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 sobre Producción Animal; 2007

Asociación Argentina de Producción Animal

En los sistemas ganaderos es fundamental determinar la productividad primaria neta aéreapara conocer la capacidad de carga de los recursos forrajeros. La manera más frecuente deestimar la PPNA, los cortes de sucesivos de biomasa, brindan información limitada tiempoy espacio. En cambio, los sensores remotos montados en satélites proveen información sobreíndices espectrales que combinados con información meteorológica permiten estimar laPPNA en forma más rápida y sencilla, e incluso retrospectiva. El Índice Verde Normalizado,IVN, permite estimar la fracción de Radiación Fotosintéticamente Activa Absorbida por uncanopeo, fRFAA. Conociendo la radiación fotosintéticamente activa incidente es posibledeterminar la Radiación Fotosintéticamente Activa Absorbida, RFAA (MJ.m-2.d-1) y éstapuede ser convertida en PPNA mediante un coeficiente de conversión a biomasa aérea (ea).El objetivo de este trabajo fue utilizar la variación espacial y temporal de la RFAA por lavegetación para caracterizar la heterogeneidad ambiental de un establecimiento en elpartido de Ayacucho, Depresión del Salado. La información de radiación fotosintéticamenteactiva absorbida utilizada fue provista por el sistema de seguimiento forrajero desarrolladopor el Laboratorio de Análisis Regional y Teledetección-LART- de la FAUBA. La superficiedel 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. Paraestimar la PPNA se utilizó un valor de referencia zonal de ea correspondiente a trabajos paraáreas de pastizales de la depresión del Salado, de 0,48 g MS/MJ. El análisis de lainformación 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 yAnálisis de Clusters). Como resultado se obtuvo, por un lado, una caracterización de losatributos de la estacionalidad de la PPNA que diferenció a los píxeles; y por otro lado, unaclasificación 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(Cuadro 1). La UF 1 con la mayor producción total anual, se diferenció de la 2 y la 4, en quesu 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 yd) y la UF 3 respondieron con mayor PPNA en el año de mayores precipitaciones (Cuadro2).Por otro lado, las sub-unidades de la UF 4 son las que en menor medida resienten suproducción total en el año de menores precipitaciones. El uso de modelos derivados deinformación provista por satélites, y en particular en pastizales de la región, ha demostradoestimar entre el 60% y el 93% de la varianza estacional de la PPNA. Por lo tanto el uso deestos modelos representaría un incremento sensible en lograr mejores estimaciones de lareceptividad de los recursos y ajustar la carga animal. A su vez, contar con medidas de lacapacidad de respuesta de cada recurso ante eventos extremos permite desarrollarestrategias convenientes para el cuidado de los recursos.