Caracterización productiva mediante sensores remotos a escala establecimiento

CLAVIJO, M.P., GUNDEL, P.E., IRISARRI, G. Y SOSA, P.

Santiago del Estero, Argentina

Congreso; 30º Congreso Argentino de Producción Animal; 2007

Asociación Argentina de producción animal (AAPA)

En los sistemas ganaderos es fundamental determinar la productividad primaria neta aérea para conocer la capacidad de carga de los recursos forrajeros. La manera más frecuente de estimar la PPNA, los cortes de sucesivos de biomasa, brindan información limitada tiempo y espacio. En cambio, los sensores remotos montados en satélites proveen información sobre índices espectrales que combinados con información meteorológica permiten estimar la PPNA en forma más rápida y sencilla, e incluso retrospectiva. El Índice Verde Normalizado, IVN, permite estimar la fracción de Radiación Fotosintéticamente Activa Absorbida por un canopeo, fRFAA. Conociendo la radiación fotosintéticamente activa incidente es posible determinar la Radiación Fotosintéticamente Activa Absorbida, RFAA (MJ.m-2.d-1) y ésta puede ser convertida en PPNA mediante un coeficiente de conversión a biomasa aérea ( a). El objetivo de este trabajo fue utilizar la variación espacial y temporal de la RFAA por la vegetación para caracterizar la heterogeneidad ambiental de un establecimiento en el partido de Ayacucho, Depresión del Salado. La información de radiación fotosintéticamente activa absorbida utilizada fue provista por el sistema de seguimiento forrajero desarrollado por el Laboratorio de Análisis Regional y Teledetección-LART- de la FAUBA. La superficie del establecimiento (1000ha) fue dividida en una grilla de 201 píxeles de 5,3ha cada uno. Para cada píxel se dispuso de un valor mensual de RFAA para el período 2000-2004. Para estimar la PPNA se utilizó un valor de referencia zonal de a correspondiente a trabajos para áreas de pastizales de la depresión del Salado, de 0,48 g MS/MJ. El análisis de la información comprendió: 1) Estandarización de los píxeles  descartando: lagunas, casco, agricultura o con aquellos con una gran proporción en campos vecinos. Como resultado, quedaron en el análisis 155 píxeles, representando el 82% de la superficie total. 2) Clasificación  de los píxeles por su curva estacional promedio (2000-2004) de PPNA, utilizando dos métodos de estadística multivariada (Análisis de componentes principales y Análisis de Clusters). Como resultado se obtuvo, por un lado, una caracterización de los atributos de la estacionalidad de la PPNA que diferenció a los píxeles; y por otro lado, una clasificación de los mismos en cuatro unidades de funcionamiento (UF) y sub-unidades (variantes). Las UF difieren en la producción total y en la estacionalidad de la productividad (Tabla 1). La UF 1 con la mayor producción total anual, se diferenció de la 2 y la 4, en que su productividad estuvo adelantada hacia invierno-primavera (38,6% de la producción); mientras que las otras en el mismo período no superaron el 33%. A su vez, éstas (2 y 4), presentan la menor producción total y tienen mayor productividad estival (67,8%). Finalmente, la UF 3 presenta una respuesta intermedia. Las sub-unidades de la UF 1 (a y d) y la UF 3 respondieron con mayor PPNA en el año de mayores precipitaciones (Tabla 2).Por otro lado, las sub-unidades de la UF 4 son las que en menor medida resienten su producción total en el año de menores precipitaciones. El uso de modelos derivados de información provista por satélites, y en particular en pastizales de la región, ha demostrado estimar entre el 60% y el 93% de la varianza estacional de la PPNA. Por lo tanto el uso de estos modelos representaría un incremento sensible en lograr mejores estimaciones de la receptividad de los recursos y ajustar la carga animal. A su vez, contar con medidas de la capacidad de respuesta de cada recurso ante eventos extremos permite desarrollar estrategias convenientes para el cuidado de los recursos.