ARTÍCULO ORIGINAL

Relación salinidad-cultivo de caña de azúcar determinada por teledetección en el Central Azucarero Urbano Noris

Roberto Alejandro García-Reyes^{I  *} 
http://orcid.org/0000-0002-8950-0268

Mario Damian González Posada-Dacosta^II 
http://orcid.org/0000-0001-7410-6703

Juan Alejandro Villazón-Gómez^I 
http://orcid.org/0000-0002-2436-0591

Sergio Rodríguez-Rodríguez^II 
http://orcid.org/0000-0003-2923-5092

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

^IIUniversidad de Granma, Bayamo, Cuba.

RESUMEN

El objetivo de la investigación fue determinar la relación existente entre la salinidad del suelo y el estado de la vegetación en áreas de la UEB Central Azucarero Urbano Noris en la provincia de Holguín. La imagen utilizada se corrigió radiométricamente con el uso del software QGis 3.10 A Coruña y se determinaron los índices NDVI y SI. Mediante un muestreo al azar en 10 unidades de producción se extrajeron los valores en 50 puntos separados a 100 metros para la determinación en el software Statgraphics Plus 5.0 del análisis de regresión entre el índice de salinidad y el de vegetación y la interpretación de sus estadígrafos. El uso del NDVI como indicador del estado de la vegetación arrojo la presencia de vastas áreas bajo estrés con valores inferiores a 0, 5 al igual que el índice salino mostró una alta proporción de tierras con alto contenido de sales con índices negativos de -1 hasta 0. El uso de la teledetección para la determinación de la salinidad del suelo arrojó que entre estos existe una correlación negativa de un - 88, 44 % y una determinación de 71,25 % lo cual define una dependencia inversa entre ambas variables.

Palabras clave: índice de vegetación; índice de salinidad; regresión lineal

INTRODUCCIÓN

La salinización es un proceso edafológico que afecta, con frecuencia, a los suelos de las regiones áridas y semiáridas según ^{Wang et al. (2020)}, lo cual limita el número de especies cultivadas que puedan desarrollarse en estos suelos.

La salinidad de un suelo viene determinada por el conjunto de todas las sales solubles contenido en el suelo y puede ser estimada por la medición de la conductividad eléctrica (CE) de una solución extraída del suelo. Son comúnmente evaluados mediante pruebas de laboratorio, lo cual conlleva a un mayor gasto de tiempo y de recursos (^{El Harti et al., 2016}).

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. Las bases del monitoreo de la salinidad del suelo se sustenta por el incremento de la reflectancia del suelo a medida que incrementa la salinización refractadas en las bandas del infrarrojo visible, de corto y largo alcance (^{Sidike et al., 2014}).

En investigaciones realizadas en Cuba por (^{Lau et al. 2003}, ²⁰⁰⁵); verificó el uso de la teledetección como una herramienta de apoyo para el manejo de la salinidad del suelo en cultivos, en particular un método para enmascarar la salinidad del suelo mediante mapas de salinidad, que es un factor causante del estrés en el crecimiento de la caña de azúcar. Por lo antes expuesto el objetivo de la investigación consistió en determinar la relación existente entre la salinidad del suelo y el estado vegetativo del cultivo de la caña de azúcar en áreas de la UEB Central Azucarero Urbano Noris de la provincia de Holguín, mediante teledetección.

MATERIALES Y MÉTODOS

La investigación se realizó en el mes de noviembre de 2020. Para la descarga de la imágen satelital, se accedió al Servicio Geológico de los Estados Unidos, en la cuadrícula 011/046 y se tomó la referente al mes de septiembre 19 de 2020 (LC08_L1TP_011046_20200919_20201006_01_T1.tar) del satélite Landsat 8 OLI/TIRS el cual tiene las siguientes características (Tabla 1):

TABLA 1 Características del sensor Landsat 8 OLI/TIRS según ^{USGS (2020)}  

Bandas	Color de las bandas	Longitud de onda (µm)	Resolución (metros)
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 (TIRS) 1	10.30-11.30	100
11	Infrarrojo térmico (TIRS) 2	11.50-12.50	100

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. Para el análisis de la imagen satelital se proyectó en el sofware QGis 3.10 A Coruña en el sistema de coordenadas WGS 84 UTM Zona 18 Norte donde se realizó la corrección radiométrica, se procedió al cálculo de los índices espectrales de vegetación y salinidad (Tabla 2).

TABLA 2 Índices espectrales de vegetación y salinidad determinados a partir de la imagen satelital 

Índice espectral	Expresión	Referencias
NDVI (Índice Normalizado de Diferencia Vegetativa)	(BNir-BRojo)/( BNir+BRojo)	Rouse et al. (1974)
Salinity index (Índice Salino)	(BSWIR1-BSWIR2)/(BSWIR1+BSWIR2)	Bannari et al. (2008)

Para la determinación de la relación salinidad cultivo de la caña de azúcar, se tuvo en cuanto que el suelo que presenta las uidades cañeras son del tipo Vertisol con propiedades gléyicas según ^{Hernández et al. (2015)}. Se realizó un muestreo completamente aleatorizado en las unidades comprendidas de la uno a la diez de los bloques cañeros de la UEB Central Azucarero Urbano Noris, mediante la toma de 50 puntos separados a una distancia de 100 metros (Figura 1); los cuales se les extrajo los valores que obtienen en los mapas de vegetación y de salinidad obtenidos.

FIGURA 1 Esquema de muestreo completamente aleatorizado de los bloques cañeros en la UEB Central Azucarero Urbano Noris de la imagen corregida radiomérica y las combinaciones de las bandas 6-5-4. 

Despúes de extraidos los valores de los puntos de muestreo, se creo una base de datos para la determinación de la relación existente entre el NDVI y el SI, aplicando como herramienta estadística el análisis de regresión lineal y las características de sus estadígrafos en el sofware Stargraphics Plus 5.0.

RESULTADOS Y DISCUSIÓN

La determinación del índice vegetativo NDVI se muestra en la Figura 2. En la misma se observa que el mismo oscila entre valores de -1 a 1; para el cual ^{Rawashdeh (2012)} plantea una clasificación para este índice que para valores desde 0 hasta 0,5 se presenta una escasa vegetación en el área de estudio.

FIGURA 2 Determinación del índice de vegetación (NDVI) en áreas de la UEB Central Azucarero Urbano Noris. 

La reflectividad de las cubiertas vegetales viene determinada, por características ópticas y distribución espacial de todos sus constituyentes, los cuales incluyen el suelo sobre el que se asienta la vegetación, así como por sus proporciones (^{Gilabert et al., 1997}). ^{Meera et al. (2015)} refieren que el decrecimiento del contenido de agua en el suelo por diversas razones en el ecosistema existe una tendencia a disipar el verdor de los cultivos y por ende los valores del NDVI.

Una de las causas de la variación del estado de la vegetación se encuentra por la absorción de la energía (radiación electromagnética absorbida en el interior del sensor). Esta energía es un proceso que está cuantizado, dichos rasgos se encuentran localizados en longitudes de onda concretas, que dependen de la presencia de determinados componentes en el material según ^{Baret (1995)}, así por ejemplo, los rasgos que son consecuencia de transiciones electrónicas como los debidos a la presencia de óxidos de hierro o a la presencia de clorofila se localizan en la región visible del espectro, mientras que los debidos a transiciones de tipo rotacional como los del ion OH^- se producen en la zona del infrarrojo cercano.

FIGURA 3 Índice de salinidad (SI) determinado en la UEB Central Azucarero Urbano Noris. 

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 3 ilustra la determinación del índice salino; para el cuál ^{Elhag (2016)} reporta que los valores indican el estado de la salinidad del suelo varía desde -1 (presencia alta de sales en el suelo) a 1 (baja presencia de sales en el suelo).

En la región del visible, los pigmentos de las hojas absorben la mayor parte de la luz que reciben, en el infrarrojo cercano estas sustancias son bastante transparente. Por esta razón, el cultivo de la caña de azúcar en un buen estado vegetativo ofrece baja reflectividad en la banda roja del espectro y alta en el infrarrojo cercano, de manera que cuanto mayor sea el vigor que presenta el cultivo, mayor será el contraste entre los valores de reflectancia captadas en ambas bandas. Bajos valores de reflectancia en el infrarrojo cercano y un incremento en el visible indica que el cultivo de la caña de azúcar se encuentra en mal estado, una de las causas es la salinidad del suelo (^{Soca, 2015}).

^{Platonov et al. (2013)} describen 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 Figura 4 referida al análisis de regresión lineal entre los índices espectrales SI y NDVI, para los cuales se obtuvo una fuerte correlación negativa de un - 84,41 % expresada en el coeficiente de Pearson y una determinación de 71,25 % para la cual existe un fuerte dependencia inversa entre ambos índices espectrales de suelo y vegetación.

FIGURA 4 Análisis de regresión lineal de los índices espectrales calculados en la investigación. 

^{Ding & Yu (2014)} y ^{Ivushkin et al. (2017)} afirman que la salinidad del suelo captada por sensoramiento remoto guarda relación con índices de vegetación, los cuales tienen efectos directos con la información espectral, dado por la aparición de zonas oscuras. Además, los índices de vegetación y el índice espectral salino son usados comúnmente como indicadores para detectar los cambios en el estado de la cobertura vegetal.

^{Scudiero et al. (2015)} plantean que en zonas áridas y semiáridas los errores más frecuentes en la determinación de la relación entre el contenido de sales y el estado de la vegetación mediante teledetección son la estructura del dosel de las plantas, el tipo de manejo del suelo, la cantidad de precipitaciones y temperatura anuales y el tipo de arcillas del suelo han sido las características de los estudios realizados.

CONCLUSIONES

El uso del NDVI como indicador del estado de la vegetación arrojó la presencia de vastas áreas bajo estrés con valores inferiores a 0,5 al igual que el índice salino mostró una alta proporción de tierras con alto contenido de sales con índices negativos de -1 hasta 0. El uso de la teledetección para la determinación de la salinidad del suelo arrojó que entre estos existe una correlación negativa de un - 88, 41 % y una determinación de 71,25 % lo cual define una dependencia inversa entre ambas variables.

REFERENCES

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

BANNARI, A.; GUEDON, A.; EL‐HARTI, A.; CHERKAOUI, F.; EL‐GHMARI, A.: “Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging (EO‐1) sensor”, Communications in Soil Science and Plant Analysis, 39(19-20): 2795-2811, 2008, ISSN: 0010-3624, DOI: https://dx.doi.org/10.1080/00103620802432717.

BARET, F.: Use of spectra1 reflectance variation to retrieve canopy biophysical character in Danson, Ed. John Wiley, Advances in Environmenal Remote Sensing. (F.M. Danson and S.E. Plummer eds) ed., Chichester, New York, USA, 33-51 p., 1995.

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”, Geoderma, 235(4): 316-322, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.07.028.

EL HARTI, A.; LHISSOU, R.; CHOKMANI, K.; OUZEMOU, J.; HASSOUNA, M.; BACHAOUI, E.M.; EL GHMARI, A.: “Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices”, International Journal of Applied Earth Observation and Geoinformation, 50: 64-73, 2016, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2016.03.008.

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

GILABERT, M.A.; GONZÁLEZ, P.J.; GARCÍA, H.J.: “Acerca de los índices de vegetación”, Revista de teledetección, 8(1): 1-10, 1997, ISSN: 1133-0953.

HERNÁNDEZ, J.; PÉREZ, J.; BOSCH, I.; CASTRO, S.: Clasificación de los suelos de Cuba 2015, Ed. Instituto Nacional de Ciencias Agrícolas e Instituto de Suelos, La Habana, Cuba, 93 p., 2015, ISBN: 978-959-7023-77-7.

IVUSHKIN, K.; BARTHOLOMEUS, H.; BREGT, A.K.; PULATOV, A.: “Satellite thermography for soil salinity assessment of cropped areas in Uzbekistan”, Land degradation & development, 28(3): 870-877, 2017, ISSN: 1085-3278, DOI: https://dx.doi.org/10.1002/ldr.2670.2017.

LAU, Q.A.; GAREA, L.E.; RUIZ, P.M.E.: “Estimación de la salinidad de los suelos utilizando una imagen espectrozonal y el sistema de información geográfica TELEMAP”, Revista Ciencias Técnicas Agropecuarias, 14(1): 47-54, 2005, ISSN: 1010-2760, e-ISSN: 2071-0054.

LAU, Q.A.; LHERMITTE, S.; GILLIAMS, S.; RUIZ, P.M.E.: “Relación de la salinidad del suelo con la reflectancia multiespectral de la caña de azúcar cultivada en condiciones extremas”, Revista Ciencias Técnicas Agropecuarias, 12(3): 19-29, 2003, ISSN: 1010-2760, e-ISSN: 2071-0054.

MEERA, G.G.; PARTHIBAN, S.; THUMMALU, N.; CHRISTY, A.: “Ndvi: Vegetation change detection using remote sensing and gis-A case study of Vellore District”, Procedia Computer Science, 57: 1199-1210, 2015, ISSN: 1877-0509, DOI: https://dx.doi.org/10.1016/j.procs.2015.07.415.

MULLER, S.J.: Indirect soil salinity detection in irrigated areas using earth observation methods, Stellenbosch University, Faculty of Science, Thesis presented in fulfilment of the requirements for the degree of Master of Science, Stellenbosch, South Africa, 2017.

PLATONOV, A.; NOBLE, A.; KUZIEV, R.: Soil salinity mapping using multi-temporal satellite images in agricultural fields of Syrdarya province of Uzbekistan, Ed. Developments in Soil Salinity Assessment and Reclamation, Springer, Dordrecht, 2013, DOI: https://dx.doi.org/10.1007/978-94-007-5684-7_5.

RAWASHDEH, S.B.A.: “Assessment of change detection method based on normalized vegetation index in environmental studies”, International Journal of Applied Science and Engineering, 10(2): 89-97, 2012.

ROUSE, J.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.: Monitoring vegetation systems in the Great Plains with ERTS, no. ser. Work of the US Gov. Public Use Permitted, Ed. NASA Special Publication, NASA. Goddard Space Flight Center 3d ERTS-1 Sym ed., vol. Vol. 1, Sect. A., USA, 1974.

SCUDIERO, E.; SKAGGS, T.H.; CORWIN, D.L.: “Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance”, Remote Sensing of Environment, 169: 335-343, 2015, ISSN: 0034-4257, DOI: http://dx.doi.org/10.1016/j.rse.2015.08.0260034-4257.

SIDIKE, A.; ZHAO, S.; WEN, Y.: “Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra”, International Journal of Applied Earth Observation and Geoinformation, 26: 156-175, 2014, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2013.06.002.

SOCA, R.: Identificación de tierras degradadas por salinidad del suelo en los cultivos de caña de azúcar en Pomalca usando 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.

USGS: USGS EROS Archive, Landsat Archives, Landsat 8 OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor) Level-1 Data Products, [en línea], Inst. Servicio Geológico de los Estados Unidos (USGS), USA, 2020, Disponible en:https://earthexplorer.usgs.gov, [Consulta: 17 de noviembre de 2020].

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

Recibido: 17 de Febrero de 2020; Aprobado: 01 de Marzo de 2021

^*Autor para la correspondencia: Roberto Alejandro García-Reyes, e-mail: [e-mail]