Salinization is an edaphological process that frequently affects the soils of arid and semi-arid regions according to Wang et al. (2020)WANG, J.; DING, J.; YU, D.; TENG, D.; HE, B.; CHEN, X.; GE, X.; ZHANG, Z.; WANG, Y.; YANG, X.; SHI, T.; SU, F.: “Machine learning-based detection of soil salinity in an arid desert region, Northwest China: A comparison between Landsat-8 OLI and Sentinel-2 MSI”, Science of the Total Environment, 707: 1-11, 2020, ISSN: 0048-9697, DOI: https://dx.doi.org/10.1016/j.scitotenv.2019.136092., which limits the number of species that can be cultivated in these soils. The salinity of a soil is determined by the set of all soluble salts contained in the soil and can be estimated by measuring the electrical conductivity (EC) of a solution extracted from the soil.

They are commonly evaluated through laboratory tests, which leads to a greater expenditure of time and resources (El Harti et al., 2016EL HARTI, A.; LHISSOU, R.; CHOKMANI, K.; OUZEMOU, J.; HASSOUNA, M.; BACHAOUI, E.M.; EL GHMARI, A.: “Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices”, International Journal of Applied Earth Observation and Geoinformation, 50: 64-73, 2016, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2016.03.008.). Given this situation, the use of remote sensing or remote sensing becomes more feasible. This novel technique, with great potential for collecting soil data, has been used for the detection of salinity both spatially and temporally (Allbed et al., 2014ALLBED, A.; KUMAR, L.; ALDAKHEEL, Y.Y.: “Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region”, Geoderma, 230: 1-8, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.03.025 ).

Their study is based on the spectral characteristics of the soil. Soil salinity monitoring is based on measuring the increase in soil reflectance as the salinization refracted in the short and long range bands of visible infrared increases (Sidike et al., 2014SIDIKE, A.; ZHAO, S.; WEN, Y.: “Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra”, International Journal of Applied Earth Observation and Geoinformation, 26: 156-175, 2014, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2013.06.002.). In research carried out in Cuba, (Lau et al. 2003LAU, Q.A.; LHERMITTE, S.; GILLIAMS, S.; RUIZ, P.M.E.: “Relación de la salinidad del suelo con la reflectancia multiespectral de la caña de azúcar cultivada en condiciones extremas”, Revista Ciencias Técnicas Agropecuarias, 12(3): 19-29, 2003, ISSN: 1010-2760, e-ISSN: 2071-0054., 2005LAU, Q.A.; GAREA, L.E.; RUIZ, P.M.E.: “Estimación de la salinidad de los suelos utilizando una imagen espectrozonal y el sistema de información geográfica TELEMAP”, Revista Ciencias Técnicas Agropecuarias, 14(1): 47-54, 2005, ISSN: 1010-2760, e-ISSN: 2071-0054.) confirmed the use of remote sensing as a supporting tool for the management of soil salinity in crops through salinity maps, given that it is a stress factor in sugarcane cultivation.

Due to the above, the objective of the research was to determine the relationship between soil salinity and the vegetation state of sugarcane cultivation in areas of the Sugar Mill UEB “Urbano Noris”, in Holguín Province by using remote sensing.

The investigation was carried out in November 2020. To download the satellite image, the United States Geological Survey (USGS) was accessed, in grid 011/046 and the one referring to September 19, 2020 was taken (LC08_L1TP_011046_20200919_20201006_01_T1. tar) of the Landsat 8 OLI / TIRS satellite which has the following characteristics (Table 1).

Because of their cumulus and time, Landsat images have a spatial resolution of 30 m, temporal resolution of 16 days, and a ground cover of 185 km. For the analysis of the satellite images, the QGis 3.10A Coruña software was projected in the WGS 84 UTM Zone 18 North coordinate system where the radiometric correction was made and the spectral indices of vegetation and salinity were calculated (Table 2).

For the determination of the relationship between soil salinity and sugarcane crop, it was considered that the cultivated soil is Vertisol type with glyic properties according to Hernández et al. (2015)HERNÁNDEZ, J.; PÉREZ, J.; BOSCH, I.; CASTRO, S.: Clasificación de los suelos de Cuba 2015, Ed. Instituto Nacional de Ciencias Agrícolas e Instituto de Suelos, La Habana, Cuba, 93 p., 2015, ISBN: 978-959-7023-77-7.. A completely randomized sampling was carried out in the units of sugarcane blocks from one to ten in Sugar Mill UEB “Urbano Noris”. Fifty sampling points separated at a distance of 100 meters (Figure 1) were taken for the measurings whose values were located in the vegetation and salinity maps.

After extracting the values of the sampling points, a database was created to determine the relationship between the NDVI and the SI, applying linear regression analysis and the characteristics of its statistics in the software Stargraphics Plus 5.0. as statistics tool.

The determination of the vegetative index NDVI is shown in Figure 2. There, it is observed that it oscillates between the values of -1 to 1 and, according to Rawashdeh' classification (2012)RAWASHDEH, S.B.A.: “Assessment of change detection method based on normalized vegetation index in environmental studies”, International Journal of Applied Science and Engineering, 10(2): 89-97, 2012. for values from 0 to 0.5, there is little vegetation in the study area.

The reflectivity of the vegetation covers is determined by optical characteristics and spatial distribution of all its constituents, which include the soil on which the vegetation is, as well as their proportions (Gilabert et al., 1997GILABERT, M.A.; GONZÁLEZ, P.J.; GARCÍA, H.J.: “Acerca de los índices de vegetación”, Revista de teledetección, 8(1): 1-10, 1997, ISSN: 1133-0953.). Meera et al. (2015)MEERA, G.G.; PARTHIBAN, S.; THUMMALU, N.; CHRISTY, A.: “Ndvi: Vegetation change detection using remote sensing and gis-A case study of Vellore District”, Procedia Computer Science, 57: 1199-1210, 2015, ISSN: 1877-0509, DOI: https://dx.doi.org/10.1016/j.procs.2015.07.415. refer that the decrease of water content in the soil due to various reasons in the ecosystem, causes a tendency to dissipate the crop greenness and, therefore, the NDVI values. One of the causes of the variation in the state of the vegetation is the absorption of energy (electromagnetic radiation absorbed inside the sensor). This energy is a process that is quantized, these features are located at specific wavelengths, which depend on the presence of certain components in the material according to Baret (1995)BARET, F.: Use of spectra1 reflectance variation to retrieve canopy biophysical character in Danson, Ed. John Wiley, Advances in Environmenal Remote Sensing. (F.M. Danson and S.E. Plummer eds) ed., Chichester, New York, USA, 33-51 p., 1995., thus, for example, features that are a consequence of electronic transitions such as those due to the presence of iron oxides or the presence of chlorophyll are located in the visible region of the spectrum, while those due to rotational transitions such as those of the ion OH^- occur in the near infrared area.

Remote sensing of salinity from NDVI has been widely used, since the state of the vegetation is presented according to salinity stress (Allbed et al., 2014ALLBED, A.; KUMAR, L.; ALDAKHEEL, Y.Y.: “Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region”, Geoderma, 230: 1-8, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.03.025 ). Figure 3 illustrates the determination of the salt index; for which Elhag (2016)ELHAG, M.: “Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia”, Journal of Sensors, 2016: 1-8, 2016, ISSN: 1687-725X, DOI: https://dx.doi.org/10.1155/2016/7596175. reports that the values indicate the state of soil salinity varies from -1 (high presence of salts in the soil) to 1 (low presence of salts in the soil). In the visible region, the pigments of the leaves absorb most of the light they receive; in the near infrared these substances are quite transparent. For this reason, the cultivation of sugarcane in a good vegetative state offers low reflectivity in the red band of the spectrum and high in the near infrared, so that the greater the vigor that the crop presents, the greater the contrast between the reflectance values captured in both bands will be.

Low reflectance values in the near infrared and an increase in the visible one indicate that the sugarcane crop is in poor condition, one of whose causes is the high salinity of the soil (Soca, 2015SOCA, R.: Identificación de tierras degradadas por salinidad del suelo en los cultivos de caña de azúcar en Pomalca usando imágenes de satélite, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Físicas, Tesis para optar el Grado Académico de Magíster en Física con mención en Geofísica, Lima, Perú, 2015.).

Platonov et al. (2013)PLATONOV, A.; NOBLE, A.; KUZIEV, R.: Soil salinity mapping using multi-temporal satellite images in agricultural fields of Syrdarya province of Uzbekistan, Ed. Developments in Soil Salinity Assessment and Reclamation, Springer, Dordrecht, 2013, DOI: https://dx.doi.org/10.1007/978-94-007-5684-7_5. describe that in order to identify the state of the vegetation in the face of saline stress, the analysis of large areas is necessary due to the variation in the use and management of the soil by producers (Muller, 2017MULLER, S.J.: Indirect soil salinity detection in irrigated areas using earth observation methods, Stellenbosch University, Faculty of Science, Thesis presented in fulfilment of the requirements for the degree of Master of Science, Stellenbosch, South Africa, 2017.). Figure 4 refers to the linear regression analysis between the SI and NDVI spectral indices, for which a strong negative correlation of - 84.41% was obtained expressed in the Pearson coefficient and a determination of 71.25% for which there is a strong inverse dependence between both spectral indices of soil and vegetation.

Ding & Yu (2014)DING, J.; YU, D.: “Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments”, Geoderma, 235(4): 316-322, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.07.028. and Ivushkin et al. (2017)IVUSHKIN, K.; BARTHOLOMEUS, H.; BREGT, A.K.; PULATOV, A.: “Satellite thermography for soil salinity assessment of cropped areas in Uzbekistan”, Land degradation & development, 28(3): 870-877, 2017, ISSN: 1085-3278, DOI: https://dx.doi.org/10.1002/ldr.2670.2017. affirm that the salinity of the soil captured by remote sensing is related to vegetation indices, which have direct effects on the spectral information, given by the appearance of dark areas. In addition, the vegetation indices and the saline spectral index are commonly used as indicators to detect changes in the state of the vegetation cover. Scudiero et al. (2015)SCUDIERO, E.; SKAGGS, T.H.; CORWIN, D.L.: “Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance”, Remote Sensing of Environment, 169: 335-343, 2015, ISSN: 0034-4257, DOI: http://dx.doi.org/10.1016/j.rse.2015.08.0260034-4257. state that in arid and semi-arid areas the most frequent errors in determining the relationship between the content of salts and the state of the vegetation by remote sensing are the structure of the plant canopy, the type of soil management, the annual rainfall and temperature and the type of clay in the soil.

The use of NDVI as an indicator of the state of the vegetation showed the presence of vast areas under stress with values lower than 0.5, just as the saline index showed a high proportion of soils with high salt content, with negative indices from -1 to 0. The use of remote sensing to determine soil salinity showed that between these variables there is a negative correlation of -88, 41% and a determination of 71.25%, which defines an inverse dependence between them.

La salinización es un proceso edafológico que afecta, con frecuencia, a los suelos de las regiones áridas y semiáridas según Wang et al. (2020)WANG, J.; DING, J.; YU, D.; TENG, D.; HE, B.; CHEN, X.; GE, X.; ZHANG, Z.; WANG, Y.; YANG, X.; SHI, T.; SU, F.: “Machine learning-based detection of soil salinity in an arid desert region, Northwest China: A comparison between Landsat-8 OLI and Sentinel-2 MSI”, Science of the Total Environment, 707: 1-11, 2020, ISSN: 0048-9697, DOI: https://dx.doi.org/10.1016/j.scitotenv.2019.136092., lo cual limita el número de especies cultivadas que puedan desarrollarse en estos suelos.

La salinidad de un suelo viene determinada por el conjunto de todas las sales solubles contenido en el suelo y puede ser estimada por la medición de la conductividad eléctrica (CE) de una solución extraída del suelo. Son comúnmente evaluados mediante pruebas de laboratorio, lo cual conlleva a un mayor gasto de tiempo y de recursos (El Harti et al., 2016EL HARTI, A.; LHISSOU, R.; CHOKMANI, K.; OUZEMOU, J.; HASSOUNA, M.; BACHAOUI, E.M.; EL GHMARI, A.: “Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices”, International Journal of Applied Earth Observation and Geoinformation, 50: 64-73, 2016, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2016.03.008.).

Ante esta situación se hace más factible la utilización del sensoramiento remoto o teledetección. Esta novedosa técnica de gran potencial para la toma de datos del suelo, y ha sido utilizada para la detección de la salinidad tanto en forma espacial como temporal (Allbed et al., 2014ALLBED, A.; KUMAR, L.; ALDAKHEEL, Y.Y.: “Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region”, Geoderma, 230: 1-8, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.03.025 ). Su estudio se basa en las características espectrales del suelo. Las bases del monitoreo de la salinidad del suelo se sustenta por el incremento de la reflectancia del suelo a medida que incrementa la salinización refractadas en las bandas del infrarrojo visible, de corto y largo alcance (Sidike et al., 2014SIDIKE, A.; ZHAO, S.; WEN, Y.: “Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra”, International Journal of Applied Earth Observation and Geoinformation, 26: 156-175, 2014, ISSN: 0303-2434, DOI: https://dx.doi.org/10.1016/j.jag.2013.06.002.).

En investigaciones realizadas en Cuba por (Lau et al. 2003LAU, Q.A.; LHERMITTE, S.; GILLIAMS, S.; RUIZ, P.M.E.: “Relación de la salinidad del suelo con la reflectancia multiespectral de la caña de azúcar cultivada en condiciones extremas”, Revista Ciencias Técnicas Agropecuarias, 12(3): 19-29, 2003, ISSN: 1010-2760, e-ISSN: 2071-0054., 2005LAU, Q.A.; GAREA, L.E.; RUIZ, P.M.E.: “Estimación de la salinidad de los suelos utilizando una imagen espectrozonal y el sistema de información geográfica TELEMAP”, Revista Ciencias Técnicas Agropecuarias, 14(1): 47-54, 2005, ISSN: 1010-2760, e-ISSN: 2071-0054.); verificó el uso de la teledetección como una herramienta de apoyo para el manejo de la salinidad del suelo en cultivos, en particular un método para enmascarar la salinidad del suelo mediante mapas de salinidad, que es un factor causante del estrés en el crecimiento de la caña de azúcar. Por lo antes expuesto el objetivo de la investigación consistió en determinar la relación existente entre la salinidad del suelo y el estado vegetativo del cultivo de la caña de azúcar en áreas de la UEB Central Azucarero Urbano Noris de la provincia de Holguín, mediante teledetección.

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

Por su cúmulo y el tiempo, las imágenes Landsat tienen una resolución espacial de 30 m, resolución temporal de 16 días y una cobertura del terreno de 185 km. Para el análisis de la imagen satelital se proyectó en el sofware QGis 3.10 A Coruña en el sistema de coordenadas WGS 84 UTM Zona 18 Norte donde se realizó la corrección radiométrica, se procedió al cálculo de los índices espectrales de vegetación y salinidad (Tabla 2).

Para la determinación de la relación salinidad cultivo de la caña de azúcar, se tuvo en cuanto que el suelo que presenta las uidades cañeras son del tipo Vertisol con propiedades gléyicas según Hernández et al. (2015)HERNÁNDEZ, J.; PÉREZ, J.; BOSCH, I.; CASTRO, S.: Clasificación de los suelos de Cuba 2015, Ed. Instituto Nacional de Ciencias Agrícolas e Instituto de Suelos, La Habana, Cuba, 93 p., 2015, ISBN: 978-959-7023-77-7.. Se realizó un muestreo completamente aleatorizado en las unidades comprendidas de la uno a la diez de los bloques cañeros de la UEB Central Azucarero Urbano Noris, mediante la toma de 50 puntos separados a una distancia de 100 metros (Figura 1); los cuales se les extrajo los valores que obtienen en los mapas de vegetación y de salinidad obtenidos.

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

La determinación del índice vegetativo NDVI se muestra en la Figura 2. En la misma se observa que el mismo oscila entre valores de -1 a 1; para el cual Rawashdeh (2012)RAWASHDEH, S.B.A.: “Assessment of change detection method based on normalized vegetation index in environmental studies”, International Journal of Applied Science and Engineering, 10(2): 89-97, 2012. plantea una clasificación para este índice que para valores desde 0 hasta 0,5 se presenta una escasa vegetación en el área de estudio.

La reflectividad de las cubiertas vegetales viene determinada, por características ópticas y distribución espacial de todos sus constituyentes, los cuales incluyen el suelo sobre el que se asienta la vegetación, así como por sus proporciones (Gilabert et al., 1997GILABERT, M.A.; GONZÁLEZ, P.J.; GARCÍA, H.J.: “Acerca de los índices de vegetación”, Revista de teledetección, 8(1): 1-10, 1997, ISSN: 1133-0953.). Meera et al. (2015)MEERA, G.G.; PARTHIBAN, S.; THUMMALU, N.; CHRISTY, A.: “Ndvi: Vegetation change detection using remote sensing and gis-A case study of Vellore District”, Procedia Computer Science, 57: 1199-1210, 2015, ISSN: 1877-0509, DOI: https://dx.doi.org/10.1016/j.procs.2015.07.415. refieren que el decrecimiento del contenido de agua en el suelo por diversas razones en el ecosistema existe una tendencia a disipar el verdor de los cultivos y por ende los valores del NDVI.

Una de las causas de la variación del estado de la vegetación se encuentra por la absorción de la energía (radiación electromagnética absorbida en el interior del sensor). Esta energía es un proceso que está cuantizado, dichos rasgos se encuentran localizados en longitudes de onda concretas, que dependen de la presencia de determinados componentes en el material según Baret (1995)BARET, F.: Use of spectra1 reflectance variation to retrieve canopy biophysical character in Danson, Ed. John Wiley, Advances in Environmenal Remote Sensing. (F.M. Danson and S.E. Plummer eds) ed., Chichester, New York, USA, 33-51 p., 1995., así por ejemplo, los rasgos que son consecuencia de transiciones electrónicas como los debidos a la presencia de óxidos de hierro o a la presencia de clorofila se localizan en la región visible del espectro, mientras que los debidos a transiciones de tipo rotacional como los del ion OH^- se producen en la zona del infrarrojo cercano.

La teledetección de la salinidad a partir del NDVI ha sido ampliamente utilizada, dado que se presenta el estado de la vegetación ante el estrés por salinidad (Allbed et al., 2014ALLBED, A.; KUMAR, L.; ALDAKHEEL, Y.Y.: “Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region”, Geoderma, 230: 1-8, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.03.025 ). La Figura 3 ilustra la determinación del índice salino; para el cuál Elhag (2016)ELHAG, M.: “Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia”, Journal of Sensors, 2016: 1-8, 2016, ISSN: 1687-725X, DOI: https://dx.doi.org/10.1155/2016/7596175. reporta que los valores indican el estado de la salinidad del suelo varía desde -1 (presencia alta de sales en el suelo) a 1 (baja presencia de sales en el suelo).

En la región del visible, los pigmentos de las hojas absorben la mayor parte de la luz que reciben, en el infrarrojo cercano estas sustancias son bastante transparente. Por esta razón, el cultivo de la caña de azúcar en un buen estado vegetativo ofrece baja reflectividad en la banda roja del espectro y alta en el infrarrojo cercano, de manera que cuanto mayor sea el vigor que presenta el cultivo, mayor será el contraste entre los valores de reflectancia captadas en ambas bandas. Bajos valores de reflectancia en el infrarrojo cercano y un incremento en el visible indica que el cultivo de la caña de azúcar se encuentra en mal estado, una de las causas es la salinidad del suelo (Soca, 2015SOCA, R.: Identificación de tierras degradadas por salinidad del suelo en los cultivos de caña de azúcar en Pomalca usando imágenes de satélite, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Físicas, Tesis para optar el Grado Académico de Magíster en Física con mención en Geofísica, Lima, Perú, 2015.).

Platonov et al. (2013)PLATONOV, A.; NOBLE, A.; KUZIEV, R.: Soil salinity mapping using multi-temporal satellite images in agricultural fields of Syrdarya province of Uzbekistan, Ed. Developments in Soil Salinity Assessment and Reclamation, Springer, Dordrecht, 2013, DOI: https://dx.doi.org/10.1007/978-94-007-5684-7_5. describen que para identificar el estado de la vegetación ante el estrés salino se hace necesario el análisis de grandes extensiones debido a la variación del uso y manejo del suelo por los productores (Muller, 2017MULLER, S.J.: Indirect soil salinity detection in irrigated areas using earth observation methods, Stellenbosch University, Faculty of Science, Thesis presented in fulfilment of the requirements for the degree of Master of Science, Stellenbosch, South Africa, 2017.).

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

Ding & Yu (2014)DING, J.; YU, D.: “Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments”, Geoderma, 235(4): 316-322, 2014, ISSN: 0016-7061, DOI: https://dx.doi.org/10.1016/j.geoderma.2014.07.028. y Ivushkin et al. (2017)IVUSHKIN, K.; BARTHOLOMEUS, H.; BREGT, A.K.; PULATOV, A.: “Satellite thermography for soil salinity assessment of cropped areas in Uzbekistan”, Land degradation & development, 28(3): 870-877, 2017, ISSN: 1085-3278, DOI: https://dx.doi.org/10.1002/ldr.2670.2017. afirman que la salinidad del suelo captada por sensoramiento remoto guarda relación con índices de vegetación, los cuales tienen efectos directos con la información espectral, dado por la aparición de zonas oscuras. Además, los índices de vegetación y el índice espectral salino son usados comúnmente como indicadores para detectar los cambios en el estado de la cobertura vegetal.

Scudiero et al. (2015)SCUDIERO, E.; SKAGGS, T.H.; CORWIN, D.L.: “Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance”, Remote Sensing of Environment, 169: 335-343, 2015, ISSN: 0034-4257, DOI: http://dx.doi.org/10.1016/j.rse.2015.08.0260034-4257. plantean que en zonas áridas y semiáridas los errores más frecuentes en la determinación de la relación entre el contenido de sales y el estado de la vegetación mediante teledetección son la estructura del dosel de las plantas, el tipo de manejo del suelo, la cantidad de precipitaciones y temperatura anuales y el tipo de arcillas del suelo han sido las características de los estudios realizados.

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