Correlation of RGB Drone Indices and Sentinel‑2 in Rice (Oryza sativa L.) at UBPC Las Nuevas, Sancti Spíritus

Results and Discussion

⌅

Field Photographs

⌅

This section presents visual evidence of the physiological status of rice crops at the seedling stage (Figure 4), as well as the conditions of plots flooded by gravity irrigation in plot 6 of UBPC Las Nuevas (Figure 5). The images allow visual validation of crop uniformity, seedling density, and absence of water stress during the dry season of 2020 (Figure 6).

Figure 4. General view of plot 6 showing high seedling density distributed homogeneously. A uniform initial crop development is observed.

Figure 5. Detail of a plot flooded by gravity irrigation. The presence of surface water is evident, with no signs of water stress in the plants.

Figure 6. Aerial perspective of plot 6 captured with a drone, showing the regular distribution of seedlings and the partial soil coverage characteristic of the seedling stage.

This index presents thematic maps generated from spectral data obtained in plot 6 of UBPC Las Nuevas, Sur del Jíbaro Rice Company, during the dry season of 2020. The maps allow spatial visualization of the distribution of different spectral indices that characterize the status of the rice crop at the seedling stage (Figure 7).

Figure 7. RGB thematic maps (Phantom 4 drone): VARI, ExG, CIVE. a) Thematic map of the VARI index in PNG format, with its numerical legend (minimum = −0.12, maximum = 0.37, average = 0.15) and color scale red→ yellow → green. b) Thematic map of the ExGreen index, color scale: red (low) → yellow (medium) → green (high). c) Thematic map of the CIVE index, color scale: red (−92.0) → yellow (≈0) → green (124.7).

CIVE is an empirical index that combines RGB bands with specific coefficients: CIVE=0.441R−0.811G+0.385B+18.78745

⌅

Due to this formula, CIVE values depend directly on the scale of RGB values (for example, 0-255 if the image is in 8-bit format).
Therefore, CIVE values may vary widely, from negative (when green predominates) to positive (when red or blue predominates), and are not constrained between −1 and 1.

Figure 8. Thematic maps of Sentinel-2 indices: a) NDVI. Brown/gray → negative values or close to 0 (bare soil, water); Yellow → 0.1-0.3 (sparse vegetation); Light green → 0.3-0.6 (moderate vegetation); Dark green → 0.6-0.9 (vigorous vegetation). b) GNDVI. Light blue → 0.20 (low chlorophyll, reduced vigor); Light green → 0.35 (moderate vegetation); Intense green → 0.56 (high chlorophyll, optimal vigor). c) NDRE. Intense red → low values (~0.16): areas with low vigor or stress; Orange → medium values (~0.30): moderate vegetation; Yellow-green → transition towards vigor; Light to intense green → high values (~0.45): vigorous and healthy vegetation.

RGB vs Sentinel-2 Correlation Report

⌅

This report presents the Pearson correlation analysis between spectral indices derived from RGB drone images (VARI, ExG, CIVE) and multispectral indices obtained from Sentinel-2 imagery (NDVI, GNDVI, NDRE). The objective is to evaluate the linear relationship between these pairs of indices to validate the use of RGB indices as reliable proxies in multiscale agricultural monitoring of rice crops.

Correlation Analysis Results

⌅

The Pearson correlation coefficients obtained indicate a significant correlation between RGB indices and satellite indices (Table 1). In particular, the correlation between VARI and NDVI is high, suggesting that the VARI index may serve as a strong proxy for vegetation vigor. The correlations between ExG-GNDVI and CIVE-NDRE are moderate, further supporting their usefulness in agricultural monitoring (Figures 9, 10, 11). Sampled values for each index in the pixel grid were extracted using the QGIS Simple Raster Values tool.

Table 1. Pearson correlation coefficients obtained indicate a significant correlation between RGB indices and satellite indices

Pair of Indices	Pearson Coefficient (r)	Interpretation
VARI vs NDVI	0.741	Very strong correlation
ExG vs GNDVI	0.672	Moderate correlation
CIVE vs NDRE	−0.635	Moderate correlation

Scatter Plots

⌅

Figure 9. VARI vs NDVI correlation.

Pattern description: The scatter plot shows a positive and consistent relationship between VARI (RGB) and NDVI (Sentinel-2), with points concentrated along an upward trend. The Pearson coefficient obtained (r ≈ 0.74) indicates a very strong correlation, consistent with the sensitivity of both indices to vegetation vigor and canopy greenness. This behavior supports the use of RGB orthophotos as a proxy for vigor when NIR data is not available.

Figure 10. ExG vs GNDVI correlation.

Pattern description: The scatter plot of ExG (RGB) vs GNDVI (Sentinel-2) shows a positive relationship with moderate dispersion and a clear linear trend. The Pearson coefficient (r ≈ 0.67) indicates a moderate correlation, consistent with the sensitivity of GNDVI to chlorophyll content (green band) and the ability of ExG to emphasize the green component in RGB images.

Figure 11. CIVE vs NDRE correlation

Pattern description: The scatter plot of CIVE (RGB) vs NDRE (Sentinel-2) shows an inverse relationship with a downward trend; the Pearson coefficient (r ≈ −0.64) indicates a moderate negative correlation. This reflects that CIVE-by combining RGB channels to extract vegetation-does not directly capture the sensitivity of the Red Edge to chlorophyll and nitrogen, but is inversely related to physiological variations detected by NDRE.

Map Interpretation

⌅

The NDVI map showed predominantly high values in plot 6, indicating elevated and homogeneous vegetation vigor, characteristic of the seedling stage without water stress. These results are consistent with studies in Peru, where Sentinel-2 NDVI has been used to predict rice yield and monitor vigor across different phenological phases (Quille et al., 2024QUILLE, M.J.A.; RUIZ, L.A.; RAMOS-FERNÁNDEZ, L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024b, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ).
The VARI map, derived from RGB drone orthophotos, reflected similar patterns to NDVI, with areas of greater greenness in the center of the plot, suggesting a strong correlation between both indices. Previous research has demonstrated that VARI can be a reliable proxy for NDVI in rice and wheat crops, especially when using low-cost UAVs (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; MDPI., 2019MDPI.: “Assessing correlation of high‑resolution NDVI with fertilizer application and rice yield”, Remote Sensing, 11(2): 112, 2019, ISSN: https://www.mdpi.com/2072-4292/11/2/112. ).
The NDRE map revealed subtle variations in chlorophyll content and initial vigor, with higher values in the central and eastern areas of the plot, possibly associated with greater leaf density. These findings are consistent with studies in Iran and Indonesia, where Sentinel-2 NDRE has been correlated with chlorophyll and nitrogen content in rice, showing sensitivity in early growth (Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.; Ehsanpour et al., 2025EHSANPOUR, A.; GHANBARI, P.E.; AMINI, S.: “Monitoring chlorophyll in rice fields using Sentinel 2 and UAV images and applying machine learning”, Sepehr Journal, 2025, ISSN: 2588-3860, DOI: https://doi.org/10.22131/sepehr.2025.2045093.3102. ).

Index Interpretation

⌅

NDVI showed high and homogeneous values in plot 6, indicating vegetation vigor. This behavior has been widely documented in studies of rice and other crops, where NDVI is used as a robust indicator of biomass and vigor (Tucker, 1979TUCKER, C.J.: “Red and photographic infrared linear combinations for monitoring vegetation”, Remote sensing of Environment, 8(2): 127-150, 1979, ISSN: 0034-4257, DOI: https://doi.org/10.1016/0034-4257(79)90013-0. ; Quille et al., 2024aQUILLE, M.J.A.; RUIZ, L.A.; RAMOS, F.L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024a, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ).
NDRE revealed subtle variations in chlorophyll in central and eastern areas. Research in Iran and Indonesia has demonstrated that NDRE is sensitive to chlorophyll and nitrogen content in rice, especially in early stages (Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.; Ehsanpour et al., 2025EHSANPOUR, A.; GHANBARI, P.E.; AMINI, S.: “Monitoring chlorophyll in rice fields using Sentinel 2 and UAV images and applying machine learning”, Sepehr Journal, 2025, ISSN: 2588-3860, DOI: https://doi.org/10.22131/sepehr.2025.2045093.3102. ).
The strongest correlation is between VARI and NDVI, validating the use of RGB orthophotos for early monitoring. Studies in Colombia and Mexico have confirmed that VARI can be a reliable proxy for NDVI in rice and maize, even with low-cost RGB cameras (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; MDPI., 2019MDPI.: “Assessing correlation of high‑resolution NDVI with fertilizer application and rice yield”, Remote Sensing, 11(2): 112, 2019, ISSN: https://www.mdpi.com/2072-4292/11/2/112. ).
VARI is confirmed as the most robust RGB index for estimating vegetation vigor, consistent with international findings in wheat and rice crops (Ruiz et al., 2024RUIZ, P.M.E.; GARCÍA, R.R.; MACHADO, G.N.: “Aplicación de drones en la agricultura internacional y cubana. Revisión”, Revista Ciencias Técnicas Agropecuarias, 33(1), 2024, ISSN: 2071-0054.).
The moderate correlation of CIVE with NDRE suggests that RGB can capture chlorophyll variations, though with less precision than satellite indices. This result aligns with studies highlighting the usefulness of RGB indices for vegetation discrimination in the absence of NIR bands (Famartínez, 2023FAMARTÍNEZ, A.: Sentinel‑2 en R: cálculo de índices y correlación, [en línea], GitHub, 2023, Disponible en: https://github.com. ).
NDRE, although less correlated, provides additional sensitivity to chlorophyll and vigor, reinforcing its value as a complement to NDVI and VARI in agricultural monitoring (Huete, 1988HUETE, A.R.: “A soil-adjusted vegetation index (SAVI)”, Remote sensing of environment, 25(3): 295-309, 1988, ISSN: 0034-4257, DOI: https://doi.org/10.1016/0034-4257(88)90106-X. ).
RGB indices show significant correlations with satellite indices, confirming their utility as proxies at the seedling stage, as reported in precision agriculture projects in Latin America (FEDEARROZ, 2018FEDEARROZ: Hacia una agricultura de precisión en el cultivo del arroz. Federación Nacional de Arroceros de Colombia, [en línea], 2018, Disponible en: https://fedearroz-website-aws.s3.amazonaws.com/media/documents/cartilla_precision_2025.pdf. ; EcoTV Panamá., 2025ECOTV PANAMÁ.: Panamá revoluciona el cultivo de arroz con blockchain y agricultura de precisión, [en línea], Ecotvpanama, 2025, Disponible en: https://www.ecotvpanama.com. ).
The scatter plots confirm that RGB indices can be used as proxies for satellite indices at the seedling stage, validating drone-satellite integration for multiscale monitoring (AgroLatam, 2025AGROLATAM: Agricultura de precisión en América Latina: avances en drones y digitalización, [en línea], 2025, Disponible en: https://www.agrolatam.com. ).

Correlation Interpretation

⌅

VARI-NDVI

⌅

Agronomic interpretation: The association between VARI and NDVI suggests that greenness captured in the visible spectrum (VARI) adequately reproduces the variability of vigor detected by NDVI with NIR, especially at the seedling stage where coverage is homogeneous and soil exposure is limited. UAV studies have shown that high-resolution NDVI correlates with fertilization management and yield in rice and wheat, reinforcing the validity of RGB proxies in low-cost monitoring schemes.
Technical interpretation: VARI, calculated from RGB images, consistently reproduces vegetation vigor captured by NDVI, which includes the NIR band. This validates the use of RGB drones as proxies under resource-limited conditions.
Guan et al. (2019)GUAN, S.; FUKAMI, K.; MATSUNAKA, H.; OKAMI, M.; TANAKA, R.; NAKANO, H.; SAKAI, T.; NAKANO, K.; OHDAN, H.; TAKAHASHI, K.: “Assessing correlation of high-resolution NDVI with fertilizer application level and yield of rice and wheat crops using small UAVs”, Remote Sensing, 11(2): 112, 2019, ISSN: 2072-4292, DOI: https://doi.org/10.3390/rs11020112. demonstrated that UAV-derived NDVI correlates with yield and fertilization in rice and wheat. Goigochea et al. (2024)GOIGOCHEA, D.; JUSTINO, P.M.; VEGA, H.S.S.; SANCHEZ, O.M.; LOBATO, G.R.H.; SANTILLAN, G.M.D.; GANOZA, R.J.J.; ORE, A.Z.L.; AGURTO, P.A.I.: “Yield prediction models for rice varieties using UAV multispectral imagery in the Amazon lowlands of Peru”, AgriEngineering, 6(3): 2955-2969, 2024, ISSN: 2624-7402, DOI: https://doi.org/10.3390/agriengineering6030170. confirmed that multitemporal indices such as NDVI predict rice yield with high accuracy.

ExG-GNDVI

⌅

Agronomic interpretation: The correspondence between ExG and GNDVI is expected in early rice stages, where vegetation-soil contrast and chlorophyll variability are strongly reflected in the green channel. UAV multispectral studies in rice have reported useful relationships between green-based indices and yield metrics, supporting the use of ExG as an operational indicator when spatial resolution and cost are prioritized.
Technical interpretation: ExG emphasizes the green component in RGB images, while GNDVI is sensitive to chlorophyll content. The correlation confirms that both indices capture nutritional variations in early rice stages.
García et al. (2018)GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. reported significant correlations between GNDVI and vigor in rice using UAVs. Goigochea et al. (2024)GOIGOCHEA, D.; JUSTINO, P.M.; VEGA, H.S.S.; SANCHEZ, O.M.; LOBATO, G.R.H.; SANTILLAN, G.M.D.; GANOZA, R.J.J.; ORE, A.Z.L.; AGURTO, P.A.I.: “Yield prediction models for rice varieties using UAV multispectral imagery in the Amazon lowlands of Peru”, AgriEngineering, 6(3): 2955-2969, 2024, ISSN: 2624-7402, DOI: https://doi.org/10.3390/agriengineering6030170. validated that green-based indices predict yield in the Peruvian Amazon.

CIVE-NDRE

⌅

Agronomic interpretation: NDRE is more sensitive to subtle changes in chlorophyll and nutritional status than RGB indices, especially in early stages and under slight variations in leaf density. The negative relationship suggests that increases in NDRE (higher chlorophyll) are associated with lower CIVE values under certain lighting and contrast conditions, consistent with studies recommending NDRE for physiological monitoring and water management in rice.
Technical interpretation: NDRE, derived from the red edge, is highly sensitive to chlorophyll and nitrogen, while CIVE combines RGB channels to extract vegetation. The inverse relationship reflects that increases in chlorophyll (high NDRE) are associated with lower CIVE values, due to differences in spectral sensitivity.
Nageswara et al. (2023)NAGESWARA, R.D.; BADRI, J.; SUNDARAM, R.: “Sentinel-2 Derived Indices to Understand Rice Vegetation Dynamics at Pixel Level”, En: National Conference on CONTROL INSTRUMENTATION SYSTEM CONFERENCE, Ed. Springer, pp. 153-165, 2023, DOI: https://doi.org/10.1007/978-981-97-5157-0_13. confirmaron la utilidad de NDRE para detectar variaciones fisiológicas confirmed the usefulness of NDRE for detecting physiological variations in rice. Pedroso de Lima et al. (2021)PEDROSO DE LIMA, I.; JORGE, R.G.; DE LIMA, J.L.P.: “Remote sensing monitoring of rice fields: Towards assessing water saving irrigation management practices”, Frontiers in Remote Sensing, 2: 762093, 2021, ISSN: 2673-6187, DOI: https://doi.org/10.3389/frsen.2021.762093. highlighted NDRE as key for evaluating irrigation and nutrition practices in rice.

Field Validation

⌅

Direct observations in plot 6 confirmed the absence of water stress, consistent with the high NDVI and VARI values that reflected homogeneous vegetation vigor across the plot.
The homogeneity of the seedling stage observed in the field corresponded with the spectral patterns of the thematic maps, where NDVI and VARI showed high and consistent values in the center and edges of the plot.
Subtle NDRE variations in central and eastern areas were related to slight differences in leaf density observed in the field, confirming its sensitivity to chlorophyll content.
This correspondence between field observations and spectral results validates the use of RGB indices as reliable proxies for satellite indices, in line with international studies reporting similar correlations in rice and other crops (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; Quille et al., 2024QUILLE, M.J.A.; RUIZ, L.A.; RAMOS-FERNÁNDEZ, L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024b, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ; Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.).

Introducción

⌅

El arroz (Oryza sativa L.) constituye uno de los pilares de la seguridad alimentaria en Cuba y en gran parte del mundo. En la dieta cubana, este cereal es insustituible: se estima que cada persona consume alrededor de 60 kg anuales, una de las cifras más altas de la región (Monreal, 2025MONREAL, P.: Economista desmiente relato del consumo excesivo de arroz en Cuba, [en línea], Cibercuba, 2025, Disponible en: https://www.cibercuba.com. ). Para cubrir la demanda nacional, el país requiere unas 600,000 toneladas al año, pero en 2024 apenas logró producir 80,000 toneladas, lo que representa apenas un 13% de la demanda y obliga a recurrir a importaciones costosas (Infobae, 2025INFOBAE: Cuba agudiza su crisis alimentaria: la producción de arroz cayó a mínimos históricos, [en línea], Infobae, 2025, Disponible en: https://www.infobae.com/america/america-latina/2025/04/02/cuba-agudiza-su-crisis-alimentaria-la-produccion-de-arroz-cayo-a-minimos-historicos/. ). Esta situación refleja la vulnerabilidad del sistema agroalimentario cubano y la necesidad de optimizar la producción mediante tecnologías avanzadas.

La crisis productiva del arroz en Cuba ha sido señalada por diversos especialistas como resultado de un modelo agropecuario ineficiente y dependiente de insumos externos (Periódico Girón, 2025PERIÓDICO GIRÓN: ¿Qué perspectivas tiene la producción de arroz en Cuba?, [en línea], Girón, 2025, Disponible en: https://giron.cu/2025/03/05/produccion-de-arroz-en-cuba/. ). En este contexto, la búsqueda de alternativas tecnológicas para mejorar la gestión de los cultivos se convierte en un imperativo estratégico.

La teledetección se ha consolidado como una herramienta clave para la agricultura moderna. El uso de satélites, drones y sensores remotos permite monitorear el estado fisiológico de los cultivos, detectar estrés hídrico, estimar biomasa y evaluar la salud vegetal de manera rápida y no destructiva. En Cuba, la introducción de estas tecnologías ha sido progresiva, con proyectos impulsados por universidades y el Ministerio de Ciencia, Tecnología y Medioambiente (Ruiz et al., 2024RUIZ, P.M.E.; GARCÍA, R.R.; MACHADO, G.N.: “Aplicación de drones en la agricultura internacional y cubana. Revisión”, Revista Ciencias Técnicas Agropecuarias, 33(1), 2024, ISSN: 2071-0054.).

Los drones ofrecen imágenes de alta resolución espacial, útiles para caracterizar parcelas específicas y detectar variaciones locales en el cultivo. Por su parte, los satélites Sentinel‑2 proporcionan datos multiespectrales con cobertura amplia y frecuencia temporal adecuada para el monitoreo regional. La combinación de ambas fuentes de información abre la posibilidad de establecer modelos multiescalares que integren detalle local y visión global (Ponvert y Lau, 2018PONVERT, D.D.R.; LAU, A.: “Uso de la teledetección en la gestión de desastres “naturales” en la agricultura. Apuntes y reflexiones.”, 2018.).

Los índices espectrales derivados de imágenes satelitales, como el NDVI, GNDVI y NDRE, han demostrado ser indicadores robustos del vigor vegetal y del contenido de clorofila. Sin embargo, su resolución espacial (10‑20 m) puede limitar la precisión en parcelas pequeñas. En contraste, los índices calculados a partir de ortofotografía RGB de dron, como VARI, ExG y CIVE, ofrecen un nivel de detalle superior, aunque carecen de la amplitud espectral de los sensores satelitales. La correlación entre ambos conjuntos de índices permite validar la utilidad de las imágenes RGB como sustituto o complemento de los datos satelitales. Estudios recientes han mostrado que índices como VARI presentan correlaciones significativas con NDVI, lo que confirma la posibilidad de utilizar drones para monitoreo agrícola en condiciones de recursos limitados (Famartínez, 2023FAMARTÍNEZ, A.: Sentinel‑2 en R: cálculo de índices y correlación, [en línea], GitHub, 2023, Disponible en: https://github.com. ). Esta integración resulta especialmente relevante en Cuba, donde el acceso a imágenes satelitales de alta resolución puede ser restringido, pero el uso de drones se ha expandido en proyectos académicos y productivos.

El presente trabajo de investigación tiene como objetivo, evaluar la correlación entre índices espectrales derivados de ortofotografía RGB de dron Phantom 4 y Sentinel‑2 L2A en arroz (Oryza sativa L.) en estado de plántula.

Materiales y métodos

⌅

Área de estudio

⌅

El estudio se desarrolló en el lote 6 de la Unidad Básica de Producción Cooperativa (UBPC) Las Nuevas, perteneciente a la Empresa Arrocera Sur del Jíbaro, ubicada en el municipio La Sierpe, provincia Sancti Spíritus. Este lote forma parte de una de las principales zonas arroceras del país, caracterizada por suelos fértiles, topografía llana y disponibilidad de infraestructura para el riego. La época de estudio corresponde a la temporada seca del año 2020, Figura 1.

Figura 1. Lote 6 de la Unidad Básica de Producción Cooperativa (UBPC) Las Nuevas, perteneciente a la Empresa Arrocera Sur del Jíbaro.

Metodología

⌅

Para el desarrollo del estudio se utilizaron los siguientes materiales y herramientas:

Software QGIS v3.40 Bratislava (OSGeo, 2024OSGEO: QGIS v3.40 Bratislava: User Guide, 2024.).
Imagen satelital Sentinel‑2 L2A (resolución de 10 a 20 metros, adquiridas el 4 de octubre de 2020) (Copernicus, 2024COPERNICUS: Sentinel‑2 mission overview, [en línea], Copernicus Programme, 2024, Disponible en: https://www.copernicus.eu/en/copernicus-services/sentinel-2. ).

Ortofotografía RGB capturada con dron Phantom 4 (resolución de 5 cm/píxel, adquirida el 5 de octubre de 2020), Figura 2.

Complementos de QGIS: Semi-Automatic Classification Plugin (SCP), Calculadora Raster, Field Calculator.
Hardware: estación de trabajo con capacidad de procesamiento para imágenes multiespectrales.

Figura 2. Ortofotografía RGB capturada con dron Phantom 4 (resolución de 5 cm/píxel, 5 de octubre de 2020).

Preprocesamiento de imágenes

⌅

Las imágenes Sentinel‑2 fueron sometidas a corrección atmosférica (nivel L2A), recorte del área de estudio y reproyección al sistema de coordenadas UTM. La ortofoto RGB fue ortorrectificada y mosaiqueada para generar un raster único en QGIS.

Cálculo de índices espectrales

⌅

Se calcularon los siguientes índices espectrales utilizando la Calculadora Raster de QGIS:

Índices Sentinel‑2: NDVI, GNDVI, NDRE.
Índices RGB: VARI, ExG, CIVE, GLI.

Integración y análisis en QGIS

⌅

Las capas raster fueron integradas en el entorno de QGIS mediante superposición espacial. Se generó una malla de puntos de muestreo sistemático ajustada a la resolución de las fuentes de datos. Para las imágenes Sentinel‑2 (10-20 m/píxel), se utilizó una separación de 20 metros, garantizando que cada punto representara un píxel independiente y evitando redundancia espacial. En el caso de las ortofotografías RGB de dron (0.05-0.20 m/píxel), se aplicó una separación de 5-10 metros, lo que permitió capturar la variabilidad interna del cultivo. Para este caso se muestrearon 415 puntos, de los cuales se extrajeron los valores de los índices espectrales para el análisis de correlación. Esta definición se realizó siguiendo las recomendaciones metodológicas de la FAO (2023)FAO: “Digital agriculture transformation and remote sensing applications”, En: Organización de las Naciones Unidas para la Alimentación y la Agricultura, Roma, Italia, 2023, DOI: . https://doi.org/10.4060/cc5170en. sobre teledetección agrícola y prácticas comunes en estudios recientes de agricultura de precisión, asegurando la reproducibilidad del análisis.

Validación con observaciones de campo

⌅

Los resultados se contrastaron con observaciones directas en campo sobre el estado fisiológico del arroz en etapa de plántula.

Análisis estadístico

⌅

El análisis estadístico se realizó utilizando el software Statgraphics Centurion v15.0. Se aplicó el coeficiente de correlación de Pearson (r) para evaluar la relación lineal entre los índices espectrales RGB y los índices derivados de Sentinel‑2. Los valores de r se interpretaron según Cohen (2013)COHEN, J.: Statistical power analysis for the behavioral sciences, Ed. routledge, DOI: https://doi.org/10.4324/9780203771587 p., 2013, ISBN: 0-203-77158-3.. Los resultados fueron validados con observaciones de campo sobre el estado fisiológico del cultivo de arroz.

Escala de Cohen (2013)COHEN, J.: Statistical power analysis for the behavioral sciences, Ed. routledge, DOI: https://doi.org/10.4324/9780203771587 p., 2013, ISBN: 0-203-77158-3.:

0.10-0.29: correlación débil
0.30-0.49: moderada
0.50-0,.69: fuerte
≥ 0.70: muy fuerte

Diagrama de flujo metodológico

⌅

El flujo metodológico seguido en el estudio se resume en los siguientes pasos:

Captura con dron Phantom 4 (RGB): Se realizó un vuelo con dron Phantom 4 el 5 de octubre de 2020 para obtener una ortofoto RGB de alta resolución (5 cm/píxel) del lote 6.
Imagen Sentinel-2 L2A: Se descargó una imagen Sentinel-2 L2A correspondiente al 4 de octubre de 2020, con bandas espectrales a 10 m y 20 m de resolución.
Cálculo de índices espectrales: Se calcularon índices RGB (VARI, ExG, CIVE, GLI) y Sentinel-2 (NDVI, GNDVI, NDRE) para caracterizar el estado del cultivo, Figura 3.

Figura 3. Diagrama representativo del flujo metodológico.

Consideraciones técnicas

⌅

QGIS v3.40 Bratislava ofrece herramientas robustas para el procesamiento de imágenes raster, cálculo de índices espectrales y análisis espacial, lo que facilita la reproducibilidad del flujo de trabajo (OSGeo, 2024OSGEO: QGIS v3.40 Bratislava: User Guide, 2024.). Por su parte, Statgraphics proporciona una interfaz amigable para el análisis estadístico de correlación, permitiendo interpretar de forma precisa la relación entre variables espectrales. La combinación de ambas plataformas permite un análisis multiescalar eficiente y accesible para el monitoreo agrícola.

Resultados y Discusión

⌅

Fotografías de campo

⌅

Esta sección presenta evidencias visuales del estado fisiológico del cultivo de arroz en su etapa de plántula Figura 4, así como las condiciones de las parcelas anegadas por riego por gravedad en el lote 6 de la UBPC Las Nuevas, Figura 5. Las imágenes permiten validar visualmente la homogeneidad del cultivo, la densidad de plántulas y la ausencia de estrés hídrico durante la época seca de 2020, Figura 6.

Figura 4. Vista general del lote 6 mostrando alta densidad de plántulas distribuidas de forma homogénea. Se observa un desarrollo inicial uniforme del cultivo.

Figura 5. Detalle de una parcela anegada por riego por gravedad. Se evidencia la presencia de agua superficial sin signos de estrés hídrico para las plantas.

Figura 6. Perspectiva aérea del lote 6 capturada con dron, donde se aprecia la distribución regular de las plántulas y la cobertura parcial del suelo característica de la etapa de plántula.

Este índice presenta los mapas temáticos generados a partir de datos espectrales obtenidos en el lote 6 de la UBPC Las Nuevas, Empresa Arrocera Sur del Jíbaro, durante la época seca de 2020. Los mapas permiten visualizar espacialmente la distribución de diferentes índices espectrales que caracterizan el estado del cultivo de arroz en su fase de plántula, Figura 7.

Figura 7. Mapas temáticos RGB (dron Phantom 4): VARI, ExG, CIVE. a) Mapa temático del índice VARI en formato PNG, con su leyenda numérica (mínimo = -0.12, máximo = 0.37, promedio = 0.15) y escala de colores que va del rojo al amarillo y al verde b) Mapa temático del índice ExGreen, Escala de colores: rojo (bajo) → amarillo (medio) → verde (alto). c) Mapa temático del índice CIVE, Escala de colores: rojo (−92.0) → amarillo (≈0) → verde (124.7).

CIVE es un índice empírico que combina las bandas RGB con coeficientes específicos: CIVE=0.441R−0.811G+0.385B+18.78745

⌅

Debido a esta fórmula, los valores de CIVE dependen directamente de la escala de los valores RGB (por ejemplo, 0-255 si la imagen está en 8 bits).
Por eso, los valores de CIVE pueden variar ampliamente, desde negativos (cuando predomina el verde) hasta positivos (cuando predomina el rojo o azul), y no están acotados entre −1 y 1.

Figura 8. Mapas temáticos de los índices de Sentinel‑2: a) NDVI. Marrón/gris → valores negativos o cercanos a 0 (suelo desnudo, agua), Amarillo → 0.1 - 0.3 (vegetación escasa), Verde claro → 0.3 - 0.6 (vegetación moderada), Verde oscuro → 0.6 - 0.9 (vegetación vigorosa). b) GNDVI. Azul claro → 0.20 (baja clorofila, menor vigor), Verde claro → 0.35 (vegetación moderada), Verde intenso → 0.56 (alta clorofila, vigor óptimo). c) NDRE. Rojo intenso → valores bajos (~0.16): zonas con bajo vigor o estrés, Naranja → valores medios (~0.30): vegetación moderada, Amarillo verdoso → transición hacia vigor, Verde claro a verde intenso → valores altos (~0.45): vegetación vigorosa y saludable.

Informe de Correlación RGB vs Sentinel-2

⌅

Este informe presenta el análisis de correlación de Pearson entre índices espectrales derivados de imágenes RGB capturadas con dron (VARI, ExG, CIVE) y los índices multiespectrales obtenidos de imágenes Sentinel‑2 (NDVI, GNDVI, NDRE). El objetivo es evaluar la relación lineal entre estos pares de índices para validar el uso de índices RGB como proxies confiables en el monitoreo agrícola multiescalar del cultivo de arroz.

Resultados del Análisis de Correlación

⌅

Los coeficientes de correlación de Pearson obtenidos indican que existe una correlación significativa entre los índices RGB y los índices satelitales, Tabla 1. En particular, la correlación entre VARI y NDVI es alta, lo que sugiere que el índice VARI puede ser un buen proxy del vigor vegetal. Las correlaciones entre ExG-GNDVI y CIVE-NDRE son moderadas, lo que también respalda su utilidad en el monitoreo agrícola, Figuras 9; 10; 11. Los valores muestreados para cada índice en la malla de pixeles fueron extraídos con la herramienta de la caja de procesos de QGIS Simple Raster Values.

Tabla 1. Coeficientes de correlación de Pearson obtenidos indican que existe una correlación significativa entre los índices RGB y los índices satelitales

Par de Índices	Coeficiente de Pearson (r)	Interpretación
VARI vs NDVI	0.741	Correlación muy fuerte
ExG vs GNDVI	0.672	Correlación moderada
CIVE vs NDRE	-0.635	Correlación moderada

Gráficos de Dispersión

⌅

Figura 9. Correlación VARI vs NDVI.

Descripción del patrón: El diagrama de dispersión muestra una relación positiva y consistente entre VARI (RGB) y NDVI (Sentinel 2), con puntos concentrados a lo largo de una tendencia ascendente. El coeficiente de Pearson obtenido (r≈0.74) indica una correlación muy fuerte, coherente con la sensibilidad de ambos índices al vigor vegetal y al verdor del dosel. Este comportamiento respalda el uso de ortofotos RGB como proxy del vigor cuando no se dispone de NIR.

Figura 10. Correlación ExG vs GNDVI.

Descripción del patrón: El gráfico ExG (RGB) vs GNDVI (Sentinel 2) presenta una relación positiva con dispersión moderada y una tendencia lineal clara. El coeficiente de Pearson (r≈0.67) indica correlación moderada, consistente con la sensibilidad de GNDVI al contenido de clorofila (banda verde) y la capacidad de ExG para enfatizar la componente verde en imágenes RGB.

Figura 11. Correlación CIVE vs NDRE.

Descripción del patrón: El diagrama CIVE (RGB) vs NDRE (Sentinel-2) muestra una relación inversa con tendencia descendente; el coeficiente de Pearson (r≈−0.64) indica correlación moderada negativa. Esto refleja que CIVE-al combinar canales RGB para extraer vegetación-no captura directamente la sensibilidad del Red Edge a clorofila y nitrógeno, pero sí se relaciona de forma inversa con variaciones fisiológicas detectadas por NDRE.

Interpretación de mapas

⌅

El mapa de NDVI mostró valores predominantemente altos en el lote 6, indicando un vigor vegetal elevado y homogéneo, característico del estado de plántula sin estrés hídrico. Estos resultados coinciden con estudios en Perú, donde el NDVI derivado de Sentinel‑2 se ha utilizado para predecir rendimiento de arroz y monitorear vigor en diferentes fases fenológicas (Quille et al., 2024QUILLE, M.J.A.; RUIZ, L.A.; RAMOS-FERNÁNDEZ, L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024b, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ).
El mapa de VARI, derivado de la ortofoto RGB del dron, reflejó patrones similares al NDVI, con zonas de mayor verdor en el centro del lote, lo que sugiere una buena correlación entre ambos índices. Investigaciones previas han demostrado que VARI puede ser un proxy confiable del NDVI en cultivos de arroz y trigo, especialmente cuando se emplean UAVs de bajo costo (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; MDPI., 2019MDPI.: “Assessing correlation of high‑resolution NDVI with fertilizer application and rice yield”, Remote Sensing, 11(2): 112, 2019, ISSN: https://www.mdpi.com/2072-4292/11/2/112. ).
El mapa de NDRE evidenció variaciones sutiles en el contenido de clorofila y vigor inicial, con valores más altos en las zonas centrales y orientales del lote, lo que puede asociarse a una mayor densidad foliar. Estos hallazgos son consistentes con estudios en Irán e Indonesia, donde el NDRE derivado de Sentinel‑2 se ha correlacionado con el contenido de clorofila y nitrógeno en arroz, mostrando sensibilidad en etapas tempranas del cultivo (Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.; Ehsanpour et al., 2025EHSANPOUR, A.; GHANBARI, P.E.; AMINI, S.: “Monitoring chlorophyll in rice fields using Sentinel 2 and UAV images and applying machine learning”, Sepehr Journal, 2025, ISSN: 2588-3860, DOI: https://doi.org/10.22131/sepehr.2025.2045093.3102. ).

Interpretación de índices

⌅

NDVI mostró valores elevados y homogéneos en el lote 6, indicando vigor vegetal. Este comportamiento ha sido ampliamente documentado en estudios de arroz y otros cultivos, donde el NDVI se utiliza como indicador robusto de biomasa y vigor (Tucker, 1979TUCKER, C.J.: “Red and photographic infrared linear combinations for monitoring vegetation”, Remote sensing of Environment, 8(2): 127-150, 1979, ISSN: 0034-4257, DOI: https://doi.org/10.1016/0034-4257(79)90013-0. ; Quille et al., 2024aQUILLE, M.J.A.; RUIZ, L.A.; RAMOS, F.L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024a, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ).
NDRE evidenció variaciones sutiles en clorofila en zonas centrales y orientales. Investigaciones en Irán e Indonesia han demostrado que el NDRE es sensible al contenido de clorofila y nitrógeno en arroz, especialmente en etapas tempranas (Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.; Ehsanpour et al., 2025EHSANPOUR, A.; GHANBARI, P.E.; AMINI, S.: “Monitoring chlorophyll in rice fields using Sentinel 2 and UAV images and applying machine learning”, Sepehr Journal, 2025, ISSN: 2588-3860, DOI: https://doi.org/10.22131/sepehr.2025.2045093.3102. ).
La correlación más fuerte se da entre VARI y NDVI, lo que valida el uso de ortofotos RGB para monitoreo temprano. Estudios en Colombia y México han confirmado que VARI puede ser un proxy confiable del NDVI en arroz y maíz, incluso con cámaras RGB de bajo costo (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; MDPI., 2019MDPI.: “Assessing correlation of high‑resolution NDVI with fertilizer application and rice yield”, Remote Sensing, 11(2): 112, 2019, ISSN: https://www.mdpi.com/2072-4292/11/2/112. ).
VARI se confirma como el índice RGB más robusto para estimar vigor vegetal, consistente con hallazgos internacionales en cultivos de trigo y arroz (Ruiz et al., 2024RUIZ, P.M.E.; GARCÍA, R.R.; MACHADO, G.N.: “Aplicación de drones en la agricultura internacional y cubana. Revisión”, Revista Ciencias Técnicas Agropecuarias, 33(1), 2024, ISSN: 2071-0054.).
La correlación moderada de CIVE con NDRE sugiere que RGB puede captar variaciones de clorofila, aunque con menor precisión que el satélite. Este resultado coincide con estudios que señalan la utilidad de índices RGB para discriminar vegetación en ausencia de bandas NIR (Famartínez, 2023FAMARTÍNEZ, A.: Sentinel‑2 en R: cálculo de índices y correlación, [en línea], GitHub, 2023, Disponible en: https://github.com. ).
El NDRE, aunque menos correlacionado, aporta sensibilidad adicional a clorofila y vigor, lo que refuerza su valor como complemento de NDVI y VARI en monitoreo agrícola (Huete, 1988HUETE, A.R.: “A soil-adjusted vegetation index (SAVI)”, Remote sensing of environment, 25(3): 295-309, 1988, ISSN: 0034-4257, DOI: https://doi.org/10.1016/0034-4257(88)90106-X. ).
Los índices RGB presentan correlaciones significativas con los índices satelitales, confirmando su utilidad como proxies en estado de plántula, tal como se ha reportado en proyectos de agricultura de precisión en América Latina (FEDEARROZ, 2018FEDEARROZ: Hacia una agricultura de precisión en el cultivo del arroz. Federación Nacional de Arroceros de Colombia, [en línea], 2018, Disponible en: https://fedearroz-website-aws.s3.amazonaws.com/media/documents/cartilla_precision_2025.pdf. ; EcoTV Panamá., 2025ECOTV PANAMÁ.: Panamá revoluciona el cultivo de arroz con blockchain y agricultura de precisión, [en línea], Ecotvpanama, 2025, Disponible en: https://www.ecotvpanama.com. ).
Los gráficos confirman que los índices RGB pueden ser usados como proxy de los índices satelitales en estado de plántula, validando la integración dron‑satélite para monitoreo multiescalar (AgroLatam, 2025AGROLATAM: Agricultura de precisión en América Latina: avances en drones y digitalización, [en línea], 2025, Disponible en: https://www.agrolatam.com. ).

Interpretación de las correlaciones

⌅

VARI-NDVI

⌅

Interpretación agronómica: La asociación VARI-NDVI sugiere que el verdor captado en el visible (VARI) reproduce adecuadamente la variabilidad del vigor que NDVI detecta con el NIR, especialmente en estado de plántula donde la cobertura es homogénea y el suelo expuesto es limitado. Estudios con UAV han demostrado que NDVI de alta resolución se correlaciona con manejo de fertilización y rendimiento en arroz y trigo, reforzando la validez de proxies RGB en esquemas de monitoreo de bajo costo.
Interpretación técnica: VARI, calculado a partir de imágenes RGB, reproduce de manera consistente el vigor vegetal captado por NDVI, que incluye la banda NIR. Esto valida el uso de drones RGB como proxy en condiciones de recursos limitados.
Guan et al. (2019)GUAN, S.; FUKAMI, K.; MATSUNAKA, H.; OKAMI, M.; TANAKA, R.; NAKANO, H.; SAKAI, T.; NAKANO, K.; OHDAN, H.; TAKAHASHI, K.: “Assessing correlation of high-resolution NDVI with fertilizer application level and yield of rice and wheat crops using small UAVs”, Remote Sensing, 11(2): 112, 2019, ISSN: 2072-4292, DOI: https://doi.org/10.3390/rs11020112. demostraron que NDVI derivado de UAVs se correlaciona con rendimiento y fertilización en arroz y trigo. Goigochea et al. (2024)GOIGOCHEA, D.; JUSTINO, P.M.; VEGA, H.S.S.; SANCHEZ, O.M.; LOBATO, G.R.H.; SANTILLAN, G.M.D.; GANOZA, R.J.J.; ORE, A.Z.L.; AGURTO, P.A.I.: “Yield prediction models for rice varieties using UAV multispectral imagery in the Amazon lowlands of Peru”, AgriEngineering, 6(3): 2955-2969, 2024, ISSN: 2624-7402, DOI: https://doi.org/10.3390/agriengineering6030170. confirmaron que índices multitemporales como NDVI predicen rendimiento de arroz con alta precisión.

ExG y GNDVI

⌅

Interpretación agronómica: La correspondencia entre ExG y GNDVI es esperable en etapas tempranas del arroz, donde el contraste vegetación suelo y la variabilidad de clorofila se reflejan con fuerza en el canal verde. Investigaciones con UAV multispectral en arroz han reportado relaciones útiles entre índices basados en el verde y métricas de rendimiento, apoyando el uso de ExG como indicador operativo cuando se prioriza resolución espacial y costo.
Interpretación técnica: ExG enfatiza la componente verde en imágenes RGB, mientras que GNDVI es sensible al contenido de clorofila. La correlación confirma que ambos índices captan variaciones nutricionales en etapas tempranas del arroz.
García et al. (2018)GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. reportaron correlaciones significativas entre GNDVI y vigor en arroz usando UAVs. Goigochea et al. (2024)GOIGOCHEA, D.; JUSTINO, P.M.; VEGA, H.S.S.; SANCHEZ, O.M.; LOBATO, G.R.H.; SANTILLAN, G.M.D.; GANOZA, R.J.J.; ORE, A.Z.L.; AGURTO, P.A.I.: “Yield prediction models for rice varieties using UAV multispectral imagery in the Amazon lowlands of Peru”, AgriEngineering, 6(3): 2955-2969, 2024, ISSN: 2624-7402, DOI: https://doi.org/10.3390/agriengineering6030170. validaron que índices basados en el verde predicen rendimiento en la Amazonía peruana.

CIVE vs NDRE

⌅

Interpretación agronómica: NDRE es más sensible a cambios sutiles en clorofila y estado nutricional que los índices RGB, especialmente en etapas tempranas y bajo variaciones leves de densidad foliar. La relación negativa sugiere que aumentos en NDRE (mayor clorofila) se asocian con menores valores de CIVE en ciertas condiciones de iluminación y contraste, lo que es consistente con estudios que recomiendan NDRE para seguimiento fisiológico y manejo hídrico en arroz.
Interpretación técnica: NDRE, derivado de la red edge, es altamente sensible a clorofila y nitrógeno, mientras que CIVE combina canales RGB para extraer vegetación. La relación inversa refleja que aumentos en clorofila (NDRE alto) se asocian con menores valores de CIVE, debido a diferencias en sensibilidad espectral.
Nageswara et al. (2023)NAGESWARA, R.D.; BADRI, J.; SUNDARAM, R.: “Sentinel-2 Derived Indices to Understand Rice Vegetation Dynamics at Pixel Level”, En: National Conference on CONTROL INSTRUMENTATION SYSTEM CONFERENCE, Ed. Springer, pp. 153-165, 2023, DOI: https://doi.org/10.1007/978-981-97-5157-0_13. confirmaron la utilidad de NDRE para detectar variaciones fisiológicas en arroz. Pedroso de Lima et al. (2021)PEDROSO DE LIMA, I.; JORGE, R.G.; DE LIMA, J.L.P.: “Remote sensing monitoring of rice fields: Towards assessing water saving irrigation management practices”, Frontiers in Remote Sensing, 2: 762093, 2021, ISSN: 2673-6187, DOI: https://doi.org/10.3389/frsen.2021.762093. señalaron que NDRE es clave para evaluar prácticas de riego y nutrición en arroz.

Validación en campo

⌅

Las observaciones directas en el lote 6 confirmaron la ausencia de estrés hídrico, lo cual coincide con los valores elevados de NDVI y VARI, que reflejaron vigor vegetal homogéneo en toda la parcela.
La homogeneidad del estado de plántula observada en campo se correspondió con los patrones espectrales de los mapas temáticos, donde NDVI y VARI mostraron valores altos y consistentes en el centro y bordes del lote.
Las variaciones sutiles de NDRE en zonas centrales y orientales se relacionaron con diferencias leves en densidad foliar observadas en campo, confirmando su sensibilidad al contenido de clorofila.
Esta correspondencia entre observaciones de campo y resultados espectrales valida el uso de índices RGB como proxies confiables de índices satelitales, en concordancia con estudios internacionales que han reportado correlaciones similares en arroz y otros cultivos (García et al., 2018GARCÍA, C.D.A.; RAMÓN, V.J.A.; ALZATE, V.D.F.; PALACIOS, G.J.R.: “Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones”, En: International Conference of ICT for Adapting Agriculture to Climate Change, Ed. Springer, pp. 106-119, 2018, DOI: https://doi.org/10.1007/978-3-030-04447-3_7. ; Quille et al., 2024QUILLE, M.J.A.; RUIZ, L.A.; RAMOS-FERNÁNDEZ, L.: “Multiseasonal analysis of rice crop yield prediction with Sentinel-2 time series and UAV imagery in Lambayeque (Peru)”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48: 421-426, 2024b, ISSN: 1682-1750, DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-421-2024. ; Wijayanto et al., 2024WIJAYANTO, Y.; SAFITRI, M.; PURNAMASARI, I.; BUDIMAN, S.A.; SAPUTRA, T.W.; REGAR, A.F.; RISTIYANA, S.: “Estimating the contents of Chlorophyll, Nitrogen, and Yields on Rice Through Sentinel-2 Vegetation Indices in Heterogeneous Land Management”, The Indonesian Journal of Geography, 56(3): 357-367, 2024, ISSN: 0024-9521, DOI: https://doi.org/10.22146/ijg.87159.).

Conclusiones

⌅

Los índices RGB derivados de imágenes de dron mostraron correlaciones significativas con los índices multiespectrales de Sentinel‑2, validando su uso como proxies confiables en condiciones de recursos limitados.
La correlación entre VARI y NDVI alcanzó un valor de r ≈ 0.74, lo que corresponde a una correlación muy fuerte según la escala de Cohen (1988).
La integración de imágenes de dron y satélite constituye una estrategia eficaz para el monitoreo agrícola multiescalar, permitiendo caracterizar el estado fisiológico del arroz en etapas tempranas.
Se identifican limitaciones en el uso de cámaras RGB, relacionadas con la sensibilidad reducida a variaciones espectrales específicas, lo que sugiere complementar con sensores multiespectrales en estudios futuros.

Recomendaciones

⌅

Implementar el uso combinado de imágenes RGB de dron y Sentinel-2 para el monitoreo agrícola multiescalar en condiciones de recursos limitados.
Extender la validación de correlaciones a diferentes etapas fenológicas del arroz y a otros cultivos estratégicos de la región.
Complementar las cámaras RGB con sensores multiespectrales o hiperespectrales en estudios futuros, para mejorar la sensibilidad a variaciones espectrales específicas.
Integrar los resultados en programas de agricultura de precisión locales, fortaleciendo la toma de decisiones sobre riego y fertilización.
Promover la capacitación de técnicos y productores en el uso de herramientas de teledetección (QGIS, drones, Sentinel-2) para garantizar sostenibilidad y replicabilidad.

Introduction

Materials and Methods

Study Area

Methodology

Image Preprocessing

Spectral Indices Calculation

Integration and Analysis in QGIS

Field Validation

Statistical Analysis

Methodological Flow Diagram

Technical Considerations

Results and Discussion

Field Photographs

CIVE is an empirical index that combines RGB bands with specific coefficients: CIVE=0.441R−0.811G+0.385B+18.78745

RGB vs Sentinel-2 Correlation Report

Correlation Analysis Results

Scatter Plots

Map Interpretation

Index Interpretation

Correlation Interpretation

VARI-NDVI

ExG-GNDVI

CIVE-NDRE

Field Validation

Conclusions

Recomendations

References

Correlación de índices RGB de dron y Sentinel‑2 en arroz (Oryza sativa L.) en la UBPC Las Nuevas, Sancti Spíritus

Introducción

Materiales y métodos

Área de estudio

Metodología

Preprocesamiento de imágenes

Cálculo de índices espectrales

Integración y análisis en QGIS

Validación con observaciones de campo

Análisis estadístico

Diagrama de flujo metodológico

Consideraciones técnicas

Resultados y Discusión

Fotografías de campo

CIVE es un índice empírico que combina las bandas RGB con coeficientes específicos: CIVE=0.441R−0.811G+0.385B+18.78745

Informe de Correlación RGB vs Sentinel-2

Resultados del Análisis de Correlación

Gráficos de Dispersión

Interpretación de mapas

Interpretación de índices

Interpretación de las correlaciones

VARI-NDVI

ExG y GNDVI

CIVE vs NDRE

Validación en campo

Conclusiones

Recomendaciones