INSTITUTO TECNOLÓGICO DE SONORA Departamento de Recursos Naturales

ESTIMACIÓN DE ESTRÉS HÍDRICO EN TRIGO (Triticum estivum L.) MEDIANTE EL EMPLEO DE PERCEPCIÓN REMOTA EN EL VALLE DEL YAQUI, SONORA, MEXICO.

TESIS Que para Obtener el Grado de

MAESTRO EN CIENCIAS EN RECURSOS NATURALES PRESENTA Luis Arturo Méndez Barroso Cd. Obregón Sonora

Noviembre de 2004

AGRADECIMIENTOS

Al Dr. Jaime Garatuza por su total apoyo en la realización de este trabajo, por sus oportunos comentarios y por brindarme la oportunidad de laborar en el laboratorio de percepción remota. Al Dr. Salvador Sánchez por sus oportunos y atinados comentarios aportados a este trabajo. Al Dr. David Lobell por su ayuda y la información aportada en este trabajo. A la Comisión Nacional del Agua (CNA), delegación Cd. Obregón, por su ayuda en el aporte de información. A mis compañeros de generación, Angélica, Marcela, Jorge, Isabel, Miriam y Joel por su amistad y apoyo en momentos difíciles. Mención especial a mis compañeros de recursos hidraúicos: Yesika, Licalito, Juanito, Miguel, Carmen e Irma por compartir los buenos y malos momentos. A mis amigos Martín Tavarez y Arturo Centeno, que aunque se encuentran lejos no rompemos ese eslabón tan fuerte que nos une llamado amistad. Mención especial a Roberto Munguía por su apoyo durante la maestría y por sus asesorías en el área computacional.

RESUMEN

Para establecer la cantidad de riegos que se deben aplicar a un cultivo se debe de tener en cuenta varios factores. Los manejos de riegos actualmente están basados en los días transcurridos después del último riego aplicado al cultivo y no se toman en cuenta otros factores como lo son las propiedades físicas y químicas de los suelos, el estado del cultivo, la radiación solar y otras variables ambientales. El uso de herramientas como los sistemas de Información Geográfica y datos generados por percepción remota pretenden hacer un manejo más eficiente del agua de riego, es decir, regar cuando la planta lo requiere o cuando muestra síntomas de estrés por falta de agua. Se determinó por medio de percepción remota (imágenes de satélite) la distribución espacial y temporal del Índice de Deficiencia Hídrica (WDI) y evapotranspiración en el Valle del Yaqui utilizando la metodología conocida como el trapezoide de Moran. Además, se utilizó un sistema de Información Geográfica para conocer la distribución espacial de la arcilla y capacidad de campo

a diferentes profundidades en el suelo

y buscar una

relación en el comportamiento de WDI. Este trabajo mostró una relación lineal con un coeficiente de correlación de 0.96 entre los valores de WDI y los días transcurridos desde el último riego. Por otra parte, no se encontró relación entre los valores de arcilla, capacidad de campo y WDI. El índice de Déficit de agua (WDI) puede ser utilizado para estimar la cantidad de agua disponible en trigo y saber el grado de estrés que presenta, por lo cuál puede ser utilizado como una herramienta para manejo en irrigación. Una ventaja que ofrece esta metodología es que puede obtener valores de WDI y evapotranspiración en zonas con vegetación parcial o nula.

ii

ÍNDICE GENERAL Página

AGRADECIMIENTOS ................................................................................................. i RESUMEN ..................................................................................................................ii ÍNDICE GENERAL..................................................................................................... iii ÍNDICE DE FIGURAS .................................................................................................v ÍNDICE DE TABLAS ................................................................................................. vii I INTRODUCCIÓN .................................................................................................... 1 1.1 Antecedentes ................................................................................................... 1 1.2 Planteamiento del problema ............................................................................ 3 1.3 Justificación...................................................................................................... 3 1.4 Objetivos .......................................................................................................... 4 1.4.1 Objetivo general ...................................................................................... 4 1.4.2 Objetivos específicos .............................................................................. 4 FUNDAMENTACIÓN ................................................................................................. 5 2.1 Índices de vegetación ...................................................................................... 6 2.2 Factores que afectan la cantidad de agua disponible para las plantas ........... 8 2.3 Medición del estado hídrico de la vegetación por su comportamiento espectral ....................................................................................................... 11 2.4 Métodos basados en el estudio de la dinámica térmica de las plantas ......... 14 2.5 Trapezoide de Moran ..................................................................................... 15 2.6 Comportamiento de los índices de estrés hídrico .......................................... 19 2.7 Estimación de evapotranspiración ................................................................. 21 III MATERIALES Y MÈTODOS............................................................................... 25 3.1 Descripción del sitio de estudio...................................................................... 25 3.2 Construcción de un sistema de información geográfica para textura de suelo ........................................................................................................ 26 3.2.1 Capacidad de campo y punto de marchitez permanente....................... 27 3.2.2 Distribución espacial de las variables .................................................... 27 3.3 Análisis de las imágenes de satélite .............................................................. 28

iii

3.3.1 Cálculo de NDVI y temperatura superficial ............................................ 28 3.3.2 Determinación del área cultivada con trigo ............................................ 29 3.3.3 Datos climatológicos .............................................................................. 29 3.4 Determinación del índice de déficit de agua (WDI)........................................ 29 3.4.1 Construcción del trapezoide de Moran .................................................. 29 3.4.2 Construcción del modelo para la determinación de WDI y evapotranspiración........................................................................................ 32 3.5 Análisis estadístico de los resultados ............................................................ 34 IV RESULTADOS ................................................................................................... 35 4.1 Distribución espacial de arcilla....................................................................... 35 4.2 Trapezoide de Moran ..................................................................................... 42 4.3 Modelo para la determinación de WDI y evapotranspiración......................... 44 4.4 Distribución espacial de WDI y evapotranspiración ....................................... 46 4.5 Análisis estadístico de los resultados ............................................................ 55 V DISCUSIÓN DE RESULTADOS ......................................................................... 64 5.1 Trapezoide de Moran ..................................................................................... 64 5.2 Relación WDI y aplicaciones del riego........................................................... 66 5.3 Distribución espacial de evapotranspiración y WDI ....................................... 66 VI CONCLUSIONES ................................................................................................ 72 BIBLIOGRAFÍA ........................................................................................................ 74

iv

ÍNDICE DE FIGURAS Figura

1

Página

Trapezoide de Moran. Esta forma geométrica involucra la relación entre Ts-Ta y un índice de vegetación. WDI para un punto C se define como el cociente de las distancias AC y AB (Moran et al., 1994) .......................................................................................................... 18

2

Localización del Valle del Yaqui................................................................ 26

3

Sensor Greenseeker modelo 550, utilizado para realizar mediciones del índice de vegetación NDVI............................................... 31

4

Pistola de Infrarrojo Infrared AG multimeter Modelo 510B, utilizado para medir temperatura superficial ............................................. 31

5

Modelo propuesto para determinar water deficit index (WDI) ................... 33

6

Modelo propuesto para la determinación de evapotranspiración.............. 33

7

Distribución espacial de la cantidad de arcilla en el suelo del Valle del Yaqui a profundidad de 0-30 centímetros ........................................... 36

8

Relación entre los valores de porcentaje de arcilla a diferentes profundidades............................................................................................ 37

9

Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 30-60 centímetros ................................ 38

10

Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 60-90 centímetros ................................. 39

11

Variograma Isotrópico para arcilla profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c), respectivamente. El eje X muestra el intervalo de distancia y el eje Y los valores de la semivarianza entre los puntos muestreados de arcilla para. Las figuras muestran el valor de la semivarianza cada 200 metros......................................................... 40

12

Variograma Isotrópico para capacidad de campo a profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c), respectivamente ........................................................................................ 41

13

Trapezoide de Moran propuesto para el cultivo de trigo, utilizando la banda termal de baja ganancia (Low gain) ........................................... 43

14

Valores de una imagen de LANDSAT para NDVI y Ts-Ta, dentro del trapezoide construido para trigo en el Valle del Yaqui, Sonora........... 44

15

Distribución espacial de la temperatura en el Valle del Yaqui para el día 01 de enero de 2003 ....................................................................... 46

16

WDI determinado para el día 16 de diciembre de 2002............................ 47

17

WDI determinado para el día 01 enero de 2003 ....................................... 48

18

Detalle del block 610 (calle 600 entre 10 y 8) del block 710 (calle 700 entre 10 y 8) del Valle del Yaqui. En ella se aprecia los diferentes índices de estrés ...................................................................... 49

19

WDI determinado para el día 06 marzo de 2003 ...................................... 50

20

WDI determinado para el día 22 marzo de 2003 ...................................... 51

21

Evapotranspiración determinada para el día 16 de diciembre de 2002 .......................................................................................................... 52

22

Evapotranspiración determinada para el día 01 enero de 2003 ............... 53

23

Evapotranspiración determinada para el día 06 de marzo de 2003.......... 54

24

Evapotranspiración determinada para día 22 de marzo de 2003 ............. 55

25

Relación entre WDI y días después del riego ........................................... 56

26

Distribución de los das transcurridos a partir del último riego aplicado. La imagen corresponde a enero de 2003 .................................. 57

27

Distribución de los das transcurridos a partir del último riego aplicado. La imagen corresponde marzo de 2003 .................................... 58

28

Relación WDI y evapotranspiración en diferentes épocas del año ........... 59

29

Relación entre los valores de evapotranspiración calculados por el método de Moran y Garatuza................................................................ 60

30

Relación entre los porcentajes de arcilla y WDI........................................ 62

31

Relación entre capacidad de campo y WDI .............................................. 63

vi

ÍNDICE DE TABLAS Tabla

1

Página

Valores medidos de NDVI y Diferencial de temperatura para suelo desnudo húmedo y seco en el Valle del Yaqui, Sonora ............................... 42

2

Estaciones meteorológicas situadas en el valle del Yaqui. Los datos corresponden al día 01 de enero de 2003 .................................................... 45

3

Resultados de la comparación de medias de los dos métodos para estimar evapotranspiración........................................................................... 61

4

Resultados de la comparación de medias apareadas de los dos métodos para estimar evapotranspiración.................................................... 61

vii

I. INTRODUCCIÓN

1.1 Antecedentes En México los recursos hidráulicos se tienen una distribución irregular. En el sureste con 20% de la población nacional, se cuenta con el 65% de los escurrimientos del país; mientras, el Norte y el Altiplano

con 66% de la población disponen del 20% de los

escurrimientos, por lo tanto, 2/3 partes del territorio nacional son regiones áridas y semiáridas (Ibarra, 1994). En Sonora, un estado semiárido, el cultivo predominante es el trigo ya que ocupa el 85% del total del área cultivable del estado. La producción del cereal se concentra en el Sur del Estado en los Valles del Yaqui y Mayo. El método de irrigación más usado es por gravedad. Durante los últimos años se ha visto aumento en la superficie sembrada de trigo. De los años 1999-00 a 2001- 2002 el área fue de 178,203 ha con un rendimiento promedio de 5,805 kg/ha. Para el ciclo 2002-2003 se sembraron 179,542 ha con un rendimiento de 5,002 kg/ha. En contraste, el volumen de agua otorgado para riego ha

1

disminuido. En el ciclo 2002-2003 la lámina de riego otorgada fue de 5.4 millares de metros cúbicos por hectárea, mucho menor que los 7.5 millares de metros cúbicos por hectárea de los dos ciclos anteriores (Ortiz, 2003). La capacidad de retención del agua disponible en el suelo es una de las características más importantes en los cultivos, ya que determina la cantidad y frecuencia de los riegos. Uno de los factores más importantes que condicionan la capacidad de agua disponible es la textura (Henninger et al., 1976). Aquellos con textura fina retienen más la humedad que los de textura gruesa. Los suelos arenosos tienen una gran proporción de poros grandes que están ocupados por mucho aire y poca agua, mientras que los arcillosos, tienen una gran proporción de poros pequeños que almacenan más agua que aire (Fuentes, 1998). El aprovechamiento del agua por los cultivos es más efectivo cuando el contenido de ésta en el suelo se mantiene cercano a capacidad de campo, es decir cuando el suelo ya no pierde más por gravedad. En esta situación los espacios porosos pequeños son ocupados por agua y los grandes por aire. En la actualidad se acepta generalmente que al reducirse la capacidad de almacenamiento hídrico se tiene un impacto indirecto en el estrés de las plantas (Kramer ,1989). Para el manejo eficiente de los recursos hídricos en uso agrícola deben tomarse en cuenta la capacidad de retención de agua del suelo, ya que determina su disponibilidad para el cultivo. La distribución de la humedad superficial y la evapotranspiración son dos factores clave en aplicaciones de modelos de balance para un óptimo manejo en uso agrícola. La percepción remota se presenta entonces como una herramienta útil para entender esa distribución espacial (Lobell et al., 2002). El método más conocido para detectar estrés de agua en un cultivo, por medio de percepción remota, es a través de la medición de la temperatura superficial de la cobertura. La correlación entre la temperatura superficial y estrés hídrico asume que un cultivo transpira, el agua evaporada enfría las hojas por debajo de la temperatura del aire. Conforme el cultivo comienza a estresarse por falta de agua, la transpiración decrece y

2

por lo tanto la temperatura de las hojas comienza a incrementarse hasta igualar e incluso superar la temperatura del aire (Jackson, 1982).

1.2. Planteamiento del problema Para establecer la cantidad de riegos que se deben aplicar a un cultivo se debe de tener en cuenta varios factores o propiedades del suelo. Actualmente los riegos que se van a aplicar a un cultivo como el trigo, se determinan de acuerdo a datos arrojados en estaciones experimentales como el CIRNO. Sin embargo, estos modelos de riego están basados en las necesidades de agua en cada una de las etapas fenológicas del cultivo. Los modelos actuales de riego no toman en cuenta otros factores como lo son las propiedades físicas y químicas de los suelos, la radiación solar

y otras variables ambientales. Tampoco se ha utilizado herramientas

como sistemas de información geográfica, para conocer la distribución espacial, incluso temporal de algunos factores que afectan la capacidad de retención de agua en el suelo. Por lo tanto, es difícil hacer una recomendación a partir de los datos arrojados en una estación experimental sin tomar en cuenta la distribución espacial de la textura y otras variables en el Valle del Yaqui. Tampoco se ha utilizado la percepción remota como herramienta para evaluar el grado de estrés hídrico que presentan los cultivos. En general lo que se pretende al utilizar herramientas como los sistemas de Información Geográfica y datos generados por percepción remota es hacer un manejo más eficiente del agua de riego, es decir, regar cuando la planta lo requiere o cuando muestra síntomas de estrés por falta de agua. En otras palabras, se aplicarían los riegos basándose en los requerimientos de agua del cultivo y no en otros parámetros como hasta ahora se han hecho como la humedad del suelo, días transcurridos después del último ruego etc.

1.3 Justificación Los resultados que se obtengan de este trabajo pueden generar información importante para emplear modelos de riegos más eficientes y aprovechar mejor los recursos hídricos.

3

Por otra parte se va a construir un Sistema de información Geográfica que se puede utilizar para posteriores trabajos y a su vez se podría alimentar con muchas variables según el estudio que se quiera realizar.

1.4 Objetivos 1.4.1 Objetivo general Determinar por medio de percepción remota (imágenes de satélite) y sistemas de Información Geográfica, la distribución espacial y temporal del Índice de Deficiencia Hídrica (WDI) y la evapotranspiración en el Valle del Yaqui, para ser empleadas como una herramienta en el manejo de los riegos en el cultivo de trigo. 1.4.2 Objetivos específicos • Comprobar si existe correlación entre WDI y textura de suelo, para ver si ésta última variable tiene influencia en el comportamiento del índice de estrés. • Comprobar si existe correlación entre Rendimiento de grano y WDI, para ver si el índice de estrés explica la variabilidad en rendimiento. • Construir un Sistema de Información Geográfica del Valle del Yaqui con las siguientes variables: Porcentaje de arcilla, arena y limo; capacidad de campo y punto de marchitez permanente. Esto nos permitiría conocer la distribución espacial de las variables mencionadas y así conocer zonas donde podría haber menor o mayor retención de agua. • Determinar el polígono de Moran con datos locales de NDVI y temperatura superficial para desarrollar un modelo para la obtención del Índice de Deficiencia Hídrica (WDI) y Evapotraspiración (ET). • Determinar la distribución espacial de WDI y ET para conocer áreas donde se requiere la aplicación de un riego o que se encuentran estresadas por falta del mismo. • Construir un

modelo

evapotranspiración.

que

opere

en

IDRISI

para

la

obtención

de WDI

y

Con esto, el modelo puede ser alimentado con datos

meteorológicos e imágenes de satélite y determinar fácilmente estos dos parámetros.

4

II. FUNDAMENTACIÓN

La estimación del estado hídrico de las plantas resulta de gran importancia ya que es una de las variables más críticas para explicar la actividad vegetativa y los modelos de productividad vegetal. Un conocimiento más detallado en espacio y en tiempo del contenido de agua en un cultivo permitiría mejorar la gestión de los recursos hídricos, aportando agua al cultivo cuando y donde sea más vital para su desarrollo. La estimación del contenido de agua en la vegetación se puede llevar a cabo por tres métodos distintos: muestreo de campo, información meteorológica y percepción remota. El método de campo es quizás el más preciso y directo pero tiene el inconveniente de ser costoso y lento, además de contar con una delimitación local, lo que dificulta su aplicación operativa. Habitualmente el contenido hídrico se mide por métodos gravimétricos, comparando el peso húmedo y seco de la muestra, lo que implica que la estimación no es inmediata sino que requiere un cierto tiempo (24-48 horas) para que la muestra se seque. El empleo de índices meteorológicos como evapotranspiración o riesgo de incendio,

5

suelen basarse en variables como la temperatura, humedad del aire, precipitación y velocidad del viento que intentan simular el efecto de estas sobre la actividad fisiológica de las plantas. Desde el punto de vista operativo resultan más convenientes

que el

trabajo de campo, sin embargo, presenta dos inconvenientes principales: el primero es que estos índices asumen una relación teórica entre las condiciones atmosféricas y el estado hídrico de la planta, que se suponen equivalentes en cualquier especie. Sin embargo, la respuesta de las distintas especies de plantas a las mismas condiciones atmosféricas es muy distinta, debido al diferente comportamiento fisiológico, por lo que estos índices pueden sub o sobreestimar el contenido de agua de la planta. El segundo problema es la situación geográfica de la estación, habitualmente los datos generados por una estación pueden ser útiles para cultivos cercanos a ésta, sin embargo los datos pueden ser no representativos para zonas alejadas de la estación. Esto implica hacer extrapolación que en ocasiones no resultan muy precisas cuando se encuentran variaciones topográficas muy pronunciadas (Chuvieco et al., 2001). Las imágenes de satélite pueden solucionar algunos de los problemas mencionados anteriormente, por un lado, facilitan la cobertura espacial y temporal, lo que asegura poder observar cualquier zona de interés. Por otro lado la estimación es directa, ya que se basa en la señal reflejada o emitida por la propia planta y no en las condiciones atmosféricas circundantes. El único problema es demostrar que hay una buena relación entre el estado hídrico y el comportamiento espectral de la planta. En este trabajo se trata de explicar la relación que existe entre estas emisiones espectrales de las plantas por medio de índices que expliquen el estado hídrico de las plantas y observar su distribución espacial en un área determinada. 2.1 Índices de vegetación Muchas superficies en la naturaleza son igualmente brillantes tanto en la región roja como infrarroja del espectro electromagnético con la notable excepción de la vegetación verde. La luz roja es fuertemente absorbida por los pigmentos fotosintéticos (clorofila) que se encuentran en las hojas verdes, mientras que la luz infrarroja o pasa o es reflejada dependiendo del color de las hojas. Esto significa que las áreas de suelo desnudo con escasa a nula vegetación verde, aparecerán con valores muy similares en la longitud de

6

onda del rojo e infrarrojo, por otro lado, zonas con mucha vegetación verde serán muy brillantes en el infrarrojo y muy oscuras en la parte roja del espectro. (USWCL, 2003). Este fuerte contraste entre la energía de reflejada en las regiones roja e infrarroja del espectro ha sido enfocada en diversos y numerosos intentos por desarrollar índices cuantitativos de la condición de la vegetación usando imágenes de teledetección. Estos índices de vegetación se dividen en dos grupos: Índices basados en la pendiente e índices basados en la distancia. Los índices basados en la pendiente son simples combinaciones aritméticas que se enfocan en el contraste entre los patrones de respuesta espectral de la vegetación en las porciones roja e infrarroja del espectro (RATIO, NDVI). Por otro lado, los índices basados en la distancia miden el grado de vegetación presente, calibrando la diferencia de la reflectancia de cualquier píxel con la reflectancia del suelo desnudo. A este último grupo pertenece SAVI y MSAVI (Eastman, 2003). Rouse et al., (1974) introdujeron el Índice de Vegetación Normalizada de Diferencia (NDVI) con el objetivo de producir un índice de vegetación espectral que separara a la vegetación verde, del suelo como fondo, utilizando datos digitales de LANDSAT MSS. Este índice es expresado como la diferencia entre las bandas infrarrojo cercano y rojo normalizado por la suma de estas bandas.

NDVI =

IRC − R IRC + R

Este índice de vegetación que es el más comúnmente utilizado, tiene la habilidad de minimizar los efectos topográficos mientras produce una escala de medición lineal. Esta escala tiene un rango que va de -1 a 1, donde el valor de 0 representa la ausencia de vegetación. Por lo tanto valores negativos expresan superficies con vegetación nula. Este índice es más sensible a bajos niveles de vegetación (Eastman, 2003; USWCL, 2003). El Índice de Vegetación Ajustada al Suelo (SAVI), fue propuesto por Huete (1988) para minimizar el efecto del suelo como fondo de la señal de la vegetación incorporando un factor de ajuste L en el denominador de la ecuación de NDVI.

7

SAVI =

ρ IRC − ρ R ∗ (1 + L ) (ρ IRC + ρ R + L )

Donde ρIRC es la reflectancia en el infrarrojo cercano, ρR es la reflectancia en el rojo y L es el factor de ajuste al suelo. El valor de L varía con las características de reflectancia del suelo (color, brillantez, etc) y también con la densidad de la vegetación. Para vegetación baja por ejemplo, se recomienda utilizar un valor de L igual a 1, para intermedia de 0.5 y para alta 0.25.

2.2 Factores que afectan la cantidad de agua disponible para las plantas La disponibilidad de humedad en el suelo para las plantas es influenciada por el tipo de suelo, la textura del mismo, evapotranspiración, tasa de infiltración etc. Todas estas características determinan cuanto tiempo la humedad será retenida en las distintas capas del suelo y la cantidad de agua que se encuentra en ellas, por lo tanto, afectan el contenido de humedad en el suelo. Entre las propiedades que afectan el crecimiento de las plantas, la capacidad de retención de agua, es un factor importante para la productividad. Esto se debe a que el total del agua disponible para el crecimiento de las plantas en el campo está determinado por la profundidad y la capacidad de retención de la misma, ésta última es considerada como una de las variables hidrogeológicas de mayor influencia en el cálculo de la cantidad de agua almacenada en un determinada perfil del suelo. (Brady y Well, 1996). Los estudios teóricos de Eagleson (1982), demostraron la importancia del balance en la humedad del suelo y concluyó que la porosidad, un parámetro ligado muy cercano a la textura, es el más importante para la determinación de los parámetros de la vegetación en un clima dado. Farrar et al (1994), demostraron en un estudio en África, que cinco tipos de suelo con textura muy diferente (arenosotes, luvisoles, fluvisoles, cambisoles y vertisoles) difieren significativamente tanto en la tasa de generación de humedad por unidad de lluvia como en el coeficiente NDVI/humedad del suelo. Los suelos más productivos son los vertisoles ricos en arcillas, mientras que los arenosoles son los menos

8

productivos. Sin embargo la tasa de generación de humedad es casi el mismo en ambos tipos de suelo. En este experimento claramente se comprobó que la disponibilidad de humedad no es la única característica del suelo como un factor determinante en la cantidad de crecimiento de

la vegetación. Existen otros factores como tensión de

humedad del suelo, porosidad, nutrientes, características del perfil y química del suelo. Todos los factores antes mencionados

juegan un papel importante, sin embargo, el

aparente control en el crecimiento vegetal y la eficiencia en el agua de lluvia por el tipo de suelo tienen relación. Por otro lado, Gómez et al, (2001), señala que la pendiente y la textura son factores que determinan la distribución espacial de la humedad. La posibilidad de determinar el estado en que se encuentra la humedad del suelo a partir de mediciones de temperatura direccional ha sido demostrado ampliamente, sin embargo, Francois (2002) enfatiza en que se debe tener el apoyo de un modelo SVAT (soilvegetation-atmosphere transfer, por sus siglas en inglés) para calcular la humedad en el suelo. Aunque la temperatura es sensible a la humedad superficial del suelo, así como la humedad en la zona radicular de las plantas, es imposible obtener una posible relación universal debido a la influencia de varios factores como lo son dirección y velocidad del viento, características del suelo, variación proveniente de la luz solar, condición de la vegetación, índice de área foliar (LAI). El valle del Yaqui cuenta predominantemente

con cinco tipos de suelos: aluviones

pesados, aluviones ligeros, barrial profundo, barrial compactado y barrial pedregoso. Dentro de estas clases, los barriales profundos tienen la mayor cantidad de arcilla (5545%). Por otro lado, los aluviones ligeros contienen los niveles más bajos de arcilla (20-30 %). En extensión, los barriales profundos cubren 114,801 ha de los valles del Yaqui y Mayo (39.5% de su superficie). Los aluviones ligeros en contraparte sólo ocupan 13,170 ha de extensión en ambos valles (4.5 %). La humedad en capacidad de campo para los barriales profundos puede llegar a 39 % en los primeros 60 centímetros de profundidad y su punto de marchitez permanente es de alrededor del 18%. Los aluviones ligeros presentan la humedad en capacidad de campo y marchitez permanente más bajos en el Valle, 30 y 12 % respectivamente. Cabe señalar que aunque los barriales pedregosos tienen un porcentaje de arcilla alto (37-40%), poseen un alto contenido de arena (49-44%) por lo que su humedad en capacidad de campo y punto de marchitez permanente es

9

similar a la de los aluviones, a 32 y 15 %, respectivamente (Moreno, 2003, comunicación personal). El mapeo convencional de suelos a menudo se basa en el análisis cualitativo del paisaje, donde se asume que las propiedades de un perfil modal se aplican a la totalidad de la unidad de mapeo (Dent y Young, 1981). Por lo tanto, los mapeos no están lo suficientemente detallados para estudiar el movimiento de sedimento en un terreno. Los métodos geoestadísticos de interpolación espacial cumplen con la necesidad de información cuantitativa del suelo, pero requiere de áreas intensivas de muestreo para establecer una autocorrelación espacial y son uso limitado en situaciones donde el terreno es complejo (Webster y Olive, 1990). Por otra parte, Estos métodos sólo expresan la variación el suelo solamente en términos espaciales y excluye el conocimiento de la relación entre las propiedades del suelo y el terreno. En muchos paisajes, los procesos de desarrollo de suelos son resultado del flujo de agua subterráneo y superficial. El entender que los patrones de suelo y topografía están fuertemente ligados, hace posible la predicción de atributos del suelo de una cierta posición en el terreno (Moore et al., 1993). Los mapeos cuantitativos de suelo junto con el modelación de terreno pueden proveer un paradigma para la predicción recaracterísticas simples del suelo como la textura, y además pueden llevar a la comprensión de ciertos atributos del terreno que tienen influencia en el movimiento de sedimentos. La variabilidad en el suelo es influenciada por la combinación diferentes factores que involucran la formación del suelo y que actúan a través del espacio y tiempo. En un marco general, la variabilidad

puede ser considerada en función de

cinco factores

espacio-temporales: Por ejemplo, (1) Extensión espacial o el tamaño del área, (2) resolución espacial o escala del mapa, (3) localización espacial o región fisiográfica, (4) propiedades específicas del suelo o procesos y (5) el factor tiempo. Una expresión exacta de estos factores como función es muy difícil de establecer debido a la diversidad y complejidad de estas relaciones. Sin embargo, en un contexto amplio, se espera que a medida que la extensión espacial, la resolución espacia y la escala del tiempo aumente, la magnitud en la variabilidad del suelo se podría incrementar (Lin et al., 2004).

10

Upchurch y Edmonds (1991) sugieren tres temas que involucran el muestreo y que determinan la distribución de la variabilidad espacial: (1) Localización de los puntos de muestreo, (2) Tamaño de la muestra y (3) Número total de muestras que se van a colectar. Por lo tanto se debe de escoger un diseño de muestreo para minimizar los efectos por estos factores. Generalmente, los valores de las variables de interés agronómico, ecológico e hidrológico tienden a ser similares conforme es menor la distancia, en espacio y tiempo que las separa. Sin embargo, la estimación o interpolación de los valores en puntos dentro del dominio donde la variable no se midió, es un problema que debe ser resuelto para que los interesados tengan la posibilidad de obtener un conocimiento más valioso del comportamiento de la variable y de los procesos dependientes de ella. El problema de la interpolación se agudiza cuando la variable de interés presenta una gran variabilidad a intervalos pequeños. La autocorrelación, como método para estimar la dependencia espacial y temporal entre observaciones vecinas, es definida por medio de la semivarianza estadística, estimada para cada intervalo específico o tiempo. La curva resultante entre la semivarianza estadística contra el vector de desplazamiento se denomina semivariograma, éste último, representa el porcentaje de cambio de la variable con respecto a la distancia. Su comportamiento describe el patrón de variación espacial o temporal en términos de magnitud o escala y forma general (Valdez, 1991). 2.3 Medición del estado hídrico de la vegetación por su comportamiento espectral El patrón de comportamiento de la reflexión de la luz a través de la radiación en la región fotosintéticamente activa (PAR, 0.4-0.7µm) e infrarrojo cercano (0.7-1.2 µm) del espectro electromagnético, es muy diferente de la que presenta el suelo y otros materiales. Los pigmentos de las hojas absorben la luz fuertemente en la región PAR pero no en el infrarrojo cercano, por lo tanto se reduce la reflectancia en el visible pero no en el infrarrojo cercano. Los parámetros fisiológicos que pueden ser estimados por técnicas de reflectancia espectral incluyen concentración de clorofila, carotenoides, la eficiencia en el uso de la radiación fotosintética y el contenido de agua (Reynolds et al, 2001).

11

Diversos autores han estudiado el efecto

entre la reflectividad y el comportamiento

hídrico de las plantas tanto en hojas aisladas como en follaje. Sin embargo, estas mediciones se han hecho en laboratorio bajo condiciones controladas con la ayuda de espectro-radiómetros (Bowman, 1989, Peñuelas 1997). Estos estudios nos dicen que el comportamiento hídrico está relacionado con la reflectividad en el Infrarrojo de onda corta (SWIR, por sus siglas en inglés) es decir entre 1.1 y 2.5 µm ya que se presentan picos de alta absorción en presencia de agua. Un gran número de autores encuentran un aumento en la reflectividad del infrarrojo cercano (0.8-1.1µm) cuando la hoja se seca (Bowman, 1989) lo que puede deberse al incremento en el índice refractivo de la capa del mesófilo cuando el agua es reemplazada por aire. Sin embargo, otros autores, miden una disminución en la reflectividad (Peñuelas et al, 1993; Westman y Price, 1988) cuya causa puede deberse a la disminución del área foliar o al rizado de la hoja. Por último, el espectro visible no es muy sensible al contenido de agua en las plantas. Algunos autores encontraron que la banda roja del espectro era sensible al contenido hídrico de las plantas (Ripple, 1986, Jackson y Ezra, 1985). Por el contrario otros autores no encontraron respuestas significativas (Bowman, 1989). Por lo tanto, la alternativa más viable consiste en medir la temperatura superficial de las plantas por medio del infrarrojo térmico

(8-13µm).

La

vegetación

bien

irrigada

produce

un

aumento

en

la

evapotranspiración (calor latente) cuando hay un aumento en la radiación incidente, lo que lleva a reducir el calor sensible (temperatura del aire) frente a zonas inmediatas. Esta diferencia entre temperatura del aire y planta es un indicador de su estado hídrico. En otras palabras, el agua evaporada enfría las hojas por debajo de la temperatura del aire. A medida que el cultivo se estresa por falta de agua, la transpiración decrece y por lo tanto la temperatura de las hojas aumenta hasta igualar a la del aire (Jackson, 1982). Pinter y Reginato (1982) encontraron que algodón sin estrés hídrico mantenía aparentemente una temperatura del follaje entre 5 a 10 grados centígrados por debajo de la temperatura del aire bajo condiciones de déficit de presión de vapor normalmente presentes en Arizona durante la época de verano. Para cualquier material en la superficie, hay ciertas propiedades como la capacidad de calor, conductividad térmica e inercia que juegan un papel importante en el

12

comportamiento de la temperatura de un cuerpo con su entorno (Campbell, 2002). Estas propiedades térmicas varían con el tipo de suelo y su contenido de humedad. El suelo desnudo, seco y con baja densidad, están ligados a una alta temperatura superficial como resultado de una inercia termal relativamente baja. (Carnahan y Larson, 1990). Algunas bandas de absorción de radiación por el agua se pueden encontrar en la región de 1300-2500 nm, pero debido a su alta absorbancia en esta región su reflectancia se satura aún en follaje con bajo contenido de agua. En la región de 0.95-0.97 µm, hay una débil absorción de radiación por agua que no se satura para un follaje moderadamente seco. La reflectancia en 0.97 µm ha sido usada en la definición del índice de agua (WI, Water Index en Inglés).

WI =

R0.9 R0.97

En WI, la reflectancia a 0.97µm es tomada como una longitud de onda sensible al contenido de agua, mientras que la reflectancia a 0.9 es tomada como referencia, la cuál es afectada tanto por el follaje y la estructura de las hojas pero con nula absorción por agua (Peñuelas et al., 1993). WI ha sido utilizado para monitorear cambios en el contenido de agua relativo (RWC), potencial de agua en la hoja, conductancia estomática, y diferencias de temperatura entre el follaje y el aire cuando se ha desarrollado estrés hídrico. Peñuelas et al., (1993) reportó un coeficiente de correlación de 0.55 entre WI y RWC para un rango amplio de especies medidas a diferentes tiempos durante el año. Sin embargo, WI pierde mucha sensibilidad cuando el proceso de senescencia se encuentra avanzado. Por esa razón, WI puede ser útil para monitorear riesgos de incendios forestales pero tiene menos utilidad como herramienta en el manejo de riegos. Utilizado como indicador de estrés, WI es un buen indicador del estado hídrico en presencia de salinidad

13

NDVI es también afectado por el proceso de secado y el cambio estructural y de color de las plantas. Los coeficientes WI y NDVI tienen una mejor correlación con RWC, especialmente en aquellas especies que muestran grandes cambios en NDVI a través del año (Peñuelas et al., 1997). 2.4 Métodos basados en el estudio de la dinámica térmica de las plantas La relación entre la temperatura de las hojas de la planta y el estrés por humedad ha sido documentada cualitativamente durante varios años. Ethler et al., (1978) demostraron una relación inversa entre el diferencial de temperatura y el potencial de presión del xilema en trigo. Esta evidencia ha hecho que se aplique la medición de temperatura por infrarrojo, que la hace, una técnica viable en mediciones de estrés de agua en ensayos fisiológicos. De hecho es, el método más establecido para detectar estrés hídrico en los cultivos. La interpretación de la señal termal infrarroja de un cultivo como un indicador del estado hídrico ha sido estudiada y documentada por cerca de 20 años (Garrot et. al, 1994; Jackson ,1982). Chuvieco et al., (2001) encontraron correlación positiva entre NDVI y contenido de agua en la planta y negativa para las temperaturas de superficie. Los índices de vegetación miden el vigor vegetal. Al disminuir el contenido de agua también hay una reducción en los procesos fisiológicos. Por el contrario al aumentar la temperatura hay una pérdida en el agua almacenada de las plantas. NDVI resulta muy útil para estimar el contenido de agua en pastizales, pero no así en matorrales. El fenómeno se debe a que el NDVI es más sensible a las variaciones de verdor que acompañan a las pérdidas de agua en las herbáceas que al contenido de agua en sí. Por otra parte el coeficiente NDVI/TS presenta muy buena correlación con el contenido de humedad; es preferible utilizarlo frente al NDVI en caso de abordar una estimación mixta para pastizales y matorrales (Chuvieco et al., 2001). La ventaja que ofrece la medición de temperatura por Infrarrojo sobre los métodos convencionales de medición de estrés es la facilidad y la rapidez con la que se pueden tomar las mediciones. Debido a que grandes áreas se pueden monitorear en poco tiempo,

14

ésta puede ser una herramienta útil para programar riegos (Pinter y Reginato, 1982; Moran, 1994). Los métodos de teledetección se han vuelto mas eficientes a través de mejoras sucesivas y han sido introducidos progresivamente en el manejo de precisión de los cultivos, principalmente en los Estados Unidos (Moran, 1994). Uno de los primeros índices basados en el infrarrojo termal y utilizado en percepción remota con fines de manejo de riegos es el Índice de estrés hídrico de cultivo (CWSI por sus siglas en inglés). Este índice correlaciona el déficit de presión de vapor (VPD) de un cultivo con la temperatura del follaje menos la temperatura del aire (Ts-Ta). Sin embargo, la aplicación de CWSI con mediciones de satélites o aeronaves se restringe sólo a condiciones de cobertura completa de follaje es decir, cuando la temperatura superficial es igual a la del follaje. Esto limita la utilidad de este índice cuando se presentan condiciones parciales de los cultivos, es decir, cuando las decisiones de manejo pueden ser cruciales (Moran, 1994). Si el suelo no es visible al sensor entonces la temperatura de la superficie es igual a la temperatura de la vegetación (Jackson, 1986. Moran, 1994). Debido a esto, Jackson et al (1986) recomendaron utilizar los sensores con un ángulo de incidencia de 45° sobre la vertical con el objeto de observar sólo la parte vegetal de la superficie de un cultivo. Esta recomendación limita considerablemente su uso en aeronaves y sensores montados en satélites. Pinter y Reginato (1982), encontraron correlación entre CWSI del follaje y la presión del xilema de la hoja, sin embargo, ésta no es altamente significativa. Esto se debe a la influencia de una porción del suelo captado por el termómetro de infrarrojo en etapas tempranas del cultivo donde las plantas son pequeñas y también durante el acame de ciertas parcelas. 2.5 Trapezoide de Moran Kimes y Kirchner (1983), subrayaron y

analizaron el efecto de la fracción de

suelo

desnudo en las mediciones de temperatura radiométrica de la superficie. Este fue el comienzo de una serie de investigaciones de este tema.

15

Moran et al., (1994) desarrollaron el Índice de Déficit de Agua (WDI por sus siglas en inglés), el cuál combina SAVI (Soil Adjusted Vegetation Index), y temperatura superficial del follaje. Este índice puede determinar condiciones de déficit de agua en un campo con cobertura vegetal parcial. La relación de Ts-Ta (temperatura superficial menos temperatura del aire) y SAVI (para condiciones de suelo húmedo o seco y vegetación con cobertura completa o parcial se encontraron y definieron en una forma trapezoidal. Los vértices del trapezoide corresponden a condiciones extremas como: 1) Vegetación con cobertura completa y bien irrigada. 2) Vegetación con cobertura completa pero bajo estrés hídrico.3) Suelo desnudo saturado y 4) suelo desnudo seco). Cabe señalar que los puntos 1 y 2 son los mismos utilizados en los límites superior e inferior para el CWSI Standard. Para esta forma teórica se utiliza el termino Trapezoide Índice de vegetación/temperatura (VITT por sus siglas en inglés). La parte izquierda del trapezoide corresponde a valores de Ts-Ta de superficies que están evaporando a una tasa potencial; la parte derecha corresponde a valores de TsTa en las cuáles no está ocurriendo evaporación Se asume que los valores de Ts-Ta y cobertura vegetal varían linealmente a lo largo de las orillas de condiciones extremas mientras que todas las condiciones intermediarias experimentales que relacionan Ts-Ta y cobertura (NDVI o SAVI) se suponen que se incluyen dentro del trapezoide construido. Moran (1994), determinó los cuatro vértices del trapezoide mediante ecuaciones de balance de energía para un determinado punto de Ts-Ta y SAVI. La primera ecuación determina la localización de un punto para vegetación con cobertura completa y bien irrigada.

[

] [

]

Ts − Ta = [ra (Rn − G ) / C v ] γ (1 + rcp / ra ) /{∆ + γ (1 + rcp / ra )} − VPD /{∆ + γ (1 + rcp / ra )}

Donde ra es la resistencia aerodinámica (sm-1), Rn es la radiación neta (Wm-2), G es la densidad de flujo de calor del suelo (Wm-2), Cv es la capacidad de calor volumétrico del aire (J°C-1m-3), rcp es la resistencia del follaje en evapotranspiración potencial (sm-1),

es

la constante psicrométrica (Kpa °C-1)y por último, ∆ es la pendiente de la relación entre

16

presión de vapor saturado y temperatura (Kpa °C-1). Para el siguiente vértice, denominado, vegetación con cobertura completa sin agua disponible la ecuación es:

Ts − Ta = [ra (Rn − G ) / C v ][γ (1 + rcx / ra ) /{∆ + γ (1 + rcx / ra )}] − [VPD /{∆ + γ (1 + rcx / ra )}] Donde rcx es la resistencia del follaje asociada con el cierre casi completo de las estomas. Para el vértice 3 del trapezoide denominado suelo desnudo saturado el valor de rc = 0, por lo tanto, la ecuación para suelo saturado es la siguiente:

Ts − Ta = [ra (Rn − G ) / C v ][γ / (∆ + γ )] − [VPD / (∆ + γ )] Por último, para suelo desnudo seco, donde rc = ∞ (análogo al cierre de estomas completo) la ecuación es:

Ts − Ta = [ra (Rn − G ) / C v ] Las mediciones in situ necesarias para resolver las ecuaciones anteriores fueron Rn, VPD, temperatura y velocidad del aire. El valor de G puede ser estimado en función de Rn a cierto porcentaje de cobertura vegetal (SAVI o NDVI). También se necesita, por lo menos, estimar altura de la planta, máximo y mínimo SAVI para suelo desnudo y vegetación abundante, área foliar (LAI) y máxima y mínima resistencia estomática posible (rsx y rsp). Sin embargo, Yang et al; (1996) encontraron que SAVI (soil adjusted vegetation index) y MSAVI (modified soil adjusted vegetation index) aparentan tener mayor sensibilidad a la influencia del suelo como fondo que el NDVI. Por otro lado, NDVI produce los valores más altos que los otros dos índices. Por esta razón estos autores seleccionaron NDVI para la construcción del trapezoide de Moran Clarke (1997), trabajó con el trapezoide de Moran donde utilizó mediciones en superficies de suelo seco y húmedo para definir las esquinas 3 y 4 del trapezoide. Del mismo modo el punto 1 puede ser medido si existe un campo que haya sido regado y tenga cobertura completa. El punto 2 puede ser medido también sobre un campo donde de antemano se

17

sabe que existen condiciones extremas de estrés por falta de agua; alternativamente, se cortan plantas adyacentes y se mide su temperatura con termómetro infrarrojo hasta que la diferencia entre las temperaturas del aire y hojas sea asintótica. El tiempo en el que las mediciones se toman para determinar el estado hídrico es muy importante. Durante la noche, el agua en el suelo tiene tiempo para pasar a ser redistribuida alrededor de las raíces. Así, en la mañana las plantas pueden no mostrar síntomas de estrés hídrico. Por ésta razón, es mejor tomar las mediciones en la tarde idealmente a la misma hora cada día. Debido a las dificultades para obtener algunos parámetros requeridos en las ecuaciones de Jackson-Moran (resistencia aerodinámica y resistencia del follaje) para determinar los vértices del trapezoide, Yang et al., (1996), utilizaron mediciones en campo de reflectancia y de temperatura de la superficie. Además, compararon el NDVI calculado con las imágenes de LANDSAT y el NDVI calculado de las mediciones de campo de reflectancia. Los distintos valores de NDVI se relacionaron significativamente con un coeficiente de correlación de 0.98. Para una medición de Ts-Ta y SAVI (punto C en la gráfica 1), El coeficiente de las distancias AC/AB es definido como WDI, de este modo, WDI = 0 se refiere a condiciones bajo riego y WDI =1 a condiciones de estrés máximo. Operacionalmente WDI es igual a CWSI en coberturas vegetales completas. Por otro lado, el coeficiente de las distancias CB/AB es definido como la relación entre la evaporación actual y la potencial (Moran et al., 1994). Trapezoide de Moran 1.0

1: Vegetación con cobertura completa y bajo riego 2: Vegetación con cobertura completa bajo sequía

0.8

SAVI

0.6

0.4

4: Suelo desnudo saturado

0.2

3: Suelo desnudo seco

0.0

-10

-8

-6

-4

-2

0

2

4

6

8

10

12

14

16

18

20

22

Ts-Ta (°C)

Figura 1. Trapezoide de Moran. Esta forma geométrica involucra la relación entre Ts-Ta y un índice de vegetación. WDI para un punto C se define como el cociente de las distancias AC y AB (Moran et al., 1994).

18

Luquet et al., (2003), compararon diferentes mediciones de WDI y CSWI en algodón a las que variaron el ángulo del sensor. Obviamente CWSI presentó una anisotropía más fuerte que WDI debido a la cubierta vegetal parcial. Cuando la vegetación es homogénea, ambos índices presentan tendencias direccionales muy isotrópicas. Sin embargo, WDI generalmente da resultados más realistas en etapas tempranas de los cultivos. Por otra parte, se ha comenzado a utilizar la tecnología de radar para estudiar el contenido hídrico de las plantas. El radar es un sistema activo de percepción remota (es decir, el sistema provee su propia fuente de iluminación). Esto tiene la ventaja de adquirir datos ya sea en la oscuridad o el día y no están sujetos al ángulo de iluminación solar como en los sensores ópticos. Además la señal es capaz de penetrar nubes, lo cuál presenta una gran ventaja sobre los métodos de percepción remota óptica y termal. Sin embargo, los datos generados por radar son más complejos que los datos de reflectancia y termales y por lo tanto más difíciles de procesar. Moran et al., (1997), examinó el potencial de utilizar microondas de multifrecuencia para manejo en cultivos. Ha encontrado que los datos de radar pueden ser difíciles de interpretar debido a que es muy sensible a la orientación de los surcos y a las condiciones de textura del suelo. En comparación de los datos de radar buscando que coincidan con datos ópticos y termales, encontraron que la banda Ku (~13 GHz) fue sensible a la densidad de la vegetación y la banda C (~5 GHz) fue correlacionado con humedad del suelo. Por lo tanto, existe el potencial para desarrollar algunas de las mismas aplicaciones que los datos termales y de reflectancia. Los valores estimados de humedad de suelo basados en datos de radar podrían ser de gran importancia en etapas tempranas cuando los cultivos son demasiado pequeños para ser detectados por sensores termales. 2.6. Comportamiento de los índices de estrés hídrico El índice CWSI sigue un patrón cíclico que está en sincronía con los eventos de irrigación. Casi inmediatamente después de un riego este índice cae a un valor mínimo, entonces, comienza a subir lentamente conforme el cultivo comienza a agotar su reserva de agua. La tasa de incremento de CWSI entre riegos está directamente relacionado con la

19

demanda evaporativa de la atmósfera y la etapa fenológica de las plantas e inversamente relacionado con la disponibilidad de agua almacenada en el suelo (Jackson et al., 1981). Moran (1994), encontró diferencias notables en los valores de WDI bajo diferentes manejos de riego en algodón. Encontró que en el sitio donde se aplicó tardíamente el primer riego de auxilio, el cultivo mostró valores de WDI altos desde 167 días después de la siembra hasta las etapas finales del mismo. De hecho, este manejo mostró los valores más altos de WDI de todos los manejos de irrigación. Estas diferencias en los manejos muestran el potencial de usar WDI para identificar áreas con estrés hídrico en etapas tempranas de los cultivos que pueden tener repercusiones en la cantidad de biomasa y el rendimiento. Mediciones de diferencial de temperatura del follaje (CTD) hechas en una estación experimental de CIMMYT (Obregón, Sonora) bajo riego, han demostrado la capacidad de CTD para ser utilizado como herramienta para selección de líneas avanzadas de trigo (Reynolds et al., 1999). Estos autores encontraron que CTD explicó el 40% de la variación en rendimiento en líneas avanzadas de trigo. Esta variable fue medida durante la etapa de llenado de grano. Por otra parte, en esta misma estación se utilizaron imágenes aéreas de Infrarrojo con suficiente resolución para detectar diferencias de CTD en parcelas pequeñas para la evaluación del rendimiento (1.6 m). Los datos de temperaturas de las parcelas mostraron correlación significativa con el rendimiento final de líneas de trigo avanzadas y de un juego de líneas élite. Además de CTD, existen otros índices que se han evaluado y que muestran correlación significativa con rendimiento, biomasa e índice de área foliar. Entre ellos se encuentran NDVI, WI (water índex), SR (simple ratio) y SIPI (Structural independent pigmet index) e índice de área foliar (Reynolds et al., 1999). Por lo tanto, WDI puede ser utilizado para realizar mediciones de estrés durante el llenado de grano y así poder identificar aquellas zonas que pueden tener efecto en el rendimiento final del trigo. Debido a que la determinación de WDI requiere de pocos parámetros y que dicha información se puede alimentar en sistemas de información geográfica, es posible la utilización de aeronaves de baja altitud para

la determinar la calendarización de los

riegos.

20

Como se ha explicado anteriormente, la temperatura de las hojas se encuentra por debajo de la del aire cuando el agua se evapora de su superficie. Uno de los factores que determinan la evapotranspiración es la conductancia estomática, la cuál es regulada por la tasa de fijación de carbono. Debido a que CTD es directamente o indirectamente afectado por varios procesos fisiológicos, éste es un buen indicador del desempeño de un genotipo en un ambiente dado. Para un cierto genotipo CTD está en función de varios factores ambientales, principalmente la cantidad de agua en el suelo, la temperatura del aire, la humedad relativa y la radiación incidente. Por lo tanto, CTD se expresa mejor en condiciones de alto déficit de presión de vapor con baja humedad relativa y temperatura del aire templada. Por estas razones, CTD no resulta una herramienta útil en condiciones frías y/o alta humedad relativa (Reynolds y Ortiz-Monasterio, 2001). 2.7 Estimación de evapotranspiración La evapotranspiración potencial es definida como la pérdida de agua que ocurriría si en ningún momento hubiera una deficiencia de agua en el suelo para el uso de la vegetación. Algunos autores sugirieron una modificación para incluir la especificación de que la superficie estuviera cubierta totalmente por vegetación verde, debido a que la evapotranspiración depende de la densidad de cubierta vegetal sobre el suelo y de la edad de la planta. Existe por lo tanto, una diferencia entre evapotranspiración real y potencial debido a que los cultivos muy rara vez están en condiciones donde el agua no se encuentra limitada. La ecuación que define este postulado es la siguiente (Aguilera y Martínez, 1996)

ET = ET p ∗ K C Donde ET es la evapotranspiración real, ETp es la evapotranspiración potencial y Kc es un coeficiente que involucra la relación agua-suelo-planta. Se han desarrollado muchas ecuaciones para predecir la tasa en la cuál el agua puede ser transferida a la atmósfera cuando el agua en la superficie no está limitada (evaporación potencial o ETp).

Sin embargo existen pocos métodos para predecir la

21

evapotranspiración real (ET), que es definida como la cantidad de agua perdida por la planta cuando el agua se encuentra limitada (USWCL, 2003). Algunos estudios que involucran a los cultivos (Rosenthal et al., 1987) indican que el cociente ET/ETp está en función de la fracción de agua disponible del suelo en la zona radicular. La fracción de agua disponible para las plantas está definida como la cantidad de agua que se encuentra en el suelo entre el punto de marchitez permanente y la capacidad de campo, normalizado por la capacidad de campo máximo. La estimación de la evapotranspiración depende de la exactitud del índice de agua disponible (Ma) y la evapotranspiración potencial. Yang et al., (1996) compararon el Ma calculado con percepción remota y el Ma usando un modelo de balance hidrico (DRAINMOD) sobre una parcela con caña de azúcar. Las comparaciones mostraron diferencias de alrededor 0.04 para los puntos con caña y 0.1 para los puntos donde había suelo. Si analizamos el trapezoide de Moran, el índice de deficiencia de agua WDI, puede ser visto como el cociente de las distancias AC a AB (figura 1). Debido a que el WDI se considera Evapotranspiración tanto del suelo como del cultivo, puede interpretarse como una medida de de la cantidad de Evapotranspiración (ET) que ocurre en tiempo real relativo a la Evapotranspiración potencial. Como lo expresa la siguiente ecuación:

⎛ ET WDI = 1 − ⎜ ⎜ ET ⎝ p

⎞ ⎟ ⎟ ⎠

Mientras que WDI puede ser calculado para estimar ET, éste no provee una medida directa del estrés por agua del cultivo. Esto se debe a que el índice variará basado en la evaporación de agua del suelo así como la del cultivo. Por ejemplo, a un porcentaje de cobertura vegetal de 50 el WDI puede variar de 0 a 0.5 conforme el suelo se seca, pero la tasa de transpiración del cultivo puede permanecer cerca del nivel potencial la mayor parte del tiempo (USWCL, 2003). Para superficies en zonas áridas

y semiáridas, la

contribución del suelo a la evaporación superficial o evapotranspiración es relativamente pequeña comparado con la contribución proveniente de la transpiración de la planta, excepto inmediatamente después de una lluvia. Por otra parte, cuando el agua en el suelo

22

es abundante, la evapotranspiración real del follaje se aproxima a la evapotranspiración potencial. (Moran, 1994). Moran et al., (1992) comparó dos métodos para la estimación de la evapotranspiración. En el primer método combinó mediciones de reflectancia y temperatura superficial con datos de temperatura del aire. En el segundo método utilizó únicamente datos recabados por percepción remota. El modelo basado con información percepción remota-mediciones físicas tuvo como resultado una Diferencia media absoluta (MAD) de 1.61 mm/día entre los valores simulados y observados dentro de un rango con valores de 1 a 12 mm/día. Esta Diferencia media absoluta fue mucho más baja que la obtenida por la estimación de ET utilizando únicamente datos obtenidos por percepción remota (1.9 mm/día). Sin embargo, para fines hidrológicos, es más útil la evapotranspiración en un periodo de 24 horas que la evapotranspiración actual, por lo que se sugiere la aplicación de modelos de simulación. Generalmente estos modelos requieren de variables como radiación neta, flujo de calor, condiciones climáticas definidas para cada régimen de humedad en diferentes tipos de suelo, presión de vapor etc. Cuando los campos de cultivo no están completamente cubiertos por vegetación (es decir, al comienzo del crecimiento del cultivo), la evapotranspiración, el coeficiente de transpiración y el uso de eficiencia de agua son difíciles de determinar utilizando modelos de transferencia de energía. Esto se debe a que la evaporación de la superficie del suelo por debajo de la cobertura vegetal no puede ser legible en cantidad y porque es necesario tratar el flujo de vapor de los campos de cultivos como el total de los flujos del suelo y las plantas, es decir, la transpiración de los estomas y la evaporación del suelo. El método más común para la determinación de la evapotranspiración de las plantas es el modelo de Penman-Monteith. Este, es un método basado en la interacción de energía entre la vegetación y la atmósfera. Este modelo llamado de una capa, trata a la cobertura vegetal (incluyendo a las hojas) y a la superficie del suelo como una gran hoja y considera el flujo de vapor generado sólo por los estomas de las hojas. Sin embargo, cuando la vegetación es difusa este modelo es inadecuado para determinar la suma de transpiración y evaporación. Debido a esto, se han desarrollado varios modelos multicapas basados en el método de Penman-Monteith (Kato et al., 2004).

23

Una simplificación de la ecuación de Penman-Monteith es la llamada ecuación de Makkink. Esta ecuación ha comprobado ser redituable para estimar evapotranspiración en el Valle del Yaqui. La ecuación es la siguiente:

λE p = C M

∆ Rs ∆ +γ

Donde Rs es la radiación de onda corta (Wm-2) y CM es una constante de calibración empírica local. El valor de CM se ha determinado y su valor anual es aproximadamente 0.65 para el Valle del Yaqui. El término ∆/(∆+γ depende de la temperatura y de la presión de vapor a saturación. Esta cambia de 1 a 2% en un cambio de 1°C en temperatura; por lo tanto los valores climatológicos de temperatura pueden ser utilizados en la estimación de Ep. (Garatuza et al., 2001). La evapotranspiración es el componente principal del ciclo hidrológico en zonas semihúmedas y áridas y es afectado por procesos bióticos y abióticos en la interacción entre suelo, vegetación y atmósfera (Gómez et al., 2001). Recientemente han surgido grandes avances en la aplicación de modelos basados en los procesos de transferencia de suelovegetación-atmósfera (SVAT) para simular evapotranspiración sobre una

cuenca o a

nivel global. Sin embargo, estos modelos necesitan un gran número de parámetros que usualmente son heterogéneos o no están disponibles a una escala apropiada. Por ello, el uso de sensores remotos e índices como WDI pueden ayudar a solucionar este problema (Liang et al., 1994).

24

III. MATERIALES Y MÉTODOS:

3.1 Descripción del sitio de estudio El sitio de estudio fue el Valle del Yaqui localizado en la región sur de Sonora situado entre los paralelos 27°00´ y 28° 00´ de latitud Norte y los meridianos 109° 30´ y 110° 37´ longitud oeste. Tiene una extensión de 225,000 hectáreas limitado por la Sierra Madre al este y por el Golfo de California al oeste (Fig.2). El clima es semiárido con una precipitación anual promedio de 317 mm, que ocurre principalmente entre Junio y Septiembre. El cultivo de trigo abarca el período que va desde Noviembre hasta Abril y se caracteriza por ser cultivado durante la época seca donde los agricultores aplican entre 3 a 5 riegos durante el ciclo. La mayoría de los suelos de la región son vertisoles con un contenido de materia orgánica menor al 1% (Lobell et al, 2002).

25

Figura 2. Localización del Valle del Yaqui.

El periodo de estudio comprendió desde Diciembre de 2002 hasta Abril 2003, siendo parte del ciclo de producción de trigo 2002-2003.

3.2 Construcción de un sistema de información geográfica para textura de suelo Para la creación de la base de datos del SIG se empleó información proporcionada por la Comisión Nacional de Agua (CNA). Dicha información contiene datos de textura de suelo de alrededor de 3000 puntos ubicados en el Valle del Yaqui y ordenados por block y lote. La metodología que empleó la CNA para determinar los porcentajes de arena, limo y arcilla fue el de hidrómetro de Bouyoucos.

26

3.2.1 Capacidad de campo y punto de marchitez permanente Con los datos de textura se calculó humedad en capacidad de campo mediante la formula de Peele (Fuentes, 1998):

CC = (0.48 * clay ) + (0.162 * li ) + (0.023 * sand ) + 2.62 Donde: clay es el porcentaje de arcilla, li es el porcentaje de limo y por último sand es la cantidad de arena. También se calculó humedad en punto de marchitez permanente mediante la fórmula de Briggs (Fuentes, 1998):

PMP = (0.302 * clay ) + (0.102 * li ) + (0.0147 * sand ) Estos dos parámetros se anexaron a la base de datos del SIG junto con porcentaje de arena limo y arcilla. Los puntos de muestreo se consideraron en el centro de cada lote (suponiendo que no existe variabilidad en el área de un lote que es de 200 x 500 m), ya que la información proporcionada por CNA carecía de georeferenciación. En ocasiones se presentaron varios puntos de muestreo en un mismo lote por lo que se utilizó la media aritmética para conocer un valor único. El sistema de georeferencia utilizado en la determinación de los puntos de muestreo fue UTM (Universal Transversal de Mercator) zona 12.

3.2.2 Distribución espacial de las variables Tanto la creación del Sistema de Información Geográfica, como la interpolación se realizaron en el Software IDRISI versión Kilimanjaro. Se crearon imágenes (resolución 30 m.) para obtener la distribución espacial de la textura, con énfasis en arcilla y capacidad de campo, debido a que estas variables afectan la capacidad de retención de agua en el suelo. Para conocer los valores intermedios entre los puntos de muestreo se utilizó interpolación por el inverso de la distancia (Modulo INTERPOL). En este modelo su utiliza un exponente asociado con el peso de la distancia, generalmente se utiliza el 2. Esto significa que se le da un peso igual al reciproco de la distancia al cuadrado. Se utilizó un

27

radio de búsqueda de 6 puntos alrededor de cada punto de interpolación. Esto indica que este método de interpolación determina el valor de cada celda basado solamente en los valores de control de los puntos vecinos. La vecindad esta determinado por un radio de búsqueda que puede ir de 4 a 8 puntos. En este caso IDRISI tiene como valor predeterminado 6 que es el óptimo para el funcionamiento del modelo del software. El método de distancia ponderada produce superficies con máximas y mínimas que ocurren en las locaciones de los puntos de control. Conforme uno se mueve de estos puntos de control, la superficie tenderá hacia el valor promedio local, el cuál es determinado por el radio de búsqueda (Eastman, 2003).

3.3 Análisis de las imágenes de satélite Se utilizaron 4 imágenes generadas por el sensor ETM (Enhanced Thematic Mapper) del satélite LANDSAT en las bandas 3 (rojo, con resolución 30 metros), 4 (infrarrojo cercano, con 30 metros de resolución) y 6 (infrarrojo termal, con 60 metros de resolución). En el caso de la banda térmica de LANDSAT se tuvo que duplicar el número de columnas y filas de la imagen por medio del modulo EXPAND en IDRISI. Con esto se tiene la misma resolución en las tres bandas lo cuál permite hacer operaciones entre ellas. La serie de imágenes se obtuvieron entre el 16 de diciembre de 2002 y el 23 de Abril de 2003, periodo en el que se cultiva trigo en el Valle del Yaqui. Todas ellas fueron captadas por el sensor a las 10:30 AM hora local. El procesamiento de imágenes se llevó a cabo con el software IDRISI

3.3.1 Cálculo de NDVI y temperatura superficial Con las bandas del rojo e infrarrojo cercano de LANDSAT se determinó el índice de vegetación normalizada de diferencia (NDVI). Se utilizó el módulo VEGINDEX dentro del procesamiento de imágenes de IDRISI. Dicho módulo utiliza el siguiente algoritmo para determinar este índice de vegetación:

NDVI =

IRC − R IRC + R

28

Donde IRC y R indican la reflectancia en la banda del infrarrojo cercano y el rojo respectivamente. Con la banda de infrarrojo térmico se estimó la temperatura superficial. IDRISI cuenta con un algoritmo para determinar la temperatura a partir de la información de la banda térmica de LANDSAT. El proceso de conversión que emplea IDRISI está basado en una tabla publicada por Bartoliucci y Chang (1988).

3.3.2 Determinación del área cultivada con trigo Se realizó una clasificación basado en la fenología del cultivo y los índices de vegetación. Se asumió que para que el valor de un pixel fuera considerado trigo, su valor de NDVI en diciembre debiera ser menor de 0.1, en enero mayor de 0.1 y lógicamente mayor en Marzo.

3.3.3 Datos climatológicos Con los datos climatológicos de 13 estaciones localizadas en el Valle del Yaqui se crearon imágenes con la distribución espacial de la temperatura ambiental y evapotranspiración potencial. Para conocer los valores de las variables antes mencionadas entre los puntos donde se encontraba una estación meteorológica se utilizó el método de interpolación por el inverso de la distancia. Se utilizaron los datos tomados a las 10:30 AM hora local para los días 16 de diciembre de 2002, 1 de Enero, Marzo 6 y 22 del año 2003.

3.4 Determinación del índice de déficit de agua (WDI)

3.4.1 Construcción del trapezoide de Moran Para la determinación del índice de Déficit de agua y conocer el estado hídrico del cultivo de trigo, se empleó el método del trapezoide de Moran. Para la determinación de los vértices se utilizaron valores extremos de NDVI expresados en el eje “Y” y Diferencial de temperatura bajo riego y sequía expresados en el eje “X”. Según reportes de Reynolds et al., (1999), en ensayos bajo riego llevados a cabo en la estación experimental del

29

CIMMYT en Sonora, los valores máximos sobre riego de NDVI en trigo es 0.9 y el diferencial de temperatura Ts-Ta se encuentra entre -5 a -7 °C (promedio -6 °C). En el caso de la sequía, el valor promedio de Ts-Ta es 0, (siendo el máximo 1 °C) y para trigo con cobertura completa el valor de NDVI es 0.9. En el caso del suelo existen valores de NDVI alrededor de 0.1. Sin embargo, Reynolds no reporta datos para temperatura superficial de suelo desnudo. Por lo tanto, se utilizó la pistola de Infrarrojo Infrared AG multimeter Modelo 510B (Figura 4), desarrollado por Everest interscience para determinar temperatura radiométrica de suelo saturado y seco. Como recomendación para estimar la temperatura superficial del follaje, se debe tener cuidado con el ángulo con que se apunta hacia las plantas con el sensor, esto con el fin de evitar incluir la temperatura del suelo. Por ejemplo, si una parcela esta sembrada en camas, es mejor parase a un lado de ésta con el fin de que el termómetro radiométrico esté apuntado en ángulo a las hileras de plantas. En caso de que haya poco follaje, lo mejor es apuntar el termómetro en un ángulo con respecto del horizontal para minimizar la medición de la temperatura del suelo. Para comprobar que cualquier valor de NDVI y diferencial de temperatura medido en trigo caiga dentro de la figura trapezoidal construida con datos de Reynolds, se hicieron mediciones en campo de NDVI y temperatura superficial durante varias etapas del cultivo en condiciones de sequía y riego. Para la medición de NDVI se utilizó el sensor Greenseeker modelo 550 (Figura 3), desarrollado por Ntech Industries y para temperatura superficial se utilizó también la pistola de Infrarrojo Infrared AG.

30

Figura 3. Sensor Greenseeker modelo 550, utilizado para realizar mediciones del índice de vegetación NDVI

Figura 4. Pistola de Infrarrojo Infrared AG multimeter Modelo 510B, utilizado para medir temperatura superficial.

31

3.4.2 Construcción del modelo para la determinación de WDI y evapotranspiración. Una vez determinado los vértices y construido el trapezoide, se obtuvieron las ecuaciones de las líneas rectas formadas por los vértices 2-3 y 1-4 (ver figura1). La ecuación de la recta 1-4 nos servirá para conocer el punto A ó el valor mínimo de Ts-Ta para un valor conocido de NDVI y Ts-Ta (punto C).

(Ts − Ta )min

=

NDVI + b1 m1

Donde b1 es el intercepto y m1 es la pendiente de la recta con vertices 1-4. Por otro lado, la ecuación de la recta 2-3 nos permitirá conocer el punto B o valor máximo que puede tener Ts-Ta.

(Ts − Ta )max

=

NDVI − b2 m2

Donde b2 es el intercepto y la pendiente de la recta con vertices 2-3. Debido a que Moran et al.,(1994), definen a WDI como el cociente entre las distancias entre AC y AB, entonces la ecuación para la determinación de WDI es la siguiente:

WDI =

(Ts − Ta )min − (Ts − Ta ) (Ts − Ta )min − (Ts − Ta )max

Para la determinación de la tasa de evapotranspiración se utilizó la siguiente formula propuesta por Jackson et al (1981). Donde es definido como el cociente de las distancias CB/AB.

(Ts − Ta )max − (Ts − Ta ) ET = PET (Ts − Ta )min − (Ts − Ta )max Una vez determinados todos los componentes para la obtención del índice de Deficit de Agua y la tasa de evapotranspiración real con respecto a la potencial, se procedió al cálculo de estas variables por medio de los modelos presentados en las figuras 5 y 6.

32

Figura 5. Modelo propuesto para determinar water deficit index (WDI).

Figura 6. Modelo propuesto para la determinación de evapotranspiración.

33

3.5 Análisis estadístico de los resultados Se realizó un análisis de correlación lineal simple entre algunos valores de WDI tomados al azar y sus respectivos días transcurridos después del riego. Estos últimos valores se obtuvieron mediante la base de datos de los usuarios del Distrito de Riego del Río Yaqui. Esta base de datos nos permite conocer las fechas de aplicación de los riegos tanto de siembra como los de auxilio. Se llevó a cabo un análisis geoestadístico por medio de variogramas, para conocer el grado de autocorrelación entre los puntos muestreados de suelo. Se realizó también un análisis de correlación entre los valores de Evapotranspiración calculados mediante el modelo utilizado en este trabajo y los valores obtenidos con la ecuación de Makkink y la metodología propuesta por Garatuza et al., (2001). Se extrajeron 1000 puntos al azar tanto de la imagen de Evapotranspiración calculada con el modelo trapezoidal de Moran como de la imagen de la misma variable calculada mediante la ecuación de Makkink. Esto se realizó en las imágenes de los días 6 y 22 de Marzo. Puesto que para aplicar la metodología de Garatuza (2001) es preciso contar con una cobertura completa de la vegetación, para el día 1 de Enero sólo se pudieron extraerse 190 puntos al encontrarse una cobertura vegetal parcial. Paralelamente se realizó un análisis de medias simples y apareadas entre las dos metodologías para ver si hay similitud o diferencia entre ellas. Por otra parte, se realizó una regresión lineal múltiple en la que la variable dependiente fue el rendimiento en grano del trigo y las variables independientes fueron los índices de estrés hídricos de las fechas 1 de Enero, 6 y 22 de Marzo del año 2003.

34

IV. RESULTADOS

4.1 Distribución espacial de arcilla El sistema de Información Geográfica que se construyó para el Valle del Yaqui y se alimentó con datos de porcentaje de arcilla en suelo mostró la siguiente distribución espacial a una profundidad de 0-30 cm (Figura 7).

35

Figura 7. Distribución espacial de la cantidad de arcilla en el suelo del Valle del Yaqui a profundidad de 0-30 centímetros.

Visualmente no se observa un patrón claro en la distribución de arcilla en el suelo. Al observar la imagen se aprecia que la arcilla se distribuye por manchones en distintas zonas, sin embargo, las regiones que presentan mayor extensión de altos contenidos de arcilla son: la parte Sureste, a los alrededores de Villa Juárez y al Norte del Valle del Yaqui. En contraparte, los niveles de arcilla más bajos se presentan a lo largo de la región costera y en las áreas que se encuentran en los márgenes del río Yaqui y arroyo Cocoraque, es decir en las regiones Noroeste y central del valle.

36

a) Relación entre % de Arcilla a diferentes profundidades

% Arcilla a profundidad 30-60 cm.

60

50

40

30 y = 0.7554x + 9.885 R2 = 0.57

20

10

0 0

10

20

30

40

50

60

% Arcilla a profundidad 0-30 cm.

c) Relación entre % de Arcilla a diferentes profundidades

b) Relación entre % de Arcilla a diferentes profundidades 60

y = 0.6136x + 13.305 R2 = 0.35

50

% Arcilla a profundidad 60-90 cm.

% Arcilla a profundidad 60-90 cm.

60

40

30

20

10

0

y = 0.8346x + 4.7122 R2 = 0.65

50

40

30

20

10

0

0

10

20

30

40

% Arcilla a profundidad 0-30 cm.

50

60

0

10

20

30

40

50

60

% Arcilla a profundidad 30-60 cm.

Figura 8. Relación entre los valores de porcentaje de arcilla a diferentes profundidades.

La relación entre el contenido de arcilla a una profundidad de 0-30 centímetros y 30-60, muestra un coeficiente de correlación de 0.75, un error estándar de 5.64, un error medio absoluto de 4.26 y explica el 57% de la variabilidad. Por otra parte, la relación entre el contenido de arcilla a 0-30 cm. y 60-90 presenta el coeficiente de correlación mas bajo de las tres profundidas con 0.59 un error standar de 6.9, un error medio absluto de 5.3 y explica el 35.33 % variabilidad. Por último, la mejor relación se encuentra en las profundidades de 30-60 y 60-90 cm. con coeficiente de correlación de 0.81, un error estándar de 5.06, un error medio absoluto de 3.71 y explica el 64.4% de la variabilidad. En todos los casos el valor de p< 0.01 al 99 porciento de confianza.

37

Figura 9. Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 30-60 centímetros.

38

Figura 10. Distribución espacial del contenido de arcilla en el suelo del Valle del Yaqui a una profundidad de 60-90 centímetros.

Este mismo comportamiento se observó en las dos imágenes obtenidas a profundidad de 30-60 y 60-90 cm. (Figuras 11 y 12). De hecho el análisis de regresión simple mostró un coeficiente de correlación entre 0.59 y 0.80 en las tres imágenes. Sin embargo, en estas profundidades se muestra mejor un gradiente de distribución de la arcilla que disminuye conforme más nos acercamos a la línea costera, resaltando las mismas zonas mencionadas anteriormente.

39

En las tres profundidades estudiadas existe la tendencia de mostrar bajos niveles de arcilla en la región Suroeste del Valle conocida como el Bacame (Arroyo Santini). A pesar de que esta región no colinda con la zona costera y se encuentra al noreste de Villa Juárez, caracterizada por altos contenidos de arcilla, presenta valores que fluctúan entre 15 a 25 % de arcilla pero también se caracteriza por contener mucha arena y grava, lo cuál puede afectar a la capacidad de retención del agua. La figura 11, muestra los variogramas que se obtuvieron al aplicar geoestadística a las valores de arcilla en las tres diferentes profundidades. b) Variograma de contenido de Arcilla a 30-60 cm

a) Variograma de Contenido de arcilla a 0-30 cm. 160

140

140

120

120

Semivarianza

Semivarianza

100 80 60 40

100 80 60 40

20

20 0

0 0

2000

4000

6000

8000

10000

12000

14000

0

16000

2000

4000

6000

8000

10000

12000

14000

16000

Distancia (m)

Distancia (m)

c) Variograma del contenido de arcilla a 60-90 cm. 180 160 140

Semivarianza

120 100 80 60 40 20 0 0

3000

6000

9000

12000

15000

18000

21000

Distancia (m)

Figuras 11. Variograma Isotrópico para arcilla profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c), respectivamente. El eje X muestra el intervalo de distancia y el eje Y los valores de la semivarianza entre los puntos muestreados de arcilla para. Las figuras muestran el valor de la semivarianza cada 200 metros.

40

En el variograma de arcilla a una profundidad de 0-30 centímetros se observa que la semivarianza a una distancia de 200 metros tiene un valor de 76.82 lo que representa el 58% de la variabilidad total. En la profundidad de 30-60 cm. la semivarianza tiene un valor de 97.03 lo que representa alrededor del 60 % de la variabilidad y por último, en 60-90 centímetros tiene un valor de 70 lo que significa el 46 % de la variabilidad total. La figura 12 representa los variogramas para capacidad de campo donde se expresan los valores de la semivarianza cada 200 metros de distancia. b) Variograma de capacidad de campo a 30-60 cm 35

30

30

25

25

Semivarianza

Semivarianza

a) Variograma de capacidad de campo a 0-30 cm. 35

20 15

20 15

10

10

5

5

0

0

0

10000

20000

30000

40000

50000

60000

70000

0

10000

20000

Distancia (m)

30000

40000

50000

60000

70000

Distancia (m)

c) Variograma de la capacidad de campo 60-90 cm. 40 35

Semivarianza

30 25 20 15 10 5 0 0

10000

20000

30000

40000

50000

60000

70000

Distance (m)

Figuras 12. Variograma Isotrópico para capacidad de campo a

profundidades 0-30 (a), 30-60 (b) y 60-90 cm (c),

respectivamente.

41

En el variograma de capacidad de campo a una profundidad de 0-30 centímetros se observa que la semivarianza a una distancia de 200 metros tiene un valor de 16.37 lo que representa el 50% de la variabilidad total. En la profundidad de 30-60 la semivarianza tiene un valor de 19 lo que representa alrededor del 59 % de la variabilidad y por último, en 60-90 centímetros tiene un valor de 16 lo que significa el 47 % de la variabilidad total.

4.2 Trapezoide de Moran La tabla 1 muestra algunos valores de NDVI y de la diferencia de temperatura entre la superficie del suelo y del aire que se midieron en condiciones de saturación y sequía. Tabla 1. Valores medidos de NDVI y Diferencial de temperatura para suelo desnudo húmedo y seco en el Valle del Yaqui, Sonora.

SUELO

NDVI

Ts-Ta

seco seco seco seco seco seco seco saturado saturado saturado saturado seco seco seco

0.08 0.10 0.21 0.09 0.10 0.09 0.09 0.11 0.11 0.12 0.10 0.09 0.10 0.09

10.1 10.2 10.3 10.5 12.4 10.6 9.8 4.0 2.3 -1.3 -3.2 15.0 18.0 15.0

0.21 0.08 0.10

18.0 -3.2 9.4

Máximo Mínimo Promedio

Con estos resultados se concluye que en condiciones de sequía extrema el suelo se encuentra a 18 °C por encima de la temperatura ambiental y en caso contrario, bajo un

42

entorno de saturación, la temperatura se encuentra 3 °C por debajo de la temperatura del aire. La figura 13 muestra el trapezoide de Moran propuesto para la banda térmica de baja ganancia (Low Gain) de LANDSAT. Los puntos dentro del trapezoide corresponden a mediciones en campo que se realizaron para determinar si éstos se encontraban dentro de la gráfica construida con los vértices 1 y 2 reportados por Reynolds et al. y con los valores de suelos medidos en campo correspondientes a los vértices 3 y 4.

1,0 1

2

0,8

Línea 1-4 y = - 0.2024x - 0.557 Línea 2-3 y = - 0.0459x+ 0.900

NDVI

0,6

0,4

0,2

4

0,0 -10

-8

-6

-4

3

-2

0

2

4

6

8

10

12

14

16

18

20

Ts-Ta (°C)

Figura 13. Trapezoide de Moran propuesto para el cultivo de trigo, utilizando la banda termal de baja ganancia (Low gain).

Las ecuaciones y = -0.2024x - 0.5571, y = -0.0459x+0.9 de las líneas rectas formadas por los vértices 1-4 y 2-3 del trapezoide obtenido se utilizarán para la determinación del Índice de deficiencia de agua (WDI) y Evapotranspiración (ET) dentro del periodo diciembre de 2002 y marzo de 2003. La figura 14 muestra como son incluidos dentro del trapezoide alrededor de 1000 valores extraídos de una imagen de satélite para NDVI y Ts-Ta.

43

1,0

0,8

NDVI

0,6

0,4

0,2

0,0

-10

-8

-6

-4

-2

0

2

4

6

8

10

12

14

16

18

20

22

Ts-Ta (°C) Figura 14. Valores de una imagen de LANDSAT para NDVI y Ts-Ta, dentro del trapezoide construido para trigo en el Valle del Yaqui, Sonora.

4.3 Modelo para la determinación de WDI y evapotranspiración Se desarrolló una ecuación para la obtención de WDI a partir de las pendientes e interceptos de las ecuaciones de las líneas rectas obtenidas en el apartado anterior mediante el trapezoide de Moran. Esta ecuación se implementó en el modelo generado en el software IDRISI.

WDI =

(TS − Ta ) − [(NDVI + 0.5571) / − 0.2024 ] − [( NDVI + 0.5571) / − 0.2024 ] + [(NDVI − 0.9 ) / − 0.459 ]

También se obtuvo la ecuación para la obtención de la tasa de evapotranspiración real con las mismas pendientes e interceptos:

⎡ ⎤ {(NDVI − 0.9) / − 0.459} − (Ts − Ta ) ET = ⎢ ⎥ * [PET ] { ( ) } { ( ) } − NDVI + 0 . 5571 / 0 . 2024 + NDVI − 0 . 9 / − 0 . 459 ⎣ ⎦

44

Para la determinación de la distribución espacial de la temperatura ambiental (Ta) se crearon imágenes interpolando los datos de temperatura ambiental de 13 estaciones meteorológicas ubicadas en distintos puntos del Valle del Yaqui (Tabla 2). En la figura 17 se puede observar que si hay variación en cuanto a la temperatura dentro del área del Valle del Yaqui, de hecho, se observa un gradiente de menor a mayor temperatura que ocurre de oeste a este en el momento en que se captó la imagen del satélite LANDSAT 7 (1 Enero de 2003). La tabla 2 muestra los valores de temperatura y de evapotranspiración potencial del día 1 de Enero de 2003 que se registraron en las diferentes estaciones meteorológicas ubicadas en el Valle del Yaqui.

Tabla 2. Estaciones meteorológicas situadas en el valle del Yaqui. Los datos corresponden al día 01 de enero de 2003.

ESTACIÓN METEOROLÓGICA

Coordenadas UTM-12 X

Y

TEMPERATURA °C

EVAPOTRANSPIRACIÓN POTENCIAL mm/día

20

587068.46

3043444.95

15.8

2.83

32

609818.71

3036553.09

18.2

3.51

609

30

589179.39

3032861.61

16.1

3.86

Block 727

727

28

570571.69

3030691.18

15.5

3.74

CIANO

910

3

606038.95

3027913.70

16.9

3.59

Block 1103

1103

21

593526.81

3022756.39

16.9

3.38

Block 1317

1317

20

581201.58

3019120.40

15.4

3.23

Block 1418

1418

7

615022.59

3017847.21

17.2

3.43

Block 1703

1703

36

594627.74

3010080.22

16.0

3.42

Block 2210

2210

25

606655.77

3000628.56

17.2

3.38

Block 2328

2328

21

624099.49

2998684.42

18.2

3.37

Block 2920

2920

11

616072.58

2986973.64

16.8

3.15

597156.71

3045187.57

16.4

3.44

BLOCK

LOTE

Block 111

111

Block 414

414

Block 609

Predio El jazmin

La figura 15 muestra la distribución espacial de la temperatura para el Valle del Yaqui, en ella se observa una variación que va de los 15 a los 18 °C.

45

Figura 15. Distribución espacial de la temperatura en el Valle del Yaqui para el día 01 de enero de 2003.

4.4 Distribución espacial de WDI y evapotranspiración La figura 16 muestra la distribución espacial del índice de déficit de agua (WDI) calculado para el día 16 de diciembre de 2002 después de haberse aplicado el modelo construido en el apartado 3.

46

Figura 16. WDI determinado para el día 16 de diciembre de 2002.

De manera general se observan algunas manchas de color rojo con índices de estrés muy bajos (