Sistemas aéreos no tripulados y sensores remotos pasivos para clasificar microecosistemas de pastizales alto andinos
Palabras clave:
capacidad de carga, ecosistema, NDVI
Resumen
Los pastos son la base forrajera de la producción de camélidos y ovinos en el sur de los Andes peruanos, donde habitan el 80 % de las alpacas y el 15 % de las ovejas, lo que exige una mejor gestión de las tierras y programas de pastoreo, mediante la clasificación de los microecosistemas. El objetivo del presente estudio fue clasificar los microecosistemas considerando como base los pastizales del Centro Agronómico Kayra de la Región Cusco, mediante vehículos aéreos no tripulados y sensores remotos. Para ello se combinó métodos de evaluación y estimación tradicionales, como el de Parker modificado y el cuadrante de muestreo con métodos de clasificación y estimación de biomasa apoyados con imágenes multiespectrales. Para ello se utilizó imágenes satelitales RapidEye de 5 m y ortofotografías multiespectrales adquiridas con un sensor Micasense transportado por un Dron Matrix 300 RTK con pixeles de 10 cm. El procesamiento se realizó en el software de fotogrametría Pix 4D versión 4.7.5 y software de procesamiento de imágenes ENVI y ArcGIS 10.3. Para estimar la biomasa se utilizó un algoritmo diseñado en el lenguaje de programación R. Los resultados mostraron tres zonas de vida, tres zonas climáticas, cuatro ecosistemas y cuatro comunidades vegetales con once especies dominantes. La condición de los pastizales evaluados fue de regular con tendencia a pobre y capacidad de carga de 0,3 UV.ha-1.año-1; 0,83 UO.ha-1.año-1 y 1,11UA.ha-1.año-1. El uso de sensores remotos permitió clasificar los pastizales de forma rápida y eficiente.
Descargas
La descarga de datos todavía no está disponible.
Citas
Chavez Castillo, E., Paz Pellat, F., & Bolaños González, M. A. (2017). Estimación de biomasa y cobertura aérea usando radiometría e imágenes digitales a nivel de campo en pastizales y matorrales. Revista Terra Latinoamericana, 35(3), 247. https://doi.org/10.28940/terra.v35i3.133
Chen, J., Jönsson, P., Tamura, M., Gu, Z., Matsushita, B., & Eklundh, L. (2004). A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter. Remote Sensing of Environment, 91(3–4), 332–344. https://doi.org/10.1016/j.rse.2004.03.014
Comer, P.J., Young, B., Schulz, K., Kittel, G., Unnasch, B., Braun, D., Hammerson, G., Smart, L., Hamilton, H., Auer, S., Smyth, R., & Hak, J. (2012). Climate Change Vulnerability and Adaptation Strategies for Natural Communities: Piloting methods in the Mojave and Sonoran deserts. Report to the US Fish. Report to the U.S. Fish and Wildlife Service. NatureServe, Arlington, VA, September.https://transfer.natureserve.org/download/Longterm/Ecology/HCCVI/DesertLCCpilot/NatureServe_HCCVI_Report.pdf
D’Oleire-Oltmanns, S., Marzolff, I., Peter, K. D., & Ries, J. B. (2012). Unmanned aerial vehicle (UAV) for monitoring soil erosion in Morocco. Remote Sensing, 4(11), 3390–3416. https://doi.org/10.3390/rs4113390
Estrada Zúñiga, A. C., Cárdenas, J., Bejar, J.V., & Ñaupari, J. (2022). Biomass estimation of a high Andean plant community with multispectral images acquired using UAV remote sensing and Multiple Linear Regression, Support Vector Machine and Random forest models. Scientia Agropecuaria, 13(3), 301–310. https://doi.org/10.17268/sci.agropecu.2022.027
Estrada Zúñiga, A. C., & Ñaupari Vásquez, J. (2021). Detección e identificación de comunidades vegetales altoandinas, Bofedal y Tolar de Puna Seca mediante ortofotografías RGB y NDVI en drones “Sistemas Aéreos no Tripulados.” Scientia Agropecuaria, 12(3), 291–301. http://dx.doi.org/10.17268/sci.agropecu.2021.032.
Fuhlendorf, S. D., Archer, S. A., Smeins, F., Engle, D. M., & Taylor, C. A. (2012). The Combined Influence of Grazing, Fire, and Herbaceous Productivity on Tree–Grass Interactions. 219–238. https://doi.org/10.1007/978-0-387-34003-6_12
Holdrigde, L. (1978). Ecología basada en zonas de vida. IICA.
Lussem, U., Bolten, A., Menne, J., Gnyp, M. L., Schellberg, J., & Bareth, G. (2019). Estimating biomass in temperate grassland with high resolution canopy surface models from UAV-based RGB images and vegetation indices. Journal of Applied Remote Sensing, 13(03), 1. https://doi.org/10.1117/1.jrs.13.034525
Melville, B., Lucieer, A., & Aryal, J. (2019). Classification of lowland native grassland communities using hyperspectral unmanned aircraft system (Uas) imagery in the tasmanian midlands. Drones, 3(1), 1–12. https://doi.org/10.3390/drones3010005
Meneses, V. A. B., Téllez, J. M., & Velasquez, D. F. A. (2015). Uso De Drones Para El Analisis De Imágenes Multiespectrales En Agricultura De Precisión. @limentech, Ciencia y Tecnología Alimentaria, 13(1). https://doi.org/10.24054/16927125.v1.n1.2015.1647
Ministerio del Ambiente MINAM. (2016). Guía complementaria para la compensación ambiental: Ecosistemas Altoandinos. Resolución Ministerial N° 183-2016-MINAM, 27446, 5–41. https://www.minam.gob.pe/wp-content/uploads/2016/07/RM-N%C2%B0-183-2016-MINAM1.pdf
Muñoz Gómez, F. A., Galicia Sarmiento, L., & Pérez, E. H. (2018). Agricultura migratoria conductor del cambio de uso del suelo de ecosistemas alto-andinos de colombia. Biotecnoloía En El Sector Agropecuario y Agroindustrial, 16(1), 15. https://doi.org/10.18684/bsaa(16)15-25
Paredes, M. (2019). Uso de índices de vegetación del sensor MODIS – TERRA en la estimación de biomasa aérea de pajonales altoandinos. Universidad Nacional Agraria La Molina, 1(2), 87. http://repositorio.lamolina.edu.pe/bitstream/handle/20.500.12996/3351/paredes-chocce-miguel-enrique.pdf?sequence=1&isAllowed=y
Pizarro Carcausto, S. E. (2017). Degradación y vulnerabilidad al cambio climático en pastizales altoandinos. Universidad Nacional Agraria La Molina, 201. http://repositorio.lamolina.edu.pe/handle/UNALM/2916
Ramírez, D. G., Giraldo, A., & Tovar, J. (2006). Producción primaria, biomasa y composición taxonómica del fitoplancton costero y oceánico en el Pacífico Colombiano (Septiembre-Octubre 2004). Investigaciones Marinas, 34(2), 211–216. https://doi.org/10.4067/s0717-71782006000200023
Quspe, C. (2016). Análisis de GSD para la generación de cartografía utilizando la tecnología drone, huaca de la Universidad Nacional Mayor de San Marcos. Revista Del Instituto de Investigación de La Facultad de Ingeniería Geológica, Minera, Metalurgica y Geográfica, 18(36), 21–26. https://doi.org/10.15381/iigeo.v18i36.12014
Seo, H. S., Phua, M. H., Ong, R., Choi, B., & Lee, J. S. (2014). Determining aboveground biomass of a forest reserve in malaysian borneo using K-nearest neighbour method. Journal of Tropical Forest Science, 26(1), 58–68.https://www.jstor.org/stable/23617014
Tomasi, J. (2013). Espacialidades pastorilesen las tierras altoandinas. Asentamientos y movilidades en Susques, puna de Atacama (Jujuy, Argentina). Revista de Geografia Norte Grande, 87(55), 67–87. https://doi.org/10.4067/s0718-34022013000200006
Xu, D., & Guo, X. (2015). Some insights on grassland health assessment based on remote sensing. Sensors (Switzerland), 15(2), 3070–3089. https://doi.org/10.3390/s150203070
Yaranga, R. (2020). High-Andean wetland of Peru: Floristic diversity, primary net aerial productivity, ecological condition, and carrying capacity. Scientia Agropecuaria, 11(2), 213–221. https://doi.org/10.17268/SCI.AGROPECU.2020.02.08
Yim, J. S., Han, W. S., Hwang, J. H., Chung, S. Y., Cho, H. K., & Shin, M. Y. (2009). Estimation of Forest Biomass based upon Satellite Data and National Forest Inventory Data. Korean Journal of Remote Sensing, 25(4), 311–320.https://doi.org/10.7780/kjrs.2009.25.4.311
Zaragoza-Quintana, E. P., Cotera Correa, M., Pando Moreno, M., Scott Morales, L. M., Estrada Castillón, A. E., & González Rodríguez, H. (2022). Salud del ecosistema de pastizal y biomasa en áreas naturales protegidas para el perrito llanero mexicano (Cynomys mexicanus) en Nuevo León, México. Acta Universitaria, 32, 1–19. https://doi.org/10.15174/au.2022.3495
Zarria, M., & Flores, E. (2015). Inventario y estrategias de mejora de los pastizales de los sistemas de producción de alpacas en la sierra central. Lima: Universidad Nacional Agraria La Molina. http://repositorio.lamolina.edu.pe/bitstream/handle/UNALM/2080/F01-Z377i-T.pdf?sequence=1&isAllowed=y
Zorogasúa-Cruz, P., Quiroz, R., & Garatuza-Payan, J. (2012). Dinámica de los bofedales en el altiplano peruano-boliviano. Revista Latinoamericana de Recursos Naturales, 8(2), 63–75.https://revista.itson.edu.mx/index.php/rlrn/article/view/202
Chen, J., Jönsson, P., Tamura, M., Gu, Z., Matsushita, B., & Eklundh, L. (2004). A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter. Remote Sensing of Environment, 91(3–4), 332–344. https://doi.org/10.1016/j.rse.2004.03.014
Comer, P.J., Young, B., Schulz, K., Kittel, G., Unnasch, B., Braun, D., Hammerson, G., Smart, L., Hamilton, H., Auer, S., Smyth, R., & Hak, J. (2012). Climate Change Vulnerability and Adaptation Strategies for Natural Communities: Piloting methods in the Mojave and Sonoran deserts. Report to the US Fish. Report to the U.S. Fish and Wildlife Service. NatureServe, Arlington, VA, September.https://transfer.natureserve.org/download/Longterm/Ecology/HCCVI/DesertLCCpilot/NatureServe_HCCVI_Report.pdf
D’Oleire-Oltmanns, S., Marzolff, I., Peter, K. D., & Ries, J. B. (2012). Unmanned aerial vehicle (UAV) for monitoring soil erosion in Morocco. Remote Sensing, 4(11), 3390–3416. https://doi.org/10.3390/rs4113390
Estrada Zúñiga, A. C., Cárdenas, J., Bejar, J.V., & Ñaupari, J. (2022). Biomass estimation of a high Andean plant community with multispectral images acquired using UAV remote sensing and Multiple Linear Regression, Support Vector Machine and Random forest models. Scientia Agropecuaria, 13(3), 301–310. https://doi.org/10.17268/sci.agropecu.2022.027
Estrada Zúñiga, A. C., & Ñaupari Vásquez, J. (2021). Detección e identificación de comunidades vegetales altoandinas, Bofedal y Tolar de Puna Seca mediante ortofotografías RGB y NDVI en drones “Sistemas Aéreos no Tripulados.” Scientia Agropecuaria, 12(3), 291–301. http://dx.doi.org/10.17268/sci.agropecu.2021.032.
Fuhlendorf, S. D., Archer, S. A., Smeins, F., Engle, D. M., & Taylor, C. A. (2012). The Combined Influence of Grazing, Fire, and Herbaceous Productivity on Tree–Grass Interactions. 219–238. https://doi.org/10.1007/978-0-387-34003-6_12
Holdrigde, L. (1978). Ecología basada en zonas de vida. IICA.
Lussem, U., Bolten, A., Menne, J., Gnyp, M. L., Schellberg, J., & Bareth, G. (2019). Estimating biomass in temperate grassland with high resolution canopy surface models from UAV-based RGB images and vegetation indices. Journal of Applied Remote Sensing, 13(03), 1. https://doi.org/10.1117/1.jrs.13.034525
Melville, B., Lucieer, A., & Aryal, J. (2019). Classification of lowland native grassland communities using hyperspectral unmanned aircraft system (Uas) imagery in the tasmanian midlands. Drones, 3(1), 1–12. https://doi.org/10.3390/drones3010005
Meneses, V. A. B., Téllez, J. M., & Velasquez, D. F. A. (2015). Uso De Drones Para El Analisis De Imágenes Multiespectrales En Agricultura De Precisión. @limentech, Ciencia y Tecnología Alimentaria, 13(1). https://doi.org/10.24054/16927125.v1.n1.2015.1647
Ministerio del Ambiente MINAM. (2016). Guía complementaria para la compensación ambiental: Ecosistemas Altoandinos. Resolución Ministerial N° 183-2016-MINAM, 27446, 5–41. https://www.minam.gob.pe/wp-content/uploads/2016/07/RM-N%C2%B0-183-2016-MINAM1.pdf
Muñoz Gómez, F. A., Galicia Sarmiento, L., & Pérez, E. H. (2018). Agricultura migratoria conductor del cambio de uso del suelo de ecosistemas alto-andinos de colombia. Biotecnoloía En El Sector Agropecuario y Agroindustrial, 16(1), 15. https://doi.org/10.18684/bsaa(16)15-25
Paredes, M. (2019). Uso de índices de vegetación del sensor MODIS – TERRA en la estimación de biomasa aérea de pajonales altoandinos. Universidad Nacional Agraria La Molina, 1(2), 87. http://repositorio.lamolina.edu.pe/bitstream/handle/20.500.12996/3351/paredes-chocce-miguel-enrique.pdf?sequence=1&isAllowed=y
Pizarro Carcausto, S. E. (2017). Degradación y vulnerabilidad al cambio climático en pastizales altoandinos. Universidad Nacional Agraria La Molina, 201. http://repositorio.lamolina.edu.pe/handle/UNALM/2916
Ramírez, D. G., Giraldo, A., & Tovar, J. (2006). Producción primaria, biomasa y composición taxonómica del fitoplancton costero y oceánico en el Pacífico Colombiano (Septiembre-Octubre 2004). Investigaciones Marinas, 34(2), 211–216. https://doi.org/10.4067/s0717-71782006000200023
Quspe, C. (2016). Análisis de GSD para la generación de cartografía utilizando la tecnología drone, huaca de la Universidad Nacional Mayor de San Marcos. Revista Del Instituto de Investigación de La Facultad de Ingeniería Geológica, Minera, Metalurgica y Geográfica, 18(36), 21–26. https://doi.org/10.15381/iigeo.v18i36.12014
Seo, H. S., Phua, M. H., Ong, R., Choi, B., & Lee, J. S. (2014). Determining aboveground biomass of a forest reserve in malaysian borneo using K-nearest neighbour method. Journal of Tropical Forest Science, 26(1), 58–68.https://www.jstor.org/stable/23617014
Tomasi, J. (2013). Espacialidades pastorilesen las tierras altoandinas. Asentamientos y movilidades en Susques, puna de Atacama (Jujuy, Argentina). Revista de Geografia Norte Grande, 87(55), 67–87. https://doi.org/10.4067/s0718-34022013000200006
Xu, D., & Guo, X. (2015). Some insights on grassland health assessment based on remote sensing. Sensors (Switzerland), 15(2), 3070–3089. https://doi.org/10.3390/s150203070
Yaranga, R. (2020). High-Andean wetland of Peru: Floristic diversity, primary net aerial productivity, ecological condition, and carrying capacity. Scientia Agropecuaria, 11(2), 213–221. https://doi.org/10.17268/SCI.AGROPECU.2020.02.08
Yim, J. S., Han, W. S., Hwang, J. H., Chung, S. Y., Cho, H. K., & Shin, M. Y. (2009). Estimation of Forest Biomass based upon Satellite Data and National Forest Inventory Data. Korean Journal of Remote Sensing, 25(4), 311–320.https://doi.org/10.7780/kjrs.2009.25.4.311
Zaragoza-Quintana, E. P., Cotera Correa, M., Pando Moreno, M., Scott Morales, L. M., Estrada Castillón, A. E., & González Rodríguez, H. (2022). Salud del ecosistema de pastizal y biomasa en áreas naturales protegidas para el perrito llanero mexicano (Cynomys mexicanus) en Nuevo León, México. Acta Universitaria, 32, 1–19. https://doi.org/10.15174/au.2022.3495
Zarria, M., & Flores, E. (2015). Inventario y estrategias de mejora de los pastizales de los sistemas de producción de alpacas en la sierra central. Lima: Universidad Nacional Agraria La Molina. http://repositorio.lamolina.edu.pe/bitstream/handle/UNALM/2080/F01-Z377i-T.pdf?sequence=1&isAllowed=y
Zorogasúa-Cruz, P., Quiroz, R., & Garatuza-Payan, J. (2012). Dinámica de los bofedales en el altiplano peruano-boliviano. Revista Latinoamericana de Recursos Naturales, 8(2), 63–75.https://revista.itson.edu.mx/index.php/rlrn/article/view/202
Publicado
2023-12-05
Cómo citar
Estrada, A., Astete, D., Cárdenas, J., Alvarez, D., Bejar, J., & Moscoso, J. (2023). Sistemas aéreos no tripulados y sensores remotos pasivos para clasificar microecosistemas de pastizales alto andinos. Revista De La Facultad De Agronomía De La Universidad Del Zulia, 40(4), e234036. Recuperado a partir de https://produccioncientificaluz.org/index.php/agronomia/article/view/41214
Número
Sección
Producción Vegetal
Derechos de autor 2023 Andrés Corsino Estrada Zúñiga, Dante Astete Canal, Jim Cárdenas Rodríguez; Dunker Arturo Alvarez Medina; Juan Víctor Bejar Saya, Juan Elmer Moscoso Muñoz
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
