Meu SciELO
Serviços Personalizados
Artigo
Indicadores
-
Citado por SciELO
Links relacionados
-
Similares em SciELO
Compartilhar
Revista Ciencias Técnicas Agropecuarias
versão On-line ISSN 2071-0054
Rev Cie Téc Agr vol.30 no.4 San José de las Lajas oct.-dez. 2021 Epub 01-Dez-2021
ARTÍCULO ORIGINAL
Estimación de la conductividad eléctrica del suelo a partir de información espectral en el cultivo del arroz (Oryza sativa L.)
IUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Departamento de Ciencias Agropecuarias, Holguín, Cuba.
IIUniversidad de Granma, Facultad de Ciencias Técnicas, Bayamo, Granma, Cuba.
IIIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos, Holguín, Cuba.
IVUniversidad de Granma, Facultad de Ciencias Agrícolas, Centro de Estudios de Biotecnología Vegetal, Bayamo, Granma, Cuba.
La salinidad del suelo constituye hoy en día uno de los principales procesos de degradación que afecta las tierras bajo riego; y en especial la producción de arroz. La investigación tuvo como objetivo estimar la conductividad eléctrica del suelo mediante información espectral en el cultivo del arroz en el municipio Mayarí, Holguín. La investigación se desarrolló sobre un Vertisol Crómico, los cuales son los más proclives en el territorio a desencadenar procesos de degradación como la salinidad, dado por las prácticas de manejo en el cultivo del arroz. Se utilizaron dos modelos semiempíricos propuestos a partir de índices espectrales diferentes, el NDSI y el IS los cuales se calcularon en el software QGis 3.10 con imágenes multiespectrales del sensor Landsat 8 OLI/TIRS. El NDSI y el SI-ASTER arrojaron la menor determinación y correlación negativa en ambos modelos. El SI y el SI-ASTER producen una sobreestimación de los valores de conductividad eléctrica del suelo (EC ≥ 100%), el NDSI, SSSI.1 y el SSSI.2 indican un contenido moderado de sales en el suelo (EC 20% ˂ EC ≤ 40%). Aunque la utilización de los índices espectrales de salinidad arrojó una alta determinación, el SI y el SI-ASTER indicaron un sobreestimación de la conductividad eléctrica existente en el suelo lo cual podría deberse a la presencia de una saturación de la señal captada por el sensor y reflejada en los índices obtenidos, la cual sobrepasó los valores en los cuales oscila el índice salino.
Palabras-clave: índice salino; salinidad; teledetección
INTRODUCCIÓN
La salinidad del suelo es considerado un problema a nivel medioambiental en el mundo, en especial en áreas de zonas áridas y semiáridas (Kumar et al., 2018). Ha sido reportado en tierras agrícolas irrigadas de China, India, Estados Unidos y América Zaman et al. (2018), y alrededor de un 20 % de las tierras bajo riego en el mundo expresan severos daños por la salinidad, bajos rendimientos, causando la degradación del suelo y también la pérdida de la fertilidad (Ali et al., 2019).
El arroz está considerado entre los cultivos sensibles a la salinidad, y se ha señalado que a partir de una conductividad eléctrica del extracto de pasta saturada del suelo (Cep) de 3 dS.m-1 el rendimiento potencial declina rápidamente en un entorno de un 12% por cada incremento de unidad de la Cep del suelo Ayers & Westcot, (1985) citado por Pujol et al. (2009).
De manera tradicional el análisis de laboratorio es la técnica de análisis utilizada para la caracterización de la salinidad del suelo, lo cual consume una gran cantidad de tiempo y recursos (Harti et al., 2016). También se utilizan herramientas geoestadísticas de interpolación Balakrishnan et al. (2011), para el análisis de la variabilidad espacial y temporal de la información obtenida.
Ante esta situación se hace más factible la utilización del sensoramiento remoto o teledetección. Esta novedosa técnica de gran potencial para la toma de datos del suelo, y ha sido utilizada para la detección de la salinidad tanto en forma espacial como temporal (Allbed et al., 2014). Su estudio se basa en las características espectrales del suelo.
Sidike et al. (2014), refiere que la reflectancia del suelo incrementa cuando incrementa la salinidad en el espectro visible de las bandas roja e infrarrojas. Dentro de las principales dificultades en la obtención de la información espectral de la salinidad es por la presencia de factores como la cobertura del suelo, el contenido de materia orgánica, la textura afecta la adquisición de la información en el tiempo y el espacio (Ding y Yu, 2014).
Por lo antes expuesto el objetivo de la investigación se basó en la estimación de la conductividad eléctrica del suelo a partir de modelos semiempíricos de información espectral en el cultivo del arroz en el municipio de Mayarí, Holguín.
MATERIALES Y MÉTODOS
La investigación se realizó en el área de producción arrocera conocida como Guaro, ubicado en el agroecosistema Mayarí en la provincia de Holguín. Se utilizó un diseño de muestreo completamente aleatorizado con la elaboración de una grilla de 50 metros de espaciado entre puntos proyectados en el sistema WGS84 /UTM zona 18 N (Figura 1).
FIGURA 1 Agroecosistema Mayarí (a), imagen del SAS Planet del área de producción arrocera Guaro (b) y Grilla de puntos (c).
La imagen utilizada (LC08_L1TP_011046_20181219_20181227_01_T1) para la extracción de la información espectral proviene del satélite comercial Landsat 8 OLI/TIRS, descargada del sitio www.usgs.com del Servicio Geológico de los Estados Unidos.
El satélite utilizado tiene las siguientes características (Tabla 1). Para la fecha de adquisición de las imágenes multiespectral se encontraba sembrada de arroz el área de estudio y el promedio de lluvias precipitadas hasta ese mes fue 79.0 mm y 26.6 °C de temperatura.
TABLA 1 Características del sensor Landsat 8 OLI/TIRS según (United State of Geological Survey, 2016)
Bandas | Color de la banda | Longitud de onda (µm) | Resolución (m) |
---|---|---|---|
1 | aerosol costero | 0.433 - 0.453 | 30 |
2 | azul | 0.450 - 0.515 | 30 |
3 | verde | 0.525 - 0.600 | 30 |
4 | rojo | 0.630 - 0.680 | 30 |
5 | Infrarrojo cercano (NIR) | 0.845 - 0.885 | 30 |
6 | Infrarrojo de onda corta(SWIR1) | 1.560 - 1.660 | 30 |
7 | Infrarrojo de onda corta(SWIR2) | 2.100 - 2.300 | 30 |
8 | Pancromático | 0.500 - 0.680 | 15 |
9 | cirrus | 1.360 - 1.390 | 30 |
10 | Infrarrojo térmico (TIRS1) | 10.30 - 11.30 | 100 |
11 | Infrarrojo térmico (TIRS2) | 11.50 - 12.50 | 100 |
A la imagen se le realizó la corrección radiométrica para la eliminación de los efectos causados por factores atmosféricos en el software QGis versión 3.10 A Coruña. Los índices espectrales utilizados para la estimación de la conductividad eléctrica se muestran en la Tabla 2.
TABLA 2 Índices espectrales determinados para la estimación de la conductividad eléctrica del suelo
Índices espectrales de salinidad | Referencias |
---|---|
|
Khan |
|
Khan |
|
Al-Khaier (2003) |
|
Bannari |
|
Bannari |
Luego del procesamiento digital de la imagen resultante de la determinación de los índices espectrales de salinidad se predijo el índice salino semiempírico de la conductividad eléctrica del suelo a través de modelos matemáticos planteados por Bannari et al. (2009) los cuales se indican en la Tabla 3.
TABLA 3 Modelos matemáticos para el cálculo del índice semiempírico de la conductividad eléctrica e índices espectrales para la determinación de la conductividad eléctrica a partir de información espectral
Índices espectrales de salinidad | Modelos matemático para estimar la CE |
---|---|
Para la clasificación de la salinidad del suelo se usó la propuesta por Taylor (1993), la misma presenta una escala que adopta clases de salinidad adaptadas para modelos predictivos de la conductividad eléctrica con valores entre 0 % y 100 % dS. m-1 respectivamente. El análisis estadístico se realizó en el software Statgraphics Plus versión 5.1 en el cual se efectuó el análisis de regresión lineal de la información espectral y los valores estimados de conductividad eléctrica.
RESULTADOS Y DISCUSIÓN
En la Figura 2 se presenta el análisis de regresión lineal de los índices espectrales vs conductividad eléctrica estimada mediante los modelos matemáticos semiempíricos. En la misma se puede apreciar que tanto los índices espectrales utilizados como los modelos matemáticos, SI vs CE y SI.ASTER vs CE sobreestiman el contenido de sales en el suelo y heterogeneidad en los valores estimados dado por el uso de diferentes bandas espectrales para su determinación. Elhag (2016) refiere que los valores del índice espectral que indica el estado de la salinidad del suelo oscila desde -1 (presencia alta de sales) a 1 (baja presencia de sales en el suelo).
FIGURA 2 Análisis de regresión lineal de los índices espectrales vs conductividad eléctrica estimada mediante modelos matemáticos semiempíricos.
La utilización de modelos lineales para determinar el error en la determinación de la salinidad por teledetección es muy utilizado al reducir las interferencias provocada por la variación espacial y temporal de las sales en el suelo (Scudiero et al., 2015). Estudios realizados por Ma et al. (2017) y Bannari et al. (2009; 2016), validaron la utilización de modelos lineales para la estimación de la conductividad eléctrica a partir de información espectral de índices salinos calculados a partir de imágenes del satélite Landsat 8 OLI/TIRS.
En la literatura referente al uso de sensores remotos para la determinación de índices salinos proponen diversos métodos para su cálculo. Khan et al. (2001) en su investigación propone el uso de las bandas 3 y 4 del sensor LISS-II y IRS-1B mediante los índices de ajuste del brillo del suelo (BI), el NDSI y el IS.
Por otra parte Al-Khaier (2003) determinó mediante el NDSI diferentes clases salinas en el suelo en una zona semiárida con las bandas 4 y 5 del sensor ASTER.
En el estudio realizado por Mashimbye (2013) para la determinación de la conductividad eléctrica en laboratorio refirió que la mejor forma de detectar la salinidad y la sodicidad del suelo mediante sensores remotos es con el uso de las bandas relacionadas con el infrarrojo de onda corta (SWIR1). Otros científicos han dirigido su estudio en diferentes tipos de suelos y con niveles de salinidad en el cual utilizan las bandas roja e infrarroja cercana para el análisis de la vegetación y los tipos de sales en el suelo (Howari et al., 2002).
TABLA 4 Información estadística del análisis de regresión lineal entre los índices espectrales y la conductividad eléctrica estimada a partir de modelos matemáticos semiempíricos
Índice espectral vs CE | Coeficiente de determinación | Coeficiente de correlación | Error estándar | Error Medio Absoluto | Durbin-Watson | Ecuación del modelo |
---|---|---|---|---|---|---|
NDSI vs CE | 73,5168 | -0,6596 | 6,5097 | 3,8087 | 0,0675 | CE = -7,5038 - 86,8489*NDSI |
SI vs CE | 97,3034 | 0,9864 | 8,5195 | 5,8261 | 0,0518 | CE = -820,9512 + 705,5234*SI |
SI.ASTER vs CE | 73,6875 | -0,8584 | 1351,7802 | 981,0384 | 0,0242 | CE = 210,0047 - 5286,91*SI.ASTER |
SSSI.1 vs CE | 96,9478 | 0,9846 | 2,7584 | 1,9690 | 0,0206 | CE = -28,4225 + 0,0201*SSSI.1 |
SSSI.2 vs CE | 97,2118 | 0,98596 | 1,5671 | 1,0441 | 0,0418 | CE = -20,3179 + 0,0199*SSSI.2 |
La Tabla 4 presenta la información estadística del análisis de regresión lineal entre los índices espectrales y conductividad eléctrica estimada. El modelo NDSI vs Ce presentó el menor coeficiente de determinación con un 73,5168 % y correlación negativa de -0,6596 al igual que el modelo SI.ASTER vs CE con -0,8584 lo cual deduce que a medida que este índice alcanza valores positivos disminuyen los valores estimados de conductividad eléctrica. Los modelos restantes presentaron una alta determinación y coeficiente de correlación cercanos al 100 %.
En una investigación realizada por Bannari et al. (2016) obtuvo con el uso de los modelos semiempíricos y los índices NDSI e IS coeficientes de determinación de un 70,0 % y un 67,0 % respectivamente.
Basado en la clasificación planteada por Taylor (1993), la misma presenta una escala que adopta clases de salinidad adaptadas para modelos predictivos de la se aprecia diferencias entre los valores medios estimados de conductividad eléctrica (Figura 3). De acuerdo a este autor los índices NDSI y SSSI.2 muestran una salinidad moderada (20% ˂ EC ≤ 40%) mientras que el uso del SI-ASTER y SSSI.1 producen una sobreestimación con valores superiores al 100 % y evidencia un área con condiciones extremas de salinidad (EC ≥ 100%).
Según El-Battay et al. (2017) indica la potencialidad de los índices NDSI, SI E SI-ASTER para la estimación de la conductividad eléctrica del suelo en agroecosistemas áridos, y refiere que el SSSI.1 realizó una sobreestimación con valores promedios de 145,24 %; el cual causa confusión cuando se trata de una investigación de este tipo.
CONCLUSIONES
La determinación de la conductividad eléctrica mediante la utilización de la información espectral es un indicador de esta propiedad en las condiciones de suelo y cultivo del arroz estudiada. Aunque la utilización de los índices espectrales de salinidad arrojó una alta determinación, el SI y el SI-ASTER indicaron una sobreestimación de la conductividad eléctrica existente en el suelo lo cual podría deberse a la presencia de una saturación de la señal captada por el sensor y reflejada en los índices obtenidos, la cual sobrepasó los valores en los cuales oscila el índice salino.
REFERENCES
ALI, S.K.; ALI, S.A.; WU, Y.; ABBASI, B.; ALPI, F.G.; ALI, L.I.; ZHOU, G.: ¨An assessment of the spatial and temporal distribution of soil salinity in combination with field and satellite data: a case study in Sujawal District¨, [en línea] Agronomy, DOI-https://doi.org/10.3390/agronomy9120869, 9(12): 869, 2019. [ Links ]
AL-KHAIER, F.: Soil salinity detection using satellite remotes sensing, 61pp., Master’s Thesis, International institute for Geoinformation Science and Earth Observation, Enschede, The Netherlands, 2003. [ Links ]
ALLBED, A.; KUMAR, L.; ALDAKHEEL, Y.Y.: ¨Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region¨, [en línea] Geoderma, ISSN-0016-7061, DOI-https://doi.org/10.1016/j.geoderma.2014.03.025, 230: 1-8, 2014. [ Links ]
AYERS, R.S.; WESTCOT, D.W.: Water quality for agriculture, Ed. Food and Agriculture Organization of the United Nations Rome, vol. 29, ISBN-92-5-102263-1, 1985. [ Links ]
BALAKRISHNAN, P.; SALEEM, A.; MALLIKARJUN, N.: ¨Groundwater quality mapping using geographic information system (GIS): A case study of Gulbarga City, Karnataka, India¨, [en línea] African Journal of Environmental Science and Technology, ISSN-1996-0786, DOI-https://doi.org/10.5897/AJEST11.134, 5(12): 1069-1084, 2011. [ Links ]
BANNARI, A.; GUÉDON, A.; EL-GHMARI, A.: ¨Mapping slight and moderate saline soils in irrigated agricultural land using advanced land imager sensor (EO-1) data and semi-empirical models¨, [en línea] Communications in Soil Science and Plant Analysis, ISSN-0010-3624, DOI-https://doi.org/10.1080/00103624.2016.1206919, 47(16): 1883-1906, 2016. [ Links ]
BANNARI, A.: GUEDON, A.; EL-HARTI, A.; CHERKAOUI, F.; EL-GHMARI, A.; SAQUAQUE, A.: ¨Slight and moderate saline and sodic soils characterization in irrigated agricultural land using multispectral remote sensing¨, [en línea] International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, DOI-https://doi.org/10.1080/00103620802432717, 34(Part XXX), 2009. [ Links ]
DING, J.; YU, D.: ¨Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments¨, [en línea] Geoderma, ISSN-0016-7061, DOI-https://doi.org/10.1016/j.geoderma.2014.07.028, 235: 316-322, 2014. [ Links ]
EL-BATTAY, A.; BANNARI, A.; HAMEID, N.; ABAHUSSAIN, A.: ¨Comparative study among different semi-empirical models for soil salinity prediction in an arid environment using OLI Landsat-8 data¨, [en línea] Advances in Remote Sensing, DOI-DOI: https://doi.org/10.4236/ars.2017.61002, 6(01): 23, 2017. [ Links ]
ELHAG, M.: ¨Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia¨, [en línea] Journal of Sensors, ISSN-1687-725X, DOI-https://doi.org/10.1155/2016/7596175, 2016, 2016. [ Links ]
HARTI, E.A.; LHISSOU, R.; CHOKMANI, K.; OUZEMOU, J.-E.; HASSOUNA, M.; BACHAOUI, E.M.; EL GHMARI, A.: ¨Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices¨, [en línea] International Journal of Applied Earth Observation and Geoinformation, ISSN-0303-2434, DOI-https://doi.org/10.1016/j.jag.2016.03.008, 50: 64-73, 2016. [ Links ]
HOWARI, F.; GOODELL, P.; MIYAMOTO, S.: ¨Spectral properties of salt crusts formed on saline soils¨, [en línea] Journal of Environmental Quality, ISSN-0047-2425, DOI-https://doi.org/10.2134/jeq2002.1453, 31(5): 1453-1461, 2002. [ Links ]
KHAN, N.; RASTOSKUEV, V.; SHALINA, E.; SATO, Y.: ¨Mapping salt-affected soils using remote sensing indicators a simple approach with the use of GIS IDRISI¨, En: 22nd Asian Conference on Remote Sensing, Center for Remote Imaging, sensing and Processing (CRISP), National University of Singapore; Singapore, pp. 5, Singapore, 2001. [ Links ]
KUMAR, N.; SINGH, S.K.; PANDEY, H.: ¨Drainage morphometric analysis using open access earth observation datasets in a drought-affected part of Bundelkhand, India¨, [en línea] Applied Geomatics, ISSN-1866-928X, DOI-https://doi.org/10.1007/s12518-018-0218-2, 10(3): 173-189, 2018. [ Links ]
MA, Z.; SHI, Z.; ZHOU, Y.; XU, J.; YU, W.; YANG, Y.: ¨A spatial data mining algorithm for downscaling TMPA 3B43 V7 data over the Qinghai-Tibet Plateau with the effects of systematic anomalies removed¨, [en línea] Remote Sensing of Environment, ISSN-0034-4257, DOI-https://doi.org/10.1016/j.rse.2017.08.023., 200: 378-395, 2017. [ Links ]
MASHIMBYE, Z.E.: Remote sensing of salt-affected soil, 151pp., Ph.D. Thesis, Stellenbosch University, Faculty of AgriSciences, Stellenbosch, South Africa, 2013. [ Links ]
PUJOL, O.R.; HERRERA, P.J.; CID, L.G.; ALARCÓN, L.R.; LÓPEZ, C.G.: ¨Evaluación del funcionamiento hidráulico del drenaje soterrado en áreas arroceras de la zona norte de la provincia Granma, Cuba¨, Revista Ciencias Técnicas Agropecuarias, ISSN-1010-2760, e-ISSN: 2071-0054, 18(3): 30-34, 2009. [ Links ]
SCUDIERO, E.; SKAGGS, T.H.; CORWIN, D.L.: ¨Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance¨, [en línea] Remote Sensing of Environment, ISSN-0034-4257, DOI-http://dx.doi.org/10.1016/j.rse.2015.08.0260034, 169: 335-343, 2015. [ Links ]
SIDIKE, A.; ZHAO, S.; WEN, Y.: ¨Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra¨, [en línea] International Journal of Applied Earth Observation and Geoinformation, ISSN-0303-2434, DOI-https://doi.org/10.1016/j.jag.2013.06.002, 26: 156-175, 2014. [ Links ]
TAYLOR, S.: Dryland salinity: introductory extension notes, Ed. Department of Land and Water Conservation, pp. 63, ISBN-978-0-7310-1124-7, Sydney, Australia, 1993. [ Links ]
UNITED STATE OF GEOLOGICAL SURVEY: ¨Landsat Earth observation satellites: U.S. Geological Survey Fact Sheet 2015-3081¨, [en línea] DOI-https://doi.org/10.3133/fs20153081, 4, 2016. [ Links ]
ZAMAN, M.; SHAHID, S.A.; HENG, L.: Guideline for Salinity Assessment, Mitigation and Adaptation Using Nuclear and Related Techniques, Ed. Springer: New York, vol. 3, pp. 43-53, ISBN-978-3-319-96190-3, NY, USA, 2018. [ Links ]
Recibido: 01 de Febrero de 2021; Aprobado: 20 de Septiembre de 2021