presentación de powerpoint -...
TRANSCRIPT
Gustavo G. Ovando 22 de noviembre de 2011
ESTIMACIÓN DEL RENDIMIENTO REGIONAL DE SOJA EMPLEANDO INFORMACIÓN SATELITAL Y MODELOS DE
SIMULACIÓN DE CULTIVOS
ESTIMACIÓN DEL RENDIMIENTO DE SOJA EMPLEANDO INFORMACIÓN SATELITAL Y MODELOS DE SIMULACIÓN DE
CULTIVOS
Comité Asesor:
Director:Dr. Andrés C. Ravelo
Integrantes:Dr. Carlos Marcelo ScavuzzoDr. Andrés Ferreyra
INTRODUCCIÓN
La soja es el cultivo mas importante en Argentina, por la superficie sembrada y por los réditos económicos que genera.
El monitoreo de los cultivos permite pronosticar del rendimiento antes de la cosecha. Esto es importante para la toma de decisión en distintos niveles, tanto para actividades logísticas como para actividades comerciales.
Los modelos de cultivos pueden ser herramientas útiles para la estimación de rendimientos regionales.
Los modelos mecanísticos simulan el crecimiento y desarrollo de los cultivos, estimando los flujos y balances de C, N, H2O y energía entre los diversos componentes, y finalmente obtienen una estimación del rendimiento del cultivo.
Estos modelos generalmente estiman a la radiación diaria fotosintéticamente activa interceptada por el canopeo del cultivo (Q, MJ m-
2) con la siguiente expresión:
Siendo β la fracción de la radiación total que corresponde a PAR, R la radiación solar diaria y k el coeficiente de extinción específico del cultivo.
)1( .IAFkeRQ −−= β
Los satélites brindan información espacial extensiva del estado real de los cultivos, en distintas longitudes de onda. Estas imágenes junto con información proveniente de otros medios (suelos, información meteorológica, etc.) puede constituir datos de entrada para los modelos de rendimientos.
La teledetección ha sido utilizada para apoyar la parameterización de modelos; por ejemplo, acoplando un modelo de transferencia radiativa con un modelo de simulación de cultivos, a través de una variable que representa la estructura del canopeo.
IAF y fAPAR (Q/R) pueden estimarse a partir de datos provenientes satélites empleando relaciones empíricas entre ambos valores e índices de vegetación o a través de la inversión de modelos de transferencia de la radiación.
A pesar que los datos de LANDSAT TM podrían ser más adecuados en áreas donde los lotes son pequeños debido a su resolución espacial (30 m), su baja frecuencia temporal y la posibilidad de cobertura nubosa, limitan la obtención de parámetros biofísicos del cultivo que cambian durante la estación de crecimiento.
La resolución espacial (250 m) y temporal (diaria) de los datos del MODIS ofrecen un gran potencial en la obtención de parámetros biofísicos del cultivo y mejoraron la exactitud de la estimación del rendimiento de los cultivos
Objetivo General
Objetivos Específicos
Estimar el rendimiento del cultivo de soja a partir de un modelo mecanístico de cultivo acoplado con información meteorológica y satelital.
Evaluar distintas metodologías para la estimación de parámetros biofísicos del canopeo del cultivo de soja a partir de información proveniente del sensor satelital MODIS.
Calibrar el modelo de simulación del cultivo de soja para que pueda funcionar simultáneamente con información meteorológica e información proveniente de satélites.
Validar la precisión de las estimaciones del rendimiento del modelo de simulación de soja
MATERIAL y METODOS
Diagrama de Flujos
MATERIAL y METODOS
Área de Estudio 31° 30’
31° 50’
64° 00’ 63° 25’
Información Meteorológica
Manfredi – INTA (Rs, Tmax y Tmin - Lat:31º 49 ‘ Long: 63º 46‘ Altura s.n.m. 292m)
Matorrales – Productor (PP)
Pilar – Productor (PP)
Características de los Suelos - Carta de Suelo de la Provincia de Córdoba Hoja 3163-26
Capacidad de Campo y Punto de Marchitez Permanente
Medición de Datos a Campo
Se observó cada 3 semanas las siguientes variables biofísicas:
oIAF
o%C
oMS de la parte aérea
oInformación fenológica
oHumedad del suelo a 5; 20; 40 y 80 cm
Variables Biofísicas
Fracción de la Radiación Fotosintéticamente Activa Interceptada (fIPAR)
La medición de fIPAR se efectuó con un medidor de flujo de fotones. [PAR/LAI Ceptometer] (Decagon Devices, Pullman, WA, USA),
-k.IAFe-1IPAR =f
Porcentaje de Cobertura (%C)
A partir de la clasificación de 5 fotografías digitales verticales por lote, con la metodología de máxima verosimilitud.
Contenido de Humedad del SueloSe determinará a partir peso fresco y seco de las muestras
luego de secadas hasta peso constante. En cuatro profundidades diferentes (5; 20; 40 y 80 cm) y con dos repeticiones por lote.
Materia Seca de la parte Aérea (MS)
A partir peso fresco y seco de las muestras luego de secadas hasta peso constante. Tres determinaciones por lote.A cosecha se midió rendimiento.
Información Satelital
Se utilizó imágenes MODIS - AQUA
Producto de 16 días con nivel 3 de procesamiento.
Reflectancias: azul 459–479nmrojo 620–670nmNIR 841–876nmMIR 2105-2155nm
Índices: NDVIEVI
Resolución Espacial: 250 m .
Órbita circular 705 (km) casi polar sincrónica con el sol, 1:30 p.m. ( ascendente)
Las imágenes son suministradas vía FTP con proyección sinusoidal en formato jerárquico de datos (HDF).
Tile h12v12
Imagen de NDVI
Original Con proyección geográfica
El modelo de Reflectancia/Transmitancia de la hoja PROSPECT
Versión ·3.014 parámetros de
entrada:
Índice de Estructura del Mesófilo de la Hoja (N)
El modelo de Reflectancia/Transmitancia de la hoja PROSPECT
1 a 1,5 en monocotiledóneas con mesófilo compacto.
1,5 a 2,5 en dicotiledóneas con parénquima esponjoso en la cara abaxial.
Valores mayores de N se presentan en hojas senescentes con estructura interna desorganizada.
El modelo de Reflectancia/Transmitancia de la hoja PROSPECT
Salida del modelo PROSPECT
El modelo de Transferencia Radiativa SAIL + PROSPECTSimula la reflectancia de canopeos uniformes para distintos IAF,
geometrías de iluminación y distribuciones angulares de hojas.
El modelo de Transferencia Radiativa SAIL + PROSPECT - Suelos
Modelo SAIL – Generación de la Base de Datos
Salida del modelo SAIL
Inversión del Modelo SAIL - Redes Neuronales Artificiales (RNA)
• Las RNA se utilizan para modelar fenómenos no lineales y se componen de capas de neuronas unidas entre sí mediante conexiones ponderadas por pesos.
• La información se transmite de una capa a otra a través de diferentes funciones matemáticas, hasta calcular un resultado final.
• Las RNA aprenden de la información histórica a través de un proceso de entrenamiento, mediante el cual se ajustan los pesos, adquiriendo así la capacidad de predecir respuestas del mismo fenómeno.
Estructura de un Perceptrón Multicapa
Rojo
NIR
Azul
Geometría
IAF
Capa deEntrada
CapaOculta
Capa deSalida
Suelo
Hoja
Características del Perceptrón Multicapa
• Alimentación hacia delante. Las salidas de una capa se introducen en la siguiente.
• La salida de una neurona de la capa oculta es una función de la combinación lineal de las variables de entrada por los pesos. De igual manera procede una neurona de la capa de salida.
• Aprendizaje Supervisado -> se le ofrecen a la Red ejemplos señalando las salidas que se deberían obtener. Se minimiza la función de error ajustando los pesos.
• Algoritmo de entrenamiento -> retropropagación del error.
• Un factor de aprendizaje (α) determina la rapidez del algoritmo pero también su exactitud.
• Un Término de momento (γ) -> obtener mínimos locales en la función de error y acelerar el proceso.
Modelo de Simulación de Cultivos
Se utilizó el modelo STICS (Simulateur mulTIdiciplinaire pour les Cultures Standard, Brisson et al., 1998).
Entre sus principales características se puede destacar:
• Es un modelo de funcionamiento del canopeo que simula un amplio rango de cultivos (entre ellos soja).
• Simula la biomasa, componentes del rendimiento, y los balances de agua y nitrógeno a lo largo del ciclo del cultivo.
• Permite estimar variables de estado del canopeo diariamente.
• Los principales datos de entrada del modelo STICS son:
• Variables meteorológicas: RS, Tmax, Tmin, PP, Vto y HR.• Características del suelo: textura, contenido de agua a
CC y PMP, etc.• Características del cultivo.• Manejo del cultivo: fecha de siembra, cronograma de
riego y fertilización, manejo de residuos, etc.
Uno de los motivos por el cual se seleccionó STICS entre distintos modelos es que posse un módulo que permite calcular los distintos coeficientes de la curva de evolución del IAF a partir de datos observados.
RESULTADOS
Relación entre %C y LAI
Estimación del IAF a partir de las mediciones de fIPAR
El valor de k utilizado fue 0,5 (STICS):
-k.IAFe-1IPAR =f
Regresión entre el IAF estimado y %C
RESULTADOS
Modelo de Transferencia Radiativa: PROSPECT + SAIL
Validación de las Redes Neuronales
El modelo de Cultivo STICS
El modelo de Cultivo STICSPermite estimar la evolución del IAF, a lo largo del ciclo del cultivo.
Este modelo simula con paso diario variables como materia seca de la parte aérea y materia seca del granoTambién simula en contenido de humedad del suelo en cada capa.
Resultados – Agua Extractable (hasta 110 cm) – 1 Establecimiento
Resultados – Materia Seca y Rendimiento – 1 Establecimiento
Resultados – Agua Extractable (hasta 110 cm) – Todos
Resultados – Materia Seca – Todos
RMSE = 0,9 tn/haRRMSE = 37,9 %
Resultados – Rendimiento – Todos
RMSE = 0,33 tn/haRRMSE = 8,1 %
Los valores de RMSE y RRMSE son similares a los encontrados por Jego et al. 2010 quienes validaron el modelo STICS para soja con errores de 0,65 tn/ha (20,4%) y 0,35 tn/ha (11,8%) para materia seca y rendimiento, respectivamente.
Conclusiones Parciales
El modelo STICf ejecutado con LAI estimado a partir de %C :
oPermitió monitorear la evolución del agua extractable del suelo a
partir de supuestos generales.
oEstimó adecuadamente la materia seca de la parte aérea,
particularmente en los primeros estadios del cultivo.
oPermitió valorar el rendimiento de los establecimientos con
errores menores al 10%.
Muchas Gracias