El sensoramiento remoto utilizado en la observaci\u00f3n de la tierra, en un sentido m\u00e1s amplio, est\u00e1 siendo tambi\u00e9n altamente adoptado en el sector agropecuario, motivado por la disponibilidad de tecnolog\u00edas de drones y c\u00e1maras multiespectrales y t\u00e9rmicas. La variada oferta y la disminuci\u00f3n del precio de diferentes tipos de drones, as\u00ed como la disponibilidad de nuevas c\u00e1maras de im\u00e1genes multiespectrales de bajo costo han permitido el desarrollo de nuevas empresas de servicios dentro del sector agropecuario en Uruguay y en la regi\u00f3n.<\/p>\n
El sensoramiento remoto pone disposici\u00f3n de los productores un grupo de herramientas que le permiten tomar decisiones operativas en tiempo quasi-real<\/em>, d\u00eda a d\u00eda; ya sea evaluando la dispersi\u00f3n del comportamiento de un cultivo en particular (dimensi\u00f3n espacial), o evaluando de acciones pasadas (serie de im\u00e1genes, con un enfoque m\u00e1s forense) o realizando pron\u00f3sticos del desarrollo del cultivo en diferentes zonas ambientes (estimaci\u00f3n del rendimiento). B\u00e1sicamente permite un monitoreo del estado pasado, actual y futuro del cultivo, que facilita la mejora en la toma de decisiones t\u00e9cnicas en el manejo del mismo.<\/p>\n \n\n\n\n<\/p>\n \n\n\n\n<\/p>\n La superficie y la atm\u00f3sfera terrestre emiten, absorben y reflejan radiaci\u00f3n. La cantidad y proporci\u00f3n de la radiaci\u00f3n terrestre est\u00e1 directamente relacionada con la radiaci\u00f3n solar incidente. Un ejemplo gr\u00e1fico es que cuando entramos en un cuarto oscuro no logramos ver nada, pero si iluminamos con una linterna se comienzan a apreciar formas, tama\u00f1os y colores, como consecuencia de la luz que emite la linterna, la reflexi\u00f3n de la luz en los objetos y nuestro ojo que est\u00e1 adaptado a ver dentro del espectro de los colores visibles. El mismo efecto hace la radiaci\u00f3n solar reflejada en la superficie terrestre (un cultivo, por ejemplo) y las c\u00e1maras en los sat\u00e9lites (im\u00e1genes). Si bien la mayor parte de im\u00e1genes satelitales disponibles registran un espectro radiom\u00e9trico amplio (ej. Sentinel 2: 450-2280 nm), el espectro visible es m\u00e1s reducido (ej. Sentinel 2: 450-713 nm). Investigadores de muchos pa\u00edses han desarrollado relaciones entre la intensidad de las distintas longitudes de onda de las bandas registradas por los sat\u00e9lites para asociarlas con caracter\u00edsticas de la superficies terrestres y en particular dentro en los cultivos.<\/p>\n En diferentes escalas espaciales y temporales se han desarrollado estos \u00edndices relacion\u00e1ndolos con el \u00e1rea foliar, el verdor de la canopia, el estado de salud de los cultivos, el contenido de nitr\u00f3geno u otros pigmentos asociados a estreses, la biomasa vegetal, y el estado h\u00eddrico entre otros. Si bien es dif\u00edcil reemplazar el conocimiento directo del estado de un cultivo cuando se lo recorre a pie en toda su extensi\u00f3n, el sensoramiento remoto facilita realizarlo en forma m\u00e1s eficiente y r\u00e1pida, detectando a priori<\/em> zonas de mejor o peor desarrollo y\/o cambios en el estado de un cultivo.<\/p>\n Cuadro 1. \u00cdndices de vegetaci\u00f3n usados en Oryzativa<\/p>\n \n\n\n\n<\/p>\n Figura 1. Bandas espectrales de PlanetScope en Oryzativa.<\/p>\n \n\n\n\n<\/p>\n Una de las fortaleza m\u00e1s importantes del uso de la teledetecci\u00f3n remota en la gesti\u00f3n agr\u00edcola es tener informaci\u00f3n clara del comportamiento de los cultivos (actual y pasado) y determinar variaciones de comportamiento en el terreno, formando as\u00ed ambientes diferenciados. Nos permite tomar decisiones en el dia a dia y analizar lo que ya paso reduciendo de este modo las incertidumbres conectando el comportamiento del cultivo en funci\u00f3n del ambiente clim\u00e1tico futuro o de medidas de manejo a realizarse. Estas se\u00f1ales del desarrollo del cultivo generan mayor seguridad en las decisiones de manejo pudiendo adelantarse y corregir situaciones desfavorables. La comparaci\u00f3n cuantitativa de estos \u00edndices espectrales entre a\u00f1os y entre fechas a partir de la emergencia nos da informaci\u00f3n clara y \u00fatil del estado de desarrollo del cultivo que nos permite realizar pron\u00f3sticos del rendimiento futuro con una fuerte base de la variabilidad espacial del comportamiento del cultivo.<\/p>\n Oryzativa es una plataforma de monitoreo satelital de arroz que une conocimiento agron\u00f3mico, tecnolog\u00eda y teledetecci\u00f3n, con la experiencia de los actores del sector.<\/p>\n Nace a partir de la experiencia de un grupo de t\u00e9cnicos vinculados al sector arrocero con el objetivo de aportar soluciones tecnol\u00f3gicas al sector y ayudar en la toma de decisiones.<\/p>\n Oryzativa utiliza im\u00e1genes de alta y muy alta resoluci\u00f3n tanto espacial (20 a 1 m) como temporal (7 a 2 d\u00edas) para la confecci\u00f3n de los \u00edndices espectrales; a saber: NDVI, NDWI e IC que son los \u00edndices m\u00e1s aceptados por la academia nacional e internacional (Cuadro 1).<\/p>\n La llave de la utilidad de estos \u00edndices espectrales es la relaci\u00f3n cuantitativa entre \u00e9stos y alguna de las caracter\u00edsticas del cultivo de inter\u00e9s: variaci\u00f3n de la poblaci\u00f3n lograda de plantas, biomasa, nitr\u00f3geno en la canopia, estado del estr\u00e9s del cultivo y contenido de agua del cultivo, entre otros. Por otro lado, posibilita evaluar el efecto de los fr\u00edos en el desarrollo o el impacto del viento (vuelco RGB) y el avance en la fertilizaci\u00f3n.<\/p>\n Oryzativa utiliza estas relaciones cuantitativas desde dos fuentes de datos: a) a partir de relaciones reconocidas en la academia e investigaci\u00f3n, las cuales son actualizadas en la medida de nuevos conocimientos y ajustes matem\u00e1ticos, como las curvas de diluci\u00f3n de nitr\u00f3geno; y b) a partir de la base de datos propia de Oryzativa que a lo largo de muchos a\u00f1os y sitios que le permite comparar situaciones similares o distintas del comportamiento del cultivo, especialmente en la evoluci\u00f3n de estos \u00edndices (NDVI), el desarrollo del cultivo y el rendimiento obtenido.<\/p>\n Los cultivadores de arroz de Uruguay en conjunto con otras instituciones nacionales como INIA, GMA, FLAR han marcado un camino tecnol\u00f3gico que reduce las incertidumbres para concretar altos rendimientos. En este camino de 10 mojones cr\u00edticos (10 puntos para 10 toneladas, ACA) (Fig. 2), el servicio propuesto por Oryzativa permite el monitoreo del cultivo y en consecuencia poder ayudar a tomar decisiones operativas ara algunos de estos 10 puntos.<\/p>\n Figura 2. 10 puntos para 10 toneladas de arroz<\/p>\n Punto 1.<\/strong> Laboreo anticipado y taipas previas.<\/em> La teledetecci\u00f3n permite tener una mirada general del estado del laboreo de las chacras, as\u00ed como del avance en la construcci\u00f3n de taipas o sistematizaci\u00f3n, en forma r\u00e1pida y global. Facilita junto a sistemas de informaci\u00f3n geogr\u00e1fica y topogr\u00e1fica el mejor dise\u00f1o de la distribuci\u00f3n de agua.<\/p>\n Punto 2.<\/strong> Siembra en fecha optima y calidad<\/em>. La evoluci\u00f3n de la siembra en las diferentes chacras es f\u00e1cilmente vista con las im\u00e1genes de alta resoluci\u00f3n temporal en el espectro visible. La uniformidad de la emergencia y potenciales efectos adversos en los primeros estadios son f\u00e1cilmente identificables. Tambi\u00e9n la calidad de la cama de siembra o el control de malezas (glifosato previo a la siembra).<\/p>\n Punto 3.<\/strong> Selecci\u00f3n de cultivares<\/em>.<\/p>\n Punto 4<\/strong>. Fertilizaci\u00f3n basal ajustada a altos rendimientos.<\/em> La fertilizaci\u00f3n basal desde el punto de vista del sensoramiento remoto est\u00e1 relacionada a la delimitaci\u00f3n de diferentes ambientes generados dentro de las chacras, relacionados con la topograf\u00eda, la variabilidad de los suelos, y con el dise\u00f1o de la distribuci\u00f3n del agua, permitiendo -en funci\u00f3n de los muestreos de suelo y la producci\u00f3n anterior- ser m\u00e1s eficiente en la planificaci\u00f3n de la fertilizaci\u00f3n.<\/p>\n Punto 5.<\/strong> Herbicida pre-emergente y post- emergente antes de V4<\/em>. El monitoreo de la uniformidad del crecimiento vegetativo del cultivo permitir\u00e1 la mejor planificaci\u00f3n de la aplicaci\u00f3n de los herbicidas.<\/p>\n Punto 6<\/strong>. Urea en macollaje- V3<\/em>. La teledetecci\u00f3n remota permite evaluar la uniformidad del estado V3 y V4 y en definitiva hacer una mejor planificaci\u00f3n, y al mismo tiempo a trav\u00e9s de los \u00edndices de clorofila (IC) y NDVI observar la homogeneidad de la clorofila en el cultivo. Niveles muy bajos de clorofila indican valores bajos de nitr\u00f3geno o de alg\u00fan otro factor (bi\u00f3tico o abi\u00f3tico) que afecte el verdor del arroz.<\/p>\n Punto 7<\/strong>. Inundaci\u00f3n temprana en V3-V4.<\/em> El estado de la inundaci\u00f3n temprana es f\u00e1cilmente seguido a trav\u00e9s del monitoreo satelital con im\u00e1genes RGB y una vez que tenemos cobertura total de la chacra con \u00edndices como: NDWI, que nos permite inferir el estatus h\u00eddrico mediante el contenido de agua de los tejidos vegetales.<\/p>\n Punto 8<\/strong>. Urea en primordio<\/em>. Al igual que en el macollaje, podemos ver el grado y uniformidad del verdor en este estadio, e inferir el nivel de clorofila, o nitr\u00f3geno de la planta y realizar las correcciones oportunas.<\/p>\n Punto 9.<\/strong> Control de enfermedades<\/em>. El \u00edndice NDVI y el \u00edndice de clorofila entre otros permiten detectar puntos o zonas dentro de la chacra con un comportamiento distinto, que luego requerir\u00e1 de una inspecci\u00f3n de campo.<\/p>\n Punto 10.<\/strong> Cosecha en momento apropiado.<\/em> La evoluci\u00f3n de la cosecha y el grado de madurez del cultivo en las distintas chacras y zonas dentro de la chacra son f\u00e1cilmente monitorizadas.<\/p>\n <\/p>\n La combinaci\u00f3n del monitoreo satelital (ej. Plataforma Oryzativa), con el pron\u00f3stico del clima y la fenolog\u00eda del cultivo (ej. CLIMArroz) y con la experiencia obtenida del an\u00e1lisis de im\u00e1genes de ciclos anteriores del arroz, permiten una adaptaci\u00f3n y mejora de las decisiones de manejo del cultivo. Estas tecnolog\u00edas est\u00e1n en continuo desarrollo a nivel mundial, incorporando a la teledetecci\u00f3n modelos de desarrollo del cultivo, que permitan un pron\u00f3stico del rendimiento en diferentes ambientes.<\/p>\n <\/p>\n Uno de los \u00edndices espectrales m\u00e1s utilizados en agricultura es el NDVI (Normalized Difference Vegetation Index<\/em>) que relaciona las bandas del rojo y el infrarrojo cercano de una superficie particular. Sobre el uso de este \u00edndice y otros podemos encontrar f\u00e1cilmente una profusa literatura (Hatfield et al. 2008). <\/p>\n Los valores del NDVI van cambiando a lo largo del cultivo de acuerdo con el desarrollo del mismo. En el caso del cultivo de arroz nos permiten relacionar los valores del NDVI en estados del desarrollo cr\u00edticos (Fig. 3): macollaje, primordio, 50% floraci\u00f3n y madurez fisiol\u00f3gica. Los valores de NDVI en los primeros d\u00edas luego de la emergencia no son buenos debido a la interferencia de la reflectancia del suelo y agua, que se mezclan con la reflectancia proveniente del arroz. Los valores m\u00e1ximos de NDVI se obtienen cercanos al 50% de la floraci\u00f3n y podemos ver como en chacras sembradas en la misma fecha, con la misma variedad hay una relaci\u00f3n clara de los valores m\u00e1ximos de NDVI y el rendimiento (Fig. 3).<\/p>\n Sin embargo, hemos visto que el estado de desarrollo del cultivo evaluado a trav\u00e9s del NDVI a los 60-68 d\u00edas desde emergencia (Primordio) ha sido de gran utilidad para la toma de decisiones y para determinar el rendimiento potencial de esa chacra. La tasa de aumento del valor del NDVI entre los d\u00edas 40 y 80 desde emergencia, as\u00ed como el valor en primordio se ha relacionado con el rendimiento obtenido. Tasas de incremento del NDVI desde 40-50 d\u00edas post emergencia mayores resultan en rendimientos m\u00e1s altos para una misma variedad (Fig. 3) y en primordio podr\u00edamos realizar correcciones del manejo como: correcciones de nitr\u00f3geno, ajustes en el control de malezas, etc.<\/p>\n En chacras de arroz en Salto seleccionadas por su manejo homog\u00e9neo, misma variedad y fecha de siembra se ha evidenciado una relaci\u00f3n directa entre el valor del NDVI a los 68 d\u00edas y el rendimiento final. Valores de NDVI entre 0,57 y 0,78 correspondieron rendimientos finales de 162 y 211 bolsas de grano seco por ha respectivamente (Fig. 4).<\/p>\n <\/p>\n Figura 3. Evoluci\u00f3n del NDVI promedio en chacras con diferente rendimiento final (162 a 211 bolsas\/ha de grano seco). Variedad: Olimar, fecha de emergencia: 3 Octubre 2023, Salto. Los puntos ( ) representan los estadio fenol\u00f3gicos de macollaje, primordio, 50% floraci\u00f3n y madurez fisiol\u00f3gica.<\/p>\n <\/p>\n Figura 4. Relaci\u00f3n del NDVI promedio y el rendimiento final en chacras de arroz. Variedad: Olimar, fecha de emergencia: 3 Octubre 2023, Salto. Los puntos blancos, rojo, gris, naranja y verde representan los valores de NDVI a los 55, 68 (primordio), 71, 95,103 (previo MF) d\u00edas post emergencia.<\/p>\n <\/p>\n Gao, B. C. 1996. NDWI\u2014A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266.<\/p>\n Gates, D.M., H.J. Keegan, J.C. Schleter, and V.R. Weidner. 1965. Spectral properties of plants. Appl. Opt. 4:11\u201320.<\/p>\n Gitelson, A.A., A. Vi\u00f1a, T.J. Arkebauer, D.C. Rundquist, G. Keydan, and B. Leavitt. 2003. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophys. Res. Lett. 30(5):1248.<\/p>\n Gitelson, A.A., A. Vi\u00f1a, D.C. Rundquist, V. Ciganda, and T.J. Arkebauer. 2005. Remote estimation of canopy chlorophyll content in crops. Geophys. Res. Lett. 32:108403.<\/p>\n Hatfield, J. L., Gitelson, A. A., Schepers, J. S., & Walthall, C. L. 2008. Application of spectral remote sensing for agronomic decisions. Agronomy Journal, 100, S-117.<\/p>\n Jackson, R.D., P.N. Slater, and P.J. Pinter, 1983. Discrimination of Growth and Water Stress in Wheat by Various Vegetation Indices Through Clear and Turbid Atmospheres. Remote Sensing of the Environment 15:187-208.<\/p>\n Jackson, T.J., D. Chen, M. Cosh, F. Li, M. Anderson, C. Walthall, P. Doraiswamy, and E.R. Hunt. 2004. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sens. Environ. 92:475\u2013482.<\/p>\n \n\n\n\n <\/p>\n","protected":false},"excerpt":{"rendered":" Introducci\u00f3n El sensoramiento remoto con fines agr\u00edcolas ha tomado en los \u00faltimos a\u00f1os un impulso y una adopci\u00f3n sin precedentes entre productores y empresas de todo el mundo. En los comienzos, la teledetecci\u00f3n en el sector agropecuario se limitaba a instituciones que tuvieran acceso a im\u00e1genes satelitales, generalmente orientada a estudios nacionales o regionales. Estos […]<\/p>\n","protected":false},"author":4,"featured_media":498,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[17],"tags":[],"class_list":["post-853","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ultimas-novedades"],"_links":{"self":[{"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/posts\/853","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=853"}],"version-history":[{"count":22,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/posts\/853\/revisions"}],"predecessor-version":[{"id":943,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/posts\/853\/revisions\/943"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=\/wp\/v2\/media\/498"}],"wp:attachment":[{"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=853"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=853"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.oryzativa.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=853"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}La observaci\u00f3n del cultivo a trav\u00e9s del sensoramiento remoto<\/h2>\n
![\"\"](\"https:\/\/www.oryzativa.com\/wp-content\/uploads\/2025\/02\/cn-1.png\")
<\/p>\n![\"\"](\"https:\/\/www.oryzativa.com\/wp-content\/uploads\/2025\/02\/Imagen-1-600x217.png\")
<\/p>\nEl d\u00eda a d\u00eda de la toma de decisiones: incertidumbres, aciertos y pron\u00f3stico<\/h2>\n
Plataforma Oryzativa<\/h2>\n
I. Propuesta de Oryzativa para el monitoreo del cultivo de arroz.<\/strong><\/h4>\n
![\"\"](\"https:\/\/www.oryzativa.com\/wp-content\/uploads\/2025\/02\/Imagen-2-600x338.png\")
<\/p>\nII. El estado del cultivo de arroz y su relaci\u00f3n con el rendimiento.<\/strong><\/h4>\n
![\"\"](\"https:\/\/www.oryzativa.com\/wp-content\/uploads\/2025\/02\/Imagen-3.png\")
<\/p>\n![\"\"](\"https:\/\/www.oryzativa.com\/wp-content\/uploads\/2025\/02\/Imagen-4.png\")
<\/p>\nConclusiones<\/h2>\n
\n
Referencias<\/h4>\n