ARTÍCULO ORIGINAL

Sensoramiento remoto de la salinidad en el agroecosistema Mayarí de la provincia Holguín, Cuba

MSc. Roberto Alejandro García-Reyes^{I  *} 

Dr.C. Mario Damián González Posada-Dacosta^II 

MSc. Kenier Torres-Calzado¹ 

MSc. Juan Alejandro Villazón-Gómez^III 

MSc. Miguel Ignacio Abellón-Molina^I 

MSc. Elianne Caridad Velázquez-Sánchez^I 

^IUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Departamento de Ciencias Agropecuarias, Holguín, 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, Holguín, Cuba.

RESUMEN

Se determinaron los índices espectrales relacionados con la salinidad del suelo mediante sensor remoto en dos épocas del año contrastantes por el régimen de precipitaciones, en el agroecosistema de Mayarí de la provincia Holguín, Cuba. Las imágenes utilizadas fueron del mes de mayo de 2016 y diciembre de 2018, obtenidas del Servicio Geológico de los Estados Unidos (USGS) por el satélite Landsat 8 OLI/TIRS en la cuadrícula 011/046. Se utilizó el software QGis 3.10 para la determinación de los índices espectrales; así como la corrección radiométrica, informe estadístico de los valores digitales de las imágenes y la confección de los mapas temáticos. Los resultados obtenidos muestran la variación de los valores digitales de los índices espectrales en ambas épocas del año estudiada, donde el índice salino (IS) presentó mayor contenido de sales y menor zonas con vegetación en mayo de 2016 lo que pudo estar dado por la finalización de la época de sequía y comienzo de la temporada de lluvia. Igual comportamiento fue ilustrado por los índices ENDWI, NDDI y VSSI los cuales influyeron en el comportamiento del IS y el NDVI.

Palabras clave: índices espectrales; sequía

INTRODUCCIÓN

A nivel mundial se estima que existan entre un 20 y un 30 % de suelos degradados por salinidad según ^{Asfaw et al. (2018)}, lo cual causa problemas medioambientales, principalmente en la agricultura (^{Gorji et al., 2017}). Muchos son los factores que causan la salinidad del suelo, entre ellos se encuentra la excesiva actividad del riego, con extracción del manto freático de altas concentraciones de sales minerales en el agua (^{Ávila et al., 2018}). La información de los estudios realizados para la determinación del estado de la salinidad del suelo, brindan una gran magnitud de información requerida para la toma de decisiones y la implementación de programas efectivos para su manejo (^{Aldabaa et al., 2015}).

Poder detectar la salinidad del suelo mediante la implementación de sensores remotos es una de las técnicas actualmente más utilizadas (^{Wang et al., 2020}). La salinidad no es un proceso que se manifiesta solo en la superficie del suelo, sino que, en todo el perfil, lo que puede causar una limitación en la utilización de los sensores ópticos.

En estas circunstancias, resulta difícil monitorear la composición química del suelo con la precisión aceptable, así como recopilar la información a diferentes escalas espaciales. Un estudio multitemporal de la salinidad requiere abordar un gran lapso de tiempo para ser representativo de las tendencias y magnitudes de los procesos de degradación, así como para definir los rasgos básicos de la dinámica, extensión y grado de salinización de los suelos.

Estudios realizados bajo diferentes condiciones edafoclimáticas, de uso y manejo de los suelos, han corroborado el empleo de sensores remotos en estudios de la salinidad y su relación con los valores obtenidos en mediciones de campo y de laboratorio; en la elaboración de mapas temáticos para la comparación de períodos de tiempo, épocas del año y en distintas etapas del crecimiento y desarrollo de cultivos (^{Al-Khaier, 2003}; ^{Heidinger, 2008}; ^{Soca, 2015}).

Por lo antes expuesto se propone como objetivo de la investigación, la determinación de índices espectrales relacionados con la salinidad del suelo mediante sensoramiento remoto en dos épocas del año contrastantes por el régimen de precipitaciones, en el agroecosistema de Mayarí de la provincia Holguín, Cuba.

MATERIALES Y MÉTODOS

El agroecosistema Mayarí ubicado en la provincia de Holguín abarca una superficie de 1304,2 km² (Figura 1) el cual se destaca por contar con el mayor polo agropecuario de la provincia y gran parte de los cultivos bajo riego, abastecidos por el agua de la presea Mayarí y las obras del trasvase Este-Oeste.

FIGURA 1 Mapa del agroecosistema Mayarí ubicado en el municipio de Mayarí, provincia Holguín, Cuba. 

El origen de los índices espectrales utilizados para la determinación de la salinidad son imágenes de satélite Landsat 8 OLI (Operational Land Imager) TIRS (Thermal Infrared Sensor) colección 1; ambas descargadas del Servicio Geológico de los Estados Unidos (USGS) en la cuadrícula 011/046 y el sistema de coordenadas WGS 84 UTM Zona 18 Norte. Por su cúmulo y el tiempo, las imágenes Landsat tienen una resolución espacial de 30 m, resolución temporal de 16 días y una cobertura del terreno de 185 km.

En la Tabla 1 se ilustra las características de las imágenes Landsat utilizadas para la determinación por sensoramiento remoto de los índices espectrales relacionados con la salinidad del suelo en diferentes épocas del año (mayo y diciembre). Cada imagen representa un conjunto de datos agrupados en píxeles.

TABLA 1 Imágenes satelitales utilizadas para la teledetección de la salinidad en diferentes épocas del año 

Imagen	Fecha de adquisición
LC08_L1TP_011046_20160519_20170324_01_T1	19 de mayo de 2016
LC08_L1TP_011046_20181219_20181227_01_T1	19 de diciembre de 2018

El software QGis 3.10 fue el utilizado para la determinación de los índices espectrales y la realización de los mapas temáticos, y en ambas imágenes utilizadas se realizó la corrección radiométrica, para disminuir los efectos atmosférico, radiométrico y topográfico.

Los índices espectrales relacionados con la salinidad del suelo (Tabla 2) determinados fueron los siguientes:

TABLA 2 Índices espectrales determinados a partir de las imágenes satelitales del Landsat 8 OLI/TIRS 

Índice espectral	Expresión	Referencia
Índice salino (IS)	$IS=\frac{\left(B2-B4\right)}{(B2+B4)}$	Khan et al. (2005)
Índice Normalizado de Diferencia Vegetativa (NDVI)	$NDVI=(NIR-B4)/(NIR+B4)$	Rouse et al. (1974)
Índice mejorado de agua (ENDWI)	$ENDWI=\frac{NIR-SWIR2}{NIR+SWIR2}$	Chen et al. (2005)
Índice de Sequía de Diferencia Normalizada (NDDI)	$NDDI=\frac{NDVI-ENDWI}{NDVI+ENDWI}$	Gu et al. (2007)
Índice de Vegetación del Suelo Salino (VSSI)	$VSSI=2*B2-5\left(B3+B4\right)$	Dehni y Lounis (2012)

B2: banda espectral azul; B3: banda espectral verde; B4: banda espectral roja; NIR: banda espectral infrarrojo cercano; SWIR2: infrarrojo de alcance medio.

Según datos de la estación meteorológica de Guaro del municipio de Mayarí para los años 2016 y 2018 fueron tomados como referencia para el estudio de las épocas con mayor afectación del contenido de sales en el suelo y el estrés inducido por la intensa sequía. Para mayo de 2016 hubo un acumulado de lluvia promedio de 70,6 mm y diciembre de 2018 de 79,0; lo cual infiere una mínima diferencia entre ambas épocas contrastantes.

RESULTADOS Y DISCUSIÓN

La estadística descriptiva de los valores espectrales que toman los píxeles en ambas épocas de los años analizados se muestra en la Tabla 3. El déficit de agua que se presentó en la información espectral de diciembre de 2018 expresado por el índice NDDI con valores medios de -0,821 no tuvo incidencia negativa en los índices IS, NDVI, ENDWI y VSSI dado que arrojaron menor presencia de sales en el suelo que la información espectral del mes de mayo de 2016 la cual presenta un mayor IS (-0,409) con valores más cercanos a -1. Según ^{Elhag (2016)}, los valores del índice espectral que indica el estado de la salinidad del suelo oscila desde -1 (presencia alta de sales en el suelo) a 1 (baja presencia de sales en el suelo).

TABLA 3 Informe estadístico descriptivo de los valores espectrales que toman los píxeles en ambas épocas del año a partir del recorte de un raster del agroecosistema Mayarí 

Época del año	Índice espectral	Valor mínimo	Valor máximo	Valor medio	Desviación estándar
Mayo/2016	IS	-0.2409	0.2187	0.0786	0.0517
	ENDWI	-0.1753	0.5994	0.2858	0.1360
	NDDI	-269764.2812	220090.8281	0.1345	297.6306
	NDVI	-0.3532	0.6433	0.2661	0.1771
	VSSI	- 418727.0	-48510.0	-74437.2212	27351.1005
Diciembre/2018	IS	-0.2893	0.5828	0.2661	0.1493
	ENDWI	-0.1255	0.5555	0.2596	0.1222
	NDDI	-1141697.5	163069.7343	-0.0821	1031.6220
	NDVI	-0.2893	0.5828	0.2936	0.1493
	VSSI	-197326.0	-44772.0	-54747.2184	5630.8296

Para diciembre de 2018 existieron mayores zonas con vegetación con valores medios de 0,293 del NDVI que el mes de mayo de 2016 con 0,2661. El intervalo de valores obtenido del NDVI, varía entre (-1) y el (1); y sólo los valores positivos corresponden a zonas de vegetación. Los valores negativos, generados por una mayor reflectancia en el visible que en el infrarrojo, pertenecen a nubes, nieve, agua, zonas de suelo desnudo y rocas. El valor del NDVI puede variar en función del uso de suelo, estación fenológica, situación hídrica del territorio y ambiente climático de la zona. Estas propiedades hacen que el NDVI se haya constituido en una valiosísima herramienta para la evaluación de cubiertas vegetales, así como para estudiar la clasificación y dinámica vegetal y sus aspectos fenológicos (^{Chen et al., 2005}).

^{Martínez et al. (2011)}, plantea que la sequía, salinidad y temperaturas extremas son los principales tipos de estrés que causan efectos adversos en el crecimiento y productividad de los cultivos. El NDII y el ENDWI ambos índices relacionados con la presencia y cantidad de agua en el suelo determinados a partir de imágenes Landsat permiten establecer relaciones con la presencia de sales en el suelo según el estudio realizado por ^{Khan et al. (2005)}.

El uso de cartografía, ante la consideración del mapa como un sistema de información, brinda la posibilidad de contar con una base teórico-metodológica que se presenta en diferentes instancias durante la totalidad del proceso de investigación que inicia con la necesidad de definir el área de estudio y culmina con una síntesis de las distribuciones espaciales de los resultados obtenidos (^{Baquero et al., 2010}).

La teledetección de la salinidad a partir del NDVI ha sido ampliamente utilizada, dado que se presenta el estado de la vegetación ante el estrés por salinidad (^{Allbed et al., 2014}). La Figura 2 muestra los mapas de IS y NDVI en mayo de 2016 y diciembre de 2018 del agroecosistema Mayarí. A partir de la visualización por el contraste en las tonalidades que toma la salinidad y la vegetación en esta área se muestra la variación de estas medidas en ambas épocas.

FIGURA 2 Mapas de los índices espectrales IS y NDVI de mayo de 2016 y diciembre de 2018 del agroecosistema Mayarí. 

^{Platonov et al. (2013)}, refiere que para identificar el estado de la vegetación ante el estrés salino se hace necesario el análisis de grandes extensiones debido a la variación del uso y manejo del suelo por los productores (^{Muller, 2017}).

La presencia de agua en el suelo tiene gran influencia en el estado de la salinidad, por lo tanto, la determinación de los índices relacionados con el estrés causado por la sequía en las plantas, sugieren que hubo variación en los meses de mayo del 2016 y diciembre del 2018 en el agroecosistema de Mayarí (Figura 3).

FIGURA 3 Mapas de los índices espectrales ENDWI, NDDI y VSSI correspondientes al mes de mayo de 2016 y diciembre de 2018 del agroecosistema Mayarí. 

Los resultados obtenidos concuerdan con lo planteado por ^{Oliva et al. (2011)}, donde refiere que la sequía es mayor en las regiones secas y calientes, y que existe una mayor concentración de sales en la capa superior del suelo debido a la evapotranspiración, que excede a la precipitación.

CONCLUSIONES

Los resultados obtenidos en la investigación resaltan la precisión de la teledetección en la determinación de la salinidad del suelo y de índices espectrales relacionados con el estrés en las plantas ocasionado por este proceso de degradación. Las imágenes utilizadas para el análisis de los índices espectrales arrojaron un mayor índice salino en el mes de mayo de 2016 lo que pudo estar dado por el inicio de la época lluviosa y el mes de diciembre de 2018 marca el fin de la temporada lluviosa en el país. Los mapas confeccionados a partir de la información espectral muestran el contraste en ambos años analizados de los índices de salinidad, de vegetación y los relacionados con el estrés por intensa sequía.

REFERENCES

ALDABAA, A.A.; WEINDORF, D.C.; CHAKRABORTY, S.; SHARMA, A.B.; LI, B.: “Combination of proximal and remote sensing methods for rapid soil salinity quantification”, Geoderma, 239: 34-46, 2015, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.09.011.

AL-KHAIER, F.: Soil salinity detection using satellite remote sensing, International Institute for Geo-Information Science and Earth observation ITC, MSc. Thesis in Geo-Information Science and Earth Observation, Enscheda, the Netherlands, 2003.

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”, Geoderma, 230: 1-8, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.03.025.

ASFAW, E.; SURYABHAGAVAN, K.V.; ARGAW, M.: “Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia”, Journal of the Saudi Society of Agricultural Sciences, 17(3): 250-258, 2018, ISSN: 1658-077X, DOI: https://dx.doi.org/10.1016/j.jssas.2016.05.003.

ÁVILA, S.E.; GARCÍA, S.J.A.; VALTIERRA, P.E.; GARCÍA, M.R.; HOYOS, F.G.: “Producción de biodiesel derivado de la Jatropha: un estudio de competitividad en el estado de Chiapas, México”, Revista Fitotecnia Mexicana, 41(4): 461-468, 2018, ISSN: 0187-7380.

BAQUERO, G.; ESTEBAN, B.; PUIG, R.; RIBA, J.; RIUS, A.: “Characterization of physical properties of vegetable oils to be used as fuel in diesel engines”, 2010.

CHEN, D.; HUANG, J.; JACKSON, T.J.: “Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands”, Remote Sensing of Environment, 98(2-3): 225-236, 2005, ISSN: 0034-4257, DOI: https://dx.doi.org/10.1016/j.rse.2005.07.008.

DEHNI, A.; LOUNIS, M.: “Remote sensing techniques for salt affected soil mapping: application to the Oran region of Algeria”, Procedia Engineering, 33: 188-198, 2012, ISSN: 1877-7058, DOI: https://dx.doi.org/10.1016/j.proeng.2012.01.1193.

ELHAG, M.: “Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia”, Journal of Sensors, : 1-8, 2016, ISSN: 1687-725X, DOI: https://dx.doi.org/10.1155/2016/7596175.

GORJI, T.; SERTEL, E.; TANIK, A.: “Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey”, Ecological Indicators, 74: 384-391, 2017, ISSN: 1470-160X, DOI: https://dx.doi.org/10.1016/j.ecolind.2016.11.043.

GU, Y.; BROWN, F.J.; VERDIN, P.J.; WARDLOW, B.: “A five‐year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States”, Geophysical research letters, 34(6): 1-6, 2007, ISSN: 0094-8276, DOI: https://dx.doi.org/10.1029/2006GL029127.

HEIDINGER, A.H.: Detección de salinidad de los suelos en el Antiplano Peruano-Boliviano mediante percepción remota, inducción electromagnética y sistemas de información geográfica, Universidad Nacional Agraria La Molina, Facultad de Ciencias …, Tesis de Licenciatura, Lima, Perú, 2008.

KHAN, N.M.; GUEVARA, V.V.; SATO, Y.; SHIOZAWA, S.: “Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators”, Agricultural Water Management, 77(1-3): 96-109, 2005, ISSN: 0378-3774, DOI: https://dx.doi.org/10.1016/j.agwat.2004.09.038.

MARTÍNEZ, N.; LÓPEZ, C.; BASURTO, M.; PÉREZ, R.: “Efectos por salinidad en el desarrollo vegetativo. Tecnociencia. 5, 156-161”, 2011.

MULLER, S.J.: Indirect soil salinity detection in irregated areas using earth observation methods, Stellenbosch University, Faculty of Science, Master of Science Thesis, Stellenbosch, Sud Africa, 2017.

OLIVA, M.A.; RINCÓN, R.; ZENTENO, E.; PINTO, A.; DENDOOVEN, L.; GUTIÉRREZ, F.: “Rol del vermicompost frente al estrés por cloruro de sodio en el crecimiento y fotosíntesis en plántulas de tamarindo (Tamarindus indica L.)”, Revista Gayana. Botánica, 65(1): 10-17, 2011, ISSN: 0717-6643, e-ISSN: 0016-5301.

PLATONOV, A.; NOBLE, A.; KUZIEV, R.: “Soil salinity mapping using multi-temporal satellite images in agricultural fields of Syrdarya province of Uzbekistan”, En: Developments in soil salinity assessment and reclamation: Innovative thinking and use of marginal soil and water resources in irrigated agriculture, Ed. Springer, Shahid SA, Abdelfattah MA, and Taha FK ed., Dordrecht, Netherlands, pp. 87-98, 2013.

ROUSE, J.; HAAS, R.; SCHELL, J.; DEERING, D.: “Monitoring Vegetation Systems in the Great Plains with ERTS Proceeding”, En: Third Earth Reserves Technology Satellite Symposium, Greenbelt: NASA SP-351, USA, 1974, ISBN: 30103017.

SOCA, R.: Identificación de las tierras degradadas por la salinidad del suelo en los cultivos de caña de azúcar mediante imágenes de satélite, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Físicas, Tesis para optar el Grado Académico de Magíster en Física con mención en Geofísica, Lima, Perú, 2015.

WANG, J.; DING, J.; YU, D.; AKIYAMA, D.M.; HE, B.; CHEN, X.; GE, X.; ZHANG, Z.; WANG, Y.; YANG, X.: “Machine learning-based detection of soil salinity in an arid desert region, Northwest China: A comparison between Landsat-8 OLI and Sentinel-2 MSI”, Journal Science of The Total Environment, 707: 1-11, 2020, ISSN: 0048-9697, DOI: https://dx.doi.org/10.1016/j.scitotenv.2019.136092.

Recibido: 20 de Junio de 2020; Aprobado: 04 de Diciembre de 2020

^*Author for correspondence: Roberto Alejandro García-Reyes, e-mail: [e-mail].