INTRODUCTION

The use of remote sensing technology has shown substantial advances in the biophysical characterization of vegetation. Research shows a correct correlation between data from satellite sensors and biophysical variables such as the leaf area index, plant cover and the presence of pests (Lago et al., 2011LAGO, C.; J. SEPÚLVEDA; R. BARROSO; F. FERNÁNDEZ; F. MACIÁ y J. LORENZO: "Sistema para la generación automática de mapas de rendimiento.Aplicación en la Agricultura de precisión", IDESIA, vol. 29(1) 59-69, 2011. ; Sishodia et al., 2020SISHODIA, R. P.; R. L. RAY y S. K. SINGH: "Applications of Remote Sensing in Precision Agriculture: A Review", Remote Sensing, vol. 12 (19): 3136, 2020. ISSN:2072-4292.; Safi et al., 2022SAFI, A. R.; P. KARIMI; M. MUL; A. CHUKALLA y C. DE FRAITURE: "Translating open-source remote sensing data to crop water productivity improvement actions", Agricultural Water Management, vol. 261 107373, 2022. ISSN:0378-3774.; Wagner et al., 2022WAGNER, W.; J. P. FRANCISCO; D. L. FLUMIGNAN; F. R. MARIN y M. V. FOLEGATTI: "Optimized algorithm for evapotranspiration retrieval via remote sensing", Agricultural Water Management, vol. 262 107390, 2022. ISSN:0378-3774.; Lizarazo et al., 2023LIZARAZO, I.; J. L. RODRIGUEZ; O. CRISTANCHO; F. OLAYA; M. DUARTE y F. PRIETO: "Identification of symptoms related to potato Verticillium wilt from UAV-based multispectral imagery using an ensemble of gradient boosting machines", Smart Agricultural Technology, vol. 3 100138, 2023. ISSN:2772-3755.). The vegetative indices (VI) are obtained from relating the red band of the electromagnetic spectrum and the near infrared, reflecting general patterns of the optical properties of the crops. The purpose is to extract the information related to the vegetation and minimize the influence of soil among other factors (Perry & Lautenschlager, 1984PERRY, C. J. y L. F. LAUTENSCHLAGER: "Functional Equivalence of Spectral Vegetation Indices, Remote Sensing and the Environment", Science of The Total Environment, vol. 3 9, 1984. ; Fang et al., 2015FANG, S.; W. YU y Y. QI: "Spectra and vegetation index variations in moss soil crust in different seasons, and in wet and dry conditions", International Journal of Applied Earth Observation and Geoinformation, vol. 38 261-266, 2015. ISSN:1569-8432.; Zakeri y Mariethoz, 2021ZAKERI, F. y G. MARIETHOZ: "A review of geostatistical simulation models applied to satellite remote sensing: Methods and applications", Remote Sensing of Environment, vol. 259 112381, 2021. ISSN:0034-4257.). The use of VIs to monitor the evolution of the crop according to its state of development and yield forecasts, has been extended to crops such as corn, soybeans, bananas, potatoes and sugarcane among others (Sinha et al., 2020SINHA, P.; A. ROBSON; D. SCHNEIDER; T. KILIC; H. K. MUGERA; J. ILUKOR y J. M. TINDAMANYIRE: "The potential of in-situ hyperspectral remote sensing for differentiating 12 banana genotypes grown in Uganda", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 167 85-103, 2020. ISSN:0924-2716.; Souza et al., 2020SOUZA, F. H. Q.; P. H. A. MARTINS; T. H. DRESCH MARTINS; P. E. TEODORO y F. H. R. BAIO: "The use of vegetation index via remote sensing allows estimation of soybean application rate", Remote Sensing Applications: Society and Environment, vol. 17 100279, 2020. ISSN:2352-9385.; Shao et al., 2021SHAO, G.; W. HAN; H. ZHANG; S. LIU; Y. WANG; L. ZHANG y X. CUI: "Mapping maize crop coefficient Kc using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices", Agricultural Water Management, vol. 252 106906, 2021. ISSN:0378-3774.; Soltanikazemi et al., 2022SOLTANIKAZEMI, M.; S. MINAEI; H. SHAFIZADEH-MOGHADAM y A. MAHDAVIAN: "Field-scale estimation of sugarcane leaf nitrogen content using vegetation indices and spectral bands of Sentinel-2: Application of random forest and support vector regression", Computers and Electronics in Agriculture, vol. 200 107130, 2022. ISSN:0168-1699.). In potato crop, studies have been carried out aimed at identifying the severity of late blight in the winter season (Kundu et al., 2021KUNDU, R.; D. DUTTA; M. K. NANDA y A. CHAKRABARTY: "Near Real Time Monitoring of Potato Late Blight Disease Severity using Field Based Hyperspectral Observation", Smart Agricultural Technology, vol. 1 100019, 2021. ISSN:2772-3755.). The leaf area in different seasons has been determined by using the VIs data (Wu et al., 2007WU, J.; D. WANG y M. E. BAUER: "Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies", Field Crops Research, vol. 102 (1): 33-42, 2007. ISSN:0378-4290.) and the use of interferometric coherence data from the Sentinel-1 satellite has been evaluated as a monitoring tool (Villarroya-Carpio et al., 2022VILLARROYA-CARPIO, A.; J. M. LOPEZ-SANCHEZ y M. E. ENGDAHL: "Sentinel-1 interferometric coherence as a vegetation index for agriculture", Remote Sensing of Environment, vol. 280 113208, 2022. ISSN:0034-4257.). Methods have also been introduced to improve the identification of wilt symptoms caused by verticillium wilt (Lizarazo et al., 2023LIZARAZO, I.; J. L. RODRIGUEZ; O. CRISTANCHO; F. OLAYA; M. DUARTE y F. PRIETO: "Identification of symptoms related to potato Verticillium wilt from UAV-based multispectral imagery using an ensemble of gradient boosting machines", Smart Agricultural Technology, vol. 3 100138, 2023. ISSN:2772-3755.), as well as research on different indexes to determine water stress and irrigation management (Ekinzog et al., 2022EKINZOG, E. K.; M. SCHLERF; M. KRAFT; F. WERNER; A. RIEDEL; G. ROCK y K. MALLICK: "Revisiting crop water stress index based on potato field experiments in Northern Germany", Agricultural Water Management, vol. 269 107664, 2022. ISSN:0378-3774.).

The use of remote sensing to monitor the development of potato crop in Cuba by monitoring the VIs can play an important role in identifying the presence of pests, water needs and yield forecasts. The objective of this work is to determine the evolution of biophysical indicators of potato crop through monitoring with spectral images.

MATERIALS AND METHODS

The research was carried out in Valle del Yabú Agricultural Enterprise, Villa Clara Province in a field of potato (Solanum tuberosum), Loane cultivar, located at coordinates 22.54491º North Latitude and 79.99791º West Longitude (Figure 1a). The sowing was carried out in the period from January 4^th to 11^th in an area of 10 ha with central pivot irrigation, at 0.90 x 0.30 m in a loose, moderately washed brown soil. The harvest was carried out from April 11^th to 26^th, 2022.

The follow-up to morphological indicators of growth was carried out through field measurements. For this, 15 experimental points georeferenced by GPS system were taken, with precision of 0.2 m. The area of the experimental points was taken as the square of the distance between ridges, resulting in 2.25 m². For each point, measurements of soil moisture (Figure 1b), number of leaves and diameter and height of the stems (Figure 1c) were made. The foliar area (AF) was determined by processing the RGB images of each experimental point in the ImajeJ v1.54 software to obtain the area of the crop (Figure 1d). Moisture based on dry soil (hbss) percentage, was determined by gravimetric method. The measurements were made in the area of the ridge near the plant, the samples were dried in the oven at a constant temperature of 105 °C, for 24 h, they were cooled for 20 min, after which they were weighed every two hours until reaching a constant mass. The samples were weighed before and after drying with a balance of ± 0.01 g precision.

For the monitoring of the VIs, land cover images were used and spatial distribution maps were obtained through the Earth Observed System, available on the website https://eos.com. The platform facilitates the calculation and interpolation Vis values from the spectral images, taken from the sensors of the LandSat and Sentinel surface reconnaissance satellites. The spectral indices used to monitoring were the following: normalized difference vegetation index (NDVI), improved vegetation index (EVI), soil-adjusted vegetation index (SAVI) and normalized differential water index (NDWI).

RESULTS AND DISCUSSION

The results of the measurement of the biophysical indicators and the spectral vegetative indices of the crop during the vegetative period are shown in Table 1. In all cases, soil moisture was above 30%, because of the periodic irrigation task. The values of leaf area increased until reaching maximum value close to the harvest stage. In the same way, the number of leaves and the diameter of the stem increase, until the maturation period when leaves fall and the stem caliber is reduced due to the low nutrient transfer activity and prior to the harvest stage. The length of the stem shows growth up to the tuber-formation stage and maintains a constant value. The results obtained are in correspondence with the observations made in different crops by Wu et al. (2007WU, J.; D. WANG y M. E. BAUER: "Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies", Field Crops Research, vol. 102 (1): 33-42, 2007. ISSN:0378-4290.) and Villarroya-Carpio et al. (2022)VILLARROYA-CARPIO, A.; J. M. LOPEZ-SANCHEZ y M. E. ENGDAHL: "Sentinel-1 interferometric coherence as a vegetation index for agriculture", Remote Sensing of Environment, vol. 280 113208, 2022. ISSN:0034-4257..

In general, the average of spectral vegetative show values that increase as the crop develops and do not exceed the value of 0,8 in any case, which indicates no saturation of the vegetation. The spatial distribution that takes place in vegetative indices is shown in Figure 2. It refers to sampling 4, where crop showed the maximum foliage state. In all indicators, the uncultivated area is identified, which is represented diagonally at the center of the field. The NDVI and EVI indices show values that correspond to the predominant vegetation, while SAVI index show values between 0,1 and 0,2, which underestimates the presence of vegetation. By EVI index is possible to identify areas of greater foliage. NDVI index shows a uniform humidity value that is closely related to the use of central pivot irrigation. The spatial distribution of the NDVI also allows visualizing the variability in crop yields and the preparation of fertilization maps already used by Lago et al. (2011)LAGO, C.; J. SEPÚLVEDA; R. BARROSO; F. FERNÁNDEZ; F. MACIÁ y J. LORENZO: "Sistema para la generación automática de mapas de rendimiento.Aplicación en la Agricultura de precisión", IDESIA, vol. 29(1) 59-69, 2011. .

The temporal analysis of the data series taken after sprouting, growth and maturation periods showed different levels of correlation with vegetative indices. Table 2 shows the result of multiple correlation analysis of variable combinations that showed at least one significant relationship with the other variables. Therefore, stem diameter and length, as well as the NDWI biomass moisture index, are excluded from the analysis because no linear relationship was found. The table shows the combinations that obtained high values of the correlation coefficient (r) with statistical significance at confidence levels of more than 95%, denoted by p-value less than 0,05, and the combinations that showed r ≥ 0,9 are highlighted, which demonstrate a strong linear relationship between the variables.

Regarding the temporal distribution, SAVI and EVI indices shows a high correlation with soil moisture, which also shows a strong correlation with the number of leaves and leaf area. The data obtained show the dependence between soil moisture and the morphological development of the crop. On the other hand, the highest correlation coefficient is obtained between the NDVI index and the leaf area, reaching a value of 0.985, which demonstrates the effectiveness of this indicator in monitoring the state of the crop. The values of NDVI index during vegetative period of the crop is shown in Figure 3, where it is possible to identify the different changes that take place both, in the leaf area and in soil moisture accordingly with sampling result in field.

Figure 4 shows the field special distribution of NDVI index during sprouting (I), at greatest vegetation state (II) and wilting stage (III), which also allows a temporal analysis of the behavior in the period. The initial state is characterized by the absence of plant cover, values between 0,2 and 0,4 being in correspondence with the incipient development of the crop in sprouting time. In stage II, the crop has the maximum value of leaf area increasing NDVI at 0,9 to decrease later in stage III with a predominant value of 0,4.

CONCLUSIONS

The monitoring of vegetative indexes as: NDVI, EVI and SAVI shows an adequate correspondence with biophysical variables development in potatoes crop at the different stages of growth. In all the cases, correlations greater than 0,9 are achieved, highlighting the SAVI index which shows a strong correlation with the number of leaves and soil moisture.

The highest correlation of 0,98 was found between NDVI index and the leaf area. The NDVI monitoring allows identifying the changes take places in leaf area and soil moisture during the vegetative period of the crop. Similarly, the spatial distribution of NDVI, makes possible to identify the plant cover variability of the crop.

INTRODUCCIÓN

El empleo de la tecnología de sensores remotos ha mostrado avances sustanciales en la caracterización biofísica de la vegetación. Las investigaciones muestran una acertada correlación entre los datos de los sensores de los satélites y las variables biofísicas tales como el índice de área foliar, la cobertura vegetal y, la presencia de plagas (Lago et al., 2011LAGO, C.; J. SEPÚLVEDA; R. BARROSO; F. FERNÁNDEZ; F. MACIÁ y J. LORENZO: "Sistema para la generación automática de mapas de rendimiento.Aplicación en la Agricultura de precisión", IDESIA, vol. 29(1) 59-69, 2011. ; Sishodia et al., 2020SISHODIA, R. P.; R. L. RAY y S. K. SINGH: "Applications of Remote Sensing in Precision Agriculture: A Review", Remote Sensing, vol. 12 (19): 3136, 2020. ISSN:2072-4292.; Safi et al., 2022SAFI, A. R.; P. KARIMI; M. MUL; A. CHUKALLA y C. DE FRAITURE: "Translating open-source remote sensing data to crop water productivity improvement actions", Agricultural Water Management, vol. 261 107373, 2022. ISSN:0378-3774.; Wagner et al., 2022WAGNER, W.; J. P. FRANCISCO; D. L. FLUMIGNAN; F. R. MARIN y M. V. FOLEGATTI: "Optimized algorithm for evapotranspiration retrieval via remote sensing", Agricultural Water Management, vol. 262 107390, 2022. ISSN:0378-3774.; Lizarazo et al., 2023LIZARAZO, I.; J. L. RODRIGUEZ; O. CRISTANCHO; F. OLAYA; M. DUARTE y F. PRIETO: "Identification of symptoms related to potato Verticillium wilt from UAV-based multispectral imagery using an ensemble of gradient boosting machines", Smart Agricultural Technology, vol. 3 100138, 2023. ISSN:2772-3755.). Los índices vegetativos (IV) se obtienen a partir de relacionar la banda del rojo del espectro electromagnético y el infrarrojo cercano, reflejando patrones generales de las propiedades ópticas de los cultivos. Como finalidad se pretende extraer la información relacionada con la vegetación y minimizar la influencia del suelo entre otros factores (Perry y Lautenschlager, 1984PERRY, C. J. y L. F. LAUTENSCHLAGER: "Functional Equivalence of Spectral Vegetation Indices, Remote Sensing and the Environment", Science of The Total Environment, vol. 3 9, 1984. ; Fang et al., 2015FANG, S.; W. YU y Y. QI: "Spectra and vegetation index variations in moss soil crust in different seasons, and in wet and dry conditions", International Journal of Applied Earth Observation and Geoinformation, vol. 38 261-266, 2015. ISSN:1569-8432.; Zakeri y Mariethoz, 2021ZAKERI, F. y G. MARIETHOZ: "A review of geostatistical simulation models applied to satellite remote sensing: Methods and applications", Remote Sensing of Environment, vol. 259 112381, 2021. ISSN:0034-4257.). El empleo de los IV para el seguimiento de la evolución del cultivo según su estado de desarrollo y los pronósticos de rendimiento, se ha extendido en cultivos como el maíz, soya, banano, papa, caña de azúcar entre otros (Sinha et al., 2020SINHA, P.; A. ROBSON; D. SCHNEIDER; T. KILIC; H. K. MUGERA; J. ILUKOR y J. M. TINDAMANYIRE: "The potential of in-situ hyperspectral remote sensing for differentiating 12 banana genotypes grown in Uganda", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 167 85-103, 2020. ISSN:0924-2716.; Souza et al., 2020SOUZA, F. H. Q.; P. H. A. MARTINS; T. H. DRESCH MARTINS; P. E. TEODORO y F. H. R. BAIO: "The use of vegetation index via remote sensing allows estimation of soybean application rate", Remote Sensing Applications: Society and Environment, vol. 17 100279, 2020. ISSN:2352-9385.; Shao et al., 2021SHAO, G.; W. HAN; H. ZHANG; S. LIU; Y. WANG; L. ZHANG y X. CUI: "Mapping maize crop coefficient Kc using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices", Agricultural Water Management, vol. 252 106906, 2021. ISSN:0378-3774.; Soltanikazemi et al., 2022SOLTANIKAZEMI, M.; S. MINAEI; H. SHAFIZADEH-MOGHADAM y A. MAHDAVIAN: "Field-scale estimation of sugarcane leaf nitrogen content using vegetation indices and spectral bands of Sentinel-2: Application of random forest and support vector regression", Computers and Electronics in Agriculture, vol. 200 107130, 2022. ISSN:0168-1699.). En el cultivo de la papa se han realizado estudios dirigidos a identificar la severidad del tizón tardío en época de invierno (Kundu et al., 2021KUNDU, R.; D. DUTTA; M. K. NANDA y A. CHAKRABARTY: "Near Real Time Monitoring of Potato Late Blight Disease Severity using Field Based Hyperspectral Observation", Smart Agricultural Technology, vol. 1 100019, 2021. ISSN:2772-3755.); se ha determinado el área foliar en diferentes estaciones empleando los datos de los IV (Wu et al., 2007WU, J.; D. WANG y M. E. BAUER: "Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies", Field Crops Research, vol. 102 (1): 33-42, 2007. ISSN:0378-4290.); se ha evaluado el uso de datos de coherencia interferométrica del satélite Sentinel-1 como herramienta para el monitoreo (Villarroya-Carpio et al., 2022VILLARROYA-CARPIO, A.; J. M. LOPEZ-SANCHEZ y M. E. ENGDAHL: "Sentinel-1 interferometric coherence as a vegetation index for agriculture", Remote Sensing of Environment, vol. 280 113208, 2022. ISSN:0034-4257.); se han introducido además métodos para contribuir a mejorar la identificación de los síntomas de marchitamiento por verticilosis (Lizarazo et al., 2023LIZARAZO, I.; J. L. RODRIGUEZ; O. CRISTANCHO; F. OLAYA; M. DUARTE y F. PRIETO: "Identification of symptoms related to potato Verticillium wilt from UAV-based multispectral imagery using an ensemble of gradient boosting machines", Smart Agricultural Technology, vol. 3 100138, 2023. ISSN:2772-3755.); así como investigaciones de diferentes índice para determinar el estrés hídrico y la gestión del riego (Ekinzog et al., 2022EKINZOG, E. K.; M. SCHLERF; M. KRAFT; F. WERNER; A. RIEDEL; G. ROCK y K. MALLICK: "Revisiting crop water stress index based on potato field experiments in Northern Germany", Agricultural Water Management, vol. 269 107664, 2022. ISSN:0378-3774.).

El empleo de la percepción remota para el monitoreo del desarrollo del cultivo de la papa en Cuba mediante el monitoreo de los IV puede jugar un importante papel para identificar la presencia de plagas, necesidades hídricas y pronósticos de rendimiento. El objetivo del presente trabajo consiste identificar la relación entre los índices vegetativos espectrales (IV) y las variables biofísicas en el cultivo de la papa.

MATERIALES Y MÉTODOS

La investigación se realizó en la empresa agropecuaria Valle del Yabú de la provincia Villa Clara en campo de cultivo de papa (Solanum tuberosum) del cultivar Loane, ubicada en las coordenadas 22. 54491º Latitud Norte y 79. 99791º Longitud Oeste (Figura 1a). La siembra se realizó en el periodo del 4 al 11 de enero en un área de 10 ha con riego por pivote central, a una distancia de 0,90 x 0,30 m en un suelo pardo mullido medianamente lavado. La cosecha se realizó del 11 al 26 de abril de 2022.

El seguimiento a los indicadores morfológicos de crecimiento se realizó a través de mediciones de campo. Para ello se tomaron 15 puntos experimentales georreferenciados mediante el sistema GPS, tomando una precisión de 0,2 m. El área de los puntos experimentales se tomó como el cuadrado de la distancia entre camellones, resultando en 2,25 m². Para cada punto se hicieron mediciones de humedad del suelo (Figura 1b), el número de hojas, el diámetro y altura de los tallos (Figura 1c). El área foliar (AF) se determinó mediante el procesamiento de las imágenes RGB de cada punto experimental en el programa ImageJ v1,54 para obtener el área ocupada por el cultivo (Figura 1d). La humedad en base al suelo seco (hbss)%, se determinó por el método gravimétrico. Las mediciones se realizaron en la zona del camellón próxima a la planta, las muestras se secaron en la estufa a una temperatura constante de 105 °C, durante 24 h, se enfriaron durante 20 min, a partir de lo cual se pesaron cada dos horas hasta alcanzar una masa constante. El pesaje de las muestras antes y después del secado se realizó con una balanza de precisión ± 0,01 g.

Para el monitoreo de los IV, se emplearon las imágenes de cobertura terrestre y se obtuvieron los mapas de distribución espacial mediante el sistema Earth Observed System disponibles en el sitio https://eos.com. La plataforma posibilita el cálculo e interpolación de los IV a partir de las imágenes espectrales tomadas de los sensores de los satélites de reconocimiento de la superficie LandSat y Sentinel. Los índices espectrales que se tomaron para realizar el monitoreo fueron los siguientes: índice de vegetación de diferencia normalizada (NDVI), índice mejorado de vegetación (EVI), índice de vegetación ajustado al suelo (SAVI) e índice de diferencial de agua normalizado (NDWI).

RESULTADOS Y DISCUSIÓN

Los resultados de la medición de los indicadores biofísicos y los índices vegetativos espectrales del cultivo durante su período vegetativo se muestran en la Tabla 1. En todos los casos la humedad del suelo estuvo por encima del 30%, como resultado de la aplicación periódica del riego. Los valores del área foliar aumentaron hasta lograr el valor máximo próximo a la etapa de la cosecha. De igual modo el número de hojas y el diámetro del tallo se incrementan hasta el período de maduración donde tiene lugar la caída de las mismas y la reducción del calibre del tallo debido a la baja actividad de trasferencia de nutrientes previo a la etapa de cosecha. La longitud del tallo por su parte muestra un crecimiento hasta la etapa de tuberización y mantiene un valor constante en lo sucesivo. Los resultados obtenidos están en correspondencia con las observaciones realizadas en diferentes cultivos por los autores Wu et al. (2007WU, J.; D. WANG y M. E. BAUER: "Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies", Field Crops Research, vol. 102 (1): 33-42, 2007. ISSN:0378-4290.) y Villarroya-Carpio et al. (2022)VILLARROYA-CARPIO, A.; J. M. LOPEZ-SANCHEZ y M. E. ENGDAHL: "Sentinel-1 interferometric coherence as a vegetation index for agriculture", Remote Sensing of Environment, vol. 280 113208, 2022. ISSN:0034-4257..

De forma general, los índices espectrales de desarrollo vegetativo promedio, muestran valores que se incrementan a medida que se desarrolla el cultivo y no sobrepasan en ningún caso el 0,8 lo que indica que no se logra identificar una saturación de la vegetación en el área.

La variación espacial que tiene lugar en los índices vegetativos se muestra en la Figura 2, referente al muestreo 4 donde el cultivo mostró altos valores de follaje. En todos los indicadores se identifica la zona no cultivada la cual se representa de forma diagonal al centro del campo. Los índices NDVI y EVI muestran valores que corresponden a la vegetación predominante, en tanto el índice SAVI muestra valores entre 0,1 y 0,2 lo que subestima la presencia vegetal. Con el índice EVI se logra identificar áreas de mayor follaje. Por su parte el índice NDVI muestra un valor de humedad uniforme que guarda estrecha relación con el empleo del riego por pivote central. La distribución espacial del NDVI permite además visualizar la variabilidad en los rendimientos del cultivo y la confección de mapas de fertilización ya empleados por Lago et al. (2011)LAGO, C.; J. SEPÚLVEDA; R. BARROSO; F. FERNÁNDEZ; F. MACIÁ y J. LORENZO: "Sistema para la generación automática de mapas de rendimiento.Aplicación en la Agricultura de precisión", IDESIA, vol. 29(1) 59-69, 2011. .

El análisis temporal de las series de datos tomados durante la germinación, el crecimiento y la maduración del tubérculo, mostró diferentes niveles de correlación con los IV. En la Tabla 2 se muestran el resultado del análisis de correlación múltiple de las combinaciones de variables que mostraron al menos una relación significativa con las demás variables. Se excluyen del análisis, por tanto, el diámetro y la longitud del tallo así como el índice de humedad de la biomasa NDWI al no encontrarse una relación lineal con las demás variables. En la Tabla se muestran las combinaciones que obtuvieron altos valores de coeficiente de correlación (r), con significación estadística a niveles de confianza de más del 95%, denotada con p-value menor a 0,05 y se resaltan las combinaciones que mostraron r ≥ 0,9, las que demuestran una fuerte relación lineal entre las variables.

Referente a la distribución temporal, el índice SAVI y EVI muestran una alta correlación con la humedad del suelo, la cual además muestra una fuerte correlación con la cantidad de hojas y el área foliar. Los datos obtenidos muestran la dependencia entre humedad del suelo y el desarrollo morfológico del cultivo. Por otra parte, el mayor coeficiente de correlación se obtiene entre el índice NDVI y el área foliar, alcanzando un valor de 0,985, lo que demuestra la efectividad de este indicador en el monitoreo del estado del cultivo. Las variación del índice NDVI durante el período vegetativo del cultivo se muestra en la Figura 3, donde es posible identificar los diferentes cambios que tienen lugar tanto en el área foliar como en la humedad del suelo en correspondencia con los resultados de del muestreo de campo.

En la Figura 4 se muestran las imágenes de la distribución espacial del índice NDVI durante la brotación (I), en el estado de mayor vegetación (II) y en la etapa de marchitez (III), el cual posibilita además el análisis temporal de su comportamiento. El estado inicial se caracteriza por la ausencia de cobertura vegetal con valores entre 0,2 y 0,4 estando en correspondencia con el desarrollo incipiente del cultivo. En la etapa II el cultivo se encuentra en el máximo valor de cobertura foliar y se obtiene el NDVI de 0,9 para decrecer nuevamente en la etapa III con un valor predominante de 0,4.

CONCLUSIONES

El monitoreo de los índices vegetativos: NDVI, EVI y SAVI muestran un incremento en correspondencia con el desarrollo de las variables biofísicas del cultivo en las diferentes etapas de crecimiento. En todos los casos se logran correlaciones mayores a 0,9, destacándose el índice SAVI, el cual muestra una fuerte correlación con el número de hojas y la humedad del suelo.

La mayor correlación se encontró entre el índice NDVI y el área foliar, siendo de 0,98. El monitoreo del NDVI permite identificar los cambios ocurridos en el área foliar y la humedad del suelo durante el período vegetativo del cultivo. De igual modo, la distribución espacial de los valores NDVI posibilita identificar la variabilidad de cobertura vegetal del cultivo.