT, INE, UNAM, CIGA.

McCree, K. J. (1972). Test of current definitions of photosynthetically active radiation against leaf photosynthesis data. Agricultural Meteorology(10), 442-453.

minagricultura. (9 de Marzo de 2011). Proyecto de Ley General de Tierras y Desarrollo Rural. Bogotá, Cundinamarca, Colombia.

Monteith, J. L. (1972). SOLAR RADIATION AND PRODUCTIVITY IN TROPICAL ECOSYSTEMS. Journal of Applied Ecology, 9(3), 747-766.

Murgueitio, E. (2003). Impacto ambiental de la ganaderia de leche en Colombia y alternativas de solución . Livestock Research for Rural Development , 1-14.

Murtagh, G. (1988). Factors a€ecting the growth of kikuyu. 1. Potential growth and nitrogen supply. Australian Journal of Agricultural Research, 39, 31-42.

Oyarzabal, M., Martín Oesterheld, J. M., & Pacín, F. (2012). Seguimiento Satelital del Forraje. Buenos Aires.

Paruelo, J., Oyarzabal, M., & Oesterheld, M. (2011). CAPÍTULO IX. El seguimiento de los recursos forrajeros mediantes sensores remotos: bases y aplicaciones. Bases Ecologicas y tecnologicas para el manejo de pastizales (175), 136-145.

Phillips, R., Beeri, O., Scholljegerdes, E., Bjergaard, D., & Hendrickson, J. (2009). Integration of geospatial and cattle nutrition information to estimate paddock grazing capacity in Northern US prairie. Agricultural Systems, 100, 72-79.

Piazza, M. V. (2006). Estimación satelital de la productividad primaria neta aérea de la vegetación herbácea del Caldenal. Buenos Aires: Escuela para Graduados Ing. Agr. Alberto Soriano, Facultad de Agronomía – Universidad de Buenos Aires.

Ramirez, M. (2013). Evaluación del crecimiento de pastos usando índices de vegetación calculados a partir de información satelital (Tesis de postgrado). Universidad Nacional de Colombia, Facultad de minas, Escuela de Geociencias y medio ambiente. Medellin, Colombia: Universidad Nacional

87

de Colombia, Facultad de Minas, Escuela de Geociencias y Medio Ambiente.

Rich, P. M., & Fu, P. (2000). "Topoclimatic Habitat Models". Proceedings of the Fourth International Conference on Integrating GIS and Environmental Modeling. EE.UU.

Rich, P. M., Dubayah, R., Hetrick, W. A., & Saving, a. S. (1994). Using Viewshed Models to Calculate Intercepted Solar Radiation: Aplicaciones en Ecología. American Society for Photogrammetry and Remote Sensing Technical Papers, 524-529.

RUIMY, A., SAUGIER, B., & DEDIEU, G. (1994). Methodology for the estimation of terrestrial net primary production from remotely sensed data. Journal of Geophysical Research, 99, 5.263-5.283.

Ruíz, E. C. (2013). Efectos de algunos parámetros productivos, técnicos y administrativos sobre la calidad de la leche en hatos lecheros de Antioquia. Medellin: Universidad Nacional de Colombia, Facultad de Minas, Escuela de Geociencias y Medio Ambiente.

Sánchez, G., Osorio, E., Alvarez, J. A., J. Marín, A. S., & Gil, J. O. (2003). Adaptación y produccion de gramíneas y leguminosas forrajeras en el departamento de Antioquia, Colombia. Pasturas tropicales, 11(3), 8-15.

Santos, S. (7 de Mayo de 2015). Contexto Ganadero. (FEDEGAN, Ed.) Recuperado el 28 de 08 de 2016, de Inventario vovino de Colombia aumento en 200 mil Cabezas: http://www.contextoganadero.com/economia/inventario-bovino-de-colombia-aumento-en-200-mil-cabezas

Secretaría de Agricultura y Desarrollo Rural de Antioquia. (2014). Anuario estadistico del sector agropecuario en el Departamento de Antioquia 2013. Medellin: Gobernacion de Antioquia, Secretaria de Agricultura y Desarrollo Rural.

Singh, D. (2011). Generation and evaluation of gross primary productivity using Landsat data through blending with MODIS data. International Journal of Applied Earth Observation and Geoinformation, 13, 59-69.

Starks, P. J., Zhao, D., Phillips, W. A., & Coleman, S. W. (2006). Development of Canopy Reflectance Algorithms for Real-Time Prediction of Bermudagrass

88

Pasture Biomass and Nutritive Values. Crop Science Society of America, 46, 927-934.

Vermote, D. E., Roger, J. C., & Ray, J. P. (Mayo de 2015). MODIS Surface Reflectance User’s Guide (Collection 6). Guia . Obtenido de http://modis-sr.ltdri.org

Wagle, P., Xiao, X., Torn, M. S., Cook, D. R., Matamala, R., Fischer, M. L., . . . Biradar, C. (2014). Sensitivity of vegetation indices and gross primary production of tallgrass prairie to severe drought. Remote Sensing of Environment, 152, 1-14.

WIGHT, J., & SKILES, J. (1987). SPUR, Simulation of production and utilization of rangelands: Documentation and user guide (ARS-63 ed.). Houston: USDA-ARS.

89

ANEXO A. Datos de Biomasa de Campo. Tabla 5. Tabla de Datos de Biomasa de Campo de los 9 hatos ganaderos, donde también se representan los días julianos de las imágenes MODIS escogidas en el proceso de Validación. Los colores en las columnas de validación representan los criterios mencionados en el ítem

de validación de la metodología.

Dato HatoTamaño Franja (m^2)

Periodo de Descanso

MunicipioFecha de

Visita oferta

Oferta M. Seca (Kg/m^2)

Fecha de Visita

Rechazo

Rechazo M. Seca

(Kg/m^2)

Fecha Promedio

respecto M. Seca

Promedio de M. Seca (Kg/m^2)

Dia Juliano Visita

Dia Juliano Rechazo

Fecha Juliana

Promedio

Imágenes Validacion

8 dias

Imágenes Validacion

16 dias

1 El comun 1265.84 46 Belmira 24/05/2011 1.084 27/05/2011 0.919 25/05/2011 1.002 141 144 142 137-145 1452 El comun 930.4 42 Belmira 21/06/2011 1.143 24/06/2011 0.896 22/06/2011 1.020 171 174 172 169-177 1773 El comun 961.04 43 Belmira 23/07/2011 0.819 26/07/2011 0.666 24/07/2011 0.743 197 200 198 193-201 193-2094 El comun 1124.8 42 Belmira 22/08/2011 1.056 25/08/2011 0.953 23/08/2011 1.005 231 234 232 233 2415 El comun 1960 45 Belmira 22/09/2011 0.971 25/09/2011 0.809 23/09/2011 0.890 270 273 271 265-281 2736 El comun 786.64 46 Belmira 23/10/2011 0.97 26/10/2011 0.594 24/10/2011 0.782 295 298 296 297 2897 El comun 1103.12 42 Belmira 19/11/2011 0.723 22/11/2011 0.664 20/11/2011 0.694 323 326 324 321-329 x8 El comun 1348.32 42 Belmira 14/12/2011 0.994 17/12/2011 0.770 15/12/2011 0.882 351 354 352 353-evi_x x9 Pinar verde 724.64 35 Belmira 27/05/2011 1.257 30/05/2011 0.700 28/05/2011 0.979 144 147 145 145 145

10 Pinar verde 1521.6 35 Belmira 26/06/2011 0.85 29/06/2011 0.715 27/06/2011 0.783 172 175 173 169-177 17711 Pinar verde 2233.28 35 Belmira 24/07/2011 1.073 27/07/2011 0.870 25/07/2011 0.972 204 207 205 201-209 20912 Pinar verde 703.04 35 Belmira 22/08/2011 1.122 25/08/2011 1.008 23/08/2011 1.065 234 237 235 233-241 24113 Pinar verde 682.24 35 Belmira 23/09/2011 1.392 26/09/2011 0.855 24/09/2011 1.124 265 268 266 265 27314 Pinar verde 806.08 35 Belmira 23/10/2011 1.009 26/10/2011 0.683 24/10/2011 0.846 296 299 297 297 30515 Pinar verde 1707.52 35 Belmira 18/11/2011 0.777 21/11/2011 0.657 19/11/2011 0.717 323 326 324 321-329 32116 Pinar verde 499.52 35 Belmira 04/12/2011 1.006 07/12/2011 0.828 05/12/2011 0.917 348 351 349 345 35317 La carlota 1877.6 47 El Retiro 04/05/2011 0.819 07/05/2011 0.440 05/05/2011 0.630 133 136 134 129-137 x18 La carlota 2612.16 47 El Retiro 11/06/2011 0.566 14/06/2011 0.442 12/06/2011 0.504 164 167 165 161-169 16119 La carlota 4128.56 46 El Retiro 11/07/2011 0.613 14/07/2011 0.466 12/07/2011 0.540 200 203 201 201 193-20920 La carlota 938.16 46 El Retiro 07/08/2011 0.816 10/08/2011 0.559 08/08/2011 0.688 234 237 235 233-241 24121 La carlota 1018.32 46 El Retiro 11/09/2011 0.944 14/09/2011 0.690 12/09/2011 0.817 266 269 267 265 25722 La carlota 1790.88 47 El Retiro 09/10/2011 0.741 12/10/2011 0.493 10/10/2011 0.617 296 299 297 297 30523 La carlota 986.4 47 El Retiro 08/11/2011 0.549 11/11/2011 0.353 09/11/2011 0.451 323 326 324 321-329 x24 La carlota 1895.84 46 El Retiro 01/12/2011 0.547 04/12/2011 0.411 02/12/2011 0.479 133 136 134 129-137 14525 Paysandu 1384.4 45 Medellin (Santa Elena) 22/05/2011 0.812 25/05/2011 0.610 23/05/2011 0.711 164 167 165 161-169 16126 Paysandu 1938.32 44 Medellin (Santa Elena) 19/06/2011 0.989 22/06/2011 0.759 20/06/2011 0.874 200 203 201 201 20927 Paysandu 2233.28 42 Medellin (Santa Elena) 19/07/2011 0.761 22/07/2011 0.661 20/07/2011 0.711 234 237 235 233-241 x28 Paysandu 1732.8 43 Medellin (Santa Elena) 11/09/2011 1.235 14/09/2011 0.942 12/09/2011 1.089 266 269 267 265 25729 Paysandu 1205.6 43 Medellin (Santa Elena) 13/10/2011 1.038 16/10/2011 0.763 14/10/2011 0.901 296 299 297 297 x30 Paysandu 1184.16 45 Medellin (Santa Elena) 15/11/2011 0.954 18/11/2011 0.750 16/11/2011 0.852 323 326 324 321-329 x31 Paysandu 995.28 41 Medellin (Santa Elena) 04/12/2011 0.894 07/12/2011 0.465 05/12/2011 0.680 124 127 125 121-129 x32 Altamira 660 60 San Pedro 21/05/2011 0.965 24/05/2011 0.621 22/05/2011 0.793 162 165 163 161-169 16133 Altamira 1029.6 60 San Pedro 20/06/2011 0.598 23/06/2011 0.507 21/06/2011 0.553 192 195 193 193 19334 Altamira 623.04 60 San Pedro 16/07/2011 1.371 19/07/2011 0.755 17/07/2011 1.063 219 222 220 217-225 20935 Altamira 809.04 60 San Pedro 19/08/2011 0.753 22/08/2011 0.604 20/08/2011 0.679 254 257 255 257 25736 Altamira 585.76 57 San Pedro 27/09/2011 0.767 30/09/2011 0.331 28/09/2011 0.549 282 285 283 281-289 x37 Altamira 652.56 55 San Pedro 22/10/2011 0.565 25/10/2011 0.326 23/10/2011 0.446 312 315 313 313 x38 Altamira 620.08 52 San Pedro 19/11/2011 0.667 22/11/2011 0.478 20/11/2011 0.573 335 338 336 337 x39 Altamira 1070.16 60 San Pedro 17/12/2011 0.962 20/12/2011 0.390 18/12/2011 0.676 140 143 141 137-145 14540 La almeria alta 1103.92 43 San Pedro 13/05/2011 0.819 16/05/2011 0.673 14/05/2011 0.746 171 174 172 169-177 x

90

Fuente: (Ruíz, 2013 y Ramírez, 2013)

41 La almeria alta 1279.92 45 San Pedro 13/06/2011 0.629 16/06/2011 0.310 14/06/2011 0.470 226 229 227 225-233 x42 La almeria alta 968.32 47 San Pedro 19/07/2011 0.969 22/07/2011 0.526 20/07/2011 0.748 256 259 257 257 25743 La almeria alta 601.12 44 San Pedro 22/08/2011 1.163 25/08/2011 0.810 23/08/2011 0.987 283 286 284 281-289 x44 La almeria alta 430.08 43 San Pedro 23/09/2011 1.014 26/09/2011 0.687 24/09/2011 0.851 305 308 306 305 x45 La almeria alta 158.16 47 San Pedro 23/10/2011 1.474 26/10/2011 1.005 24/10/2011 1.240 140 143 141 137-145 14546 La almeria alta 538.32 46 San Pedro 19/11/2011 1.205 22/11/2011 1.024 20/11/2011 1.115 171 174 172 169-177 16147 La almeria baja 875.68 46 San Pedro 13/05/2011 0.909 16/05/2011 0.590 14/05/2011 0.750 226 229 227 225-233 22548 La almeria baja 822.88 50 San Pedro 13/06/2011 0.574 16/06/2011 0.384 14/06/2011 0.479 256 259 257 257 25749 La almeria baja 1523.04 49 San Pedro 19/07/2011 0.935 22/07/2011 0.667 20/07/2011 0.801 283 286 284 281-289 x50 La almeria baja 993.36 45 San Pedro 22/08/2011 0.883 25/08/2011 0.816 23/08/2011 0.850 305 308 306 305 x51 La almeria baja 426.08 48 San Pedro 23/09/2011 1.424 26/09/2011 0.788 24/09/2011 1.106 142 145 143 145 14552 La almeria baja 426.08 54 San Pedro 23/10/2011 0.937 26/10/2011 0.795 24/10/2011 0.866 170 173 171 169-177 161-17753 La almeria baja 377.68 58 San Pedro 19/11/2011 1.279 22/11/2011 0.721 20/11/2011 1.000 200 203 201 201-209 x54 La posada de los llanos alta 2200 50 San Pedro 20/05/2011 1.062 23/05/2011 0.875 21/05/2011 0.969 254 257 255 257 25755 La posada de los llanos alta 2200 50 San Pedro 20/06/2011 0.949 23/06/2011 0.770 21/06/2011 0.860 286 289 287 289 x56 La posada de los llanos alta 2200 50 San Pedro 14/08/2011 0.938 17/08/2011 0.704 15/08/2011 0.821 319 322 320 321 x57 La posada de los llanos alta 2200 50 San Pedro 13/09/2011 1.329 16/09/2011 1.095 14/09/2011 1.212 338 341 339 337-345 x58 La posada de los llanos alta 2200 50 San Pedro 10/10/2011 0.928 13/10/2011 0.698 11/10/2011 0.813 147 150 148 145-153 14559 La posada de los llanos alta 2200 50 San Pedro 01/11/2011 0.924 04/11/2011 0.640 02/11/2011 0.782 177 180 178 177 17760 La posada de los llanos baja 796.8 40 San Pedro 20/05/2011 0.871 23/05/2011 0.620 21/05/2011 0.746 205 208 206 201-209 20961 La posada de los llanos baja 1946.88 40 San Pedro 20/06/2011 0.721 23/06/2011 0.587 21/06/2011 0.654 234 237 235 233-241 24162 La posada de los llanos baja 833.68 40 San Pedro 14/08/2011 0.82 17/08/2011 0.662 15/08/2011 0.741 266 269 267 265 27363 La posada de los llanos baja 2256.32 40 San Pedro 13/09/2011 0.995 16/09/2011 0.924 14/09/2011 0.960 296 299 297 297 30564 La posada de los llanos baja 332.88 40 San Pedro 10/10/2011 0.685 13/10/2011 0.281 11/10/2011 0.483 322 325 323 321-329 x65 La posada de los llanos baja 673.76 40 San Pedro 01/11/2011 0.843 04/11/2011 0.744 02/11/2011 0.794 338 341 339 337-345 337

91

ANEXO B. Mapas de PPNA hato El Común y Pinar Verde.

92

ANEXO C. Tablas de validación

Tabla 6. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de El común y Pinar Verde, por medio de estimación de los errores asociados al

dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - NDVI El Común

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.176 1.002 0.174 0.174 17.4 82.6 169 1.022 1.020 0.003 0.003 0.3 99.7 177 1.080 1.020 0.061 0.060 6.0 94.0 201 0.977 0.743 0.235 0.316 31.6 68.4 209 0.834 0.743 0.092 0.124 12.4 87.6 233 0.630 1.005 0.375 0.373 37.3 62.7 241 1.355 1.005 0.351 0.349 34.9 65.1 265 0.544 0.890 0.346 0.389 38.9 61.1 297 1.030 0.782 0.248 0.317 31.7 68.3 321 0.365 0.694 0.328 0.473 47.3 52.7 329 0.560 0.694 0.133 0.192 19.2 80.8 345 0.640 0.882 0.242 0.274 27.4 72.6

Pinar Verde

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.088 0.979 0.109 0.111 11.1 88.9 177 0.944 0.783 0.161 0.206 20.6 79.4 201 0.523 0.972 0.449 0.462 46.2 53.8 209 1.149 0.972 0.177 0.182 18.2 81.8 233 0.542 1.065 0.523 0.491 49.1 50.9 241 1.343 1.065 0.278 0.261 26.1 73.9 265 0.535 1.124 0.589 0.524 52.4 47.6 297 0.933 0.846 0.087 0.102 10.2 89.8 321 0.820 0.717 0.103 0.143 14.3 85.7 329 0.511 0.717 0.206 0.288 28.8 71.2 337 0.353 0.917 0.564 0.615 61.5 38.5 345 0.835 0.917 0.082 0.089 8.9 91.1

93

Tabla 7. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de La Carlota, por medio de estimación de los errores asociados al dato real

(datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS -NDVI La Carlota

DÍA Teórico Campo Error Absoluto Error Relativo Error Porcentual Confianza (%)

121 1.179 0.630 0.549 0.872 87.2 12.8 129 0.314 0.630 0.315 0.501 50.1 49.9 161 1.200 0.504 0.696 1.381 138.1 -38.1 169 0.316 0.504 0.188 0.373 37.3 62.7 193 1.232 0.540 0.693 1.284 128.4 -28.4 217 1.183 0.688 0.495 0.720 72.0 28.0 225 0.370 0.688 0.318 0.462 46.2 53.8 257 0.480 0.817 0.337 0.412 41.2 58.8 281 0.092 0.617 0.525 0.851 85.1 14.9 289 1.057 0.617 0.440 0.713 71.3 28.7 313 0.971 0.451 0.520 1.154 115.4 -15.4 337 0.124 0.479 0.355 0.741 74.1 25.9

Tabla 8. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de Paysandú, por medio de estimación de los errores asociados al dato real

(datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - NDVI Paysandú

DÍA Teórico Campo Error Absoluto

Error Relativo

Error Porcentual

Confianza (%)

145 1.159 0.711 0.448 0.630 63.0 37.0 169 1.350 0.874 0.476 0.544 54.4 45.6 177 0.590 0.874 0.284 0.324 32.4 67.6 201 0.900 0.711 0.189 0.266 26.6 73.4 209 0.756 0.711 0.045 0.064 6.4 93.6 257 1.139 1.089 0.050 0.046 4.6 95.4 289 1.032 0.901 0.131 0.146 14.6 85.4 321 0.762 0.852 0.090 0.106 10.6 89.4 337 0.226 0.680 0.453 0.667 66.7 33.3 345 0.475 0.680 0.205 0.301 30.1 69.9

Tabla 9. Validación de datos teóricos con los datos de campo PPNA 8 días con NDVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de

94

los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS -NDVI Altamira

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 0.915 1.793 0.878 0.490 49.0 51.0 145 1.153 0.793 0.360 0.454 45.4 54.6 169 1.350 0.553 0.798 1.444 144.4 -44.4 177 1.206 0.553 0.653 1.183 118.3 -18.3 193 1.344 1.063 0.281 0.265 26.5 73.5 201 0.370 1.063 0.693 0.651 65.1 34.9 233 0.901 0.679 0.223 0.328 32.8 67.2 265 1.291 0.549 0.742 1.351 135.1 -35.1 281 0.673 0.549 0.124 0.226 22.6 77.4 297 1.433 0.446 0.987 2.216 221.6 -121.6 321 0.243 0.573 0.330 0.576 57.6 42.4 329 0.329 0.573 0.243 0.425 42.5 57.5 353 0.929 0.676 0.253 0.375 37.5 62.5

Almería Alta

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 129 0.528 0.746 0.218 0.293 29.3 70.7 137 1.073 0.746 0.327 0.439 43.9 56.1 161 1.412 0.470 0.943 2.008 200.8 -100.8 169 0.887 0.470 0.417 0.888 88.8 11.2 201 0.682 0.748 0.065 0.088 8.8 91.2 233 0.600 0.987 0.387 0.392 39.2 60.8 241 1.393 0.987 0.407 0.412 41.2 58.8 265 1.416 0.851 0.566 0.665 66.5 33.5 297 1.277 1.240 0.038 0.030 3.0 97.0 321 1.078 1.115 0.036 0.032 3.2 96.8 329 0.195 1.115 0.919 0.825 82.5 17.5

Almería Baja

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 129 0.550 0.750 0.200 0.267 26.7 73.3 137 0.986 0.750 0.237 0.316 31.6 68.4 161 1.437 0.479 0.958 1.999 199.9 -99.9 169 1.467 0.479 0.988 2.063 206.3 -106.3 201 1.287 0.801 0.486 0.606 60.6 39.4

95

233 0.739 0.850 0.111 0.131 13.1 86.9 241 1.437 0.850 0.588 0.692 69.2 30.8 265 1.496 1.106 0.390 0.353 35.3 64.7 297 1.143 0.866 0.277 0.319 31.9 68.1 321 0.937 1.000 0.063 0.063 6.3 93.7 329 0.503 1.000 0.497 0.497 49.7 50.3

Posada de los Llanos Alta

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 1.323 0.969 0.355 0.366 36.6 63.4 145 1.193 0.969 0.225 0.232 23.2 76.8 169 0.654 0.860 0.206 0.239 23.9 76.1 177 0.499 0.860 0.360 0.419 41.9 58.1 225 0.393 0.821 0.428 0.521 52.1 47.9 233 0.761 0.821 0.060 0.073 7.3 92.7 257 0.898 1.212 0.314 0.259 25.9 74.1 281 0.898 0.813 0.085 0.105 10.5 89.5 289 0.692 0.813 0.121 0.148 14.8 85.2 305 0.356 0.782 0.426 0.545 54.5 45.5

Posada de los Llanos Baja

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 0.393 0.746 0.353 0.473 47.3 52.7 145 1.298 0.746 0.552 0.741 74.1 25.9 169 1.093 0.654 0.439 0.671 67.1 32.9 177 1.216 0.654 0.562 0.859 85.9 14.1 225 1.580 0.741 0.839 1.132 113.2 -13.2 233 0.530 0.741 0.211 0.285 28.5 71.5 257 1.598 0.960 0.639 0.666 66.6 33.4 281 0.521 0.483 0.038 0.079 7.9 92.1 289 0.617 0.483 0.134 0.276 27.6 72.4 305 1.098 0.794 0.304 0.384 38.4 61.6

Tabla 10. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para los hatos ganaderos El común y Pinar Verde, por medio de estimación de los errores asociados al dato

real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - EVI El Común

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%)

96

145 1.868 1.002 0.866 0.865 86.5 13.5 169 2.106 1.020 1.087 1.066 106.6 -6.6 177 2.234 1.020 1.214 1.191 119.1 -19.1 201 1.991 0.743 1.249 1.682 168.2 -68.2 209 1.670 0.743 0.928 1.250 125.0 -25.0 233 1.106 1.005 0.101 0.101 10.1 89.9 241 2.877 1.005 1.872 1.864 186.4 -86.4 265 0.988 0.890 0.098 0.110 11.0 89.0 297 2.073 0.782 1.291 1.651 165.1 -65.1 321 0.613 0.694 0.081 0.117 11.7 88.3 329 1.122 0.694 0.428 0.617 61.7 38.3 345 1.228 0.882 0.346 0.392 39.2 60.8

Pinar Verde

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 2.249 0.979 1.271 1.299 129.9 -29.9 153 1.218 0.979 0.240 0.245 24.5 75.5 177 1.880 0.783 1.098 1.403 140.3 -40.3 201 0.904 0.972 0.068 0.070 7.0 93.0 209 2.400 0.972 1.428 1.470 147.0 -47.0 233 0.920 1.065 0.145 0.136 13.6 86.4 241 2.874 1.065 1.809 1.698 169.8 -69.8 265 0.904 1.124 0.220 0.196 19.6 80.4 297 1.777 0.846 0.931 1.100 110.0 -10.0 321 1.619 0.717 0.902 1.258 125.8 -25.8 329 0.930 0.717 0.213 0.297 29.7 70.3 337 0.612 0.917 0.305 0.332 33.2 66.8 345 1.662 0.917 0.745 0.812 81.2 18.8

Tabla 11. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para el hato ganadero La Carlota, por medio de estimación de los errores asociados al dato real (datos de

campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - EVI La Carlota

DÍA Teórico Campo Error Absoluto

Error Relativo

Error Porcentual

Confianza (%)

121 1.955 0.630 1.326 2.106 210.6 -110.6 129 0.554 0.630 0.076 0.120 12.0 88.0 161 2.490 0.504 1.986 3.941 394.1 -294.1 169 0.702 0.504 0.198 0.393 39.3 60.7

97

193 3.010 0.540 2.470 4.579 457.9 -357.9 217 2.562 0.688 1.875 2.727 272.7 -172.7 225 0.131 0.688 0.556 0.809 80.9 19.1 257 1.541 0.817 0.724 0.886 88.6 11.4 281 0.188 0.617 0.429 0.695 69.5 30.5 289 2.133 0.617 1.516 2.456 245.6 -145.6 313 1.795 0.451 1.344 2.980 298.0 -198.0 337 0.184 0.479 0.295 0.617 61.7 38.3

Tabla 12. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para el hato ganadero Paysandú, por medio de estimación de los errores asociados al dato real (datos de

campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - EVI Paysandú

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 3.162 0.711 2.451 3.447 344.7 -244.7 169 3.067 0.874 2.193 2.510 251.0 -151.0 177 2.142 0.874 1.268 1.451 145.1 -45.1 201 2.912 0.500 2.412 4.824 482.4 -382.4 209 3.067 0.711 2.356 3.314 331.4 -231.4 257 3.029 1.089 1.941 1.783 178.3 -78.3 289 1.951 0.901 1.051 1.167 116.7 -16.7 321 1.167 0.852 0.315 0.369 36.9 63.1 337 0.251 0.680 0.429 0.631 63.1 36.9 345 0.687 0.680 0.007 0.010 1.0 99.0

Tabla 13. Validación de datos teóricos con los datos de campo PPNA 8 días con EVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y Posada de los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y

obteniendo una confianza a partir de la resta del error porcentual.

PPNA 8 DÍAS - EVI Altamira

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 1.735 0.793 0.942 1.188 118.8 -18.8 145 2.335 0.793 1.542 1.945 194.5 -94.5 169 2.946 0.553 2.394 4.333 433.3 -333.3 177 2.503 0.553 1.950 3.530 353.0 -253.0

98

193 2.911 1.063 1.848 1.739 173.9 -73.9 201 0.602 1.063 0.461 0.434 43.4 56.6 233 1.665 0.679 0.987 1.454 145.4 -45.4 265 2.680 0.549 2.131 3.881 388.1 -288.1 281 1.231 0.549 0.682 1.241 124.1 -24.1 297 3.219 0.446 2.773 6.226 622.6 -522.6 321 0.381 0.573 0.191 0.334 33.4 66.6 329 0.531 0.573 0.042 0.073 7.3 92.7

Almería Baja

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 129 0.924 0.750 0.175 0.233 23.3 76.7 137 1.878 0.750 1.129 1.506 150.6 -50.6 161 3.200 0.479 2.721 5.681 568.1 -468.1 169 3.309 0.479 2.830 5.909 590.9 -490.9 201 2.701 0.801 1.900 2.372 237.2 -137.2 233 1.302 0.850 0.452 0.533 53.3 46.7 241 3.114 0.850 2.265 2.666 266.6 -166.6 265 3.326 1.106 2.220 2.007 200.7 -100.7 297 2.331 0.866 1.465 1.691 169.1 -69.1 321 1.830 1.000 0.830 0.830 83.0 17.0 329 0.855 1.000 0.145 0.145 14.5 85.5

Almería Alta

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 129 0.884 0.746 0.138 0.184 18.4 81.6 137 2.108 0.746 1.362 1.826 182.6 -82.6 161 3.128 0.470 2.659 5.663 566.3 -466.3 169 1.653 0.470 1.184 2.522 252.2 -152.2 201 1.240 0.748 0.493 0.659 65.9 34.1 233 1.021 0.987 0.035 0.035 3.5 96.5 241 2.989 0.987 2.003 2.030 203.0 -103.0 265 3.070 0.851 2.220 2.610 261.0 -161.0 297 2.726 1.240 1.486 1.199 119.9 -19.9 321 2.216 1.115 1.102 0.989 98.9 1.1 329 0.310 1.115 0.805 0.722 72.2 27.8

Posada de los Llanos Alta

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 2.749 0.969 1.781 1.839 183.9 -83.9 145 2.412 0.969 1.443 1.490 149.0 -49.0

99

169 1.129 0.860 0.269 0.313 31.3 68.7 177 0.828 0.860 0.031 0.036 3.6 96.4 225 0.633 0.821 0.188 0.229 22.9 77.1 233 1.343 0.821 0.522 0.636 63.6 36.4 257 1.802 1.212 0.590 0.487 48.7 51.3 281 2.973 0.813 2.160 2.657 265.7 -165.7 289 1.232 0.813 0.419 0.516 51.6 48.4 305 0.643 0.782 0.139 0.178 17.8 82.2

Posada de los Llanos Baja

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 137 0.639 0.746 0.107 0.143 14.3 85.7 145 2.697 0.746 1.951 2.618 261.8 -161.8 169 2.246 0.654 1.592 2.434 243.4 -143.4 177 2.490 0.654 1.836 2.807 280.7 -180.7 225 3.570 0.741 2.829 3.817 381.7 -281.7 233 0.883 0.741 0.142 0.191 19.1 80.9 257 3.647 0.960 2.688 2.801 280.1 -180.1 281 0.894 0.483 0.411 0.851 85.1 14.9 289 1.078 0.483 0.595 1.232 123.2 -23.2 305 2.243 0.794 1.450 1.827 182.7 -82.7

Tabla 14. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para los hatos ganaderos El Común y Pinar Verde, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error

porcentual.

PPNA 16 DÍAS EL Común - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.359 1.002 0.358 0.357 35.7 64.3 177 1.350 1.020 0.330 0.324 32.4 67.6 209 1.511 0.743 0.768 1.035 103.5 -3.5 241 1.355 1.005 0.351 0.349 34.9 65.1 273 1.436 0.890 0.546 0.614 61.4 38.6 305 1.310 0.782 0.528 0.676 67.6 32.4 321 1.300 0.694 0.606 0.874 87.4 12.6 353 1.145 0.882 0.263 0.298 29.8 70.2

El Común - EVI

100

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.943 1.002 0.058 0.058 5.8 94.2 177 0.859 1.020 0.160 0.157 15.7 84.3 209 1.070 0.743 0.328 0.442 44.2 55.8 241 1.098 1.005 0.094 0.093 9.3 90.7 273 1.021 0.890 0.131 0.147 14.7 85.3 305 0.854 0.782 0.072 0.092 9.2 90.8 321 0.749 0.694 0.056 0.080 8.0 92.0 353 0.850 0.882 0.032 0.036 3.6 96.4

Pinar Verde - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.010 0.979 0.032 0.032 3.2 96.8 177 1.279 0.783 0.496 0.635 63.5 36.5 209 1.293 0.972 0.321 0.331 33.1 66.9 241 1.343 1.065 0.278 0.261 26.1 73.9 273 1.352 1.124 0.228 0.203 20.3 79.7 305 1.302 0.846 0.456 0.539 53.9 46.1 337 0.401 0.917 0.516 0.563 56.3 43.7

Pinar Verde - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.619 0.979 0.360 0.368 36.8 63.2 177 0.796 0.783 0.013 0.017 1.7 98.3 209 0.980 0.972 0.008 0.008 0.8 99.2 241 0.959 1.065 0.106 0.099 9.9 90.1 273 0.901 1.124 0.223 0.198 19.8 80.2 305 0.896 0.846 0.050 0.059 5.9 94.1

337 0.278 0.917 0.639 0.697 69.7 30.3

Tabla 15. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para el hato ganadero La Carlota, por medio de estimación de los errores asociados al dato real

(datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 16 DÍAS La Carlota - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 161 1.200 0.504 0.696 1.380 138.0 -38.0 193 1.232 0.540 0.257 0.345 34.5 65.5

101

209 1.173 0.688 0.485 0.706 70.6 29.4 257 0.985 0.817 0.168 0.206 20.6 79.4

La Carlota - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 161 0.854 0.504 0.350 0.694 69.4 30.6 193 0.757 0.540 0.217 0.403 40.3 59.7 209 0.850 0.688 0.162 0.236 23.6 76.4 257 0.454 0.817 0.363 0.444 44.4 55.6

Tabla 16. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para el hato ganadero Paysandú, por medio de estimación de los errores asociados al dato real

(datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 16 DÍAS Paysandú - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.159 0.711 0.448 0.630 63.0 37.0 161 1.259 0.874 0.385 0.440 44.0 56.0 177 1.457 0.874 0.583 0.667 66.7 33.3

Paysandú - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.895 0.711 0.184 0.259 25.9 74.1 161 0.946 0.874 0.072 0.083 8.3 91.7 177 1.004 0.874 0.130 0.148 14.8 85.2

Tabla 17. Validación de datos teóricos con los datos de campo PPNA 16 días con NDVI y EVI. Para los hatos ganaderos de Altamira, Almería Alta, Almería Baja, Posada de los Llanos Alta y

Posada de los Llanos Baja, por medio de estimación de los errores asociados al dato real (datos de campo) y obteniendo una confianza a partir de la resta del error porcentual.

PPNA 16 DÍAS Altamira - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.153 0.793 0.360 0.454 45.4 54.6 177 1.206 0.553 0.653 1.183 118.3 -18.3 193 1.344 1.063 0.281 0.264 26.4 73.6 209 1.397 1.063 0.334 0.314 31.4 68.6 241 1.409 0.679 0.730 1.076 107.6 -7.6

102

273 1.485 0.549 0.936 1.705 170.5 -70.5 289 1.464 0.446 1.018 2.286 228.6 -128.6

Altamira - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.842 0.793 0.049 0.062 6.2 93.8 177 0.936 0.553 0.383 0.693 69.3 30.7 193 1.018 1.063 0.045 0.042 4.2 95.8 209 1.148 1.063 0.085 0.080 8.0 92.0 241 1.073 0.679 0.395 0.582 58.2 41.8 273 1.212 0.549 0.663 1.208 120.8 -20.8 289 1.143 0.446 0.697 1.565 156.5 -56.5

Almería Alta - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 161 1.412 0.470 0.943 2.008 200.8 -100.8 193 1.245 0.748 0.498 0.666 66.6 33.4 209 1.489 0.748 0.741 0.992 99.2 0.8 241 1.393 0.987 0.407 0.412 41.2 58.8 257 1.377 0.851 0.527 0.619 61.9 38.1 305 1.352 1.240 0.113 0.091 9.1 90.9

Almería Alta - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 161 1.210 0.470 0.740 1.576 157.6 -57.6 193 0.818 0.748 0.071 0.095 9.5 90.5 209 0.586 0.748 0.162 0.217 21.7 78.3 241 1.045 0.987 0.059 0.059 5.9 94.1 257 1.215 0.851 0.365 0.429 42.9 57.1 305 1.168 1.240 0.072 0.058 5.8 94.2

Almería Baja - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.404 0.750 0.655 0.874 87.4 12.6 161 1.436 0.479 0.957 1.999 199.9 -99.9 209 1.475 0.801 0.674 0.841 84.1 15.9 257 1.372 1.106 0.266 0.240 24.0 76.0

Almería Baja - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.064 0.750 0.314 0.420 42.0 58.0 161 1.253 0.479 0.774 1.617 161.7 -61.7

103

209 0.787 0.801 0.014 0.017 1.7 98.3 257 1.240 1.106 0.134 0.121 12.1 87.9

Posada de los Llanos Alta - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.193 0.969 0.225 0.232 23.2 76.8 257 1.223 1.212 0.011 0.009 0.9 99.1

Posada de los Llanos Alta - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.892 0.969 0.077 0.079 7.9 92.1 257 1.037 1.212 0.175 0.145 14.5 85.5

Posada de los Llanos Baja - NDVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 1.298 0.746 0.552 0.741 74.1 25.9 161 1.354 0.654 0.700 1.070 107.0 -7.0 257 0.932 0.960 0.028 0.029 2.9 97.1

Posada de los Llanos Baja - EVI

DÍA Teórico Campo Error Absoluto

Error Relativo Error Porcentual Confianza

(%) 145 0.835 0.746 0.089 0.120 12.0 88.0 161 0.698 0.654 0.044 0.067 6.7 93.3 257 0.932 0.960 0.028 0.029 2.9 97.1

104

ANEXO D. Índices de Vegetación (IV) como fRFA

Figura 22. El Común NDVI 8 y 16 días como fRFA.

Figura 23. Pinar Verde NDVI 8 y 16 días como fRFA.

105

Figura 24. La Carlota NDVI 8 y 16 días como fRFA.

Figura 25. Paysandú NDVI 8 y 16 días como fRFA.

106

Figura 26. Altamira NDVI 8 y 16 días como fRFA.

Figura 27. Almería Alta NDVI 8 y 16 días como fRFA.

107

Figura 28. Almería Baja NDVI 8 y 16 días como fRFA.

Figura 29. Posada de los Llanos Alta NDVI 8 y 16 días como fRFA

108

Figura 30. Posada de los Llanos Baja NDVI 8 y 16 días como fRFA.

Figura 31. El Común EVI 8 y 16 días como fRFA.

109

Figura 32. Pinar Verde EVI 8 y 16 días como fRFA.

Figura 33. La Carlota EVI 8 y 16 días como fRFA

110

Figura 34. Paysandú EVI 8 y 16 días como fRFA.

Figura 35. Altamira EVI 8 y 16 días como fRFA.

111

Figura 36. Almería Alta EVI 8 y 16 días como fRFA.

Figura 37. Almería Baja EVI 8 y 16 días como fRFA.

112

Figura 38. Posada de los Llanos Alta EVI 8 y 16 días como fRFA.

Figura 39. Posada Llanos Baja EVI 8 y 16 días como fRFA.